作者：Paige Bailey 和 Anna Revinskaya

TensorFlow 2.0 将包含许多 API 更改，例如重新排序参数、重命名符号以及更改参数的默认值。手动执行所有这些修改将很繁琐且容易出错。为了简化更改，并使您尽可能无缝地过渡到 TF 2.0，TensorFlow 工程团队创建了一个 tf_upgrade_v2 实用程序，它将帮助您将旧代码过渡到新的 API。



tf_upgrade_v2 实用程序在使用 pip 安装 TF 2.0 时会自动包含，并将通过将现有的 TensorFlow 1.13 Python 脚本转换为 TensorFlow 2.0 来帮助加速您的升级过程。

我们已尽力使尽可能多的升级任务自动化：但是，仍然存在脚本无法执行的语法和样式更改。

某些 API 符号无法仅通过使用字符串替换来升级。为了确保您的代码在 TensorFlow 2.0 中仍然受支持，升级脚本包含一个 compat.v1 模块。此模块将用等效的 tf.compat.v1.foo 引用替换形式为 tf.foo 的调用。但是，建议尽快手动校对此类替换，并将它们迁移到 tf.* 命名空间中的新 API，而不是 tf.compat.v1.* 命名空间。

此外，由于模块已弃用（例如，tf.flags 和 tf.contrib），TensorFlow 2.0 将包含无法通过切换到 compat.v1 来解决的更改。升级使用这些模块的代码可能需要使用其他库（例如 absl.flags）或切换到 tensorflow/addons 中的包。

如果您想尝试将模型从 TensorFlow 1.12 升级到 TensorFlow 2.0，请按照以下说明进行操作

首先，安装 tf-nightly-2.0-preview / tf-nightly-gpu-2.0-preview。

注意：tf_upgrade_v2 通过 pip install 自动安装到 TensorFlow 1.13 及更高版本（包括 2.0 nightly 版本）。

升级脚本可以在单个 Python 文件上运行

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

您也可以在目录树上运行它

# 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

该脚本还报告了详细更改列表：例如，参数重命名



添加关键字



以及任何推荐的手动检查



所有这些信息都包含在 report.txt 文件中，该文件将导出到您的当前目录。tf_upgrade_v2 运行并导出升级后的脚本后，您可以运行模型并检查以确保您的输出类似于 TF 1.13

注意事项

• 在运行此脚本之前，不要手动更新代码的任何部分。特别是，参数已重新排序的函数（如 tf.argmax 或 tf.batch_to_space）会导致脚本错误地添加关键字参数，这些参数与您的现有代码不匹配。
  
  
• 此脚本不会重新排序参数。相反，该脚本会将关键字参数添加到参数已重新排序的函数中。
  

要报告升级脚本错误或提出功能请求，请在 GitHub 上提交问题，如果您正在测试 TensorFlow 2.0，我们希望了解您的情况！欢迎您加入 TF 2.0 测试社区 并将问题和讨论发送到 [email protected]。