本文出自
掘金翻译计划 正在组织翻译的
TensorFlow 官方文档。如果您有兴趣，欢迎
申请成为译者，学习完译者教程后，参与到文章和文档的翻译和及对当中。我们也正在招募 TensorFlow 译者，欢迎积极参加。

TensorFlow 1.0 中 API 的改动不再完全向后兼容。因此，运行于 TensorFlow 0.n 版本的 TensorFlow 应用可能不能在 TensorFlow 1.0 版本中正常运行。在此版本中，我们对 API 进行了一些修改，确保了其内部一致性；在接下来的整个 1.N 版本周期中都不会进行任何断代式变更。

本指南将引导您了解新版 API 的主要变更，以及如何将您的程序自动升级至 TensorFlow 1.0。除了帮助您完成程序的修改之外，本指南也解释了我们为何要做出这些变更。

如何升级

如果您希望自动将代码迁移至 1.0 版本，可以尝试使用我们的 tf_upgrade.py 脚本。此脚本能处理大多数情况，但有时还是需要您进行手动修改。 您可以在我们的 GitHub 中获取此脚本。

如要将单个的 0.n 版 TensorFlow 源文件转换为 1.0 版本，请输入如下格式的命令：

$ python tf_upgrade.py --infile InputFile --outfile OutputFile

例如，以下命令会将一个名为 test.py 的 0.n 版 TensorFlow 程序转换为名为 test_1.0.py 的 1.0 版 TensorFlow 程序：

$ python tf_upgrade.py --infile test.py --outfile test_1.0.py

tf_upgrade.py 脚本还会生成一个名为 report.txt 的文件，记录了其在升级过程中做的所有修改，并给出了一些可能需要您手动修改的建议。

如要将整个目录的 0.n 版 TensorFlow 程序升级为 1.0 版本，请输入如下格式的命令：

$ python tf_upgrade.py --intree InputDir --outtree OutputDir

例如，以下命令会将 /home/user/cool 中的所有 0.n 版 TensorFlow 程序转换为 1.0 版并放入新建的 /home/user/cool_1.0 目录中：

$ python tf_upgrade.py --intree /home/user/cool --outtree /home/user/cool_1.0

限制

在使用脚本进行升级时，有几点注意事项。尤其是：

• 你需要手动修复所有 tf.reverse() 实例。 tf_upgrade.py 脚本也会在屏幕输出以及 report.txt 文件中警告您关于 tf.reverse() 的信息。
• 如果遇上一些需要重排序的参数，tf_upgrade.py 将会试着最小化地格式化您的代码，但不能自动地改变实际的参数顺序。因此 tf_upgrade.py 将使用关键字参数，让函数参数与顺序无关。
• tf.get_variable_scope().reuse_variables() 之类的构造器将失效。我们建议删除它们用以下方法代替：

with tf.variable_scope(tf.get_variable_scope(), reuse=True):
…

• 与 tf.pack 和 tf.unpack 类似，我们将 TensorArray.pack 以及 TensorArray.unpack 重命名为 TensorArray.stack 和 TensorArray.unstack。但是，TensorArray.pack 和 TensorArray.unpack 并不直接关联 tf 命名空间，因而无法通过词法直接检测出来，例如 foo = tf.TensorArray(); foo.unpack()。因此需要手动修改它们。

手动升级您的代码

您也可以不使用 tf_upgrade.py，手动升级代码。本文档剩余部分提供了完整的 TensorFlow 1.0 非向后兼容变更列表。

变量（Variables）

现在 Variable 函数更具一致性，减少了误解。

• tf.VARIABLES
• 需要重命名为 tf.GLOBAL_VARIABLES

• tf.all_variables
• 需要重命名为 tf.global_variables

• tf.initialize_all_variables
• 需要重命名为 tf.global_variables_initializer

• tf.initialize_local_variables
• 需要重命名为 tf.local_variables_initializer

• tf.initialize_variables
• 需要重命名为 tf.variables_initializer

聚合函数

现在所有的聚合函数（Summary function）都被统一放置于 tf.summary 命名空间中。

• tf.audio_summary
• 需要重命名为 tf.summary.audio

• tf.contrib.deprecated.histogram_summary
• 需要重命名为 tf.summary.histogram

• tf.contrib.deprecated.scalar_summary
• 需要重命名为 tf.summary.scalar

• tf.histogram_summary
• 需要重命名为 tf.summary.histogram

• tf.image_summary
• 需要重命名为 tf.summary.image

• tf.merge_all_summaries
• 需要重命名为 tf.summary.merge_all

• tf.merge_summary
• 需要重命名为 tf.summary.merge

• tf.scalar_summary
• 需要重命名为 tf.summary.scalar

• tf.train.SummaryWriter
• 需要重命名为 tf.summary.FileWriter

数值差异

整数除法以及 tf.floordiv 将使用向下取整（floor）语义。这样就能使 np.divide 和 np.mod 的结果与 tf.divide 和 tf.mod 的结果保持一致。另外，我们修改了 tf.round 使用的取整算法，使其与 NumPy 保持一致。

• tf.div
• 除法 tf.divide 的语义现在已经修改与 Python 语义保持一致，即 Python 3 中的 / 符号以及 Python 2 future 模块的 division 将始终得到浮点数、// 将进行求整除法。此外，tf.div 将只进行求整除法。如需使用 C 语言强制截断风格的除法运算，可以使用 tf.truncatediv。
• 请尽量将你的代码 tf.div 改为 tf.divide，它将遵循 Python 的语义。

• tf.mod
• 求余 tf.mod 的语义现在已经修改与 Python 语义保持一致。另外，对于整数的运算将使用向下取整（floor）语义。如需使用 C 语言强制截断风格的求余运算，可以使用 tf.truncatemod。

新版和旧版的除法操作对比总结如下表所示：

表达式TF 0.11 (py2)TF 0.11 (py3)TF 1.0 (py2)TF 1.0 (py3)tf.div(3,4)0000tf.div(-3,4)00-1-1tf.mod(-3,4)-3-311-3/40-0.75-1-0.75-3/4tf.divide(-3,4)N/AN/A-0.75-1

新版和旧版的取整操作对比总结如下表所示：

输入PythonNumPyC++ round()TensorFlow 0.11(floor(x+.5))TensorFlow 1.0-3.5-4-4-4-3-4-2.5-2-2-3-2-2-1.5-2-2-2-1-2-0.500-1000.5001101.5222222.5223323.544444

匹配 NumPy 命名

新版本对许多函数进行了重命名以匹配 NumPy。这么做旨在使得 NumPy 与 TensorFlow 之间的转换尽量简便。虽然我们已经排除了一些常见的不一致情况，但现在还有一些函数未能完全匹配。

• tf.inv
• 需要重命名为 tf.reciprocal
• 这么做是为了防止其与 NumPy 的矩阵求逆函数 np.inv 混淆

• tf.list_diff
• 需要重命名为 tf.setdiff1d

• tf.listdiff
• 需要重命名为 tf.setdiff1d

• tf.mul
• 需要重命名为 tf.multiply

• tf.neg
• 需要重命名为 tf.negative

• tf.select
• 需要重命名为 tf.where
• tf.where 现在与 np.where 一样，需要传入 3 个或 1 个参数

• tf.sub
• 需要重命名为 tf.subtract

匹配 NumPy 参数

一些 TensorFlow 1.0 方法的参数现在与 NumPy 的方法相匹配了。为了实现这一点，TensorFlow 1.0 对一些关键字参数进行了修改，并对一些参数进行了重排序。需要注意的是，TensorFlow 1.0 现在不再使用 dimension 而转为使用 axis。TensorFlow 1.0 在修改张量的操作中将保持张量参数始终在第一位。（参见 tf.concat 的改动）。

• tf.argmax
• 关键字参数 dimension 需要重命名为 axis

• tf.argmin
• 关键字参数 dimension 需要重命名为 axis

• tf.concat
• 关键字参数 concat_dim 需要重命名为 axis
• 输入参数重排序为 tf.concat(values, axis, name='concat').

• tf.count_nonzero
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.expand_dims
• 关键字参数 dim 需要重命名为 axis

• tf.reduce_all
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_any
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_join
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_logsumexp
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_max
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_mean
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_min
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_prod
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reduce_sum
• 关键字参数 reduction_indices 需要重命名为 axis

• tf.reverse
• tf.reverse 之前需要传入 1 维 bool 型张量用以控制维度的顺序调换，现在使用一组轴的索引进行控制。
• 例如 tf.reverse(a, [True, False, True]) 现在需改为 tf.reverse(a, [0, 2])

• tf.reverse_sequence
• 关键字参数 batch_dim 需要重命名为 batch_axis
• 关键字参数 seq_dim 需要重命名为 seq_axis

• tf.sparse_concat
• 关键字参数 concat_dim 需要重命名为 axis

• tf.sparse_reduce_sum
• 关键字参数 reduction_axes 需要重命名为 axis

• tf.sparse_reduce_sum_sparse
• 关键字参数 reduction_axes 需要重命名为 axis

• tf.sparse_split
• 关键字参数 split_dim 需要重命名为 axis
• 输入参数重排序为 tf.sparse_split(keyword_required=KeywordRequired(), sp_input=None, num_split=None, axis=None, name=None, split_dim=None).

• tf.split
• 关键字参数 split_dim 需要重命名为 axis
• 关键字参数 num_split 需要重命名为 num_or_size_splits
• 输入参数重排序为 tf.split(value, num_or_size_splits, axis=0, num=None, name='split').

• tf.squeeze
• 关键字参数 squeeze_dims 需要重命名为 axis

• tf.svd
• 输入参数重排序为 tf.svd(tensor, full_matrices=False, compute_uv=True, name=None).

简化数学变换

批量版数学运算操作已被移除。现在非批量版的函数已经包含了批量运算的功能。例如，tf.complex_abs 的功能已迁移至 tf.abs

• tf.batch_band_part
• 需要重命名为 tf.band_part

• tf.batch_cholesky
• 需要重命名为 tf.cholesky

• tf.batch_cholesky_solve
• 需要重命名为 tf.cholesky_solve

• tf.batch_fft
• 需要重命名为 tf.fft

• tf.batch_fft3d
• 需要重命名为 tf.fft3d

• tf.batch_ifft
• 需要重命名为 tf.ifft

• tf.batch_ifft2d
• 需要重命名为 tf.ifft2d

• tf.batch_ifft3d
• 需要重命名为 tf.ifft3d

• tf.batch_matmul
• 需要重命名为 tf.matmul

• tf.batch_matrix_determinant
• 需要重命名为 tf.matrix_determinant

• tf.batch_matrix_diag
• 需要重命名为 tf.matrix_diag

• tf.batch_matrix_inverse
• 需要重命名为 tf.matrix_inverse

• tf.batch_matrix_solve
• 需要重命名为 tf.matrix_solve

• tf.batch_matrix_solve_ls
• 需要重命名为 tf.matrix_solve_ls

• tf.batch_matrix_transpose
• 需要重命名为 tf.matrix_transpose

• tf.batch_matrix_triangular_solve
• 需要重命名为 tf.matrix_triangular_solve

• tf.batch_self_adjoint_eig
• 需要重命名为 tf.self_adjoint_eig

• tf.batch_self_adjoint_eigvals
• 需要重命名为 tf.self_adjoint_eigvals

• tf.batch_set_diag
• 需要重命名为 tf.set_diag

• tf.batch_svd
• 需要重命名为 tf.svd

• tf.complex_abs
• 需要重命名为 tf.abs

其它改动

除上文所述的改动外，还有以下一些变化：

• tf.image.per_image_whitening
• 需要重命名为 tf.image.per_image_standardization

• tf.nn.sigmoid_cross_entropy_with_logits
• 输入参数重排序为 tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None).

• tf.nn.softmax_cross_entropy_with_logits
• 输入参数重排序为 tf.nn.softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, dim=-1, name=None).

• tf.nn.sparse_softmax_cross_entropy_with_logits
• 输入参数重排序为 tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None).

• tf.ones_initializer
• 需要修改成函数调用，例如 tf.ones_initializer()

• tf.pack
• 需要重命名为 tf.stack

• tf.round
• tf.round 的语义现在与银行家舍入法（Banker’s rounding）相同。

• tf.unpack
• 需要重命名为 tf.unstack

• tf.zeros_initializer
• 需要修改成函数调用，例如 tf.zeros_initializer()

掘金翻译计划 是一个翻译优质互联网技术文章的社区，文章来源为
掘金 上的英文分享文章。内容覆盖
Android、
iOS、
前端、
后端、
区块链、
产品、
设计、
人工智能等领域，想要查看更多优质译文请持续关注
掘金翻译计划、
官方微博、
知乎专栏。