TensorFlow Hub 是包含各种预训练模型的综合代码库,这些模型稍作调整便可部署到任何设备上。借助 tensorflow_hub 库,您可以下载训练过的最新模型,并且只需编写少量代码即可使用这些模型。

以下教程可帮助您根据个人需求开始使用和应用 TensorFlow Hub 中的模型。您可以通过互动式教程修改这些模型,并运行修改后的模型。点击互动式教程顶部的“在 Google Colab 中运行”按钮,即可修改并运行模型。

如果您不熟悉机器学习和 TensorFlow,可以先大致了解如何分类图像和文本、检测图像中的对象,或如何让自己的照片拥有著名画作的风格:

基于预训练的图像分类器,构建一个分辨花朵的 Keras 模型。
使用 BERT 构建一个 Keras 模型来处理文本分类情感分析任务。
利用神经网络将图像重绘成毕加索、梵高风格或像您自己的照片风格的图像。
使用 FasterRCNN 或 SSD 等模型检测图像中的对象。

您可以查看更高级教程,了解如何使用 TensorFlow Hub 中的 NLP、图像、音频和视频模型。

您可以使用 TensorFlow Hub 中的模型处理常见 NLP 任务。请在左侧导航栏中查看列出的所有 NLP 教程。

使用 Universal Sentence Encoder 对句子进行分类和语义比较。
使用 BERT 处理在 TPU 上运行的 GLUE 基准任务。
利用 Multilingual Universal Sentence Encoder Q&A 模型回答 SQuAD 数据集中的跨语言问题。

您可以了解如何使用 GAN、超分辨率模型等。请在左侧导航栏中查看列出的所有图像教程。

使用 GAN 生成人工面孔并在它们之间进行插值。
增强降采样图像的分辨率。
填充给定图片的被遮盖部分。

通过学习这些教程,了解如何使用训练过的模型处理音频数据,包括音高识别和声音分类。

录下自己的歌声,并使用 SPICE 模型检测自己的音高。
使用 YAMNet 模型根据 AudioSet-YouTube 资料库将声音分类为 521 个音频事件类别。

您可以尝试使用训练过的机器学习模型处理视频数据,例如进行动作识别、视频插帧等。

使用 Inflated 3D ConvNet 模型检测视频中的某个动作(共 400 个动作)。
通过插帧和 3D 卷积在视频帧之间插帧。
查找与文本查询最相关的视频。