tf.compat.v1不是真正兼容方案，而是临时迁移工具；它无法保证图构建、变量作用域、checkpoint加载等核心逻辑正常，且TF 2.16+已删除tf.train.AdamOptimizer等关键组件，混用API会导致运行时错误。
不能靠同一份代码自动适配 TensorFlow 1.x 和 2.x —— 它们不是简单 API 差异，而是设计哲学断裂，强行兼容只会埋坑。
为什么 tf.compat.v1 不是真正的兼容方案
很多人看到 tf.compat.v1 就以为能“一键降级”到 1.x 行为，但实际它只是临时迁移工具，不是稳定运行时。比如：
-
tf.Session在 TF 2.x 中已彻底移除，tf.compat.v1.Session只在启用tf.compat.v1.disable_v2_behavior()后才模拟存在，但无法保证所有 1.x 的图构建、变量作用域、checkpoint 加载逻辑正常 -
tf.keras.layers和原生tf.layers在 2.x 中已合并/废弃，混用会导致AttributeError: module 'tensorflow' has no attribute 'layers' -
tf.train.AdamOptimizer在 2.16+ 中已删除，即使开了 compat 模式也会抛ImportError
判断当前环境用的是哪个 TensorFlow 版本
别依赖 import tensorflow as tf; print(tf.__version__) 做运行时分支 —— 这会让 IDE 和类型检查器失效，且容易漏掉子模块版本差异。更可靠的方式是：
- 用
tf.version.VERSION获取主版本号（字符串），再用tuple(map(int, tf.version.VERSION.split('.')[:2]))转成元组比较，例如(2, 15) >= (2, 0) - 对关键行为做探测：比如检查
hasattr(tf, 'function')（TF 2.x 引入）或hasattr(tf, 'enable_eager_execution')（TF 1.7+ 才有） - 避免在 import 语句里写条件逻辑，否则会触发
ImportError或隐式加载失败
真正可行的兼容路径只有两条
没有第三条路，硬凑只会让 CI 失败、调试变慢、同事骂你：
立即学习“Python免费学习笔记（深入）”；
-
路径一：完全分离代码树 —— 用不同 Git 分支（如
tf1-main/tf2-main），CI 中分别用pip install tensorflow==1.15.5和pip install tensorflow>=2.15.0测试，不共享任何模型定义或训练循环 -
路径二：只保留 TF 2.x，用
tf.keras重写 TF 1.x 逻辑 —— 比如把tf.estimator.Estimator改成model.fit()，把tf.placeholder+feed_dict改成@tf.function+tf.data.Dataset；Keras API 在 TF 2.x 中已足够覆盖绝大多数 1.x 场景
最容易被忽略的陷阱：saved_model 和 checkpoint 格式不互通
哪怕你用 tf.compat.v1 成功加载了 TF 1.x 的 .ckpt 文件，也无法直接用 tf.keras.models.load_model() 加载；反过来，TF 2.x 保存的 saved_model 在 TF 1.x 环境里根本解析不了。这意味着：
- 模型部署环节必须明确指定 target TF 版本，不能“看情况而定”
- 跨版本迁移时，必须用对应版本的 Python 解释器执行转换脚本（例如用 TF 1.15 导出 frozen graph，再用 TF 2.x 的
tf.keras.models.load_model()加载并保存为新格式） -
tf.train.Checkpoint和tf.Saver的 restore 接口参数签名完全不同，混用会静默失败
