tf_upgrade_v2仅做语法替换，不修复逻辑缺陷；placeholder、get_variable、summary、contrib四类问题须手动重构，且禁用v2行为仅适用于临时验证，长期需转向原生tf2风格。
能跑通不等于迁完了——tf_upgrade_v2只改语法，不修逻辑，placeholder、get_variable、summary、contrib 这四类问题必须手动处理。
tf_upgrade_v2 转换后为什么还是报错？
工具只做字符串级替换，比如把 tf.train.AdamOptimizer 换成 tf.compat.v1.train.AdamOptimizer，但不会帮你改成 tf.keras.optimizers.Adam。它也不碰 tf.contrib.layers.batch_norm 这类调用，原样保留，运行时直接抛 ModuleNotFoundError。
常见漏掉的坑：
- 转换后生成的
report.txt里标出“tf.placeholder→tf.compat.v1.placeholder”，但 eager 模式下这行代码根本没意义，得重构成函数参数或tf.keras.Input -
tf.get_variable+tf.variable_scope在 TF2 eager 下变量复用失效，必须改用tf.Variable或封装为tf.keras.layers.Layer - 转换不检查
requirements.txt，你可能还在装tf-slim，却忘了它已从tf.contrib拆出成独立包
tf.compat.v1.disable_v2_behavior() 是捷径还是陷阱？
加这两行确实能让旧代码“先跑起来”：
import tensorflow.compat.v1 as tf tf.disable_v2_behavior()
但它只是冻结在 TF1 模式，完全无法利用 TF2 的 eager 调试、tf.function 自动图优化、tf.data 流水线加速等核心优势。更麻烦的是，某些 TF1 行为在禁用 eager 后反而更难 debug，比如梯度计算路径和变量初始化顺序会和纯 TF2 不一致。
适用场景仅限于：
- 临时验证模型权重加载是否正常（用
tf.compat.v1.train.Saver加载 .ckpt） - 快速跑通 baseline，为后续重构争取时间
- 维护遗留服务，无资源投入长期重构
一旦进入训练调试阶段，就该切回原生 TF2 风格。
哪些 API 必须手动替换，不能靠工具？
以下三类没有自动映射，必须逐个识别、理解语义、重写：
-
tf.placeholder+feed_dict→ 改成函数签名参数，例如def train_step(x_batch, y_batch):，配合@tf.function装饰器；输入层统一用tf.keras.Input -
tf.summary.scalar('loss', loss)→ 必须先调用tf.summary.create_file_writer，并在with writer.as_default():块内写入，否则静默丢弃 -
tf.contrib.*全系消失 →tf.contrib.layers→tf-slim包；tf.contrib.rnn→tf.keras.layers.LSTM或tf.keras.layers.GRU；tf.contrib.metrics→tf.keras.metrics或tensorflow-addons
迁移后模型保存/加载为何不兼容？
tf.train.Saver.save 和 tf.train.Saver.restore 只能读写 checkpoint 格式（.index + .data），而 tf.saved_model.save 输出的是包含图结构、变量、签名的完整 SavedModel 目录。两者不互通。
如果你要加载老模型继续训练：
- 用
tf.compat.v1.train.import_meta_graph+saver.restore（需保持disable_v2_behavior） - 或用
tf.keras.models.load_model（前提是原模型是 Keras 构建且已导出为 HDF5） - 全新训练一律用
tf.saved_model.save，它支持跨语言加载（C++/Python/JS）且兼容 TF Serving
最易被忽略的一点：TF2 的 tf.saved_model.load 返回的是可调用对象，不是 tf.Session，不能 sess.run()，得直接 model(input_tensor)。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
