tensorflow2.0版本 线性回归报原因及更改版

tensorflow2.0版本 线性回归报原因及更改版

作为tensorflow新手，在学习过程中遇到了特别多报错，造成这种现象的主要原因在于tensorflow2.0版本和 1.0版本之间的差别太大，出现了很多“AttributeError: module ‘tensorflow’ has no attribute ‘Session’”的错误。
找到原因并进行了更正，附上修改前后的代码 供参考

适用于tensorflow1.0版本

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
 
# 随机生成1000个点，围绕在y=0.1x+0.3的直线周围
num_points = 1000
vectors_set = []
for i in range(num_points):
    x1 = np.random.normal(0.0, 0.55)
    y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
    vectors_set.append([x1, y1])
 
# 生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
 
plt.scatter(x_data,y_data,c='r')
plt.show()
# 生成1维的W矩阵，取值是[-1,1]之间的随机数
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
# 生成1维的b矩阵，初始值是0
b = tf.Variable(tf.zeros([1]), name='b')
# 经过计算得出预估值y
y = W * x_data + b
 
# 以预估值y和实际值y_data之间的均方误差作为损失
loss = tf.reduce_mean(tf.square(y - y_data), name='loss')
# 采用梯度下降法来优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 训练的过程就是最小化这个误差值
train = optimizer.minimize(loss, name='train')
 
sess = tf.Session()
 
init = tf.global_variables_initializer()
sess.run(init)
 
# 初始化的W和b是多少
print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
# 执行20次训练
for step in range(20):
    sess.run(train)
    # 输出训练好的W和b
    print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
#writer = tf.train.SummarySaverHook("./tmp", sess.graph)
plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()

适用于tensorflow2.0版本

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
tf.compat.v1.disable_eager_execution()

 
# 随机生成1000个点，围绕在y=0.1x+0.3的直线周围
num_points = 1000
vectors_set = []
for i in range(num_points):
    x1 = np.random.normal(0.0, 0.55)
    y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
    vectors_set.append([x1, y1])
 
# 生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
 
plt.scatter(x_data,y_data,c='r')
plt.show()
# 生成1维的W矩阵，取值是[-1,1]之间的随机数
W = tf.Variable(tf.random.uniform([1], -1.0, 1.0), name='W')
# 生成1维的b矩阵，初始值是0
b = tf.Variable(tf.zeros([1]), name='b')
# 经过计算得出预估值y
y = W * x_data + b
 
# 以预估值y和实际值y_data之间的均方误差作为损失
loss = tf.reduce_mean(tf.square(y - y_data), name='loss1')
# 采用梯度下降法来优化参数
optimizer = tf.compat.v1.train.GradientDescentOptimizer(0.5)
# 训练的过程就是最小化这个误差值
train = optimizer.minimize(loss,name='train')
 
sess = tf.compat.v1.Session()
init = tf.compat.v1.global_variables_initializer()

sess.run(init)
 
# 初始化的W和b是多少
print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
# 执行20次训练
for step in range(20):
    sess.run(train)
    # 输出训练好的W和b
    print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
#writer = tf.train.SummarySaverHook("./tmp", sess.graph)
plt.scatter(x_data,y_data,c='r')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()

主要原因在于tf内名字的更改，如：GradientDescentOptimizer，Session，global_variables_initializer等
另外，还有一个报错是：RuntimeError: loss passed to Optimizer.compute_gradients should be a function when eager execution is enabled.
是因为在Tensorflow 2.0 中，eager execution 是默认开启的。所以，需要先关闭eager execution
因此在正确代码中加入了

tf.compat.v1.disable_eager_execution()