در سمپوزیوم زنان در ML در 7 دسامبر شرکت کنید هم اکنون ثبت نام کنید
با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

TensorFlow Hub یک مخزن از مدل های آموزش ماشینی آموزش دیده است.

  !pip install --upgrade tensorflow_hub

  import tensorflow_hub as hub

  model = hub.KerasLayer("https://tfhub.dev/google/nnlm-en-dim128/2")
  embeddings = model(["The rain in Spain.", "falls",
                      "mainly", "In the plain!"])

  print(embeddings.shape)  #(4,128)
TensorFlow Hub مخزنی از مدل‌های آموزش ماشینی است که آماده تنظیم دقیق و قابل استقرار در هر مکانی است. از مدل های آموزش دیده مانند BERT و Faster R-CNN تنها با چند خط کد دوباره استفاده کنید.



مدل ها

مدل های آموزش دیده از انجمن TensorFlow را در TFHub.dev پیدا کنید
برای کارهای NLP از جمله طبقه بندی متن و پاسخ به سؤال، BERT را بررسی کنید.
از مدل سریعتر R-CNN Inception ResNet V2 640x640 برای تشخیص اشیاء در تصاویر استفاده کنید.
با استفاده از مدل انتقال سبک تصویر، سبک یک تصویر را به تصویر دیگر منتقل کنید.
از این مدل TFLite برای طبقه بندی عکس های غذا در یک دستگاه تلفن همراه استفاده کنید.



اخبار و اطلاعیه ها

برای اطلاعیه های بیشتر وبلاگ ما را بررسی کنید و آخرین به روز رسانی های #TFHub را در توییتر مشاهده کنید
بیاموزید که چگونه می‌توانید از TensorFlow Hub برای ساخت راه‌حل‌های ML با تأثیر در دنیای واقعی استفاده کنید.
برای کاوش راه حل های ML برای تلفن همراه و برنامه های وب خود از جمله TensorFlow Hub، از صفحه یادگیری ماشین روی دستگاه Google دیدن کنید.
TensorFlow Hub استفاده از BERT را با مدل های پیش پردازش جدید ساده می کند.
با نحوه استفاده از مدل SPICE برای رونویسی خودکار نت موسیقی از صدای زنده آشنا شوید.