Tensorflow tf 2.0中类内的tf.placeholder

我正在尝试将我在TF1.0中编写的代码更改为TF2.0，但在替换类函数中的TF.placeholder时遇到了困难。我的代码如下

class User:
    x = tf.placeholder(tf.float32,shape=[None,784])
    y_true = tf.placeholder(tf.float32, [None, 10])

    W1 = tf.Variable(tf.random.truncated_normal([7840,1], stddev=0.1))
    lambda_W = tf.Variable(tf.zeros([7840,1]))    
    W = tf.reshape(W1,[784, 10])

    ylogits = W*x
    y = tf.nn.softmax(ylogits)
    def __init__(self):
        pass

---

有没有办法在类中替换tf.placeholder以使代码在tf2.0中运行？

首先，我认为您打算为类的每个实例创建这些对象，而不是像现在这样为整个类创建一个。我还认为

W

和

x

之间的产品应该是矩阵产品，而不是元素产品，它不适用于给定的形状：

类用户：
定义初始化（自）：
self.x=tf.placeholder（tf.float32，shape=[None，784]）
self.y_true=tf.placeholder（tf.float32，[None，10]）
self.W1=tf.Variable（tf.random.trunched_normal（[7840,1]，stddev=0.1））
self.lambda_W=tf.变量（tf.零（[7840,1]））
self.W=tf.重塑（W1，[784,10]）
self.ylogits=self.x@self.W
self.y=tf.nn.softmax（yLogics）

要在TensorFlow 2.x中使用它，您需要删除占位符，每次只需对每个新输入执行操作，例如使用新函数

调用

：

类用户：
定义初始化（自）：
self.W1=tf.Variable（tf.random.trunched_normal（[7840,1]，stddev=0.1））
self.lambda_W=tf.变量（tf.零（[7840,1]））
self.W=tf.重塑（W1，[784,10]）
def呼叫（自我，x）：
ylogits=self.x@self.W
返回tf.nn.softmax（ylogits）

您可以将其用作：

user1=User（）
x=…#获取一些数据
y=user1.call（x）

或者，如果你想更“地道”，你可以使用

\uu call\uu

：

类用户：
定义初始化（自）：
self.W1=tf.Variable（tf.random.trunched_normal（[7840,1]，stddev=0.1））
self.lambda_W=tf.变量（tf.零（[7840,1]））
self.W=tf.重塑（W1，[784,10]）
定义调用（self，x）：
ylogits=x@W
返回tf.nn.softmax（ylogits）

然后你会做：

user1=User（）
x=…#获取一些数据
y=user1（x）

首先，我认为您打算为类的每个实例创建这些对象，而不是像现在这样为整个类创建一个。我还认为

W

和

x

之间的产品应该是矩阵产品，而不是元素产品，它不适用于给定的形状：

类用户：
定义初始化（自）：
self.x=tf.placeholder（tf.float32，shape=[None，784]）
self.y_true=tf.placeholder（tf.float32，[None，10]）
self.W1=tf.Variable（tf.random.trunched_normal（[7840,1]，stddev=0.1））
self.lambda_W=tf.变量（tf.零（[7840,1]））
self.W=tf.重塑（W1，[784,10]）
self.ylogits=self.x@self.W
self.y=tf.nn.softmax（yLogics）

要在TensorFlow 2.x中使用它，您需要删除占位符，每次只需对每个新输入执行操作，例如使用新函数

调用

：

类用户：
定义初始化（自）：
self.W1=tf.Variable（tf.random.trunched_normal（[7840,1]，stddev=0.1））
self.lambda_W=tf.变量（tf.零（[7840,1]））
self.W=tf.重塑（W1，[784,10]）
def呼叫（自我，x）：
ylogits=self.x@self.W
返回tf.nn.softmax（ylogits）

您可以将其用作：

user1=User（）
x=…#获取一些数据
y=user1.call（x）

或者，如果你想更“地道”，你可以使用

\uu call\uu

：

类用户：
定义初始化（自）：
self.W1=tf.Variable（tf.random.trunched_normal（[7840,1]，stddev=0.1））
self.lambda_W=tf.变量（tf.零（[7840,1]））
self.W=tf.重塑（W1，[784,10]）
定义调用（self，x）：
ylogits=x@W
返回tf.nn.softmax（ylogits）

然后你会做：

user1=User（）
x=…#获取一些数据
y=user1（x）

根据您想要实现的目标，TF2中不需要占位符。要使代码在TF2运行时中运行，一个简单的修复方法是将调用替换为

tf.compat.v1.placeholder（）

。如果您想要惯用的TF2代码，则不需要它们，因为您有急切的执行。简单的Python变量将是足够的。您的代码通常有点奇怪，所有这些变量都是

User

的类变量，而不是实例变量（也就是说，

User

的所有实例将共享相同的变量），这就是您想要做的吗？@jdehesa:不确定我是否理解您的评论，但是我试图做的是针对每个实例优化W1（这里的class

User

指的是分布式学习环境中的一个工作者）。@Chao我的意思是，如果你做

user1=User（）

和

user2=User（）

，那么

user1.W1

和

user2.W1

（通常，

User.W1

）将引用完全相同的对象（在本例中为相同的TensorFlow变量），因为

W1

是类

User

的一个属性，而不是类的每个实例。我不确定这是否是您想要的。@jdehesa:啊，我明白了，但我想做的是让

user1.W1

不同于

user2.W1

。您知道我该怎么做吗？谢谢。取决于您想要什么hieve，TF2中不需要占位符。要使代码在TF2运行时中运行，一个简单的修复方法是将调用替换为

tf.compat.v1.placeholder（）

。如果您想要惯用的TF2代码，您不需要它们，因为您有急切的执行。简单的Python变量将非常有用，因为您的代码通常有点奇怪，所有这些变量都是

User

的类变量，而不是实例变量（也就是说，

User

的所有实例将共享相同的变量），这就是你打算做的吗？@jdehesa:我不知道我是否会退出