Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Modell Kompatibilität für TF1 / TF2

TF Hub Modellformate

TF Hub bietet wiederverwendbare Modellteile, die zurückgeladen werden können, gebaut auf und möglicherweise in einem TensorFlow Programm umgeschult werden. Diese kommen in zwei verschiedenen Formaten:

Das Modell - Format kann auf der Modellseite gefunden werden tfhub.dev . Modell Laden / Inferenz, Feinabstimmung oder Schaffung möglicherweise nicht in TF1 / 2 auf der Grundlage der Modellformate unterstützt werden.

Kompatibilität des TF1 Hub-Format

Operation TF1 / TF1 compat - Modus in TF2 [1] TF2
Laden / Inference Voll unterstützt ( komplett TF1 Hub Format Ladeführung )
m = hub.Module(handle)
outputs = m(inputs)
Es wird empfohlen, entweder hub.load zu verwenden
m = hub.load(handle)
outputs = m.signatures["sig"](inputs)
oder hub.KerasLayer
m = hub.KerasLayer(handle, signature="sig")
outputs = m(inputs)
Feintuning Voll unterstützt ( komplett TF1 Hub Format Feinabstimmungsführung )
m = hub.Module(handle,
               trainable=True,
               tags=["train"]*is_training)
outputs = m(inputs)
Hinweis: Module, die grafische Darstellung keinen separaten Zug brauchen keinen Zug-Tag haben.
Nicht unterstützt
Schaffung Voll unterstützt (siehe Leitfaden komplette TF1 Hub Format Schöpfung )
Hinweis: Das TF1-Hub-Format ist auf TF1 ausgerichtet und nur teilweise in TF2 unterstützt. Betrachten wir ein TF2 SavedModel zu schaffen.
Nicht unterstützt

Kompatibilität von TF2 SavedModel

Nicht vor TF1.15 unterstützt.

Operation TF1.15 / TF1 compat - Modus in TF2 [1] TF2
Laden / Inference Verwenden Sie entweder hub.load
m = hub.load(handle)
outputs = m(inputs)
oder hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
Voll unterstützt ( komplett TF2 SavedModel Ladeführung ). Verwenden Sie entweder hub.load
m = hub.load(handle)
outputs = m(inputs)
oder hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
Feintuning Unterstützte für eine hub.KerasLayer in tf.keras.Model verwendet , wenn sie mit Model.fit ausgebildet () oder in einem Estimator trainiert , der model_fn das Modell der Packungen pro Führungs individuelle model_fn .
Hinweis: hub.KerasLayer füllt nicht in graphischen Sammlungen wie die alten tf.compat.v1.layers oder hub.Module APIs hat.
Voll unterstützt ( komplett TF2 SavedModel Feinabstimmungsführung ). Verwenden Sie entweder hub.load:
m = hub.load(handle)
outputs = m(inputs, training=is_training)
oder hub.KerasLayer:
m =  hub.KerasLayer(handle, trainable=True)
outputs = m(inputs)
Schaffung Die TF2 API tf.saved_model.save () kann innerhalb compat - Modus aufgerufen werden. Voll unterstützt (siehe vollständigen TF2 SavedModel Schaffung Guide )

[1] „TF1 kompat Modus in TF2“ bezieht sich auf die kombinierte Wirkung von TF2 mit einführe import tensorflow.compat.v1 as tf und Laufe tf.disable_v2_behavior() , wie in der beschriebenen TensorFlow Migration Führung .