TensorFlow module ‘tensorflow‘ has no attribute ‘Session‘ 问题解决

问题描述

在初次尝试tensorflow 的时候遇到类似下面的问题：
module ‘tensorflow’ has no attribute ‘placeholder’
module ‘tensorflow’ has no attribute 'Session’

问题解决

导致该问题的原因是：
tensorflow的 V1 版本和V2版本不能直接兼容，需要在其前置中加入些代码设置环境：

import tensorflow.compat.v1 as tf

这个时候，如果你使用了placeholder的话，他又会报出错误：
RuntimeError: tf.placeholder() is not compatible with eager execution.
兼容问题又出现，那么再加入下述代码进行兼容设置:

tf.compat.v1.disable_eager_execution()

此外，在我的代码中还出现了 :ModuleNotFoundError: No module named ‘tensorflow.examples.tutorials’ 的错误。
这是由于我使用了一个MNIST的网络数据集，（from tensorflow.examples.tutorials.mnist import input_data）
这个数据集的即时下载方式已经改变，因此，如果想要拿到tutorials内部的函数，需要将该文件下载到本地，然后放在项目的根目录下。但是tutorials文件夹的下载在github上已经不再支持，因此在这里提供一个下载源，在我的CSDN账号的资源里。
下面附上当时测试的代码，用来实现数字的图像识别的深度学习训练。

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow.compat.v1 as tf
print (tf.__path__)
tf.compat.v1.disable_eager_execution()
from tensorflow.examples.tutorials.mnist import input_data
DATA_DIR = '/data'

NUM_STEPS = 1000

MINIBATCH_SIZE = 100

# 直接使用内置方法即时检索数据集，ready_data_sets()方法将MNIST数据集下载到本地，第二个参数为读取标签的方式
data = input_data.read_data_sets(DATA_DIR, one_hot = True)

# 占位符和变量的定义， 图像本身x是一个占位符，none表示不指定每次使用的图片数量，784是图像的像素点个数，我们所提取的图像为 28×28
x = tf.placeholder(tf.float32, [None, 784])
print(x)
w = tf.Variable(tf.zeros([784, 10]))
print(w)
# y_true 和y_pred 分别表示真实和预测的标签
y_true = tf.placeholder(tf.float32, [None, 10])
y_pred = tf.matmul(x, w)

# 使用测量相似度的方法：交叉熵，也叫损失函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_pred, labels=y_true))
# 通过最小化损失函数的方式使得整体损失下降，得到最优化结果（梯度下降法）
gd_step  = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 定义评估步骤来测试模型的准确率
correct_mask = tf.equal(tf.argmax(y_pred,1), tf.argmax(y_true, 1))
accuracy = tf.reduce_mean(tf.cast(correct_mask, tf.float32))

with tf.Session() as sess:
    # Train
    # 初始化所有参数
    sess.run(tf.global_variables_initializer())
    for _ in range(NUM_STEPS):
        # 使用 MINIBATCH_SIZE常量控制每一步的样本数量
        batch_xs, batch_ys = data.train.next_batch(MINIBATCH_SIZE)
        # 模型学习过程
        sess.run(gd_step, feed_dict = {x:batch_xs, y_true: batch_ys})
    # Test 测试准确率
    ans = sess.run(accuracy, feed_dict = {x: data.test.images, y_true: data.test.labels})
print ("Accuracy: {:.4}".format(ans*100))