TensorFlow Hub, 給您帶來全新的 Web 體驗
文 / André Susano Pinto(TensorFlow Hub 技術負責人)和 Clemens Mewald(產品經理) 來源 | TensorFlow 公眾號
在之前的文章中,我們釋出了 TensorFlow Hub,這是一個在 TensorFlow 中釋出,發現和重用部分機器學習模組的平臺。 該平臺的一個關鍵部分是其 Web 體驗,它允許開發人員針對用例發現 TensorFlow 模組。 今天,我們正在為 TensorFlow Hub 推出新的 Web 體驗,以便能夠更輕易地進行搜尋和發現,同時為 multi-publisher 平臺奠定了基礎。
探索和發現模組
圖1:新的 Web 體驗向我們提供了模組的詳細資訊、訪問其 tfhub.dev URL 的簡便方法,以及有效的 Colab notebook 直接連結
TensorFlow Hub 是一個共享可重用的機器學習平臺,我們希望為研究人員和開發人員提供一種便利的方式,能夠在更廣泛的社群中分享他們的作品。 Universal Sentence Encoder 模組就是一個成功的範例,它加快了從基礎機器學習科學到更廣泛的開發者社群應用程式的速度。 該檔案引用了模組的 tfhub.dev URL。 當該 URL 被複制到瀏覽器中時,將出現模組的詳細資訊頁面,釋出者共享文件,以及指向 Colab notebook 的連結,這樣您就可以直接試用該模組。 Universal Sentence Encoder 已成為 TF Hub 上最受歡迎的模組之一。
搜尋和過濾
圖2:查詢使用西班牙語資料訓練的文字嵌入
毋庸置疑,您可以在 TF Hub 上搜索和過濾模組。 針對您問題的文字模組,其適用性取決於它們接受訓練的資料。 在以上例子中,我們向您展示了搜尋文字嵌入並按照語言(語言:西班牙語)過濾和查詢在西班牙語資料上訓練的 NNLM 模組是如此輕而易舉。
物體檢測變得簡單
通過 Google Brain 團隊開發的新模組,我們正在不斷擴充套件 TensorFlow Hub 的庫存。 最近新增一個在 Open Images v4 上訓練的 FasterRCNN 模組。 該模組僅使用一行程式碼便可載入,並用於執行物件檢測:
通過該模組,我們釋出了一個 Colab notebook,允許您載入並檢查其輸出。 以下示例來自
圖3:用於應用 TF 模組的影象
圖4:模組推斷的邊界框和類別
近期 TensorFlow Hub 上其他新增內容包括:
2017 年 iNaturalist Kaggle Challenge 獲獎者發表了一篇論文描述了他們的方法,並將他們的模型釋出在 TensorFlow Hub 上,展示了遷移學習的優勢。
適用於產品團隊的 TensorFlow Hub
除了可以使用在 https://tfhub.dev 上釋出的各種模組之外,TensorFlow Hub 庫還允許您將模組釋出到私有儲存空間中進行使用。 這樣,團隊隊員可以共享模組並從彼此的成果中獲益。
您可以使用檔案系統路徑,而無需通過其 tfhub.dev URL 引用模組:
m = hub.Module(“/tmp/text-embedding”) embeddings = m(sentences)
如何開始
鳴謝 感謝 Bo Fu,Andrew Gasparovic,Jiaqi Guo,Jeremiah Harmsen,Joshua Horowitz,Zicheng Huo,Elizabeth Kemp,NoéLutz,Till Pieper,Graham Smith,Sijie Wang 和 Sitong Zhou。