TF1x至TF2x迁移：dynamic_rnn弃用报错的解决方案求助

原代码使用的tf.compat.v1.nn.dynamic_rnn和GRUCell属于TF1旧API，在TF2中已被Keras原生RNN层替代，以下是两种可行的替换方案：

方案1：直接使用Keras GRU层（推荐） #

这是TF2中最简洁的实现方式，Keras的GRU层封装了cell和序列处理逻辑，和原代码功能完全对齐：

# 替换后的RNN层
gru_layer = tf.keras.layers.GRU(RNN_SIZE, return_sequences=True, return_state=True)
outputs, final_state = gru_layer(batch_in, initial_state=gru_layer.get_initial_state(batch_in))

• return_sequences=True：保留所有时间步的输出，和原dynamic_rnn的输出一致；若只需最后一步输出，可设为False
• return_state=True：返回RNN的最终状态，对应原代码的final_state
• get_initial_state(batch_in)：自动根据输入推断batch_size，无需手动指定，比原代码更灵活

方案2：使用GRUCell配合Keras RNN层（自定义场景） #

如果需要对GRUCell做自定义扩展，可使用RNN层包裹GRUCell：

# 自定义GRUCell的实现方式
gru_cell = tf.keras.layers.GRUCell(RNN_SIZE)
rnn_layer = tf.keras.layers.RNN(gru_cell, return_sequences=True, return_state=True)
outputs, final_state = rnn_layer(batch_in, initial_state=gru_cell.get_initial_state(batch_in))

注意事项 #

• 输入batch_in的形状需保持为(batch_size, timesteps, features)，和原代码一致，无需调整
• TF2默认使用即时执行（Eager Execution），无需再使用tf.Session等TF1静态图相关代码；若需要性能优化，可使用@tf.function装饰模型前向传播函数

内容的提问来源于stack exchange，提问作者Harshitha J R