本页介绍了在将 TensorFlow 代码从 TensorFlow 1 迁移到 TensorFlow 2 时如何继续使用 TensorFlow Hub，旨在补充 TensorFlow 的常规迁移指南。
对于 TF2，TF Hub 已经从旧版 hub.Module API 转为用于构建 tf.compat.v1.Graph，与 tf.contrib.v1.layers 类似。现在提供 hub.KerasLayer 与其他 Keras 层用于构建 tf.keras.Model（通常在 TF2 的新 Eager Eexecution 环境中），其底层 hub.load() 方法用于低级 TensorFlow 代码。
tensorflow_hub 库中仍包含 hub.Module API，可在 TF1 以及 TF2 的 TF1 兼容模式下使用。该 API 只能加载 TF1 Hub 格式的模型。
hub.load() 和 hub.KerasLayer 的新 API 适用于 TensorFlow 1.15（在 Eager 和计算图模式下）以及 TensorFlow 2。这一新版 API 可以加载新的 TF2 SavedModel 资源，在模型兼容性指南所述限制下，也可以加载 TF1 Hub 格式的模型。
通常情况下，建议尽可能使用新版 API。
新版 API 摘要
hub.load() 是新的低级函数，用于从 TensorFlow Hub （或兼容的服务）加载 SavedModel。它可以包装 TF2 的 tf.saved_model.load()；TensorFlow 的 SavedModel 指南介绍了您可以对结果执行的操作。
m = hub.load(handle)
outputs = m(inputs)
hub.KerasLayer 类可调用 hub.load() 并调整结果以与其他 Keras 层共同用于 Keras 中。（它甚至可以方便地包装以其他方式使用的加载 SavedModel。）
model = tf.keras.Sequential([
hub.KerasLayer(handle),
...])
许多教程都展示了这些 API 的实际运行。具体请参阅：
在 Estimator 训练中使用新版 API
如果您在 Estimator 中通过参数服务器训练 TF2 SavedModel（或者在将变量置于远程设备上的 TF1 会话中），则需要在 tf.Session 的 ConfigProto 中设置 experimental.share_cluster_devices_in_session，否则您将收到错误消息，例如“Assigned device '/job:ps/replica:0/task:0/device:CPU:0' does not match any device.”
可按以下方式设置所需选项：
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)
自 TF2.2 起，此选项已不再为实验性选项，可以删除 .experimental 部分。
加载 TF1 Hub 格式的旧版模型
有可能会出现新的 TF2 SavedModel 尚不支持您的用例的情况，此时您需要加载 TF1 Hub 格式的旧版模型。自 tensorflow_hub 0.7 版起，您可以将 TF1 Hub 格式的旧版模型与 hub.KerasLayer API 配合使用，如下所示：
m = hub.KerasLayer(handle)
tensor_out = m(tensor_in)
此外，KerasLayer 还提供了指定 tags、signature、output_key 和 signature_outputs_as_dict 的功能，从而可以使用 TF1 Hub 格式的旧版模型和旧版 SavedModel 实现更具体的用途。
有关 TF1 Hub 格式兼容性的更多信息，请参阅模型兼容性指南。
使用低级 API
旧版 TF1 Hub 格式模型可以通过 tf.saved_model.load 加载。不建议使用：
# DEPRECATED: TensorFlow 1
m = hub.Module(handle, tags={"foo", "bar"})
tensors_out_dict = m(dict(x1=..., x2=...), signature="sig", as_dict=True)
而是建议使用：
# TensorFlow 2
m = hub.load(path, tags={"foo", "bar"})
tensors_out_dict = m.signatures["sig"](x1=..., x2=...)
在以上示例中，m.signatures 是一个由签名名称键控的 TensorFlow 具体函数字典。调用此类函数会计算其所有输出，即使某些并未使用。（这与 TF1 的计算图模式的惰性评估不同。）