概览
目前，tensorflow_hub 库支持两种下载模型的模式。默认情况下，模型下载为压缩存档并缓存在磁盘上。其次，模型可以直接从远程存储中读入 TensorFlow。无论哪种方式，实际 Python 代码中对 tensorflow_hub 函数的调用都可以且应该继续使用模型的规范 tfhub.dev URL，这些 URL 在系统之间是可移植的，并且可用于浏览文档。在用户代码需要实际文件系统位置（下载和解压缩后，或将模型句柄解析为文件系统路径后）的罕见情况下，可以通过函数 hub.resolve(handle) 获取该位置。
压缩下载的缓存
当从 tfhub.dev（或其他 托管网站）下载并解压缩模型时，tensorflow_hub 库默认情况下会将模型缓存在文件系统上。建议在大多数环境中使用此模式，除非磁盘空间不足，但网络带宽和延迟极佳。
下载位置默认为本地临时目录，但可以通过设置环境变量 TFHUB_CACHE_DIR（推荐）或传递命令行标志 --tfhub_cache_dir 进行自定义。默认缓存位置 /tmp/tfhub_modules（或 os.path.join(tempfile.gettempdir(), "tfhub_modules") 的评估结果）在大多数情况下都应该有效。
希望在系统重新启动后进行持久缓存的用户可以将 TFHUB_CACHE_DIR 设置为其主目录中的位置。例如，Linux 系统上 bash shell 的用户可以在 ~/.bashrc 中添加如下行
export TFHUB_CACHE_DIR=$HOME/.cache/tfhub_modules
...重新启动 shell，然后将使用此位置。使用持久位置时，请注意没有自动清理。
从远程存储中读取
用户可以指示 tensorflow_hub 库直接从远程存储（GCS）读取模型，而不是使用以下命令本地下载模型
os.environ["TFHUB_MODEL_LOAD_FORMAT"] = "UNCOMPRESSED"
或将命令行标志 --tfhub_model_load_format 设置为 UNCOMPRESSED。这样，无需缓存目录，这在磁盘空间不足但互联网连接速度快的情况下特别有用。
在 Colab 笔记本中使用 TPU 运行
在 colab.research.google.com 上，下载压缩模型会与 TPU 运行时冲突，因为计算工作负载被委托给另一台机器，而该机器默认情况下无法访问缓存位置。对于这种情况，有两种解决方法
1) 使用 TPU 工作器可以访问的 GCS 存储分区
最简单的解决方案是指示 tensorflow_hub 库从 TF Hub 的 GCS 存储分区读取模型，如上所述。拥有自己的 GCS 存储分区的用户可以改为指定其存储分区中的目录作为缓存位置，代码如下
import os
os.environ["TFHUB_CACHE_DIR"] = "gs://my-bucket/tfhub-modules-cache"
...在调用 tensorflow_hub 库之前。
2) 通过 Colab 主机重定向所有读取
另一种解决方法是通过 Colab 主机重定向所有读取（即使是大变量的读取）
load_options =
tf.saved_model.LoadOptions(experimental_io_device='/job:localhost')
reloaded_model = hub.load("https://tfhub.dev/...", options=load_options)
注意：有关有效句柄的更多信息，请参见 此处。