TensorFlow Hub 是預先訓練模型的全方位存放區,這些模型可供微調,也可在任何地方部署。您可以下載經過經過訓練的最新模型,且只需要使用 tensorflow_hub 程式庫中極少量的程式碼就能作業。

下列教學課程應可協助您摸索 TF Hub 的模型,並依照個人需求加以應用。互動式教學課程可讓您修改這些模型,並執行變更後的結果。如要練習修改模型,請按一下互動式教學課程頂端的 [Run in Google Colab] (在 Google Colab 中執行) 按鈕。

如果您不熟悉機器學習和 TensorFlow,可以先概略瞭解如何將圖片和文字分類、偵測圖片中的物件,或將自己的圖片轉換為著名藝術品的風格:

以預先訓練的圖片分類工具為基礎,建構可分辨花朵的 Keras 模型。
使用 BERT 建構 Keras 模型,藉此處理文字分類情緒分析工作。
讓類神經網路以畢卡索、梵谷或是您自己圖片的風格重新繪製圖片。
使用 FasterRCNN 或 SSD 等模型偵測圖片中的物件。

查看更多進階教學課程,瞭解如何使用 TensorFlow Hub 中的自然語言處理技術、圖片、音訊和影片模型。

使用 TensorFlow Hub 中的模型完成常見的自然語言處理工作。左側導覽列中列出了所有可用的自然語言處理教學課程。

使用 Universal Sentence Encoder 分類句子並比較語意。
使用 BERT 處理透過 TPU 執行的 GLUE 基準工作。
使用 Multilingual Universal Sentence Encoder Q&A 模型,回答 SQuAD 資料集中的跨語言問題。

探索如何使用 GAN、超高解析度模型等內容。左側導覽列中列出了所有可用的圖片教學課程。

使用 GAN 產生人工臉孔並相互內插。
提高降採樣圖片的解析度。
填補指定圖片中遮蓋的部分。

透過這些教學課程,瞭解如何使用經過訓練的模型處理音訊資料,包括進行音調辨識和聲音分類。

錄下自己的歌聲,並使用 SPICE 模型偵測音調。
使用 YAMNet 模型將聲音分為 AudioSet-YouTube 語料庫中的 521 種音訊事件類別。

試著使用經過訓練的機器學習模型處理影片資料,藉此進行動作辨識、影片畫面內插等工作。

使用 Inflated 3D ConvNet 模型偵測影片中 400 個動作的其中一個。
使用補間動畫和 3D 卷積,在影片畫格之間進行內插作業。
尋找與文字查詢內容最相關的影片。