TF 2.x 迁移需禁用 v2 行为临时兼容 TF 1.x，但会丧失新特性；tf_upgrade_v2 可自动替换 API，却无法处理静态图、feed_dict、多图管理及 tf.contrib；变量初始化、作用域、模型保存加载均需手动重构。
不能直接运行，必须改代码或启用兼容模式；但启用兼容模式只是过渡手段，不是长期方案。
tf.disable_v2_behavior() 能救急，但会锁死性能和新特性
在 TF 2.x 环境中临时跑通 TF 1.x 代码最省事的方式是加这一行：
import tensorflow.compat.v1 as tf tf.disable_v2_behavior()
它会让 tf.Session()、tf.placeholder()、tf.get_variable() 等 API 暂时可用。但要注意：
- 所有
@tf.function、tf.data.Datasetpipeline 优化、tf.keras.mixed_precision等 2.x 特性全部失效 - GPU 内存管理仍是 TF1.x 的粗粒度方式，容易 OOM（尤其 batch size 稍大时）
- 无法用
tf.debugging.enable_check_numerics这类现代调试工具 - 模型保存必须用
tf.train.Saver，不能用tf.saved_model.save，后续部署受限
tf_upgrade_v2 工具能自动替换大部分 API，但不处理逻辑重构
官方迁移工具 tf_upgrade_v2 可批量重写代码，比如：
立即学习“Python免费学习笔记（深入）”；
tf.train.AdamOptimizer → tf.optimizers.Adam tf.truncated_normal → tf.random.truncated_normal tf.log → tf.math.log
但它不会碰这些地方：
- 手动构建的静态图结构（如嵌套
tf.control_dependencies） - 自定义
tf.Session.run()中的feed_dict逻辑（需转成tf.data或函数参数） - 依赖
tf.Graph().as_default()的多图管理逻辑 - 使用
tf.contrib的模块（该包已彻底移除，必须找替代实现）
运行命令后务必检查生成的 report.txt，重点关注 FAILED 和 WARNING 行——它们标出的是工具放弃处理的位置。
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
变量初始化和作用域迁移最容易漏掉细节
TF1.x 中靠 tf.global_variables_initializer() 统一初始化，TF2.x 是“创建即初始化”。迁移时常见错误：
-
tf.Variable在函数内重复声明 → 每次调用都新建变量，导致训练失败 -
tf.get_variable("w", ...)改成tf.Variable后没加name参数 → 保存/加载时 name 不匹配 - 原用
tf.variable_scope("encoder")控制 reuse，现需用tf.name_scope+ 显式判断变量是否存在 -
tf.keras.layers.Dense默认带 bias，而手写的w = tf.Variable(...)可能没加 bias → 结构不一致
建议：所有变量统一用 tf.keras.layers.Layer 子类封装，避免裸 tf.Variable。
模型保存与加载必须重写，否则跨版本不兼容
TF1.x 的 tf.train.Saver.save() 产出的是 checkpoint 文件（.index+.data），TF2.x 默认用 tf.saved_model.save() 生成包含签名、图结构和变量的完整目录。二者不互通：
- 用
tf.train.Saver.restore()加载 2.x 保存的模型 → 报错NotFoundError: Key dense/kernel not found in checkpoint - 用
tf.saved_model.load()加载 1.x checkpoint → 报错ValueError: SavedModel file does not exist
如果必须复用旧 checkpoint，得先在兼容模式下加载，再用 tf.saved_model.save() 导出新格式：
# 兼容模式下加载旧 ckpt
with tf.Session() as sess:
saver = tf.train.Saver()
saver.restore(sess, "old_ckpt/model.ckpt")
tf.saved_model.save(model, "new_saved_model")
注意：这要求你能在兼容模式下完整重建模型结构，且变量名与 checkpoint 严格对齐。
真正卡住迁移进度的，往往不是 API 替换，而是那些散落在 feed_dict 里的数据预处理逻辑、图内条件分支的 tf.cond 实现、以及多 GPU 下手工写的 tf.device 分片——这些没法靠工具自动转换，必须一行行对照重写。
