Esta página foi traduzida pela API Cloud Translation.
Switch to English

Notas de instalação e uso

Instalando tensorflow_hub

A biblioteca tensorflow_hub pode ser instalada ao lado do TensorFlow 1 e TensorFlow 2. Recomendamos que os novos usuários comecem com o TensorFlow 2 imediatamente e os usuários atuais façam o upgrade para ele.

Use com o TensorFlow 2

Use o pip para instalar o TensorFlow 2 como de costume. (Consulte aqui para obter instruções adicionais sobre o suporte à GPU.) Em seguida, instale uma versão atual do tensorflow-hub ao lado (deve ser 0.5.0 ou mais recente).

 $ pip install "tensorflow>=2.0.0"
$ pip install --upgrade tensorflow-hub
 

A API no estilo TF1 do TensorFlow Hub funciona com o modo de compatibilidade v1 do TensorFlow 2.

Uso herdado com TensorFlow 1

A biblioteca tensorflow_hub requer o TensorFlow versão 1.7 ou superior.

É altamente recomendável instalá-lo com o TensorFlow 1.15, cujo padrão é o comportamento compatível com TF1, mas contém muitos recursos do TF2 sob o capô para permitir algum uso das APIs no estilo TF2 do Hub TensorFlow.

 $ pip install "tensorflow>=1.15,<2.0"
$ pip install --upgrade tensorflow-hub
 

Uso de versões de pré-lançamento

Os pacotes pip tf-nightly e tf-hub-nightly são criados automaticamente a partir do código-fonte no github, sem testes de lançamento. Isso permite que os desenvolvedores testem o código mais recente sem criar a partir da fonte .

Opcional: Configurando o local do cache para downloads.

Por padrão, o tensorflow_hub usa um diretório temporário em todo o sistema para armazenar em cache os modelos baixados e não compactados. Consulte Armazenamento em cache para obter opções para usar outros locais, possivelmente mais persistentes.

Estabilidade da API

Embora esperemos evitar alterações de quebra, este projeto ainda está em desenvolvimento ativo e ainda não é garantido que tenha uma API ou formato de modelo estável.

Justiça

Como em todo o aprendizado de máquina, a justiça é uma consideração importante . Muitos modelos pré-treinados são treinados em grandes conjuntos de dados. Ao reutilizar qualquer modelo, é importante estar ciente dos dados em que o modelo foi treinado (e se existem vieses existentes) e como eles podem impactar seu uso.

Segurança

Como eles contêm gráficos arbitrários do TensorFlow, os modelos podem ser vistos como programas. O uso do TensorFlow com segurança descreve as implicações de segurança da referência a um modelo de uma fonte não confiável.