由 Luiz GUStavo Martins 和 Elizabeth Kemp 代表 TensorFlow Hub 团队发布

作为一名开发人员，当你遇到挑战时，你可能会想：“我该如何解决这个问题？”，或者，“哪种工具适合这项工作？” 对于越来越多的情况，机器学习可以提供帮助！ML 可以解决许多使用传统编程方式非常具有挑战性的任务，例如：检测图像中的物体、分类声音事件或理解文本。

但训练机器学习模型可能需要大量时间、使用大量数据、需要该领域的专业知识并且资源密集。如果有人已经解决了和你一样的问题，或者至少解决了可以为你提供良好起点的一个非常类似的问题，那么你就不必从头开始。这就是 TensorFlow Hub 可以帮助你的地方！

TensorFlow Hub 是一个开放的预训练机器学习模型存储库，这些模型可以随时进行微调，并可部署在任何地方，从服务器到移动设备、微控制器和浏览器。

开发人员正在使用 TF Hub 提供的模型来解决许多领域中的现实世界问题，在 2021 年的 Google I/O 上，我们重点介绍了一些开发人员使用 TensorFlow Hub 中的模型改变世界的示例。

在本文中，我们将介绍这些用例，并提供链接以便你可以查看它们。

图像

图像分类是机器学习最流行的用例之一。该领域的开发通过展示非常好的结果和推动研究的界限，帮助了整个机器学习领域。

TensorFlow Hub 为图像问题领域提供了许多模型，用于 图像分类、目标检测、图像分割、姿势检测、风格迁移 等任务，以及许多其他任务。

许多可用的模型在其文档页面上都有一个可视化器，如下图所示，使你无需任何代码或下载任何内容即可尝试该模型。

TFHub 使转移学习 更简单，并且更容易使用 MobilenetV3、EfficientNet V2 等许多最先进的模型进行实验，以找到最适合你数据的模型。在 CropNet 教程 中可以看到一个现实世界的用例，该教程用于创建最佳模型以检测木薯叶片中的疾病，并在设备上部署它以用于田间使用。

文本

理解文本对于计算机来说一直是一项非常具有挑战性的任务，因为需要所有的上下文以及大量的单词和短语。TensorFlow Hub 上提供了许多最先进的自然语言处理 (NLP) 模型，可以随时供你使用。

一个例子是 BERT 模型家族。从 TFHub 使用它们比以往任何时候都更容易。除了基本 BERT 模型之外，还有更高级的版本，以及许多语言版本可以随时使用，例如，你可以在 使用 TensorFlow Hub 的预处理模型简化 BERT 中看到。

一个很好的例子是 MuRIL 模型，它是在 17 种印度语言上训练的多语言 BERT 模型，开发人员使用它来解决印度的本地 NLP 挑战。

预处理模型的动画，使你能够轻松地将文本输入 BERT 中。

开发人员还可以使用 TF Hub 垃圾邮件检测模型 来检测在线论坛中的垃圾邮件评论。该模型适用于 TF.js 和 TFLite，可以在浏览器和设备上运行。

音频

TF Hub 有许多音频模型，你可以在桌面、移动设备上的设备推理或网页上使用它们。还有音频嵌入模型可以与 转移学习 一起使用，你可以将其调整为自己的数据。

开发人员正在使用音频分类来了解 森林 (ZSL 如何使用 ML 分析声学数据以保护野生动物) 或 海洋内部 (使用卷积神经网络进行座头鲸的声学检测) 甚至更靠近我们，了解我们自己家中发生的事情 (重要的家庭声音变得更容易获得)。

视频

视频处理越来越重要，TensorFlow Hub 也提供了用于此领域的模型，例如 MoViNet 集合，可以执行视频分类，或者 I3D，用于动作识别。

TFHub 还提供了 动作识别、视频插值 和 文本到视频检索 的教程。

总结

重用代码通常比重写代码更好。机器学习模型也是如此。如果你可以使用预训练模型来完成一项任务，它可以节省你的时间和资源，并帮助你在世界上产生影响。TensorFlow Hub 提供了数千个模型，你可以使用它们来部署或使用迁移学习自定义它们以适应你的任务。

如果你想了解更多关于如何使用 TensorFlow Hub 并找到很棒的教程，请查看 tensorflow.org/hub 上的文档。要在 tfhub.dev 上搜索适合你自己的现实世界影响的模型。

告诉我们你构建了什么，并与社区分享。你可以在 TensorFlow 论坛 上与团队交流，并找到一个渴望帮助你的社区！