migration_tf2.md

Migrar de TF1 a TF2 con TensorFlow Hub

En esta página se explica cómo seguir usando TensorFlow Hub mientras migras tu código de TensorFlow de TensorFlow 1 a TensorFlow 2. Funciona como complemento de la guía general de migración de TensorFlow.

Para TF2, TF Hub se ha alejado de la API hub.Module heredada para crear un tf.compat.v1.Graph como lo hace tf.contrib.v1.layers. En su lugar, ahora hay un hub.KerasLayer para usar junto con otras capas de Keras para construir un tf.keras.Model (normalmente en el nuevo entorno de ejecución eager de TF2) y su método hub.load() subyacente para el código de TensorFlow de bajo nivel.

La API hub.Module aún está disponible en la biblioteca tensorflow_hub para su uso en TF1 y en el modo de compatibilidad TF1 de TF2. Solo puede cargar modelos en formato TF1 Hub.

La nueva API de hub.load() y hub.KerasLayer funciona para TensorFlow 1.15 (en modo eager y graph) y en TensorFlow 2. Esta API nueva puede cargar los nuevos activos TF2 SavedModel y, con las restricciones establecidas la guía de compatibilidad de modelos, los modelos heredados en formato TF1 Hub.

En general, se recomienda usar una API nueva siempre que sea posible.

Resumen de la API nueva

hub.load() es la nueva función de bajo nivel para cargar un SavedModel desde TensorFlow Hub (o servicios compatibles). Contiene tf.saved_model.load() de TF2; en la guía de SavedModel de TensorFlow se describe lo que puede hacer con el resultado.

m = hub.load(handle)
outputs = m(inputs)

La clase hub.KerasLayer llama a hub.load() y adapta el resultado para usarlo en Keras junto con otras capas de Keras. (Incluso puede ser un contenedor conveniente de SavedModels que se cargaron y que se usan de otras maneras).

model = tf.keras.Sequential([
    hub.KerasLayer(handle),
    ...])

Muchos tutoriales muestran estas API en acción. Consulte los siguientes

• Cuaderno de ejemplo de clasificación de texto

• Cuaderno de ejemplo de clasificación de imágenes

Usar API nueva en el entrenamiento de Estimator

Si usa un TF2 SavedModel en un Estimador para entrenar con servidores de parámetros (o de otro modo en una sesión TF1 con variables que están en dispositivos remotos), debe configurar experimental.share_cluster_devices_in_session en el ConfigProto de tf.Session, o de lo contrario obtendrá un error como "Assigned device '/job:ps/replica:0/task:0/device:CPU:0' does not match any device" (El dispositivo asignado '/job:ps/replica:0/task:0/device:CPU:0' no coincide con ningún dispositivo).

La opción necesaria se puede configurar así

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)

A partir de TF2.2, esta opción ya no es experimental y se puede eliminar la parte de .experimental.

Cargar modelos heredados en formato TF1 Hub

Es posible que aún no esté disponible un TF2 SavedModel nuevo para su caso de uso que y necesite cargar un modelo heredado en formato TF1 Hub. A partir de la versión 0.7 tensorflow_hub, puede usar el modelo heredado en formato TF1 Hub junto con hub.KerasLayer como se muestra a continuación:

m = hub.KerasLayer(handle)
tensor_out = m(tensor_in)

Además, KerasLayer expone la capacidad de especificar tags, signature, output_key y signature_outputs_as_dict para usos más específicos de modelos heredados en formato TF1 Hub y SavedModels heredados.

Para obtener más información sobre la compatibilidad del formato TF1 Hub, consulte la guía de compatibilidad de modelos.

Usar unas API de nivel inferior

Los modelos de formato Legacy TF1 Hub se pueden cargar a través de tf.saved_model.load. En lugar de

# DEPRECATED: TensorFlow 1
m = hub.Module(handle, tags={"foo", "bar"})
tensors_out_dict = m(dict(x1=..., x2=...), signature="sig", as_dict=True)

se recomienda usar:

# TensorFlow 2
m = hub.load(path, tags={"foo", "bar"})
tensors_out_dict = m.signatures["sig"](x1=..., x2=...)

En estos ejemplos, m.signatures es un dict de funciones concretas de TensorFlow codificadas por nombres de signatura. Al llamar a dicha función se calculan todas sus salidas, incluso si no se usaron. (Esto es diferente a la evaluación diferida del modo gráfico de TF1).