'tensorflow' has no attribute 'p

module 'tensorflow' has no attribute 'placeholder' 这种错误通常是因为你使用的是 TensorFlow 2.x，而 tf.placeholder 在 TensorFlow 2.x 中已经被移除或者被弃用了。TensorFlow 2.x 强调使用即刻执行（Eager Execution）模式，这意味着所有操作都是立即执行的，不需要构建计算图和会话。

如果你需要使用类似 tf.placeholder 的功能，可以使用 tf.function 结合输入签名来实现图计算，或者使用 tf.compat.v1.placeholder 兼容性函数。

以下是两种解决方法：

解决方法一：使用 tf.compat.v1.placeholder

在 TensorFlow 2.x 中，你可以使用 tf.compat.v1.placeholder 作为兼容性解决方案。这种方法允许你继续使用 TensorFlow 1.x 风格的代码。

import tensorflow as tf

# 使用兼容性方法创建占位符
input_placeholder = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 784], name='input')

# 创建其他计算图和操作
output = tf.compat.v1.layers.dense(input_placeholder, units=10)

# 创建会话并执行计算
with tf.compat.v1.Session() as sess:
    sess.run(tf.compat.v1.global_variables_initializer())
    result = sess.run(output, feed_dict={input_placeholder: some_input_data})
    print(result)

解决方法二：使用即刻执行模式

在 TensorFlow 2.x 中，推荐使用即刻执行模式，这样可以避免使用占位符。可以直接使用张量作为输入，并定义函数进行计算。

import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, input_shape=(784,))
])

# 即刻执行模式下，直接传递数据进行计算
some_input_data = tf.random.normal([32, 784])
output = model(some_input_data)
print(output)

解决方法三：使用 tf.function 和 tf.TensorSpec

你也可以使用 tf.function 和 tf.TensorSpec 来定义一个函数并指定输入签名，从而创建一个图计算。

import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10)
])

# 使用 tf.function 和 tf.TensorSpec
@tf.function(input_signature=[tf.TensorSpec(shape=[None, 784], dtype=tf.float32)])
def model_fn(input_tensor):
    return model(input_tensor)

# 调用函数
some_input_data = tf.random.normal([32, 784])
output = model_fn(some_input_data)
print(output)

这三种方法可以帮助你在 TensorFlow 2.x 中避免 tf.placeholder 不存在的问题，建议尽可能采用即刻执行模式以符合 TensorFlow 2.x 的设计理念。