TensorFlow 1.0代码迁移至TensorFlow 2.0：替换tf.Session的原生语法实现方案

嘿，我完全懂你看官方文档时的困惑——TF2.x和1.x的执行模式差得确实挺大的！核心区别是TF2默认开启了即时执行（Eager Execution），不需要再用tf.Session()来构建计算图然后运行了，直接就能像普通Python代码一样执行张量运算。

下面是对你那段代码的改写，完全贴合TF2.x的语法，还能得到和原来一模一样的输出：

import tensorflow as tf

# 定义常量张量
a = tf.constant(5)
b = tf.constant(2)
c = tf.constant(3)

# 直接执行运算，TF2会即时计算结果
d = tf.multiply(a, b)  # 也可以写成 d = a * b，更简洁
e = tf.add(b, c)       # 等价于 e = b + c
f = tf.subtract(d, e)  # 等价于 f = d - e

# 直接获取结果并打印，不需要sess.run()
outs = [a.numpy(), b.numpy(), c.numpy(), d.numpy(), e.numpy(), f.numpy()]
print("outs={}".format(outs))

关键变化说明： #

• 删掉了所有tf.Session()相关的代码：因为Eager模式下，张量定义和运算会立即执行，不需要先构建图再会话运行。
• 用.numpy()获取张量的Python数值：TF2的张量对象自带numpy()方法，可以直接把张量转换成普通的Python数值类型，方便打印和后续处理。
• 可选优化：TF2支持直接用Python运算符（*、+、-）替代tf.multiply这类函数，代码会更简洁易读，两种写法都能得到相同结果。

运行这段代码，你会得到和原来一样的输出：outs=[5, 2, 3, 10, 5, 5]。

另外，官方文档提到的“用函数替代Session”，其实就是把你的计算逻辑封装成Python函数，TF2会自动处理计算图的构建（如果需要的话，比如用@tf.function装饰器优化性能）。比如你也可以这么写：

import tensorflow as tf

@tf.function  # 可选，用来将函数编译成计算图，提升重复执行的性能
def calculate_values():
    a = tf.constant(5)
    b = tf.constant(2)
    c = tf.constant(3)
    d = a * b
    e = b + c
    f = d - e
    return [a, b, c, d, e, f]

# 调用函数直接得到结果
results = calculate_values()
outs = [val.numpy() for val in results]
print("outs={}".format(outs))

这种函数式的写法更符合TF2的设计理念，也方便后续扩展和优化。

内容的提问来源于stack exchange，提问作者Maxxx