Tensorflow tensor flow 2.0.0-alpha0版本中的去润滑函数问题

众所周知，张量流的新版本现在可以使用了。它们提供了一个工具，可以使用

tf\u upgrade\u v2--infle original\u code.py--outfile-upgraded\u code.py

轻松升级代码。升级代码后，它将生成一个

txt报告

，告知您除了需要特别注意的问题之外，已经进行了所有更改，即已经弃用的功能，并且没有进一步的替换

所以不幸的是，我的代码中有几个不推荐使用的函数，我正在寻找它的替代品，但仍然没有成功。如果有人能建议我更换它，我将不胜感激

一,-

因此，xavier_初始值设定项和l2_正则化项都不推荐使用

2-

image=tf.contrib.image.rotate（图像，角度=旋转角度）

3-

transform=tf.contrib.image.matrix\u到\u flat\u变换（tf.linalg.inv（afine\u tf.params））

4-

image=tf.contrib.image.transform（图像，变换）

5-python日志函数不再显示终端上的任何日志

import tenosflow
import logging
logging.basicConfig(level=logging.INFO)
logging.info('It doens't print this')

---

对于正则化器和初始值设定项，您可以分别使用

tf.keras.regularizers.l2

和

tf.initializers.GlorotNormal

（或GlorotUniform）。后者本质上是Xavier初始化的另一个名称。 至于contrib模块，它完全从TF2.0中删除，并且许多功能（至少现在）没有直接替换。但是您可以在输入管道中使用

tf.py_函数

。它可以将任何一段python逻辑包装为TensorFlow op

def custom_resize（图像）：
返回np.resize（图像，（100100））
def parse_func（图像、标签）：
返回tf.py函数（自定义调整大小，inp=[image]，Tout=[tf.float32]）
...
dataset=dataset.map（parse_func）

---

所以基本上我们可以定义任何函数，接受numpy数组，而不是张量，并将其应用于数据集中的任何张量

谢谢你的回答。看来这就是我需要的。这很有帮助。还有一件事，关于初始化器和正则化器，我在发布这篇文章之前试过了，但是没有用。可能是因为tf.compat.v1.get_变量与tf.contrib.get_变量（）不同？你对此有什么想法吗？好问题！似乎它只接受

tf.compat.v1.initializers

，而没有glorot。但是默认情况下使用Glorot。这里提到它应该可以工作，

regularizer=tf.keras.regularizers.l2（value）

而且只有一件事，

tf.compat.v1.initilizers

实际上具有glorotu法线。所以现在它是这样的

L1=tf.compat.v1.get_变量（'L1'，shape=[32,32]，…：initializer=tf.compat.v1.initializers.glorot_normal（），regulazer=tf.keras.regulazers.l2（0.005），use_resource=False）.：

tf.compat.v1.日志应该可以工作

tf.compat.v1.logging.set\u详细信息（tf.compat.v1.logging.INFO）

。至于第六个问题，我建议你再问一个新问题。将几个问题作为一个问题发布不是一个好做法，此外，它还需要一些代码作为上下文

import tenosflow
import logging
logging.basicConfig(level=logging.INFO)
logging.info('It doens't print this')