tensorflow 2.0，神经网络：正弦拟合，AttributeError: module 'tensorflow' has no attribute 'placeholder'错误

新入门，安装anaconda后，设置好python运行环境，按照前辈的指引，输入第一个神经网络训练：正弦拟合。

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

def gen_data():
    x = np.linspace(-np.pi,np.pi,100)
    x = np.reshape(x,(len(x),1)) #重新将x变换为（100,1）的二维数组
    y = np.sin(x)
    return x,y

INPUT_NODE=1
HIDDEN_NODE=50
OUTPUT_NODE=1
LEARNING_RATE=0.001

def inference(input_tensor):
    with tf.name_scope('Layer-1'):
        weight = tf.Variable(tf.truncated_normal(shape=[INPUT_NODE,HIDDEN_NODE],stddev=0.1,dtype=tf.float32),name='weight')
        #创建第一层的权重变量，（1,50）
        bias = tf.Variable(tf.constant(0,dtype=tf.float32,shape=[HIDDEN_NODE]))
        #设置偏置值
        l1 = tf.nn.relu(tf.nn.xw_plus_b(input_tensor,weight,bias))
        #tf.nn.xw_plus_b(x,w,bias)= x * w + bias
    with tf.name_scope('Layer-2'):
        weight = tf.Variable(tf.truncated_normal(shape=[HIDDEN_NODE,OUTPUT_NODE],stddev=0.1,dtype=tf.float32),name='weight')
        bias = tf.Variable(tf.constant(0,dtype=tf.float32,shape=[OUTPUT_NODE]))
        l2 = tf.nn.xw_plus_b(l1,weight,bias)
    return l2

def train():
    x = tf.placeholder(dtype=tf.float32,shape=[None,INPUT_NODE],name='x-input')
    y_ = tf.placeholder(dtype=tf.float32,shape=[None,OUTPUT_NODE],name='y-input')
    global_step = tf.Variable(0,trainable=False)
    logits = inference(x)
    loss = tf.reduce_mean(tf.square(y_-logits)) #均方差
    train_step = tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(loss,global_step=global_step)
    train_x,train_y = gen_data()
    np.random.seed(200)
    shuffle_index = np.random.permutation(train_x.shape[0])
    shuffled_x = train_x[shuffle_index]
    shuffled_y = train_y[shuffle_index]
    fig = plt.figure()
    ax = fig.add_subplot(1,1,1)
    ax.plot(train_x,train_y,lw=5,c='r')
    plt.ion()
    plt.show()
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        for i in range(5000000):
            feed_dic = {x:shuffled_x,y_:shuffled_y}
            _,train_loss = sess.run([train_step,loss],feed_dict=feed_dic)
            if (i+1)%1000 == 0:
                print('loss at train data:   ',train_loss)
                try:
                    ax.lines.remove(lines[0])
                except:
                    pass
                y_pre = sess.run(logits,feed_dict={x:train_x})
                lines = ax.plot(train_x,y_pre,c='black')
                plt.pause(0.1)

if __name__ == '__main__':
    train()

运行程序，出错：AttributeError: module 'tensorflow' has no attribute 'placeholder'

一番查找，原因是电脑的tensorflow是2.0版本，程序是基于1.0的版本。

解决办法：

将

import tensorflow as tf

用以下两句代替：

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

完美运行！

附上tensorflow 2.0相较1.x的变化：

1. 主要变化的简要总结

1.1. API清理

许多API在tensorflow 2.0中消失或移动。一些主要的变化包括删除tf.app、tf.flags和tf.logging ，转而支持现在开源的absl-py，重新安置tf.contrib中的项目，并清理主要的 tf.*命名空间，将不常用的函数移动到像 tf.math这样的子包中。一些API已被2.0版本等效替换，如tf.summary, tf.keras.metrics和tf.keras.optimizers。
自动应用这些重命名的最简单方法是使用v2升级脚本。

1.2. Eager execution

TensorFlow 1.X要求用户通过进行tf.* API调用，手动将抽象语法树（图形）拼接在一起。然后要求用户通过将一组输出张量和输入张量传递给session.run()来手动编译抽象语法树。
TensorFlow 2.0 默认Eager execution模式，马上就执行代码（就像Python通常那样），在2.0中，图形和会话应该像实现细节一样。

Eager execution的一个值得注意的地方是不在需要tf.control_dependencies() ，因为所有代码按顺序执行（在tf.function中，带有副作用的代码按写入的顺序执行）。

1.3. 没有更多的全局变量

TensorFlow 1.X严重依赖于隐式全局命名空间。当你调用tf.Variable()时，它会被放入默认图形中，保留在那里，即使你忘记了指向它的Python变量。
然后，您可以恢复该tf.Variable，但前提是您知道它已创建的名称，如果您无法控制变量的创建，这很难做到。结果，各种机制激增，试图帮助用户再次找到他们的变量，并寻找框架来查找用户创建的变量：变量范围、全局集合、辅助方法如tf.get_global_step(), tf.global_variables_initializer()、优化器隐式计算所有可训练变量的梯度等等。

TensorFlow 2.0取消了所有这些机制(Variables 2.0 RFC)，支持默认机制：跟踪变量！如果你失去了对tf.Variable的追踪，就会垃圾收集回收。

跟踪变量的要求为用户创建了一些额外的工作，但是使用Keras对象（见下文），负担被最小化。

1.4. Functions, not sessions

session.run()调用几乎就像一个函数调用：指定输入和要调用的函数，然后返回一组输出。
在TensorFlow 2.0中，您可以使用tf.function() 来装饰Python函数以将其标记为JIT编译，以便TensorFlow将其作为单个图形运行(Functions 2.0 RFC)。这种机制允许TensorFlow 2.0获得图形模式的所有好处：

• 性能：可以优化功能（节点修剪，内核融合等）
• 可移植性：该功能可以导出/重新导入(SavedModel 2.0 RFC)，允许用户重用和共享模块化TensorFlow功能。

# TensorFlow 1.X
outputs = session.run(f(placeholder), feed_dict={placeholder: input})
# TensorFlow 2.0
outputs = f(input)

凭借能够自由穿插Python和TensorFlow代码，我们希望用户能够充分利用Python的表现力。但是可移植的TensorFlow在没有Python解释器的情况下执行-移动端、C++和JS，帮助用户避免在添加 @tf.function时重写代码，AutoGraph将把Python构造的一个子集转换成它们等效的TensorFlow：

• for/while -> tf.while_loop (支持break 和 continue)
• if -> tf.cond
• for _ in dataset -> dataset.reduce

AutoGraph支持控制流的任意嵌套，这使得高效和简洁地实现许多复杂的ML程序成为可能，比如序列模型、强化学习、自定义训练循环等等。