【tensorflow2.0】50.Tensorflow Hub

十行代码能干什么？ 相信多数人的答案是可以写个“Hello world”，或者做个简易计算器，本章将告诉你另一个答案，还可以实现人工智能算法应用。基于TensorFlowHub，可以轻松使用十行代码完成所有主流的人工智能算法应用，比如目标检测、人脸识别、语义分割等任务。

TensorFlowHub是预训练模型应用工具，集成了最优秀的算法模型，旨在帮助开发者使用最简单的代码快速完成复杂的深度学习任务，另外，TensorFlowHub提供了方便的Fine-tune API，开发者可以使用高质量的预训练模型结合Fine-tune API快速完成模型迁移到部署的全流程工作。

'''
模块实例化：由TensorFlow Hub网站托管用于不同目的（图像分类，文本嵌入等）的不同模型（Inception，ResNet，ElMo等）组成的各种模块。
用户必须浏览模块目录，然后在完成其目的和模型后，需要复制托管模型的URL。然后，用户可以像这样实例化他的模块：
'''
import tensorflow_hub as hub
#如果用户希望微调/修改模型的权重，则必须将trainable设置为True 。
module = hub.Module(<<Module URL as string>>, trainable=True)

'''
签名：模块的签名指定了每个模块的作用。如果未明确提及签名，则所有模块都带有“默认”签名并使用它。对于大多数模块，
当使用“默认”签名时，模型的内部层将从用户中抽象出来。用于列出模块的所有签名名称的函数是get_signature_names（）。
'''
import tensorflow_hub as hub

module = hub.Module('https://tfhub.dev/google/imagenet/inception_v3/classification/1')
print(module.get_signature_names())
# ['default', 'image_classification', 'image_feature_vector']

'''
预期输入：每个模块都有一组预期输入，具体取决于所使用模块的签名。虽然大多数模块都记录了TensorFlow Hub网站中的预期输入集（特别是“默认”签名），但有些模块没有。在这种情况下，使用get_input_info_dict（）更容易获得预期输入及其大小和数据类型。
'''
import tensorflow_hub as hub

module = hub.Module('https://tfhub.dev/google/imagenet/inception_v3/classification/1')
print(module.get_input_info_dict())   # When no signature is given, considers it as 'default'
# {'images': <hub.ParsedTensorInfo shape=(?, 299, 299, 3) dtype=float32 is_sparse=False>}

print(module.get_input_info_dict(signature='image_feature_vector'))
# {'images': <hub.ParsedTensorInfo shape=(?, 299, 299, 3) dtype=float32 is_sparse=False>}

'''
预期输出：为了在构建TensorFlow Hub模型之后构建图的剩余部分，有必要知道预期的输出类型。get_output_info_dict（）函数用于此目的。请注意，对于“默认”签名，通常只有一个输出，但是当您使用非默认签名时，图表的多个图层将向您公开。
'''
import tensorflow_hub as hub

module = hub.Module('https://tfhub.dev/google/imagenet/inception_v3/classification/1')
print(module.get_output_info_dict())  # When no signature is given, considers it as 'default'
# {'default': <hub.ParsedTensorInfo shape=(?, 1001) dtype=float32 is_sparse=False>}

#图像分类演示
import tensorflow as tf
import tensorflow_hub as hub

from Dataset import Dataset

tf.reset_default_graph()
dataset = Dataset()

module = hub.Module('https://tfhub.dev/google/imagenet/inception_v3/classification/1')
logits = module(dict(images=dataset.img_data))

softmax = tf.nn.softmax(logits)
top_predictions = tf.nn.top_k(softmax, top_k, name='top_predictions')

#目标检测演示
import tensorflow as tf
import tensorflow_hub as hub

from Dataset import Dataset
dataset = Dataset()

module = hub.Module('https://tfhub.dev/google/faster_rcnn/openimages_v4/inception_resnet_v2/1')
detector = module(dict(images=dataset.image_data), as_dict=True)

class_entities = detector['detection_class_entities']
boxes = detector['detection_boxes']
scores = detector['detection_scores']
class_labels = detector['detection_class_labels']
class_names = detector['detection_class_names']