此页面说明了在将 TensorFlow 代码从 TensorFlow 1 迁移到 TensorFlow 2 时如何继续使用 TensorFlow Hub。它补充了 TensorFlow 的通用迁移指南。
对于 TF2，TF Hub 已从用于构建tf.compat.v1.Graph（类似于tf.contrib.v1.layers）的旧版hub.Module API 中切换出来。现在，有一个hub.KerasLayer，可与其他 Keras 层一起用于构建tf.keras.Model（通常在 TF2 的新急切执行环境中），以及用于低级 TensorFlow 代码的底层hub.load()方法。
hub.Module API 仍然可以在tensorflow_hub库中使用，以便在 TF1 和 TF2 的 TF1 兼容模式中使用。它只能加载TF1 Hub 格式中的模型。
新 API hub.load()和hub.KerasLayer适用于 TensorFlow 1.15（在急切模式和图形模式中）和 TensorFlow 2。此新 API 可以加载新的TF2 SavedModel资产，并且在模型兼容性指南中列出了限制后，可以加载 TF1 Hub 格式中的旧版模型。
一般来说，建议尽可能使用新 API。
新 API 的摘要
hub.load() 是一个新的低级别函数，用于从 TensorFlow Hub（或兼容服务）加载 SavedModel。它封装了 TF2 的 tf.saved_model.load()；TensorFlow 的 SavedModel 指南 介绍了您可以使用结果执行的操作。
m = hub.load(handle)
outputs = m(inputs)
hub.KerasLayer 类调用 hub.load()，并调整结果以与其他 Keras 层一起在 Keras 中使用。（它甚至可能是以其他方式使用的已加载 SavedModel 的一个便捷封装器。）
model = tf.keras.Sequential([
hub.KerasLayer(handle),
...])
许多教程展示了这些 API 的实际应用。以下是一些示例
在 Estimator 训练中使用新 API
如果您在 Estimator 中使用 TF2 SavedModel 来使用参数服务器（或在 TF1 会话中使用放置在远程设备上的变量）进行训练，则需要在 tf.Session 的 ConfigProto 中设置 experimental.share_cluster_devices_in_session，否则您将收到一条错误消息，例如“分配的设备 '/job:ps/replica:0/task:0/device:CPU:0' 与任何设备不匹配”。
必要的选项可以像这样设置
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)
从 TF2.2 开始，此选项不再是实验性的，并且可以删除 .experimental 部分。
在 TF1 Hub 格式中加载旧版模型
可能会出现这种情况：对于您的用例，新的 TF2 SavedModel 尚未可用，并且您需要加载 TF1 Hub 格式中的旧版模型。从 tensorflow_hub 版本 0.7 开始，您可以将 TF1 Hub 格式中的旧版模型与 hub.KerasLayer 一起使用，如下所示
m = hub.KerasLayer(handle)
tensor_out = m(tensor_in)
此外，KerasLayer 公开了指定 tags、signature、output_key 和 signature_outputs_as_dict 的功能，以便更具体地使用 TF1 Hub 格式中的旧版模型和旧版 SavedModel。
有关 TF1 Hub 格式兼容性的更多信息，请参阅 模型兼容性指南。
使用更低级别的 API
可以通过 tf.saved_model.load 加载旧版 TF1 Hub 格式模型。代替
# DEPRECATED: TensorFlow 1
m = hub.Module(handle, tags={"foo", "bar"})
tensors_out_dict = m(dict(x1=..., x2=...), signature="sig", as_dict=True)
建议使用
# TensorFlow 2
m = hub.load(path, tags={"foo", "bar"})
tensors_out_dict = m.signatures["sig"](x1=..., x2=...)
在这些示例中，m.signatures 是一个 TensorFlow 具体函数 字典，按签名名称进行键控。调用此类函数会计算其所有输出，即使未使用。（这与 TF1 图模式的惰性求值不同。）