tensorflow 2.0的版本兼容api（兼容1.x）

0. 引言

平时经常在github上使用一些别人的代码，基本上就是直接扒拉过来就开始跑了。不过，经常遇见那种版本不兼容的问题，提示就是没有某个模块，或者没有某个API。本质上是因为tensorflow在发展过程中，很多api已经被取消了。其实在日常的编码过程中，也会遇到这种提示，某个模块或者某个函数将在未来中被取消，请更换某个api的提示。

1. 问题描述

本次实验是基于开源的char-rnn来进行，一开始选择了star比较高的版本[1]，但是这个版本太老了，连contrib.rnn都不能满足，其要求tensorflow 1.0。所以，更换了另外一个版本[2]，这个版本要求tensorflow >=1.2，但即使是这样，依然不能完全兼容。报错如下：

Traceback (most recent call last):
  File "train.py", line 7, in <module>
    FLAGS = tf.flags.FLAGS
AttributeError: module 'tensorflow' has no attribute 'flags'

通过在官网[3]的解释中，可以通过tf.compat.v1.flags.Flag来使用，但是虽然这里不报错了，其他的地方还是会报错，例如tf.reset_default_graph()等。

2. 解决方案

在搜索这个问题之后，发现有很多人有这种问题。在[4]中，提供了解决方案；

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior() 

但是这种方案依然有人说并不好使，不过在我的测试版本，tensorflow==2.3.1，python 3.6.9上是可以执行的。其他的一些报错也都消失了，能够成功运行。

3.问题思考

其实本质上，这是一个开源库在发展过程中，一些老旧的api逐渐替代，甚至被取消。但是在平时的研究中，经常参考别人的代码，这些代码很多都已经不再维护，直接运行会有很多错误。针对这种情况，如果是完全重新写，怕是工作量太大了。上面提供的解决方案算是一种，但是没有测试更多的代码，在[2]上是能够成功运行的。
**另外一种方式是使用低版本的tensorflow，也就是将tensorflow进行降级，**但是这样的话，每次都进行重装，最后环境就越来越乱了。不过，可以使用docker的形式，例如在dockerhub上搜索tensorflow1.3[5]，可以看到之前版本。

注意拉取镜像的时候，一定要选择GPU的版本，不然使用CPU可能会很慢。
关于如果docker安装深度学习环境，可以参考本博客的另外一篇文章《Centos8安装英伟达显卡驱动并通过docker部署深度学习环境》。

参考

[1]sherjilozair/char-rnn-tensorflow
[2]hzy46/Char-RNN-TensorFlow
[3]tf.compat.v1.flags.Flag
[4]AttributeError: module ‘tensorflow’ has no attribute ‘placeholder’ #14
[5]tensorflow/tensorflow