TensorFlow Hub est un dépôt complet de modèles pré-entraînés, prêts à être optimisés et déployés n'importe où. Téléchargez les derniers modèles entraînés avec un minimum de code, avec la bibliothèque tensorflow_hub.

Les tutoriels ci-dessous vous expliquent comment utiliser et appliquer des modèles TF Hub, et les adapter en fonction de vos besoins. Des tutoriels interactifs vous permettent de les modifier et de les exécuter avec vos modifications. Cliquez sur le bouton Exécuter dans Google Colab dans la partie supérieure d'un tutoriel interactif pour vous exercer.

Si vous n'avez pas beaucoup d'expérience dans le domaine du machine learning et de TensorFlow, commencez par apprendre à classer des images et du texte, par détecter des objets dans des images ou par styliser vos propres photos sur la base d'œuvres célèbres :

Créez un modèle Keras sur un classificateur d'images pré-entraîné pour faire la distinction entre différentes fleurs.
Utilisez BERT pour créer un modèle Keras dans le but d'exécuter une tâche d'analyse des sentiments pour la classification de texte.
Laissez un réseau de neurones redessiner une image avec le pinceau de Picasso ou de van Gogh, ou selon votre propre style.
Détectez des objets dans des images à l'aide de modèles tels que FasterRCNN ou SSD.

Découvrez des tutoriels plus techniques traitant de l'utilisation de modèles vidéo, audio, TLN et d'images de TensorFlow Hub.

Utilisez les modèles de TensorFlow Hub pour effectuer les tâches NLP courantes. Tous les tutoriels disponibles sur NLP sont accessibles dans le menu de navigation de gauche.

Classez des phrases et comparez-les sur le plan sémantique à l'aide du codeur de phrases universel.
Utilisez le modèle BERT pour effectuer des tâches de benchmark GLUE exécutées sur TPU.
Répondez à des questions multilingues issues de l'ensemble de données SQuAD à l'aide du modèle Questions/Réponses sur l'encodeur de phrases universel multilingue.

Découvrez comment utiliser des GAN, des modèles de super-résolution et bien plus encore. Tous les tutoriels disponibles pour les images sont accessibles dans le menu de navigation de gauche.

Générez des visages artificiels et effectuez des interpolations entre eux à l'aide de GAN.
Améliorez la résolution d'images sous-échantillonnées.
Remplissez la partie masquée de certaines images.

Parcourez ces tutoriels à l'aide de modèles entraînés pour les données audio, dont la reconnaissance de la hauteur de voix et la classification des sons.

Enregistrez-vous en train de chanter et détectez la hauteur de votre voix à l'aide du modèle SPICE.
Utilisez le modèle YAMNet pour classer les sons dans l'une des 521 catégories d'événements audio du corpus AudioSet-YouTube.

Utilisez des modèles de ML entraînés pour les données vidéo pour la reconnaissances d'actions, l'interpolation vidéo, etc.

Détectez l'une des 400 actions d'une vidéo à l'aide du modèle Inflated 3D ConvNet.
Utilisez le calcul d'images intermédiaires avec des convolutions 3D pour interpoler des images vidéo.
Recherchez les vidéos les plus en rapport avec une requête textuelle.