이 페이지는 Cloud Translation API를 통해 번역되었습니다.
Switch to English

TF1 / TF2에 대한 모델의 호환성

TF 허브 모델 형식

TF 허브에 내장로드 다시 될 수 있으며, 아마도 TensorFlow 프로그램에서 재교육 재사용 가능한 모델 조각을 제공합니다. 이 두 가지 형식으로 제공 :

모델 형식에 모델 페이지에서 확인할 수 있습니다 tfhub.dev . 모델로드 / 추론, 미세 조정 또는 생성은 모델 형식에 따라 TF1 / 2에서 지원되지 않을 수 있습니다.

TF1 허브 포맷의 호환성

조작 TF1 / TF1 TF2이 모드에서 compat 시스템 [1] TF2
로드 / 추론 완전히 지원됨 ( 전체 TF1 허브 형식로드 가이드 )
m = hub.Module(handle)
outputs = m(inputs)
하나 hub.load를 사용하는 것이 좋습니다
m = hub.load(handle)
outputs = m.signatures["sig"](inputs)
또는 hub.KerasLayer
m = hub.KerasLayer(handle, signature="sig")
outputs = m(inputs)
미세 조정 완전히 지원됨 ( 전체 TF1 허브 형식 미세 조정 가이드 )
m = hub.Module(handle,
               trainable=True,
               tags=["train"]*is_training)
outputs = m(inputs)
참고 : 기차 태그가 없습니다 그래프 별도의 훈련이 필요하지 않습니다 모듈.
지원되지 않음
창조 완벽하게 지원합니다 ( 전체 TF1 허브 형식으로 작성 가이드 )
주 : 허브 TF1 TF1 형식에 맞도록하고, TF2 부분적으로지지된다. TF2 SavedModel을 만드는 것이 좋습니다.
지원되지 않음

TF2 SavedModel의 호환성

TF1.15 전에 지원되지 않습니다.

조작 TF1.15 / TF1 TF2이 모드에서 compat 시스템 [1] TF2
로드 / 추론 하나 hub.load를 사용하여
m = hub.load(handle)
outputs = m(inputs)
또는 hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
완전 (지원 완료 TF2 SavedModel 로딩 가이드 ). 하나 hub.load를 사용하여
m = hub.load(handle)
outputs = m(inputs)
또는 hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
미세 조정 Model.fit 훈련 () 또는 그 model_fn 당 모델을 랩하는 견적에서 훈련 할 때 tf.keras.Model에 사용되는 hub.KerasLayer 지원되는 사용자 정의 model_fn 가이드 .
참고 : hub.KerasLayer 이전 tf.compat.v1.layers 같은 그래프 콜렉션을 작성하지 않거나 hub.Module API를했다.
완전 (지원 완료 TF2 SavedModel 미세 조정 가이드 ). 하나 hub.load를 사용 :
m = hub.load(handle)
outputs = m(inputs, training=is_training)
또는 hub.KerasLayer :
m =  hub.KerasLayer(handle, trainable=True)
outputs = m(inputs)
창조 TF2 API를 tf.saved_model.save는 () 의 compat 모드 내에서 호출 할 수 있습니다. 완벽하게 지원합니다 ( 전체 TF2 SavedModel 작성 가이드 )

[1] "이 TF1 TF2 compat 시스템에서 모드"와 TF2를 가져의 결합 된 효과를 의미 import tensorflow.compat.v1 as tf 실행 tf.disable_v2_behavior() 에서 설명한 바와 같이 TensorFlow 이전 가이드 .