作者：Jordan Grimstad
自从我们 推出 TensorFlow Hub 以来，已经过去了一年半。TensorFlow Hub 是一个开源存储库，其中包含 Google 和 DeepMind 发布的随时可用的预训练模型。从那时起，我们发布了数百个模型——有些是通用的，可以微调到特定任务，而另一些则更专门化——以帮助您获得更快、更智能的 ML 应用程序，即使数据很少或计算能力不足。


在 TensorFlow World 上，我们发布了三个重大公告

• 我们的模型库已经扩展到 SavedModels 之外——我们现在拥有 TensorFlow.js、TensorFlow Lite 和 Coral 格式的模型（更多格式即将推出）
  
• 我们对用户体验进行了改进，以提高网站可用性，并使这些丰富的资产更容易查找、搜索和筛选
  
• TensorFlow Hub 现在由 社区 提供支持——我们拥有来自许多新发布者的模型，包括 NVIDIA、Microsoft AI for Earth 和 iNaturalist。
  
  

让我们看看所有这些是如何整合在一起的，并探索一些可用的新功能和模型。
发现我们的新模型格式
TensorFlow Hub 现在提供部署格式，帮助您更快地入门。我们添加了搜索功能和视觉提示，使您能够找到并下载适合您的用例的正确模型。
当您搜索模型时，请查看模型卡右上角的徽章，该徽章表示特定格式
单击模型后，您可以查看可用的部署格式并浏览文档
您还可以按部署格式搜索模型——尝试搜索“tfjs”或“tflite”，分别查看带有 TensorFlow.js 或 TensorFlow Lite 部署格式的模型列表。
随着针对不同部署环境优化的资产种类越来越多，TF Hub 现在可以服务于更多用例。
交互式模型可视化
为了检查您感兴趣的模型是否适合您想要的用例，我们现在提供了一个嵌入式交互式模型可视化工具，可用于选定的视觉模型。这些模型可视化器可以在模型详细信息页面的顶部找到。您可以上传自己的测试图像，如果您想测试模型对您自己数据的性能。还提供了一些示例图像，以便直接在页面上测试模型。

这是在来自丹麦真菌学会的 移动蘑菇分类器 上的模型可视化器
这是在纽约大都会艺术博物馆的 iMet 收集属性分类器 上运行的
我们希望这个可视化工具能够通过让您在开发过程的早期更好地了解特定模型的性能和可能的用例，从而节省您的原型设计和开发时间。
在 TF2.0 中使用预训练的 TF Hub 模型
如果您以前没有使用过 TF Hub，我们提供了许多教程和演示，向您展示如何入门。熟悉 TF Hub 功能的最简单方法是使用适合特定任务的预训练模型。
我们最近发布了 使用 TensorFlow Hub 进行文本分类，以演示如何使用 tf.keras 和来自 TF Hub 存储库的 预训练文本嵌入 来快速轻松地对电影评论的情感进行分类。以下是如何使用预训练的嵌入在五行中构建 Keras 模型

model = tf.keras.Sequential()
model.add(hub.KerasLayer(
    "https://tfhub.dev/google/tf2-preview/gnews-swivel-20dim/1",
    input_shape=[], dtype=tf.string, trainable=True))
model.add(tf.keras.layers.Dense(16, activation='relu'))
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))
model.summary()

另一个最近发布的演示 任意样式的快速风格迁移，展示了如何使用来自 Magenta 的不同 预训练模型，仅用几行代码即可实现快速的艺术风格迁移。

model = hub.load(
    "https://tfhub.dev/google/magenta/arbitrary-image-stylization-v1-256/2")
stylized_image = model(tf.constant(content_image), tf.constant(style_image))[0]

如何了解更多
我们很乐意听到您的反馈！请尝试使用新的 TF Hub，并在我们的 GitHub 组件 中提交错误或功能请求。如果您有兴趣在 TensorFlow Hub 上发布，请 在此处告知我们。我们正在寻找一小部分 Alpha 测试人员来帮助我们扩展我们的发布工作流程。