本頁說明如何在將 TensorFlow 程式碼從 TensorFlow 1 遷移至 TensorFlow 2 的同時，繼續使用 TensorFlow Hub。它補充了 TensorFlow 的一般遷移指南。
對於 TF2，TF Hub 已切換離開舊版 hub.Module API，不再像 tf.contrib.v1.layers 那樣建構 tf.compat.v1.Graph。取而代之的是，現在有一個 hub.KerasLayer 可與其他 Keras 層一起使用，以建構 tf.keras.Model（通常在 TF2 的新 eager execution 環境中）及其底層的 hub.load() 方法，用於低階 TensorFlow 程式碼。
hub.Module API 在 tensorflow_hub 函式庫中仍然可用，以便在 TF1 和 TF2 的 TF1 相容模式中使用。它只能載入 TF1 Hub 格式的模型。
hub.load() 和 hub.KerasLayer 的新 API 適用於 TensorFlow 1.15（在 eager 和 graph 模式下）以及 TensorFlow 2。這個新 API 可以載入新的 TF2 SavedModel 資產，並且在模型相容性指南中列出的限制下，也可以載入 TF1 Hub 格式的舊版模型。
一般而言，建議盡可能使用新 API。
新 API 摘要
hub.load() 是從 TensorFlow Hub（或相容服務）載入 SavedModel 的新底層函式。它包裝了 TF2 的 tf.saved_model.load()；TensorFlow 的 SavedModel 指南描述了您可以對結果執行的操作。
m = hub.load(handle)
outputs = m(inputs)
hub.KerasLayer 類別呼叫 hub.load() 並調整結果，以便在 Keras 中與其他 Keras 層一起使用。（它甚至可以作為以其他方式使用的已載入 SavedModel 的便利包裝函式。)
model = tf.keras.Sequential([
hub.KerasLayer(handle),
...])
許多教學課程展示了這些 API 的實際運作方式。以下是一些範例
在 Estimator 訓練中使用新 API
如果您在 Estimator 中使用 TF2 SavedModel 搭配參數伺服器進行訓練（或在 TF1 Session 中使用放置在遠端裝置上的變數），則需要在 tf.Session 的 ConfigProto 中設定 experimental.share_cluster_devices_in_session，否則您會收到類似「Assigned device '/job:ps/replica:0/task:0/device:CPU:0' does not match any device.」的錯誤訊息。
必要的選項可以這樣設定
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)
從 TF2.2 開始，此選項不再是實驗性的，可以省略 .experimental 部分。
載入 TF1 Hub 格式的舊版模型
有時，您的用例可能尚未提供新的 TF2 SavedModel，而您需要載入 TF1 Hub 格式的舊版模型。從 tensorflow_hub 0.7 版開始，您可以將 TF1 Hub 格式的舊版模型與 hub.KerasLayer 一起使用，如下所示
m = hub.KerasLayer(handle)
tensor_out = m(tensor_in)
此外，KerasLayer 公開了指定 tags、signature、output_key 和 signature_outputs_as_dict 的功能，以便更具體地使用 TF1 Hub 格式的舊版模型和舊版 SavedModel。
如需 TF1 Hub 格式相容性的更多資訊，請參閱模型相容性指南。
使用較低階的 API
舊版 TF1 Hub 格式模型可以透過 tf.saved_model.load 載入。建議使用
# DEPRECATED: TensorFlow 1
m = hub.Module(handle, tags={"foo", "bar"})
tensors_out_dict = m(dict(x1=..., x2=...), signature="sig", as_dict=True)
建議使用
# TensorFlow 2
m = hub.load(path, tags={"foo", "bar"})
tensors_out_dict = m.signatures["sig"](x1=..., x2=...)
在這些範例中，m.signatures 是一個 TensorFlow 具體函式的 dict，以簽名名稱作為鍵。呼叫此類函式會計算其所有輸出，即使未使用也一樣。（這與 TF1 圖形模式的惰性評估不同。)