如何运行旧版TensorFlow 1.x/tf1.x代码？可行策略有哪些？

一、环境适配方案 #

• 直接搭建TensorFlow 1.x专属环境
  • 通过pip指定版本安装：pip install tensorflow==1.15（注意TensorFlow 1.15仅支持Python 3.5-3.7，高版本Python需搭配虚拟环境）
  • 用conda创建隔离环境：conda create -n tf1_env python=3.7，激活环境后再安装对应版本的TensorFlow，避免与本地其他环境冲突。
• 在TensorFlow 2.x中启用兼容模式
  • 在代码开头添加：

    import tensorflow.compat.v1 as tf
    tf.disable_v2_behavior()
    

  此方式能兼容绝大多数1.x API，但部分底层特性（如旧版分布式训练）可能仍存在差异。

二、代码迁移与修改技巧 #

• 替换废弃API
  • 直接将原代码中的tf.xxx替换为tf.compat.v1.xxx，比如tf.placeholder()改为tf.compat.v1.placeholder()，tf.Session()改为tf.compat.v1.Session()。
  • 若要彻底迁移至2.x，可逐步替换为新版API：如tf.train.GradientDescentOptimizer替换为tf.keras.optimizers.SGD，静态图逻辑改为动态图（Eager Execution）模式，移除Session、run()等相关代码。
• 处理图与会话逻辑
  • 兼容模式下关闭Eager Execution后，可继续使用1.x的静态图和会话流程；若启用Eager模式，代码无需再依赖Session，运算会即时执行。
• 调整训练循环
  • 1.x的tf.global_variables_initializer()在兼容模式中改为tf.compat.v1.global_variables_initializer()，或用2.x的model.compile()+model.fit()替代手动训练循环。

三、调试与排错方法 #

• 定位报错根源：遇到AttributeError或NotFoundError时，优先检查API名称是否变更，多数情况可通过tf.compat.v1找到对应替代接口。
• 分步测试代码：将代码拆分为数据加载、模型构建、训练执行等模块，逐步运行排查不兼容部分，避免一次性调试全量代码。
• 对照官方迁移说明：重点关注TensorFlow官方列出的API废弃清单与替代方案，明确哪些特性无法直接兼容，需手动重构。

四、其他实用技巧 #

• 使用Docker镜像：直接拉取官方TensorFlow 1.x镜像，如docker pull tensorflow/tensorflow:1.15.0-py3，一键获取配置好的运行环境，无需手动处理依赖冲突。
• 批量代码替换：利用编辑器的全局替换功能，快速将所有import tensorflow as tf替换为import tensorflow.compat.v1 as tf，并统一添加禁用v2行为的代码。

内容的提问来源于stack exchange，提问作者Claude COULOMBE