在Tensorflow 2.0.0中，class_weight的用法发生了变化。在建立模型时，需要在compile函数中将class_weight作为参数传递，而不是像之前一样在fit函数中传递。因此，当使用Tensorflow 2.0.0和1.13.1时，class_weight参数的应用方式不同，会导致损失值的差异。

以下是一个示例代码，展示了如何在Tensorflow 2.0.0中正确使用class_weight参数：

import tensorflow as tf
import numpy as np

# 假设我们有100个样本，2个类别，其中第二类占比较少
X = np.random.rand(100, 10)
y = np.random.randint(2, size=100)
class_weights = {0: 1., 1: 2.}  # 第一个类别的权重为1，第二个类别的权重为2

# 创建Keras模型
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(16, input_dim=10, activation='relu'))
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))

# 使用compile函数指定class_weight参数
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'], class_weight=class_weights)

# 使用fit函数进行训练
model.fit(X, y, epochs=10, batch_size=32)

在上面的代码中，我们创建了一个简单的二元分类模型，样本中包含两个类别，其中第二类别占比较少。使用class_weight参数将第二类别的权重设为2，这意味着在优化损失函数时，第二类别的错误分类比第一类别的错误分类的损失要大一倍。

我们可以通过多次运行上面的代码，比较Tensorflow 2.