直接跑不起来的tensorflow 1.x代码在2.x中需显式关闭eager execution并统一使用tf.compat.v1前缀，仅改import不够；tf.compat.v1.disable_eager_execution()须置于所有tf调用前，且variable_scope等需配合auto_reuse和图形上下文一致性处理。
直接跑不起来的 TensorFlow 1.x 代码，在 2.x 环境下不是“不能用”，而是默认行为变了——tf.placeholder、tf.Session、tf.variable_scope 这些不是消失了，是被移到 tf.compat.v1 下，且需要关闭 Eager Execution 才能生效。
为什么加了 import tensorflow.compat.v1 as tf 还报错？
只改 import 不够。TensorFlow 2.x 默认启用 Eager Execution，而 1.x 的计算图模式（依赖 Session 和 placeholder）必须显式关闭。否则 tf.Session() 会报 AttributeError，tf.placeholder 直接找不到。
-
tf.compat.v1.disable_eager_execution()必须在所有 TensorFlow 操作之前调用，通常放在文件最顶部（import 之后、任何tf.调用之前） - 如果项目有多个 .py 文件都用到 TF 1.x API，每个文件开头都要加这行，不能只在主入口加
- 调用
tf.compat.v1.disable_eager_execution()后，不能再混用原生tf.（如tf.constant在 Eager 下返回 eager tensor；在 Graph 模式下返回 op node），建议统一用tf.compat.v1.前缀避免歧义
tf.variable_scope 报错：reuse 参数失效怎么办？
即使启用了兼容模式，tf.compat.v1.variable_scope 在 2.x 中对 reuse 的处理更严格。常见错误是 ValueError: Variable xxx already exists 或 reuse=False 却试图复用变量。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 强制指定
reuse=tf.compat.v1.AUTO_REUSE，而不是True或False - 确保每次进入
variable_scope前，图形上下文一致——比如不要在@tf.function内部混用tf.compat.v1.variable_scope - 如果用了
tf.reset_default_graph()，它只在 Graph 模式下有效，且必须在disable_eager_execution()之后、构建图之前调用
批量替换 vs 逐个修复：什么时候该用 tf_upgrade_v2？
tf_upgrade_v2 是官方提供的转换脚本，适合结构清晰、不重度依赖 tf.contrib 或自定义 C++ op 的项目。但它不会帮你处理逻辑迁移，比如从 tf.Session.run() 改成 @tf.function。
- 运行命令：
python -m tensorflow.tools.compatibility.tf_upgrade_v2 --infile old.py --outfile new.py - 生成的
report.txt里标出“FAILED”项必须手动改，典型如tf.contrib.slim→ 需查新版tf.keras.layers或第三方库替代 - 脚本会把
tf.foo替成tf.compat.v1.foo，但不会加disable_eager_execution()，这步仍需人工补上
真正麻烦的从来不是语法替换，而是那些隐含依赖：比如用 tf.get_variable + variable_scope 实现的参数共享逻辑，在 Eager 模式下根本不存在 scope 生命周期概念——这类设计层的耦合，tf_upgrade_v2 无能为力，必须重读模型构建逻辑再重构。
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！
