下面将升级代码到TensorFlow 2.x版本的方法汇总起来，有如下几点。
1.最快速转化的方法
在代码中没有使用contrib模块的情况下，可以在代码最前端加上如下两句，直接可以实现的代码升级。
import tensorflow.compat.v1 as
tftf.disable_v2_behavior()这种方法只是保证代码在TensorFlow 2.x版本上能够运行，并不能发挥TensorFlow的最大性能。
2.使用工具进行转化的方法
在代码中没有使用contrib模块的情况下，用tf_upgrade_v2工具可以快速实现代码升级。当然tf_upgrade_v2工具并不是万能的，它只能实现基本的API升级。一般在转化完成之后还需要手动二次修改。
3.将静态图改成动态图的方法
静态图可以看作程序的运行框架，可以将输入输出部分原样的套用在函数的调用框架中。具体步骤如下：
（1）将会话（session）转化成函数。
（2）将注入机制中的占位符（tf.placeholder）和字典（feed_dict）转化成函数的输入参数。
（3）将会话运行（session.run）后的结果转化成函数的返回值。
在实现过程中，可以通过自动图功能，用简单的函数逻辑替换静态图的运算结构。自
4.将共享变量的作用于转成Python对象的命名空间
在定义权重参数时，用tf.Variable函数替换tf.get_variable函数。每个变量的命名空间（variable_scope）用类对象空间进行替换，即将网络封装成类的形式来搭建模型。
在封装类的过程中，可以继承tf.keras接口（如：tf.keras.layers.Layer、tf.keras.Model）也可以继承更底层的接口（如tf.Module、tf.layers.Layer）。
在对模型进行参数更新时，可以使用实例化类对象的variables和trainable_variables属性来控制参数。
5.升级TF-slim接口开发的程序
TensorFlow 2.x版本将彻底抛弃TF-slim接口，所以升级TF-slim接口程序会有较大的工作量。官方网站给出的指导建议是：如果手动将TF-slim接口程序转化为tf.layers接口实现，则可以满足基本使用；如果想与TensorFlow 2.x版本结合得更加紧密，则可以再将其转化为tf.keras接口。
