TensorFlow 2.0将会包含许多API改变，例如改变参数顺序、重命名、修改默认值等。手动迁移代码比较繁琐，还有出错的风险。为了让你的老代码能够向TensorFlow 2.0无缝迁移，TensorFlow开发组推出了tf_upgrade_v2功能。

当你使用pip安装TensorFlow 2.0时，tf_upgrade_v2就会自动安装，它可以帮你更快速地将已有的TensorFlow 1.13脚本迁移到TensorFlow 2.0。

我们尝试尽可能多地自动执行升级任务：但是，仍然有一些句法和风格改变是tf_upgrade_v2无法自动迁移的，这些变更无法用简单的字符串替换来实现。为了确保你的代码可以被TensorFlow 2.0支持，升级脚本中包含了一个compat.v1模块。这个模块会将tf.foo形式的调用替换为tf.compat.v1.foo。我们推荐的做法是，尽快人工校对这些替换，并将它们迁移到tf.*命名空间下的新API而不是使用tf.compat.v1.*命名空间。

另外，由于一些模块被废弃（例如tf.flags和tf.contrib），TensorFlow 2.0会包含一些无法通过切换到compat.v1解决的变更。升级这些代码需要用到额外的库（如absl.flags）或者将代码切换到tensorflow/addons包下。

如果你想要把模型从TensorFlow 1.12迁移到TensorFlow 2.0，首先要安装tf-nightly-2.0-preview或tf-nightly-gpu-2.0-preview。

然后就可以通过运行一个单独的Python脚本直接升级：

tf_upgrade_v2 — infile foo.py — outfile foo-upgraded.py

注意：通过pip install安装TensorFlow 1.13及后续版本时会自动安装tf_upgrade_v2。

也可以在文件夹目录中执行升级脚本：

# upgrade the .py files and copy all the other files to the outtree
tf_upgrade_v2 — intree foo/ — outtree foo-upgraded/
# just upgrade the .py files
tf_upgrade_v2 — intree foo/ — outtree foo-upgraded/ — copyotherfiles False

脚本会列出到底做了哪些改动，例如参数重命名：

添加关键字：

以及有哪些地方推荐进行人工检查：

所有的信息都会被包含在当前文件夹的report.txt中。升级完成后，你可以运行模型来检查你的输出是否和1.13版本的输出相似。

警告

在运行脚本之前，不要手动修改代码。尤其是那些会变更参数顺序的函数，例如tf.argmax或者tf.batch_to_space，这会导致脚本错误地映射参数关键词。
脚本本身不会进行参数重排序，只会为发生了参数重排的函数添加参数关键字

参考链接：
https://medium.com/tensorflow/upgrading-your-code-to-tensorflow-2-0-f72c3a4d83b5

更多内容，请关注AI前线

创作场景

一行代码迁移 TensorFlow 1.x 到 TensorFlow 2.0