Question

我在Pytorch工作。我可以导入tensorflow（版本1.13.1），并且需要ConfigProto：

import tensorflow as tf
config = tf.ConfigProto(intra_op_parallelism_threads=8,
    inter_op_parallelism_threads=8,
    allow_soft_placement=True,device_count = {'CPU' : 1, 'GPU' : 1})

我得到标题错误。这与所使用的Keras的版本问题/版本有关（我在这里也拥有最新版本）吗？致以诚挚的问候和谢意。

Answer 1

升级到Python 3.7和Tensorflow 2.0.0（来自Tensorflow 1.2.0）时，我遇到了类似的问题

这是一个简单且有效的方法！

如果您不想触摸代码，只需在带有Tensorflow代码的main.py文件中添加以下两行：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

就是这样！
现在，所有内容都应无缝运行：）

Answer 2

信息：

RTX 2080
ubuntu 16.04
cuda 10.0
cuDNN v7.4.1.5
Python V 3.5

点列表：

tensorflow (1.13.1)
tensorflow-gpu (1.13.1)
tf-nightly-gpu (1.14.1.dev20190509)

代码：

import tensorflow as tf
from tensorflow import keras

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)

输出：

创建的TensorFlow设备（/ job：本地主机/副本：0 /任务：0 /设备：GPU：0具有7439 MB内存）-> 物理GPU（设备：0，名称：GeForce RTX 2080，pci总线ID： 0000：02：00.0，计算能力：7.5）

对我有用！

Answer 3

我也遇到类似的错误，但是我有tensorflow 1.14，ubuntu 18.04和GTX 1050ti。因此，正确安装了conda（最新版本-5.1）即使错误仍然存在，所以将tensorflow / tensorflow-gpu升级到-version tensorflow == 2.0.0-beta0并为我工作。

Answer 4

ConfigProto在tf 2.0中消失了，所以一个优雅的解决方案是替换：

tf.ConfigProto由tf.compat.v1.ConfigProto

实际上，2.0中内置的兼容性可以获取tf 1：tf.compat.v1确实很有帮助。

Answer 5

只是为Tensorflow v2寻求答案的其他人

正如其他人所提到的，您可以使用v1的向后兼容性。但是Tensorflow v2实际上确实带有它自己的实现。这只是一个隐藏的实验功能。

这是在Tensorflow v2中如何允许GPU在内存中增长的方法：

# Allow memory growth for the GPU
physical_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)

找到更多信息@Tensorflow

Answer 6

如果使用 tensorflow 版本 > 2.0：

config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth=True
sess = tf.compat.v1.Session(config=config)

AttributeError：模块“ tensorflow”没有属性“ ConfigProto”

6 个答案: