tensorflow 2.x移除了tf.placeholder、tf.session和tf.contrib等1.x api，需用tf.compat.v1.disable_eager_execution()临时兼容，但推荐重构为@tf.function+tf.gradienttape+keras api。

tf.placeholder 报错：AttributeError: module 'tensorflow' has no attribute 'placeholder'

这是最典型的 1.x → 2.x 兼容性报错，根源是 TensorFlow 2.x 默认启用 Eager Execution，不再需要 tf.placeholder 这类静态图占位符。

直接加 tf.compat.v1 前缀不是最优解——它会让后续所有 API 都被迫走兼容层，掩盖真正该重构的地方。

• 临时跑通：在文件开头加 import tensorflow.compat.v1 as tf 和 tf.disable_eager_execution()，然后把 tf.placeholder 改成 tf.compat.v1.placeholder
• 但要注意：tf.disable_eager_execution() 必须在 import 之后、任何 tensor 创建之前调用，否则会报 RuntimeError: tf.enable_eager_execution must be called at program startup
• 更稳妥的做法是只对特定模块启用兼容层，比如单独写一个 legacy_graph.py 文件封装老代码，主流程仍用原生 2.x API

tf.Session 报错：AttributeError: module 'tensorflow' has no attribute 'Session'

tf.Session 在 2.x 中彻底移除，不是“改个名字”就能绕过的问题。

如果你的代码重度依赖 Session + feed_dict 的训练循环（比如老式 DQN 或自定义训练 loop），硬套 tf.compat.v1.Session 会带来隐性风险：

• 变量作用域和初始化行为可能不一致，尤其在多次运行同一脚本时容易出现 Variable already exists 错误
• GPU 内存释放不可靠，sess.close() 在兼容模式下不一定生效
• 混合使用 tf.function 和 tf.compat.v1.Session 可能触发未定义行为

建议优先用 @tf.function + tf.Variable + tf.GradientTape 重写核心逻辑；实在无法重写，至少加上 tf.reset_default_graph() 清理状态。

tf.contrib 报错：AttributeError: module 'tensorflow' has no attribute 'contrib'

tf.contrib 是 1.x 的实验性模块，在 2.x 中被完全废弃，没有等效的 compat.v1.contrib 存在。

Li Python Sec Check

Python 安全规范检查工具：基于 CloudBase 规范、腾讯安全指南，LLM 智能分析（默认禁用，优先本地执行）

下载

常见迁移路径取决于具体子模块：

• tf.contrib.rnn → 替换为 tf.keras.layers.LSTM 或 tf.nn.bidirectional_dynamic_rnn
• tf.contrib.slim → 已无官方替代，需改用 tf.keras.Sequential 或手动构建 layer
• tf.contrib.layers.batch_norm → 改用 tf.keras.layers.BatchNormalization，注意 training 参数必须显式传入

不要尝试用 pip 安装旧版 contrib 包——它与 2.x 的底层 runtime 不兼容，大概率导致段错误或 CUDA 初始化失败。

随机数/初始化器类 API 失效：如 tf.random_normal、tf.variance_scaling_initializer

这类函数不是简单改名，而是命名空间和参数语义都变了。比如 tf.random_normal 被移到 tf.random.normal，但后者默认返回 float32，而旧版常依赖 float64 行为。

关键差异点：

• tf.truncated_normal → tf.random.truncated_normal，但 shape 参数从 list 改为 TensorShape 类型，传 [3, 4] 会报错，得用 (3, 4)
• tf.variance_scaling_initializer → tf.keras.initializers.VarianceScaling，且 mode 参数值从 "FAN_IN" 改为小写 "fan_in"
• tf.get_variable 在 Eager 模式下必须配合 tf.Variable 或 tf.keras.layers.Layer 使用，单独调用会报 ValueError: Trying to access variable ... before it was created

最容易被忽略的是：这些新 API 在 tf.function 装饰的函数里行为更严格，传入 None 或动态 shape 可能直接编译失败。

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！