Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Kompatybilność model dla TF1 / TF2

Hub formaty model TF

TF Hub oferuje model kawałki wielokrotnego użytku, które mogą być ładowane z powrotem, zbudowany na, a może być przeszkoleni w programie TensorFlow. Pochodzą one w dwóch różnych formatach:

Format modelu można znaleźć na stronie modelu na tfhub.dev . Model załadunku / wnioskowanie, dostrajania lub stworzenie może nie być obsługiwana w TF1 / 2 w oparciu o formatach modeli.

Zgodność z formatem TF1 Hub

Operacja TF1 / TF1, TF2 trybu kompatybilnego w [1] TF2
Ładowanie / Wnioskowanie W pełni obsługiwane ( pełna TF1 Hub przewodnik format ładowania )
m = hub.Module(handle)
outputs = m(inputs)
Zaleca się użyć hub.load
m = hub.load(handle)
outputs = m.signatures["sig"](inputs)
lub hub.KerasLayer
m = hub.KerasLayer(handle, signature="sig")
outputs = m(inputs)
Strojenie W pełni obsługiwane ( pełna TF1 Hub przewodnik format dostrajanie )
m = hub.Module(handle,
               trainable=True,
               tags=["train"]*is_training)
outputs = m(inputs)
Uwaga: Moduły, które nie potrzebują osobnego pociąg wykres nie masz tag pociągu.
Nieobsługiwany
kreacja W pełni obsługiwane (zobacz pełną TF1 Hub instrukcji tworzenia format )
Uwaga: Format TF1 Hub jest ukierunkowany TF1 i jest tylko częściowo obsługiwane w TF2. Rozważyć utworzenie TF2 SavedModel.
Nieobsługiwany

Zgodność TF2 SavedModel

Nie jest obsługiwany przed TF1.15.

Operacja TF1.15 / TF1, TF2 trybu kompatybilnego w [1] TF2
Ładowanie / Wnioskowanie Użyć hub.load
m = hub.load(handle)
outputs = m(inputs)
lub hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
W pełni obsługiwane ( kompletny podręcznik ładowania TF2 SavedModel ). Użyć hub.load
m = hub.load(handle)
outputs = m(inputs)
lub hub.KerasLayer
m = hub.KerasLayer(handle)
outputs = m(inputs)
Strojenie Obsługiwane przez hub.KerasLayer stosowanych w tf.keras.Model kiedy trenował z Model.fit () lub szkolony w prognozy którego model_fn owija Modelu za tym przewodniku zwyczaj model_fn .
Uwaga: hub.KerasLayer nie wypełnia się w kolekcjach wykresu jak za dawnych tf.compat.v1.layers lub hub.Module API zrobił.
Pełni obsługiwany ( całkowite TF2 SavedModel instrukcji dostrajajàcà ). Użyć hub.load:
m = hub.load(handle)
outputs = m(inputs, training=is_training)
lub hub.KerasLayer:
m =  hub.KerasLayer(handle, trainable=True)
outputs = m(inputs)
kreacja TF2 API tf.saved_model.save () może być wywoływana z poziomu trybu kompatybilnego. Pełni obsługiwany (patrz pełną instrukcję tworzenia TF2 SavedModel )

[1] „TF1, TF2 compat w trybie” odnosi się do połączonego efektu importowania TF2 z import tensorflow.compat.v1 as tf i działa tf.disable_v2_behavior() , jak opisano w podręczniku TensorFlow migracji .