TensorFlow 1.X和2.X版本的区别与判断

一、区别

1. Eager Execution（即时执行）：TensorFlow 2.x 默认启用 Eager Execution，这意味着你可以像使用 NumPy 一样立即执行操作，无需构建计算图。这种方式更直观和易于调试，也减少了许多样板代码。
2. API 简化：TensorFlow 1.x 中存在多个不同的 API 来定义模型，如 tf.layers、tf.contrib.layers、tf.estimator 等。而 TensorFlow 2.x 引入了 tf.keras 高级 API，它提供了更简洁、一致的接口来定义模型，使得代码更易读、易用。
3. 默认的模型保存和加载方式：TensorFlow 2.x 使用 tf.keras.models.save_model() 和 tf.keras.models.load_model() 来保存和加载模型。这种方式更加直观和方便，不再需要手动保存和加载变量。
4. 动态图与静态图：TensorFlow 1.x 使用静态图（Static Graph）的方式，需要先构建计算图然后执行。而 TensorFlow 2.x 的 Eager Execution 支持动态图（Dynamic Graph），可以直接在运行时执行操作，更加灵活。
5. 移除一些不推荐的功能和模块：TensorFlow 2.x 移除了一些不再推荐使用的功能和模块，如 tf.contrib、tf.flags、tf.app 等。这样可以使框架更加精简和易于维护。
6. TensorFlow 2.x 与 Keras 的集成：TensorFlow 2.x 将 Keras 纳入其核心，并使用 tf.keras 作为官方推荐的高级 API。这意味着你可以直接使用 Keras 中提供的丰富功能和模块，无需额外安装。

总的来说，TensorFlow 2.x 引入了许多改进和简化，使得代码更加易用、直观，并提供了更好的开发体验。它更加注重用户友好性和易用性，使得深度学习开发更加高效。但需要注意的是，由于 API 的改变，从 TensorFlow 1.x 迁移到 TensorFlow 2.x 可能需要一些代码调整和迁移工作。

二、判断

1. 导入方式：查看代码中的导入语句。如果使用了 import tensorflow.compat.v1 as tf，则是 TensorFlow 1.x 的代码在Tensorflow 2.x中运行，故需要安装Tensorflow 2.x的版本。如果代码中使用 import tensorflow as tf 导入，则不能单纯依靠这一句命令评估版本。（推荐）
2. Eager Execution：检查代码是否包含 tf.executing_eagerly() 函数。如果代码中存在该函数，并且返回值为 True，那么是 TensorFlow 2.x 的代码，因为 TensorFlow 2.x 默认启用了 Eager Execution。
3. 模型定义方式：检查代码中的模型定义方式。如果代码使用了 tf.keras 模块来构建模型，那么很可能是 TensorFlow 2.x 的代码。而如果代码使用了 tf.layers 或 tf.contrib.layers 等模块来定义模型，那么很可能是 TensorFlow 1.x 的代码。
4. 操作方式：检查代码中的操作（Operations）和会话（Session）的使用方式。TensorFlow 1.x 的代码通常会使用 tf.Session() 和 sess.run() 来执行操作，而 TensorFlow 2.x 的代码则不再需要显式地创建会话和运行操作。

通过检查导入方式、Eager Execution、模型定义方式和操作方式，你可以初步判断项目代码所使用的 TensorFlow 版本。不过，这只是一种初步判断方法，具体还需根据代码的特点和上下文进行确认。详细版本需进一步查看 requirements.txt 文档 或者 咨询作者。

注意：1.X和2.X版本不可以互通的，之间相互转化需要修改代码。如果自己有写好的整套项目，建议安装TensorFlow之前，应先确认好代码是使用1.X还是2.X的版本。