预训练模型去哪找？TensorFlow Hub 的复用哲学与一场迁往 Kaggle Models 的搬家
假设你接到一个需求：只有两千张标注图片，却要训练一个能分清五种工业零件缺陷的分类器。从零开始训练一个卷积网络，这两千张图远远不够——而答案早就躺在别人的硬盘里：一个在百万级图像上学过"看世界"的现成模型，你只需要借走它的视觉经验，再教它认识你的零件。TensorFlow Hub 存在的意义，就是把"借用别人模型"这件事变成一行 URL。
01复用的哲学：为什么要站在别人的权重上
深度学习最贵的从来不是算力账单，而是标注数据和试错时间。图像、文本这类基础感知能力，大公司早已用海量数据替全行业预付了学费：一个 ImageNet 预训练的视觉骨干，已经学会了边缘、纹理、形状直到部件层级的全部通用表征；一个 BERT 家族的语言模型，已经吃透了词法句法的绝大部分规律。
迁移学习的本质，就是把这些通用表征当作地基，只在自己业务的小数据上盖最后一层楼。实践里它常常带来三重收益：收敛更快（几个 epoch 就能用）、所需数据更少（千张图级别即可起步）、最终精度反而更高（大分布打底，小分布收口）。Hub 把这套流程压缩成了"复制一个链接"的成本，这正是它当年迅速流行的原因[1]。
按任务类型在仓库中筛选：图像分类特征向量、目标检测、文本嵌入向量等各成体系。
把模型作为 KerasLayer 插入，trainable=False 锁住主干权重，只当特征提取器用。
拼上自己的 Dense 输出层，在小数据上只训练新增参数，几分钟到几小时即可出结果。
精度不够时解冻主干末端若干层，用更小的学习率联合训练，再正常导出部署。
三个容易踩的坑也值得提前知道：其一，业务数据分布过于特殊（如医学影像、遥感图像）时，通用预训练骨干可能水土不服，需要谨慎评估甚至换领域专用权重；其二，生产代码里务必把模型句柄连同版本号一起写死，追着"最新版"跑会让两次训练的结果无法互相复现；其三，冻结主干不等于永远不动——当头部精度卡在瓶颈时，适度解冻末端层往往比堆数据更划算。把这三条记在心里，Hub 的收益才能稳稳落进口袋。
02仓库里的货架：两代模型格式怎么分
打开 Hub 会发现同一个模型常有两代格式并列，挑选时认准自己的 TensorFlow 版本即可。核心差异见下表：
| 对比维度 | TF2 SavedModel 格式 | TF1 Hub 格式（旧） |
|---|---|---|
| 定位 | 当前主推的标准格式，官方文档围绕它组织 | 面向图会话时代的历史格式，属兼容资产 |
| 接入方式 | hub.KerasLayer 一行当作 Keras 层插入网络 | 依赖旧版 API 与会话机制，写法繁琐 |
| 微调支持 | 梯度可回传主干，适合完整迁移学习流程 | 基本只做特征提取，微调受限 |
| 版本管理 | URL 以 /5 这类语义化版本号结尾，升级可控 | 老链接逐步停更，需自行寻找替代 |
| 新项目建议 | 首选，与 keras.applications 并列为默认选项 | 不建议选；遇到时优先找 TF2 替代版本[3] |
03搬家公告：tfhub.dev 并入 Kaggle Models 怎么回事
发生了什么：2023 年 Google 在 TensorFlow 官方渠道宣布 TensorFlow Hub 内容并入 Kaggle Models，仓库页面统一迁往 kaggle.com/models；随后一年多时间里，旧的 tfhub.dev 链接被逐步重定向到对应的 Kaggle 页面[4]。
对你的影响：老代码里的 hub.KerasLayer 句柄字符串大多仍可通过跳转继续解析；但新建项目建议直接采用 Kaggle Models 的地址，或改用 keras.applications 内置模型，减少一层间接依赖。
一句话总结：仓库没关门，只是换了门牌——找模型的入口从 tfhub.dev 变成了 Kaggle Models，检索、下载与许可信息查看都在新址完成（确切时间线以官方公告为准）。
新址怎么逛：进入 kaggle.com/models 后，可按任务域（视觉、文本、音频）、框架与许可证逐层过滤；每个模型页保留了对原 Hub 格式的兼容说明与版本列表，老用户迁移的心智成本并不高。
04动手示例：二十行代码完成迁移学习
下面是官方教程同款思路的最小可运行骨架——冻结主干、替换头部、小数据训练：
import tensorflow as tf
import tensorflow_hub as hub # pip install tensorflow-hub
# ① 用句柄载入 MobileNetV2 特征提取器，主干冻结
base = hub.KerasLayer(
"https://tfhub.dev/google/imagenet/mobilenet_v2_100_224/feature_vector/5",
input_shape=(224, 224, 3),
trainable=False) # 关键：锁住预训练权重
# ② 接上业务头部：假设做 5 分类
model = tf.keras.Sequential([
base,
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(5, activation="softmax"),
])
# ③ 只训新增参数，小数据也能收敛
model.compile(optimizer="adam",
loss="sparse_categorical_crossentropy",
metrics=["accuracy"])
model.fit(train_ds, validation_data=val_ds, epochs=10)提示：若报错找不到 hub 模块，先执行 pip install tensorflow-hub 并确认其与你本机 TensorFlow 大版本兼容；想系统学习完整流程可顺着官方迁移学习教程走一遍[5]。
05选型五问：下载数据之前先回答自己
- 任务对齐吗？输入输出规格要与你的业务一致：输入分辨率、通道数、输出是特征向量还是 logits，差一项就要多做适配。
- 格式匹配吗？TensorFlow 2 项目优先选 TF2 SavedModel 版本，避免误入 TF1 旧格式的兼容泥潭。
- 许可证允许吗？每个模型的授权条款各自独立，多数基于宽松开源协议，但商用前必须逐个核对页面标注。
- 还在维护吗？看版本迭代记录与社区反馈，长期无更新的模型遇到框架升级问题时只能自救。
- 预算装得下吗？移动端要考虑量化后的体积与推理延迟，服务端则关注吞吐；先测基准再定方案。
06常见问答
Q1：tfhub.dev 现在还能访问吗？
能。域名仍在，访问会被引导到 Kaggle Models 对应页面；这是 2023 年官宣的合并迁移结果，新项目建议直接使用 kaggle.com/models 入口。
Q2：import tensorflow_hub 报错怎么办？
它是独立的 pip 包，需要单独安装且与 TensorFlow 主版本保持兼容；安装后仍异常时，优先核对两者的版本对应关系。
Q3：迁移学习一定要微调整个网络吗？
不一定。"冻结主干只训头部"的特征提取模式在数据量小时往往又快又稳；只有精度确实不够时才值得冒过拟合风险去解冻上层。
Q4：仓库里的模型都能随便商用吗？
不能一概而论。不同模型挂着各自的许可证，绝大多数是宽松协议但个别另有附加条件，商用前请逐条阅读模型页面的授权说明。
Q5：不想写代码，还有办法用这些模型吗？
可以在 Kaggle Models 页面在线浏览与下载模型文件，配合 Notebook 或第三方可视化工具体验；具体交互形态以平台当前版本为准。