Cette page a été traduite par l'API Cloud Translation.
Switch to English

la compatibilité des modèles pour TF1 / TF2

TF formats de modèle Hub

TF Hub propose des pièces de modèles réutilisables qui peuvent être chargés de nouveau, construit sur, et peut-être une nouvelle formation dans un programme de tensorflow. Ceux-ci sont disponibles en deux formats différents:

Le format de modèle se trouve sur la page du modèle sur tfhub.dev . Modèle de chargement / inférence, mise au point ou la création pourraient ne pas être pris en charge par TF1 / 2 en fonction des formats de modèle.

Compatibilité du format Hub TF1

Opération Mode TF1 / TF1 compat dans TF2 [1] TF2
Chargement / Inference Entièrement pris en charge ( guide de chargement complet format Hub TF1 )
m = hub.Module(handle)
outputs = m(inputs)
Il est recommandé d'utiliser soit hub.load
m = hub.load(handle)
outputs = m.signatures["sig"](inputs)
ou hub.KerasLayer
m = hub.KerasLayer(handle, signature="sig")
outputs = m(inputs)
Réglage fin Entièrement pris en charge ( complète Guide fine tuning format Hub TF1 )
m = hub.Module(handle,
               trainable=True,
               tags=["train"]*is_training)
outputs = m(inputs)
Nota: Les modules qui ne nécessitent pas un train séparé graphique ne dispose pas d'une étiquette de train.
Non supporté
Création Entièrement pris en charge (voir guide complet de création de format Hub TF1 )
Note: Le format Hub TF1 est orienté vers TF1 et est partiellement pris en charge dans TF2. Envisager la création d'un TF2 SavedModel.
Non supporté

Compatibilité des TF2 SavedModel

Non pris en charge avant TF1.15.

Opération Mode TF1.15 / TF1 compat dans TF2 [1] TF2
Chargement / Inference Utilisez soit hub.load
m = hub.load(handle)
outputs = m(inputs)
ou hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
Entièrement pris en charge ( guide de chargement complet TF2 SavedModel ). Utilisez soit hub.load
m = hub.load(handle)
outputs = m(inputs)
ou hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
Réglage fin Pris en charge pour un hub.KerasLayer utilisé dans tf.keras.Model quand formés avec Model.fit () ou une formation dans un estimateur dont model_fn enveloppe le modèle par le guide de model_fn personnalisé .
Note: hub.KerasLayer ne remplit pas dans les collections de graphiques comme les anciens tf.compat.v1.layers ou hub.Module API a fait.
Entièrement pris en charge ( complet TF2 SavedModel guide réglage fin ). Utilisez soit hub.load:
m = hub.load(handle)
outputs = m(inputs, training=is_training)
ou hub.KerasLayer:
m =  hub.KerasLayer(handle, trainable=True)
outputs = m(inputs)
Création L'API TF2 tf.saved_model.save () peut être appelé à partir du mode compat. Entièrement pris en charge (voir guide complet de création de TF2 SavedModel )

[1] « mode TF1 compat dans TF2 » se réfère à l'effet combiné de l' importation TF2 avec import tensorflow.compat.v1 as tf et exécutant tf.disable_v2_behavior() tel que décrit dans le guide de migration tensorflow .