本篇继python 深度学习 记录遇到的报错问题11_undefined symbol: __nvjitlinkadddata_12_1, version-CSDN博客
目录
一、AttributeError: module ‘tensorflow‘ has no attribute ‘app‘
二、AttributeError: module 'tensorflow' has no attribute 'placeholder'
三、AttributeError: module 'tensorflow' has no attribute 'variable_scope'
四、AttributeError: module 'tensorflow' has no attribute 'AUTO_REUSE'
一、AttributeError: module ‘tensorflow‘ has no attribute ‘app‘
报错：AttributeError: module ‘tensorflow‘ has no attribute ‘app‘
原因：在我的code中是由该命令FLAGS = tf.flags.FLAGS引起的报错，主要原因是我下载的tensorflow是最新的版本2.1，因版本问题引起的错误。
解决方法：由于tensorflow版本的原因，我的tensorflow的版本是2.10.0的，而源代码是tensorflow1.几版本的，所以只需要将源文件里面的import tensorflow as tf改为 import tensorflow.compat.v1 as tf
# import tensorflow as tf
import tensorflow.compat.v1 as tf
FLAGS = tf.app.flags.FLAGS改了之后，
代码下方会出现黄色波浪线，但是没有报错了，代码可以正常运行。
二、AttributeError: module 'tensorflow' has no attribute 'placeholder'
原因：表明你正在尝试访问TensorFlow模块中不存在的placeholder属性。这通常是因为你正在使用的TensorFlow版本与你期望的API不匹配。
解决方法：
（1）使用TensorFlow 1.x的兼容性模式：如果你依赖于使用tf.placeholder的旧代码，你可以启用TensorFlow 1.x的兼容性模式。这可以通过使用tf.compat.v1模块来实现，如下所示：
import tensorflow as tf
# 启用TensorFlow 1.x的兼容性模式
tf.compat.v1.disable_eager_execution()
# 现在你可以使用placeholder，但是需要通过tf.compat.v1来访问
x = tf.compat.v1.placeholder(tf.float32, shape=(None, 784))
y = tf.compat.v1.placeholder(tf.float32, shape=(None, 10))
（2）重写代码以使用TensorFlow 2.x的API：推荐的方法是更新你的代码以使用TensorFlow 2.x的原生API。在TensorFlow 2.x中，你不再需要placeholder，因为你可以直接操作张量。例如，你可以使用tf.dataAPI来创建输入管道，或者使用Keras的Model和SequentialAPI来定义和训练模型。
例如，如果你之前使用placeholder来定义输入数据，现在你可以这样做：
import tensorflow as tf
# 直接定义张量
x = tf.constant([[1.0, 2.0], [3.0, 4.0]])
# 或者使用tf.data.Dataset来创建输入管道
dataset = tf.data.Dataset.from_tensor_slices(([1.0, 2.0, 3.0, 4.0], [1, 0, 1, 0])).batch(2)
# 如果你在Keras模型中使用，你可以直接传递NumPy数组或tf.data.Dataset对象到fit方法中
三、AttributeError: module 'tensorflow' has no attribute 'variable_scope'
原因：这个错误表明你正在尝试访问TensorFlow模块中不存在的variable_scope属性。在TensorFlow 2.x中，tf.variable_scope已经被移除，因为它是TensorFlow 1.x中用于管理变量的旧API的一部分。
解决方法：
（1）使用TensorFlow 1.x的兼容性模式： 如果你需要运行依赖于tf.variable_scope的旧代码，你可以启用TensorFlow 1.x的兼容性模式。这可以通过使用tf.compat.v1模块来实现：
import tensorflow as tf
# 启用TensorFlow 1.x的兼容性模式
tf.compat.v1.disable_eager_execution()
# 现在你可以使用variable_scope，但是需要通过tf.compat.v1来访问
with tf.compat.v1.variable_scope('scope_name'):
# 你的代码
pass
此处我尝试了第一种方法，但是没有成功。因此，只能重新安装TensorFlow 1.x的版本，但是由于我的python环境是3.9不能安装TensorFlow 1.x的版本，所以没办法只能使用python3.6版本进行安装。
安装TensorFlow 1.x的版本之后，就可以成功运行了。
（2）重写代码以使用TensorFlow 2.x的API： 推荐的方法是更新你的代码以使用TensorFlow 2.x的API。在TensorFlow 2.x中，变量管理更加简单和直接。你可以使用tf.Variable来创建变量，而不需要variable_scope。例如：
import tensorflow as tf
# 直接创建变量
variable = tf.Variable(initial_value=tf.zeros([10, 10]), name='my_variable')
四、AttributeError: module 'tensorflow' has no attribute 'AUTO_REUSE'
原因：通常是因为尝试访问 TensorFlow 模块中不存在的属性 AUTO_REUSE 导致的。在 TensorFlow 2.x 及其后续版本中，AUTO_REUSE 这个属性已经不再直接使用于变量作用域（variable_scope），因为它与 TensorFlow 1.x 的变量作用域机制紧密相关，而这个机制在 TensorFlow 2.x 中已经被废弃。
在 TensorFlow 1.x 中，tf.variable_scope 的 reuse 参数可以接受 tf.AUTO_REUSE，它会自动决定是否在作用域中重用变量。但是在 TensorFlow 2.x 中，这个参数和相关的功能已经不再使用，因为变量重用的需求已经通过其他方式得到满足。
解决方法：
（1）使用 tf.compat.v1 模块：如果你暂时需要运行旧代码，并且不想立即升级它，你可以尝试使用 tf.compat.v1 模块来兼容 TensorFlow 1.x 的 API。例如：
import tensorflow as tf
# 启用 TensorFlow 1.x 的行为
tf.compat.v1.disable_eager_execution()
with tf.compat.v1.variable_scope('my_scope', reuse=tf.compat.v1.AUTO_REUSE):
# 在这里创建变量
pass
此处我尝试了第一种方法，但是没有成功。因此，只能重新安装TensorFlow 1.x的版本，但是由于我的python环境是3.9不能安装TensorFlow 1.x的版本，所以没办法只能使用python3.6版本进行安装。
安装TensorFlow 1.x的版本之后，就可以成功运行了。
（2）完全重写变量管理逻辑：如果你正在编写新代码或更新旧代码，考虑完全重写变量管理逻辑，使用 TensorFlow 2.x 的原生方式来创建和管理变量，例如使用 tf.Variable 直接创建变量，并使用 Python 的对象导向特性（如类）来组织代码。
