AttributeError: module 'tensorflow._api.v2.train' has no attribute 'Saver'

这个错误通常是因为使用了过时的 Tensorflow 1.x API，而该 API 已经在 Tensorflow 2.x 中被弃用。在Tensorflow 2.x中，用于保存和恢复模型权重的API已经被删除。

你可以考虑使用 Tensorflow 2.x 的新 API，例如使用 `tf.keras.models.save_model` 和 `tf.keras.models.load_model` 来保存和恢复模型。如果你非常需要使用旧的API，你可以考虑使用 `tf.compat.v1.train.Saver` 来代替 `tf.train.Saver`，这将使用Tensorflow 1.x API在Tensorflow 2.x中创建Saver。但是需要注意的是，这种方式可能不是最佳实践，因为Tensorflow 2.x已经引入了许多新的API来提供更好的模型保存和恢复功能。

相关问题

attributeerror: module 'tensorflow._api.v2.train' has no attribute 'saver'

### 回答1：
"attributeerror: module 'tensorflow._api.v2.train' has no attribute 'saver'"的意思是：模块'tensorflow._api.v2.train'没有'saver'属性。这可能是因为在TensorFlow 2.中，保存和恢复模型的方法已经发生了变化，不再使用Saver对象。相反，可以使用tf.keras.models.save_model()和tf.keras.models.load_model()函数来保存和恢复模型。

### 回答2：
这个错误出现是因为TensorFlow的版本升级导致代码中的某些函数、方法或属性不再被支持。具体来说，saver这个属性在TensorFlow的v2版本中已经不再被支持。

在TensorFlow v2中，替代saver的是tf.keras.callbacks.ModelCheckpoint。这个方法可以实现保存模型的功能，可以通过指定参数来控制模型的保存频率、保存的路径以及保存的文件格式等。

所以，如果你的TensorFlow程序报告"attributeerror: module 'tensorflow._api.v2.train' has no attribute 'saver'"这个错误，你应该考虑使用tf.keras.callbacks.ModelCheckpoint来代替saver来保存模型。同时，需要注意的是，由于TensorFlow原生支持Keras API，因此在使用TensorFlow时建议使用Keras中的函数、方法和模型来编写代码，避免由于TensorFlow版本升级带来的问题。

### 回答3：
这个错误是因为在Tensorflow 2.0版本中，`saver`已经被废弃了，所以不再被`tensorflow._api.v2.train`模块支持。在Tensorflow 2.0版本中，使用`tf.keras.Model.save()`来保存模型。

如果你想保存整个模型，可以使用`model.save('my_model')`来保存。这将会把模型的架构、权重和优化器等信息全部保存下来。如果你想保存模型的权重和优化器相关信息，可以使用`model.save_weights('my_model_weights')`来保存。

当你想要重新加载保存下来的模型时，你可以使用`tf.keras.models.load_model('my_model')`来重新加载整个模型，或者使用`model.load_weights('my_model_weights')`来加载模型的权重信息。

另外需要注意的是，在Tensorflow 2.0版本中，Keras的API已经被完全集成进了Tensorflow，所以现在通常使用`tf.keras`而不是`keras`来导入Keras模块。如果你使用`keras`，会出现一些兼容性问题。

attributeerror: module 'tensorflow._api.v2.train' has no attribute 'optimize

针对您提供的两个引用，我可以给出以下回答：

针对引用中的问题，您可以尝试使用tensorflow的新版本，因为在新版本中，contrib模块已经被移除了。如果您需要使用contrib模块中的函数，可以考虑使用tensorflow的旧版本或者使用其他替代方案。

针对引用中的问题，您可以将代码修改为以下形式：

optimizer = tf.optimizers.SGD(learning_rate).minimize

这是因为在tensorflow的新版本中，优化器的命名空间已经被修改为tf.optimizers，所以您需要使用这个新的命名空间来调用优化器。