Halaman ini menjelaskan cara tetap menggunakan TensorFlow Hub saat memigrasikan kode TensorFlow Anda dari TensorFlow 1 ke TensorFlow 2. Halaman ini melengkapi panduan migrasi umum TensorFlow .
Untuk TF2, TF Hub telah beralih dari hub.Module API lama untuk membangun tf.compat.v1.Graph seperti yang dilakukan tf.contrib.v1.layers . Alih-alih, sekarang ada hub.KerasLayer untuk digunakan bersama layer Keras lainnya untuk membangun tf.keras.Model (biasanya di lingkungan baru TF2 yang ingin dieksekusi ) dan metode hub.load() yang mendasarinya untuk kode TensorFlow level rendah.
API hub.Module tetap tersedia di pustaka tensorflow_hub untuk digunakan di TF1 dan dalam mode kompatibilitas TF1 dari TF2. Itu hanya dapat memuat model dalam format TF1 Hub .
API baru hub.load() dan hub.KerasLayer berfungsi untuk TensorFlow 1.15 (dalam mode bersemangat dan grafik) dan di TensorFlow 2. API baru ini dapat memuat aset TF2 SavedModel baru, dan, dengan batasan yang ditetapkan dalam model panduan kompatibilitas , model lawas dalam format TF1 Hub.
Secara umum, disarankan untuk menggunakan API baru sedapat mungkin.
Ringkasan API baru
hub.load() adalah fungsi tingkat rendah baru untuk memuat SavedModel dari TensorFlow Hub (atau layanan yang kompatibel). Itu membungkus tf.saved_model.load() TF2; Panduan SavedModel TensorFlow menjelaskan apa yang dapat Anda lakukan dengan hasilnya.
m = hub.load(handle)
outputs = m(inputs)
Kelas hub.KerasLayer memanggil hub.load() dan menyesuaikan hasilnya untuk digunakan di Keras bersama dengan lapisan Keras lainnya. (Bahkan mungkin pembungkus yang nyaman untuk SavedModels yang dimuat digunakan dengan cara lain.)
model = tf.keras.Sequential([
hub.KerasLayer(handle),
...])
Banyak tutorial menunjukkan API ini beraksi. Lihat secara khusus
Menggunakan API baru dalam pelatihan Estimator
Jika Anda menggunakan TF2 SavedModel di Estimator untuk pelatihan dengan server parameter (atau sebaliknya di Sesi TF1 dengan variabel yang ditempatkan pada perangkat jarak jauh), Anda perlu menyetel experimental.share_cluster_devices_in_session di ConfigProto tf.Session, atau Anda akan mendapatkan kesalahan seperti "Asigned device '/job:ps/replica:0/task:0/device:CPU:0' tidak cocok dengan perangkat apa pun."
Opsi yang diperlukan dapat diatur seperti
session_config = tf.compat.v1.ConfigProto()
session_config.experimental.share_cluster_devices_in_session = True
run_config = tf.estimator.RunConfig(..., session_config=session_config)
estimator = tf.estimator.Estimator(..., config=run_config)
Dimulai dengan TF2.2, opsi ini tidak lagi bersifat eksperimental, dan bagian .experimental dapat dihapus.
Memuat model lawas dalam format TF1 Hub
Mungkin saja TF2 SavedModel baru belum tersedia untuk kasus penggunaan Anda dan Anda perlu memuat model lawas dalam format TF1 Hub. Mulai tensorflow_hub rilis 0.7, Anda dapat menggunakan model lama dalam format Hub TF1 bersama dengan hub.KerasLayer seperti yang ditunjukkan di bawah ini:
m = hub.KerasLayer(handle)
tensor_out = m(tensor_in)
Selain itu KerasLayer memperlihatkan kemampuan untuk menentukan tags , signature , output_key dan signature_outputs_as_dict untuk penggunaan yang lebih spesifik dari model lawas dalam format Hub TF1 dan SavedModels lawas.
Untuk informasi lebih lanjut tentang kompatibilitas format TF1 Hub, lihat panduan kompatibilitas model .
Menggunakan API tingkat rendah
Model format TF1 Hub lama dapat dimuat melalui tf.saved_model.load . Dari pada
# DEPRECATED: TensorFlow 1
m = hub.Module(handle, tags={"foo", "bar"})
tensors_out_dict = m(dict(x1=..., x2=...), signature="sig", as_dict=True)
dianjurkan untuk menggunakan:
# TensorFlow 2
m = hub.load(path, tags={"foo", "bar"})
tensors_out_dict = m.signatures["sig"](x1=..., x2=...)
Dalam contoh ini m.signatures adalah dikt dari fungsi konkret TensorFlow yang dikunci dengan nama tanda tangan. Memanggil fungsi seperti itu menghitung semua keluarannya, bahkan jika tidak digunakan. (Ini berbeda dari evaluasi malas mode grafik TF1.)