当我在Tensorflow 2.0环境中执行命令sess = tf.Session()时，我得到了一个错误消息，如下所示:
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: module 'tensorflow' has no attribute 'Session'
系统信息:
操作系统平台及发行版本:Windows 10 Python版本:3.7.1 Tensorflow版本:2.0.0-alpha0(已安装pip)
复制步骤: 安装:
PIP安装——升级PIP PIP install tensorflow==2.0.0-alpha0 PIP安装keras PIP install numpy==1.16.2
执行:
执行命令:import tensorflow as tf 执行命令:sess = tf.Session()
当前回答
TF2。X，你可以这样做。
import tensorflow as tf
with tf.compat.v1.Session() as sess:
hello = tf.constant('hello world')
print(sess.run(hello))
>>>你好世界
其他回答
同样的问题也发生在我身上
import tensorflow as tf
hello = tf.constant('Hello World ')
sess = tf.compat.v1.Session() *//I got the error on this step when I used
tf.Session()*
sess.run(hello)
尝试用tf.compact.v1.Session()替换它
用这个:
sess = tf.compat.v1.Session()
如果出现错误，请使用以下方法
tf.compat.v1.disable_eager_execution()
sess = tf.compat.v1.Session()
运行TF 1并不像你想的那么容易。x和TF 2。x环境我发现了一些错误，需要审查一些变量的使用，当我在互联网上修复神经元网络的问题。转换为TF 2。X是更好的主意。 (更容易适应)
TF - 2。X
while not done:
next_obs, reward, done, info = env.step(action)
env.render()
img = tf.keras.preprocessing.image.array_to_img(
img,
data_format=None,
scale=True
)
img_array = tf.keras.preprocessing.image.img_to_array(img)
predictions = model_self_1.predict(img_array) ### Prediction
### Training: history_highscores = model_highscores.fit(batched_features, epochs=1 ,validation_data=(dataset.shuffle(10))) # epochs=500 # , callbacks=[cp_callback, tb_callback]
TF - 1。X
with tf.compat.v1.Session() as sess:
saver = tf.compat.v1.train.Saver()
saver.restore(sess, tf.train.latest_checkpoint(savedir + '\\invader_001'))
train_loss, _ = sess.run([loss, training_op], feed_dict={X:o_obs, y:y_batch, X_action:o_act})
for layer in mainQ_outputs:
model.add(layer)
model.add(tf.keras.layers.Flatten() )
model.add(tf.keras.layers.Dense(6, activation=tf.nn.softmax))
predictions = model.predict(obs) ### Prediction
### Training: summ = sess.run(summaries, feed_dict={X:o_obs, y:y_batch, X_action:o_act})
Tensorflow 2。x支持的热切执行默认情况下，因此会话不支持。
TF2在默认情况下运行Eager Execution，从而消除了对session的需求。如果你想运行静态图形，更合适的方法是在TF2中使用tf.function()。虽然在TF2中仍然可以通过tf. compatat .v1.Session()访问Session，但我不鼓励使用它。通过比较hello worlds中的差异可能有助于演示这种差异:
TF1。X你好世界:
import tensorflow as tf
msg = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(msg))
TF2。X你好世界:
import tensorflow as tf
msg = tf.constant('Hello, TensorFlow!')
tf.print(msg)
更多信息请参见Effective TensorFlow 2
