如何在不降级TensorFlow的情况下修复‘无ConfigProto属性’错误？

这个问题完全是TensorFlow 1.x和2.x的API差异导致的——tf.ConfigProto是TF1里用来配置会话和GPU资源的接口，在TF2里已经被彻底重构移除了，所以直接运行基于TF1编写的RetinaNet训练代码就会触发这个错误。不用降级到TF1.14，这里有两个靠谱的修复方案，你可以根据情况选择：

方案1：升级RetinaNet到支持TF2的版本 #

如果你用的是主流的keras-retinanet实现，最省心的办法就是升级到适配TF2的最新版本。旧版的keras-retinanet是基于TF1写的，而新版本已经完全兼容TF2，并且移除了所有废弃的API调用。

你可以通过pip直接升级：

pip install --upgrade keras-retinanet

或者从GitHub克隆最新源码安装（如果你需要自定义功能的话）：

git clone https://github.com/fizyr/keras-retinanet.git
cd keras-retinanet
pip install .

升级完成后，直接重新运行你的训练命令就可以了，不需要修改任何代码。

方案2：手动修改代码适配TF2 #

如果不想升级，或者你用的是自己定制的RetinaNet代码，那就需要找到所有使用tf.ConfigProto的地方，替换成TF2的GPU配置逻辑。

1. 首先定位代码中调用tf.ConfigProto的位置，一般在训练脚本（比如train.py）或者工具类文件里，通常是用来设置GPU内存按需增长的，代码大概长这样：

   config = tf.ConfigProto()
   config.gpu_options.allow_growth = True
   tf.keras.backend.set_session(tf.Session(config=config))
   

2. 把这段代码替换成TF2的写法：

   # 配置GPU内存按需增长（TF2版本）
   gpus = tf.config.list_physical_devices('GPU')
   if gpus:
       try:
           # 对每个GPU开启内存按需分配
           for gpu in gpus:
               tf.config.experimental.set_memory_growth(gpu, True)
       except RuntimeError as e:
           # 如果配置失败，打印错误信息
           print(e)
   

3. 另外，如果代码中还有tf.Session、tf.keras.backend.get_session()这类TF1风格的会话操作，直接移除即可——TF2默认使用即时执行模式（Eager Execution），不需要手动创建和管理会话。

修改完成后，重新运行你的训练命令：

retinanet-train --batch-size 4 --steps 349 --epochs 50 --weights logos/resnet50_coco_best_v2.1.0.h5 --snapshot-path logos/snapshots csv logos/retinanet_train.csv logos/retinanet_classes.csv

内容的提问来源于stack exchange，提问作者DouL