Question

我是Tensorflow的新手。尝试过这个简单的例子：

import tensorflow as tf
sess = tf.Session()
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
z = x + y
print(sess.run(z, feed_dict={x: 3.0, y: 4.5}))

并收到一些警告The name tf.Session is deprecated. Please use tf.compat.v1.Session instead.和正确的答案-7.5

在阅读here之后，我了解到警告是由于从tf 1.x升级到2.0而引起的，描述的步骤“简单”，但没有给出任何示例。...

我尝试过：

@tf.function
def f1(x1, y1):
    return tf.math.add(x1, y1)


print(f1(tf.constant(3.0), tf.constant(4.5)))

我的代码是否正确（按照链接中定义的含义）？
现在，我得到Tensor("PartitionedCall:0", shape=(), dtype=float32)作为输出，如何获得实际值？

Answer 1

您的代码确实正确。您收到的警告表明，从Tensorflow 2.0开始，API中不存在tf.Session()。因此，如果您希望代码与Tensorflow 2.0兼容，则应改用tf.compat.v1.Session。因此，只需更改此行：

sess = tf.Session()

收件人：

sess = tf.compat.v1.Session()

然后，即使将Tensorflow从1.xx更新为2.xx，您的代码也将以相同的方式执行。至于Tensorflow 2.0中的代码：

@tf.function
def f1(x1, y1):
    return tf.math.add(x1, y1)

print(f1(tf.constant(3.0), tf.constant(4.5)))

如果在Tensorflow 2.0中运行它很好。如果要运行相同的代码而不安装Tensorflow 2.0，则可以执行以下操作：

import tensorflow as tf
tf.enable_eager_execution()

@tf.function
def f1(x1, y1):
    return tf.math.add(x1, y1)

print(f1(tf.constant(3.0), tf.constant(4.5)).numpy())

这样做的原因是因为从Tensorflow 2.0开始执行Tensorflow操作的默认方式是急切模式。在Tensorflow 1.xx中激活渴望模式的方法是在导入Tensorflow之后立即启用它，就像我在上面的示例中所做的那样。

Answer 2

根据Tensorflow 2.0，您的代码是正确的。 Tensorflow 2.0与numpy更加紧密地结合在一起，因此，如果要获取操作结果，可以使用numpy()方法：

print(f1(tf.constant(3.0), tf.constant(4.5)).numpy())

从tensorflow 1.x升级到2.0

2 个答案: