吴恩达深度学习作业中因版本不同导致的一些报错问题

此文只是记录本人在运行吴恩达深度学习作业时，我用的Python包和作业版本不同，导致作业中一些老版本的功能在新版本中去掉了就报错。我在网上搜集了一下解决办法，汇总了方便下次遇到又得搜好久，所以算不得原创，如果以后遇到新问题了再更新一下加进去。

1. module ‘scipy.ndimage’ has no attribute 'imread’和module ‘scipy.misc’ has no attribute ‘imresize’

产生原因

这两个问题基本都是同时出现的

my_image = "thumbs_up.jpg"

# We preprocess your image to fit your algorithm.
fname = my_image
image = np.array(ndimage.imread(fname, flatten=False))  # 这儿
my_image = scipy.misc.imresize(image, size=(64,64)).reshape((1, 64*64*3)).T   # 和这儿
my_image_prediction = predict(my_image, parameters)

此时是想要重新设置图片的尺寸，但是有如下两条报错（两条报错并不是同时报出来的，只是这一段代码会引发这两条）

module 'scipy.ndimage' has no attribute 'imread
module 'scipy.misc' has no attribute 'imresize'

解决方法

我也是在做这作业（只是抄过来运行了一下）的时候才第一回用到scipy这个库，所以产生原因我也不清楚，也是好久前在网上找的解决方法，现在只是想把它总结出来，方便下回用。将其中那两行替换成这个

image = np.array(plt.imread(fname))
my_image = np.array(Image.fromarray(image).resize((64,64))).reshape((1, 64*64*3)).T

2. module ‘tensorflow’ has no attribute ‘Session’

产生原因

这个问题是近期刚遇到的，是因为tensorflow 2.x版本里面去掉了好多1.x里的功能，导致频频报错。
包括以下几个类似的错误

module 'tensorflow' has no attribute 'global_variables_initializer'

module 'tensorflow' has no attribute 'placeholder'

module 'tensorflow' has no attribute 'set_random_seed'

module 'tensorflow' has no attribute 'Session'

解决办法

解决办法基本都是一样的
就是在中间加上.compat.v1.，比如像下面这样

x = tf.compat.v1.placeholder(tf.int64, name = 'x')

init = tf.compat.v1.global_variables_initializer()  

tf.compat.v1.set_random_seed(1) 

with tf.compat.v1.Session() as session:

3. module ‘tensorflow’ has no attribute ‘contrib’

产生原因

这个也是因为tensorflow 2.x版本里面去掉了这个contrib，网上也试了一些方法，只有这个解决了

W1 = tf.compat.v1.get_variable("W1", [25,12288], initializer = tf.contrib.layers.xavier_initializer(seed = 1))

解决办法

这个时候就不能再添加.compat.v1了，不然又会报新的错
可以替换成这样

W1 = tf.compat.v1.get_variable("W1", [25,12288], initializer = tf.initializers.GlorotUniform(seed = 1))  

至于这个方法和作业中的有啥区别我也不太清楚，毕竟也是第一次用tensorflow，但是在后面的运行结果里，和原作业的结果有一点不太一样， 不知道是不是这个引起的

4.module ‘tensorflow._api.v2.train’ has no attribute ‘AdamOptimizer’

产生原因

optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)  

解决方法

也是在中间添加一个这.compat.v1，但是运行结果和原作业的不太一样，有可能是上一步的问题。

optimizer = tf.compat.v1.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)  

算了，越到后面发现不一样的越多，也没找到解决办法，我屈服了，还是装回tensorflow1.14吧