Question

众所周知，张量流的新版本现已发布。他们提供了一种使用tf_upgrade_v2 --infile original_code.py --outfile upgraded_code.py轻松升级代码的工具。升级代码后，它将产生一个txt report来通知您除了需要特别注意的问题（即已弃用的功能，无法对其进行进一步替换）以外的所有更改。

因此，不幸的是我的代码中有几个不推荐使用的功能，我正在寻找替代的功能，但仍未能成功。如果有人可以建议我替代任何产品，我将不胜感激。

1-

 L1 = tf.compat.v1.get_variable('L1', shape=[feature_dim, feature_dim],
                            initializer=tf.contrib.layers.xavier_initializer(), regularizer = tf.contrib.layers.l2_regularizer(wd), use_resource=False)

因此不赞成使用xavier_initializer和l2_regularizer。

2- image = tf.contrib.image.rotate(image, angles=rnd_rot_angle)

3- transform = tf.contrib.image.matrices_to_flat_transforms(tf.linalg.inv(afine_tf.params))

4- image = tf.contrib.image.transform(image, transform)

5- python日志记录功能不再在终端上显示任何日志。

import tenosflow
import logging
logging.basicConfig(level=logging.INFO)
logging.info('It doens't print this')

Answer 1

对于正则化器和初始化器，可以分别使用tf.keras.regularizers.l2和tf.initializers.GlorotNormal（或GlorotUniform）。后者实质上是Xavier初始化的另一个名称。至于contrib模块，它已从TF 2.0中完全删除，并且至少到目前为止，许多功能无法直接替换。但是您可以在输入管道中使用tf.py_function。它可以将任何python逻辑包装为TensorFlow op。

def custom_resize(image):
    return np.resize(image, (100,100))

def parse_func(image, label):
    return tf.py_function(custom_resize, inp=[image], Tout=[tf.float32])
...
dataset = dataset.map(parse_func)

因此，基本上，我们可以定义任何函数，该函数将接受numpy数组，而不是张量，并将其应用于数据集中的任何张量。

张量流2.0.0-alpha0版本中的描述函数问题

1 个答案: