TF1/TF2 的模型兼容性

TF Hub 模型格式

TF Hub 提供了可重用的模型，可以在 TensorFlow 程序中重新加载、以之为基础进行构建以及重新训练。这些模型有两种不同的格式：

自定义 TF1 Hub 格式。该格式主要通过其 hub.Module API 用于 TF1（或 TF2 中的 TF1 兼容模式）。下文介绍了完整的兼容性详细信息。
原生 TF2 SavedModel 格式。该格式主要通过 hub.load 和 hub.KerasLayer API 用于 TF2。下文介绍了完整的兼容性详细信息。

tfhub.dev 上的模型页面提供了模型格式信息。根据模型格式，TF1/2 中可能不支持模型加载/推断、微调或创建。

操作	TF2 中的 TF1/TF1 兼容模式 [1]	TF2
加载/推断	完全支持（完整的 TF1 Hub 格式加载指南） m = hub.Module(handle) outputs = m(inputs)	建议使用 hub.load m = hub.load(handle) outputs = m.signatures["sig"](inputs) 或 hub.KerasLayer m = hub.KerasLayer(handle, signature="sig") outputs = m(inputs)
微调	完全支持（完整的 TF1 Hub 格式微调指南） m = hub.Module(handle, trainable=True, tags=["train"]*is_training) outputs = m(inputs) 注：不需要单独的训练计算图的模块没有训练标签。	不受支持
创建	完全支持（请参阅完整的 TF1 Hub 格式创建指南）注：TF1 Hub 格式适用于 TF1，而在 TF2 中仅部分受支持。请考虑创建 TF2 SavedModel。	不受支持

TF1.15 之前的版本不支持。

操作	TF2 中的 TF1.15/ TF1 兼容模式 [1]	TF2
加载/推断	使用 hub.load m = hub.load(handle) outputs = m(inputs) 或 hub.KerasLayer m = hub.KerasLayer(handle) outputs = m(inputs)	完全支持（完整的 TF2 SavedModel 加载指南）。使用 hub.load m = hub.load(handle) outputs = m(inputs) 或 hub.KerasLayer m = hub.KerasLayer(handle) outputs = m(inputs)
微调	当通过 Model.fit() 训练或在 Estimator（model_fn 根据自定义 model_fn 指南封装模型）中进行训练时，在 tf.keras.Model 中使用的 hub.KerasLayer 支持。注：hub.KerasLayer 不会像旧 tf.compat.v1.layers 或 hub.Module API 一样填充计算图集合。	完全支持（完整的 TF2 SavedModel 微调指南）。使用 hub.load： m = hub.load(handle) outputs = m(inputs, training=is_training) 或 hub.KerasLayer： m = hub.KerasLayer(handle, trainable=True) outputs = m(inputs)
创建	可以在兼容性模式下调用 TF2 API tf.saved_model.save()。	完全支持（请参阅完整的 TF2 SavedModel 创建指南）

[1]“TF2 中的 TF1 兼容性模式”指的是使用 import tensorflow.compat.v1 as tf 导入 TF2 并运行 tf.disable_v2_behavior() 的组合效果，如 TensorFlow 迁移指南所述。