假设我想微调 Tensorflow Hub 图像特征向量模块之一。出现问题是因为为了微调模块，需要执行以下操作：
module = hub.Module("https://tfhub.dev/google/imagenet/resnet_v2_50/feature_vector/3", trainable=True, tags={"train"})
假设模块是Resnet50.
换句话说，模块是使用trainable设置为的标志导入的，True并且带有train tag. 现在，如果我想验证模型（对验证集进行推理以测量模型的性能），我无法关闭批处理规范，因为train tag和trainable标志。
请注意，这个问题已经在这里被问过Tensorflow hub 微调和评估，但没有提供答案。
我还提出了一个关于它的 Github 问题。
期待您的帮助！
对于hub.ModuleTF1，情况正如您所说：训练或推理图都被实例化，并且没有好的方法可以在单个 tf.Session 中导入两者并在它们之间共享变量。这是由 Estimators 和 TF1 中的许多其他训练脚本（尤其是分布式脚本）使用的方法得出的：有一个生成检查点的训练会话，以及一个从它们恢复模型权重的单独评估会话。（两者在读取的数据集和执行的预处理方面也可能不同。）
随着 TF2 及其对 Eager 模式的强调，这种情况发生了变化。TF2 风格的 Hub 模块（可在https://tfhub.dev/s?q=tf2-preview找到）实际上只是TF2 风格的 SavedModels，并且这些模块没有多个图形版本。相反，如果需要训练/推理区分__call__，则恢复的顶级对象上的函数采用可选参数。training=...
有了这个，TF2 应该符合你的期望。请参阅交互式演示tf2_image_retraining.ipynb和tensorflow_hub/keras_layer.py中的底层代码，了解如何完成。TF Hub 团队正在努力为 TF2 版本提供更完整的模块选择。