تاریخ را ذخیره کنید! Google I / O 18-20 مه بازمی گردد اکنون ثبت نام کنید
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

سازگاری مدل برای TF1 / TF2

قالب های مدل TF Hub

TF Hub قطعات مدل قابل استفاده مجددی را ارائه می دهد که می تواند در یک برنامه TensorFlow بارگیری ، ساخته شده و دوباره آموزش ببیند. اینها در دو قالب مختلف وجود دارد:

  • قالب سفارشی TF1 Hub . کاربرد اصلی آن در TF1 (یا حالت سازگاری TF1 در TF2) از طریق توپی آن است. Module API . جزئیات کامل سازگاری در زیر .
  • قالب TF2 SavedModel بومی. استفاده اصلی آن در نظر گرفته شده در TF2 طریق است hub.load و hub.KerasLayer رابط های برنامه کاربردی. جزئیات کامل سازگاری در زیر .

قالب مدل را می توان در صفحه مدل در tfhub.dev یافت . بارگذاری / استنتاج ، تنظیم دقیق یا ایجاد مدل ممکن است در TF1 / 2 بر اساس قالبهای مدل پشتیبانی نشود.

سازگاری قالب TF1 Hub

عمل حالت سازگاری TF1 / TF1 در TF2 [1] TF2
در حال بارگیری / استنباط کاملاً پشتیبانی شده ( راهنمای بارگیری کامل قالب TF1 Hub )
m = hub.Module(handle)
outputs = m(inputs)
توصیه می شود از hub.load
m = hub.load(handle)
outputs = m.signatures["sig"](inputs)
یا hub استفاده کنید. KerasLayer
m = hub.KerasLayer(handle, signature="sig")
outputs = m(inputs)
تنظیم دقیق کاملاً پشتیبانی شده ( راهنمای تنظیم دقیق قالب TF1 Hub )
m = hub.Module(handle,
               trainable=True,
               tags=["train"]*is_training)
outputs = m(inputs)
توجه: ماژولهایی که به نمودار جداگانه قطار نیاز ندارند ، برچسب قطار ندارند.
پشتیبانی نشده
ایجاد کاملاً پشتیبانی شده (به راهنمای ایجاد قالب TF1 Hub مراجعه کنید)
توجه: قالب TF1 Hub به سمت TF1 تنظیم شده است و فقط تا حدی در TF2 پشتیبانی می شود. ایجاد TF2 SavedModel را در نظر بگیرید.
پشتیبانی نشده

سازگاری مدل TF2 SavedModel

قبل از TF1.15 پشتیبانی نمی شود.

عمل حالت سازگاری TF1.15 / TF1 در TF2 [1] TF2
در حال بارگیری / استنباط از hub.load
m = hub.load(handle)
outputs = m(inputs)
یا hub استفاده کنید. KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
کاملاً پشتیبانی شده ( راهنمای بارگیری کامل مدل TF2 SavedModel ). از hub.load
m = hub.load(handle)
outputs = m(inputs)
یا hub استفاده کنید. KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
تنظیم دقیق KerasLayer مورد استفاده در tf.keras قرار می گیرد. مدل هنگام آموزش با Model.fit () یا آموزش در برآوردگر که مدل_fn آن را در راهنمای سفارشی model_fn بسته بندی می کند ، استفاده می شود.
توجه: hub.KerasLayer مانند نمودارهای قدیمی tf.compat.v1.layers یا hub.Module مجموعه های نمودار را پر نمی کند .
کاملاً پشتیبانی شده ( راهنمای تنظیم دقیق TF2 SavedModel کامل ). از hub.load:
m = hub.load(handle)
outputs = m(inputs, training=is_training)
یا hub استفاده کنید. KerasLayer:
m =  hub.KerasLayer(handle, trainable=True)
outputs = m(inputs)
ایجاد TF2 API tf.saved_model.save () را می توان از طریق حالت compat فراخوانی کرد. کاملاً پشتیبانی شده (به راهنمای ایجاد TF2 SavedModel کامل مراجعه کنید)

[1] "حالت سازگاری TF1 در TF2" به تأثیر واردات TF2 با import tensorflow.compat.v1 as tf و اجرای tf.disable_v2_behavior() شود که در راهنمای TensorFlow Migration شرح داده شده است.