如何将TensorFlow 1.X神经网络代码迁移至2.X并解决迁移报错？

报错根源分析 #

你遇到的tf.matmul维度不匹配错误，一方面是TF1到TF2的API适配问题，另一方面大概率是输入张量x和权重w_1的形状不兼容——TF2对张量形状检查更严格。下面是完整的迁移修复代码及关键改动说明：

迁移后完整TF2.X代码 #

import tensorflow as tf

# 假设已定义输入x及权重w_1, w_2, w_3, w_4, b_1, b_2, b_3, b_4，n_output
# 注意：TF2中权重建议用tf.Variable定义，例如：w_1 = tf.Variable(tf.random.normal([input_dim, hidden_dim]))

# 实例化BN层（TF2需先实例化再调用）
bn_layer1 = tf.keras.layers.BatchNormalization()
bn_layer2 = tf.keras.layers.BatchNormalization()
bn_layer3 = tf.keras.layers.BatchNormalization()

# 网络前向传播（训练模式）
layer_1 = tf.nn.relu(tf.add(tf.matmul(x, w_1), b_1))
layer_1_b = bn_layer1(layer_1, training=True)
layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1_b, w_2), b_2))
layer_2_b = bn_layer2(layer_2, training=True)
layer_3 = tf.nn.relu(tf.add(tf.matmul(layer_2_b, w_3), b_3))
layer_3_b = bn_layer3(layer_3, training=True)
y = tf.nn.relu(tf.add(tf.matmul(layer_3_b, w_4), b_4))  # 统一使用BN后的输出，原代码用了未BN的layer_3，可按需调整
g_q_action = tf.argmax(y, axis=1)

# 损失计算函数
def compute_loss(y_pred, target_q, actions, n_output):
    action_one_hot = tf.one_hot(actions, n_output, 1.0, 0.0)
    q_acted = tf.reduce_sum(y_pred * action_one_hot, axis=1)  # TF2用axis替代旧参数reduction_indices
    return tf.reduce_mean(tf.square(target_q - q_acted))

# 定义优化器
optimizer = tf.keras.optimizers.RMSprop(learning_rate=0.001, momentum=0.95, epsilon=0.01)

# 训练步骤（用@tf.function加速）
@tf.function
def train_step(x_input, target_q, actions):
    with tf.GradientTape() as tape:
        # 重新前向传播（确保梯度追踪）
        layer_1 = tf.nn.relu(tf.add(tf.matmul(x_input, w_1), b_1))
        layer_1_b = bn_layer1(layer_1, training=True)
        layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1_b, w_2), b_2))
        layer_2_b = bn_layer2(layer_2, training=True)
        layer_3 = tf.nn.relu(tf.add(tf.matmul(layer_2_b, w_3), b_3))
        layer_3_b = bn_layer3(layer_3, training=True)
        y_pred = tf.nn.relu(tf.add(tf.matmul(layer_3_b, w_4), b_4))
        loss = compute_loss(y_pred, target_q, actions, n_output)
    
    # 计算并更新梯度
    trainable_vars = [w_1, w_2, w_3, w_4, b_1, b_2, b_3, b_4] + bn_layer1.trainable_variables + bn_layer2.trainable_variables + bn_layer3.trainable_variables
    gradients = tape.gradient(loss, trainable_vars)
    optimizer.apply_gradients(zip(gradients, trainable_vars))
    return loss

关键改动说明 #

1. BatchNormalization适配：
   TF1的tf.layers.batch_normalization是函数式API，TF2改用tf.keras.layers.BatchNormalization类，必须先实例化再调用，且需指定training参数——训练时设为True（更新均值/方差），推理时设为False（使用累计的均值/方差）。

2. 占位符移除：
   TF2动态图模式下不需要tf.placeholder，直接将输入、目标值、动作作为函数参数传入训练步骤即可，更贴合Python原生逻辑。

3. 优化器与梯度更新：
   TF1的tf.train.RMSPropOptimizer替换为TF2的tf.keras.optimizers.RMSprop，并且需要用tf.GradientTape手动追踪梯度，再通过apply_gradients更新权重，这是TF2动态图的标准训练流程。

4. API细节调整：
   tf.reduce_sum的reduction_indices参数在TF2中已被axis替代，虽兼容旧参数，但建议改用新标准。

5. 维度错误修复：
   确保输入x的最后一维与w_1的第一维匹配，例如x形状为(batch_size, input_dim)，则w_1形状应为(input_dim, hidden_dim)，检查权重初始化代码即可解决维度不匹配报错。

内容的提问来源于stack exchange，提问作者Md.Shohel Rana