이 페이지에서는 TensorFlow 코드를 TensorFlow 1에서 TensorFlow 2로 마이그레이션하는 동안 TensorFlow Hub를 계속 사용하는 방법을 설명합니다. TensorFlow의 일반 마이그레이션 가이드를 보완합니다.
TF2의 경우, TF Hub는 tf.contrib.v1.layers처럼 tf.compat.v1.Graph를 빌드하기 위해 레거시 hub.Module API에서 전환했습니다. 대신 tf.keras.Model(일반적으로 TF2의 새로운 즉시 실행 환경) 및 하위 수준 TensorFlow 코드에 대한 기본 hub.load() 메서드를 빌드하기 위해 다른 Keras 레이어와 함께 사용할 수 있는 hub.KerasLayer가 있습니다.
hub.Module API는 TF1 및 TF2의 TF1 호환성 모드에서 사용할 수 있도록 tensorflow_hub 라이브러리에서 계속 사용할 수 있습니다. TF1 Hub 형식의 모델만 로드할 수 있습니다.
새로운 hub.load() 및 hub.KerasLayer API는 TensorFlow 1.15(즉시 및 그래프 모드) 및 TensorFlow 2에서 동작합니다. 이 새로운 API는 새로운 TF2 SavedModel 자산을 로드할 수 있으며, TF1 Hub 형식의 레거시 모델을 모델 호환성 가이드에 명시된 제한 사항에 따라 로드할 수 있습니다.
일반적으로, 가능한 한 새로운 API를 사용하는 것이 좋습니다.
새 API의 요약
hub.load()는 TensorFlow Hub (또는 호환되는 서비스)에서 SavedModel을 로드하는 하위 수준의 새로운 함수입니다. TF2의 tf.saved_model.load()를 래핑합니다. TensorFlow의 SavedModel 가이드는 그 결과로 무엇을 할 수 있는지를 설명합니다.
m = hub.load(handle)
outputs = m(inputs)
hub.KerasLayer 클래스는 hub.load()를 호출하고 다른 Keras 레이어와 함께 Keras에서 사용할 수 있도록 결과를 조정합니다. (다른 방식으로 사용할 수 있는 로드된 SavedModel에 대한 편리한 래퍼가 될 수도 있습니다.)
model = tf.keras.Sequential([
hub.KerasLayer(handle),
...])
많은 튜토리얼에서 이러한 API가 실제로 동작하는 것을 보여줍니다. 특히, 다음을 참조하세요.
Estimator 훈련에서 새 API 사용하기
매개변수 서버(또는 원격 기기에 배치된 변수가 있는 TF1 세션에서)로 훈련하기 위해 Estimator에서 TF2 SavedModel을 사용하는 경우, tf.Session의 ConfigProto에서 experimental.share_cluster_devices_in_session를 설정해야 합니다. 그렇지 않으면 "Assigned device '/job:ps/replica:0/task:0/device:CPU:0' does not match any device"와 같은 오류가 발생합니다.
필요한 옵션은 다음과 같이 설정할 수 있습니다.
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)
TF2.2부터 이 옵션은 더 이상 실험용이 아니며, .experimental 조각을 삭제할 수 있습니다.
TF1 Hub 형식으로 레거시 모델 로드하기
새 TF2 SavedModel을 아직 사용 사례에 사용할 수 없으며 레거시 모델을 TF1 Hub 형식으로 로드해야 할 수 있습니다. tensorflow_hub 릴리스 0.7부터는 아래와 같이 hub.KerasLayer와 함께 TF1 Hub 형식의 레거시 모델을 사용할 수 있습니다.
m = hub.KerasLayer(handle)
tensor_out = m(tensor_in)
또한, KerasLayer는 TF1 Hub 형식 및 레거시 SavedModel에서 레거시 모델의 보다 구체적인 사용을 위해 tags, signature, output_key 및 signature_outputs_as_dict를 지정하는 기능을 제공합니다.
TF1 Hub 형식 호환성에 대한 자세한 내용은 모델 호환성 가이드를 참조하세요.
하위 수준 API 사용하기
레거시 TF1 Hub 형식 모델은 tf.saved_model.load를 통해 로드할 수 있습니다. 다음 코드 대신에
# DEPRECATED: TensorFlow 1
m = hub.Module(handle, tags={"foo", "bar"})
tensors_out_dict = m(dict(x1=..., x2=...), signature="sig", as_dict=True)
다음 코드를 사용하는 것이 좋습니다.
# TensorFlow 2
m = hub.load(path, tags={"foo", "bar"})
tensors_out_dict = m.signatures["sig"](x1=..., x2=...)
이 예에서 m.signatures는 서명 이름으로 키가 지정된 TensorFlow concrete 함수의 사전입니다. 이러한 함수를 호출하면 사용되지 않더라도 모든 출력이 계산됩니다. (이는 TF1 그래프 모드의 지연 평가와 다릅니다.)