升级TensorFlow代码至2.0时出现*state_size语法错误如何解决？

• TensorFlow 2.x 已完全移除1.x版本中的tf.placeholder API，同时默认开启Eager Execution（即时执行）模式，无需预先定义计算图占位符，官方升级工具无法直接将该API映射到2.x原生接口，因此触发语法错误。
• 代码中用到的tf.variable_scope也属于1.x的旧API，在2.x中已被弃用，需要同步调整。

方案1：快速兼容旧逻辑，无需重构整体代码 #

如果不需要完全适配2.x新特性，只想快速跑通原有逻辑，可使用TF2.x内置的兼容模块tf.compat.v1适配旧API：

1. 代码导入TensorFlow后先关闭即时执行模式：

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

2. 将所有旧API替换为兼容版接口：

• tf.variable_scope替换为tf.compat.v1.variable_scope
• tf.placeholder替换为tf.compat.v1.placeholder

修改后报错行代码为：

self.inputs_ = tf.compat.v1.placeholder(tf.float32, [None, *state_size], name="inputs")

剩余两个占位符和变量scope按相同规则替换即可，原有逻辑不需要其他改动即可运行。

方案2：完全适配TensorFlow 2.x原生范式（推荐长期维护使用） #

TF2.x以Keras为核心高阶API，定义网络不需要手动声明占位符，输入数据会在训练/推理阶段直接传入，原生2.x写法示例如下：

import tensorflow as tf

class DQNetwork(tf.keras.Model):
    def __init__(self, state_size, action_size, learning_rate, name='DQNetwork'):
        super().__init__(name=name)
        self.state_size = state_size
        self.action_size = action_size
        self.learning_rate = learning_rate
        
        # 按照业务需求定义网络层，此处为DQN常见的卷积层示例，可自行调整
        self.conv1 = tf.keras.layers.Conv2D(32, kernel_size=8, strides=4, activation='relu', input_shape=state_size)
        self.conv2 = tf.keras.layers.Conv2D(64, kernel_size=4, strides=2, activation='relu')
        self.flatten = tf.keras.layers.Flatten()
        self.dense1 = tf.keras.layers.Dense(512, activation='relu')
        self.output_layer = tf.keras.layers.Dense(action_size)
        
        self.optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)

    def call(self, inputs):
        # 前向传播逻辑，inputs对应原有代码中的self.inputs_
        x = self.conv1(inputs)
        x = self.conv2(x)
        x = self.flatten(x)
        x = self.dense1(x)
        return self.output_layer(x)
    
    @tf.function
    def train_step(self, data):
        states, actions, target_q = data
        with tf.GradientTape() as tape:
            q_values = self(states, training=True)
            q_action = tf.reduce_sum(tf.multiply(q_values, actions), axis=1)
            loss = tf.reduce_mean(tf.square(target_q - q_action))
        gradients = tape.gradient(loss, self.trainable_variables)
        self.optimizer.apply_gradients(zip(gradients, self.trainable_variables))
        return {"loss": loss}

适配后训练时直接将状态、动作、目标Q值作为数据传入即可，不需要提前定义占位符，性能优化和后续维护成本更低。

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