このリストに該当する課題が掲載されていない場合は、新しい課題を送信する前に GitHub の課題を検索してください。
注意: このドキュメントの例では、TFhub.dev URL ハンドルを使用しています。その他の有効なハンドルタイプについては、こちらをご覧ください。
TypeError: 'AutoTrackable' object is not callable
# BAD: Raises error
embed = hub.load('https://tfhub.dev/google/nnlm-en-dim128/1')
embed(['my text', 'batch'])
これは、TF2 の hub.load() API を使って TF1 Hub 形式のモジュールを読み込む際によく発生するエラーですが、正しいシグネチャを追加することで修正可能です。TF2 への移行と TF2 における TF1 Hub 形式のモデルの使用については、TF2 の TF-Hub 移行ガイドをご覧ください。
embed = hub.load('https://tfhub.dev/google/nnlm-en-dim128/1')
embed.signatures['default'](['my text', 'batch'])
モジュールをダウンロードできない
ネットワークスタックが原因で、URL からモジュールを使用する過程でさまざまなエラーが発生することがあります。多くの場合は、これはコードを実行しているマシンに特化した問題であり、ライブラリの問題ではありません。次に、一般的なエラーを示します。
"EOF occurred in violation of protocol" - この問題は、インストールされた Python バージョンが、モジュールをホストしているサーバーの TLS 要件をサポートしない場合に発生する可能性があります。特に、Python 2.7.5 では tfhub.dev ドメインのモジュールを解決できないことが知られています。修正方法: 新しい Python バージョンに更新してください。
"cannot verify tfhub.dev's certificate" - この問題は、ネットワーク上の何かが dev gTLD として振る舞おうとしている場合に発生する可能性があります。開発者とフレームワークは、.dev が gTLD として使用される前に .dev の名前を使用してコードをテストすることがあります。修正方法: ".dev" ドメインの名前解決を阻止するソフトウェアを特定し、設定し直してください。
キャッシュディレクトリ
/tmp/tfhub_modules（またはこれに類似）への書き込みに失敗する: キャッシュディレクトリとその場所の変更方法については、キャッシングをご覧ください。
上記に該当するエラーがあり、その修正方法で解決できない場合は、tar 圧縮ファイルのダウンロード URL に ?tf-hub-format=compressed を追加するプロトコルをシミュレーションし、モジュールを手動でダウンロードしてみてください。tar 圧縮ファイルは、ローカルファイルに手動で解凍する必要があります。その後で、URL の代わりにローカルファイルへのパスを使用できるようになります。次に簡単な例を示します。
# Create a folder for the TF hub module.
$ mkdir /tmp/moduleA
# Download the module, and uncompress it to the destination folder. You might want to do this manually.
$ curl -L "https://tfhub.dev/google/universal-sentence-encoder/2?tf-hub-format=compressed" | tar -zxvC /tmp/moduleA
# Test to make sure it works.
$ python
> import tensorflow_hub as hub
> hub.Module("/tmp/moduleA")
初期化済みのモジュールで推論を実行する
入力データにモジュールを何度も適用する Python プログラムを記述している場合、次のレシピを適用することができます（注意: 本番サービスでリクエストを配信するには、TensorFlow Serving またはその他の拡張可能な、Python を使用しないソリューションを検討してください）。
使用事例のモデルは初期化リクエストと以降のリクエスト（Django、Flask、カスタム HTTP サーバーなど）であると仮定すると、次のように推論をセットアップすることができます。
TF2 SavedModel
- 初期化の部分で、次を行います。
- TF2.0 モデルを読み込みます。
import tensorflow_hub as hub
embedding_fn = hub.load("https://tfhub.dev/google/universal-sentence-encoder/4")
- リクエストの部分で、次を行います。
- 組み込み関数を使用して、推論を実行します。
embedding_fn(["Hello world"])
この tf.function の呼び出しは、パフォーマンスを改善できるように最適化されています。tf.function ガイドをご覧ください。
TF1 Hub モジュール
- 初期化の部分で、次を行います。
- プレースホルダを使ってグラフを構築します。グラフのエントリポイントです。
- セッションを初期化します。
import tensorflow as tf
import tensorflow_hub as hub
# Create graph and finalize (finalizing optional but recommended).
g = tf.Graph()
with g.as_default():
# We will be feeding 1D tensors of text into the graph.
text_input = tf.placeholder(dtype=tf.string, shape=[None])
embed = hub.Module("https://tfhub.dev/google/universal-sentence-encoder/2")
embedded_text = embed(text_input)
init_op = tf.group([tf.global_variables_initializer(), tf.tables_initializer()])
g.finalize()
# Create session and initialize.
session = tf.Session(graph=g)
session.run(init_op)
- リクエストの部分で、次を行います。
- セッションを使用して、プレースホルダを通じてグラフにデータをフィードします。
result = session.run(embedded_text, feed_dict={text_input: ["Hello world"]})
モデルの dtype を変更できない（float32 から bfloat16 へなど）
TensorFlow の SavedModel（TF Hub で共有）には一定のデータ型（通常、ニューラルネットワークの重みと即時活性化には float32 が使用されます）で動作する演算が含まれます。こういった演算は、SavedModel が読み込まれた後に変更することはできません（ただし、モデルのパブリッシャーが、異なるデータ型を使ったさまざまなモデルを公開することは可能です）。
モデルのバージョンを更新する
モデルバージョンのドキュメントメタデータが更新されることがありますが、バージョンのアセット（モデルのファイル）は変更できません。モデルのアセットを変更する場合は、新しいバージョンのモデルを公開することができます。バージョン間で何が変更されたのかを説明する変更ログをドキュメントに追加するのは良い実践です。