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：
立即学习“Python免费学习笔记（深入）”；
- 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。
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。
