TensorFlow Hub یک مخزن جامع از مدل های از قبل آموزش دیده است که برای تنظیم دقیق و قابل استفاده در هر مکان آماده است. با کتابخانه tensorflow_hub جدیدترین مدلهای آموزش دیده را با حداقل کد tensorflow_hub .

آموزش های زیر به شما کمک می کند تا با استفاده و استفاده از مدل های TF Hub برای نیازهای خود شروع کنید. آموزشهای تعاملی به شما امکان می دهد آنها را اصلاح کرده و با تغییرات خود اجرا کنید. روی دکمه Run in Google Colab در بالای آموزش تعاملی کلیک کنید تا با آن سر و صدا کنید.

اگر با یادگیری ماشین و TensorFlow آشنایی ندارید ، می توانید با گرفتن یک نمای کلی از نحوه طبقه بندی تصاویر و متن ، تشخیص اشیا در تصاویر یا سبک کردن تصاویر خود مانند کارهای هنری معروف شروع کنید:

برای تشخیص گلها ، یک مدل Keras در بالای طبقه بندی تصویر از قبل آموزش دیده بسازید.
برای ساخت یک مدل Keras برای حل یک کار تجزیه و تحلیل احساسات طبقه بندی متن از BERT استفاده کنید.
به یک شبکه عصبی اجازه دهید تصویری را به سبک پیکاسو ، ون گوگ یا مانند تصویر سبک خود ترسیم کند.
با استفاده از مدل هایی مانند FasterRCNN یا SSD اشیا objects را در تصاویر شناسایی کنید.

برای استفاده از NLP ، تصاویر ، صدا و مدلهای ویدیویی از TensorFlow Hub ، آموزشهای پیشرفته تری را ببینید.

وظایف مشترک NLP را با مدلهای TensorFlow Hub حل کنید. مشاهده کلیه آموزشهای موجود در NLP در قسمت سمت چپ.

جملات را با رمزگذار جمله جهانی طبقه بندی و مقایسه کنید.
برای حل وظایف معیار GLUE که روی TPU اجرا می شوند ، از BERT استفاده کنید.
با استفاده از مدل پرسش و پاسخ رمزگذار جملات جهانی چند زبانه ، از مجموعه داده های SQuAD پاسخ دهید.

نحوه استفاده از GAN ها ، مدل های با وضوح فوق العاده و موارد دیگر را کاوش کنید. مشاهده همه آموزشهای موجود در تصویر در قسمت سمت چپ.

با استفاده از GAN صورتهای مصنوعی ایجاد کنید و بین آنها تعامل کنید.
وضوح تصاویر با نمونه برداری را افزایش دهید.
قسمت نقاب شده تصاویر داده شده را پر کنید.

با استفاده از مدل های آموزش دیده برای داده های صوتی از جمله تشخیص صدا و طبقه بندی صدا ، آموزش ها را کاوش کنید.

خودتان را در حال آواز ضبط کنید و میزان صدای خود را با استفاده از مدل SPICE تشخیص دهید.
از مدل YAMNet برای طبقه بندی اصوات به عنوان 521 کلاس رویداد صوتی از مجموعه AudioSet-YouTube استفاده کنید.

مدل های آموزش دیده ML را برای داده های ویدئویی برای تشخیص عملکرد ، درهم آمیختن ویدیو و موارد دیگر امتحان کنید

با استفاده از مدل 3D متورم ConvNet ، یکی از 400 اقدام را در یک فیلم شناسایی کنید.
با استفاده از Inbetweening with 3D Convolutions ، بین فریم های ویدیویی تعامل کنید.
فیلم هایی را پیدا کنید که بیشترین مربوط به درخواست متنی هستند.