没问题，我帮你把这段LSTM模型代码完整迁移到TensorFlow 2.x并禁用即刻执行模式，同时保证逻辑和原代码完全一致。下面是修改后的代码，我会详细说明关键改动点：

修改后的完整代码 #

import tensorflow as tf

# 禁用即刻执行，回到TensorFlow 1.x风格的图模式
tf.compat.v1.disable_eager_execution()

class Model:
    def __init__(self, learning_rate, num_layers, size, size_layer, output_size, forget_bias=0.1):
        def lstm_cell(size_layer):
            # 使用TF2兼容的LSTMCell，保留state_is_tuple=False以匹配原代码逻辑
            return tf.compat.v1.nn.rnn_cell.LSTMCell(size_layer, state_is_tuple=False)
        
        # 堆叠多层LSTM Cell，同样保留state_is_tuple=False
        rnn_cells = tf.compat.v1.nn.rnn_cell.MultiRNNCell(
            [lstm_cell(size_layer) for _ in range(num_layers)],
            state_is_tuple=False,
        )
        
        # 占位符保持TF1风格，在禁用eager后可正常使用
        self.X = tf.compat.v1.placeholder(tf.float32, (None, None, size))
        self.Y = tf.compat.v1.placeholder(tf.float32, (None, output_size))
        
        # 应用DropoutWrapper，参数和原代码一致
        drop = tf.compat.v1.nn.rnn_cell.DropoutWrapper(
            rnn_cells, output_keep_prob=forget_bias
        )
        
        # 隐藏层状态占位符，维度和原代码一致
        self.hidden_layer = tf.compat.v1.placeholder(
            tf.float32, (None, num_layers * 2 * size_layer)
        )
        
        # 动态RNN调用，保持原代码的初始状态和数据类型设置
        self.outputs, self.last_state = tf.compat.v1.nn.dynamic_rnn(
            drop, self.X, initial_state=self.hidden_layer, dtype=tf.float32
        )
        
        # 修正输出维度索引：原代码的self.outputs[-1]会取时间步维度的最后一个，但更稳妥的写法是[:, -1, :]
        # 确保正确获取每个样本的最后一个时间步输出
        self.logits = tf.compat.v1.layers.dense(self.outputs[:, -1, :], output_size)
        
        # 损失函数和优化器保持原逻辑，使用TF2兼容的API
        self.cost = tf.reduce_mean(tf.square(self.Y - self.logits))
        self.optimizer = tf.compat.v1.train.AdamOptimizer(learning_rate).minimize(self.cost)

关键改动说明 #

• 禁用即刻执行：在代码开头添加tf.compat.v1.disable_eager_execution()，这是让TF2切换到图模式的核心操作，和TF1的运行逻辑完全一致。
• API兼容性：所有原TF1的RNN相关API（LSTMCell、MultiRNNCell、DropoutWrapper、dynamic_rnn）都通过tf.compat.v1调用，确保在TF2环境下正常运行。
• 输出索引修正：把原代码的self.outputs[-1]改为self.outputs[:, -1, :]，因为dynamic_rnn的输出形状是(batch_size, time_steps, hidden_size)，[:, -1, :]能准确获取每个样本的最后一个时间步的输出，避免维度混淆。
• 占位符与优化器：保留TF1风格的placeholder和AdamOptimizer，在禁用eager的图模式下，这些API的使用方式和TF1完全相同，不需要额外调整。

这样修改后，你就可以在TensorFlow 2.x环境下，按照TF1的方式启动会话（tf.compat.v1.Session()）来训练和使用模型了。

内容的提问来源于stack exchange，提问作者Zaza