如何手动将基于tf.contrib.slim的Python代码升级至TensorFlow 2.0？

嘿，这个问题我熟！TensorFlow 2.x里把tf.contrib.slim整个移出核心库了，所以直接用原来的代码肯定跑不起来。我给你两种适配方案，你可以根据自己的需求选：

方案一：使用官方独立维护的tf-slim库 #

官方把slim单独做成了tf-slim包，完全兼容TF2.x，改起来最省心：

1. 先安装这个库：

pip install tf-slim

2. 把导入语句替换成：

import tf_slim as slim
import tf_slim.nets

3. 原来的卷积代码几乎不用改，直接保留就行：

net = slim.conv2d(
    inp, dim, [3, 3], rate=1, normalizer_fn=slim.layer_norm,
    activation_fn=lrelu, scope='g_' + str(width) + '_conv1'
)

唯一要注意的是，如果你的代码是在TF2的 eager 模式下运行，有些slim的旧API可能需要稍微调整，但大部分场景下直接用没问题。

方案二：改用TensorFlow 2.x原生Keras API（更推荐） #

TF2.x主推Keras作为高层API，用原生实现更贴合生态，后续维护也更方便。我们把原来的slim.conv2d拆解成Keras的层组合：
首先，先导入需要的原生层：

from tensorflow.keras.layers import Conv2D, LayerNormalization, LeakyReLU

然后替换原来的卷积代码：

# 先做卷积层
x = Conv2D(
    filters=dim,
    kernel_size=[3, 3],
    strides=(1, 1),  # slim.conv2d默认步长是1
    padding='SAME',  # slim.conv2d默认padding是'SAME'
    dilation_rate=1,  # 对应原来的rate参数（空洞卷积率）
    name=f'g_{width}_conv1'  # 对应原来的scope参数
)(inp)
# 应用层归一化（对应slim.layer_norm）
x = LayerNormalization()(x)
# 应用LeakyReLU激活（对应你的lrelu函数）
# 如果你的lrelu是默认alpha=0.2，直接用下面的；如果是自定义alpha，改参数就行
x = LeakyReLU(alpha=0.2)(x)
# 如果你用的是自己定义的lrelu函数，比如：
# def lrelu(x, alpha=0.2):
#     return tf.maximum(alpha*x, x)
# 那也可以直接替换成：
# x = lrelu(x)

这样就完全用TF2原生API实现了和原来一样的功能，而且更符合TF2的最佳实践。

两种方案各有优劣：方案一改动最小，适合快速迁移；方案二更适配TF2生态，推荐长期维护的项目使用。

内容的提问来源于stack exchange，提问作者Jonas G.