このページでは、TensorFlow コードを TensorFlow 1 から TensorFlow 2 に移行する間に、TensoFlow Hub を使用し続ける方法を説明します。TensorFlow の一般的な移行ガイドを補足する内容です。
TF2 では、TF Hub は、tf.contrib.v1.layers などが行うような tf.compat.v1.Graph を構築するためのレガシー hub.Module API を排除しました。その代わり、ほかの Keras レイヤーとともに使用する、tf.keras.Model を（通常、TF2 の新しい Eager execution 環境で）構築するための hub.KerasLayer と、低レベル TensorFlow コード用の基になる hub.load() メソッドが追加されています。
hub.Module API は、TF1 と TF2 の TF1 互換モードで使用できるように、tensorflow_hub ライブラリに残されていますが、TF1 Hub 形式のモデルのみを読み込むことができます。
hub.load() と hub.KerasLayer の新しい API は、TensorFlow 1.15（eager およびグラフモード）と TensorFlow 2 で機能します。この API は、新しい TF2 SavedModel アセットと、モデルの互換性ガイドに説明される制限のもと、TF1 Hub 形式のレガシーモデルを読み込むことができます。
一般的に、できる限り新しい API を使用することが推奨されます
新しい API の要約
hub.load() は、TensorFlow Hub（または互換性のあるサービス）から SavedModel を読み込む新しい低レベル関数です。TF2 の tf.saved_model.load() をラッピングします。TensorFlow の SavedModel ガイドには、その結果何を行えるかが説明されています。
m = hub.load(handle)
outputs = m(inputs)
hub.KerasLayer クラスは、hub.load() を呼び出して、ほかの Keras レイヤーとともに Keras で使用できるように結果を適合させます。（ほかの方法で使用される読み込み済みの SavedModels では便利なラッパーとして使用できる可能性もあります。）
model = tf.keras.Sequential([
hub.KerasLayer(handle),
...])
多くのチュートリアルで、上記の API が実際に使用される様子を紹介しています。特に、次の項目をご覧ください。
Estimator トレーニングで新しい API を使用する
パラメータサーバーを使った（または、リモートデバイスに変数が配置された TF1 セッションでの）トレーニングにおいて、Estimator で TF2 SavedModel を使用する場合、tf.Session の ConfigProto に experimental.share_cluster_devices_in_session を設定する必要があります。設定しない場合、"Assigned device '/job:ps/replica:0/task:0/device:CPU:0' does not match any device." のようなエラーが発生します。
必要なオプションは、次のように設定できます。
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)
TF2.2 より、このオプションは実験的ではなくなっているため、.experimental の部分を削除することができます。
TF1 Hub 形式のレガシーモデルを読み込む
使用事例では、新しい TF2 SavedModel をまだ使用できない場合もあり、TF1 Hub 形式でレガシーモデルを読み込まなければならない場合もあります。tensorflow_hub リリース 0.7 より、TF1 Hub 形式のレガシーモデルを、次に示す hub.KerasLayer とともに使用できるようになっています。
m = hub.KerasLayer(handle)
tensor_out = m(tensor_in)
また、KerasLayer には、より具体的な TF1 Hub 形式のレガシーモデルとレガシー SavedModel の使用方法に、tags、signature、output_key、および signature_outputs_as_dict を指定する機能が備わっています。
TF1 Hub 形式の互換性に関する詳細は、モデルの互換性ガイドをご覧ください。
低レベル API を使用する
レガシー TF1 Hub 形式のモデルは、次に示す方法の代わりに、tf.saved_model.load を使って読み込むことができます。
# DEPRECATED: TensorFlow 1
m = hub.Module(handle, tags={"foo", "bar"})
tensors_out_dict = m(dict(x1=..., x2=...), signature="sig", as_dict=True)
次の方法を使用することが推奨されています。
# TensorFlow 2
m = hub.load(path, tags={"foo", "bar"})
tensors_out_dict = m.signatures["sig"](x1=..., x2=...)
上記の例の m.signatures は、シグネチャ名でキーが設定された TensorFlow 具象関数の dict です。こういった関数を呼び出すと、未使用であっても、すべての出力が計算されます（TF1 のグラフモードの遅延評価とは異なります）。