Postado por André Susano Pinto (chefe técnico do TensorFlow Hub) e Clemens Mewald (gerente de produtos)
Numa outra postagem, anunciamos o TensorFlow Hub, uma plataforma para publicar, descobrir e reutilizar partes de módulos de aprendizado de máquina no TensorFlow. Uma parte importante dessa plataforma é a experiência web, que permite que os desenvolvedores descubram os módulos ideais do TensorFlow para o que precisam no momento. Nas últimas semanas lançamos uma nova experiência web para o TensorFlow Hub, que vai facilitar a busca e a descoberta, além de aproximar o recurso de uma plataforma multieditor.

Explorando e descobrindo módulos



Figura 1: a nova experiência web oferece detalhes sobre os módulos, uma forma fácil de acessar o URL tfhub.dev de cada um e, nos casos possíveis, links diretos para notebooks do Colab.

O TensorFlow Hub é uma plataforma de compartilhamento de partes reutilizáveis de aprendizado de máquina, e a nossa visão é dar a pesquisadores e desenvolvedores uma forma conveniente de compartilhar seu trabalho com uma comunidade mais ampla. O módulo Universal Sentence Encoder é um exemplo de sucesso de como acelerar a transformação de ciência fundamental do aprendizado de máquina em aplicação na comunidade geral de desenvolvedores. O artigo mencionou o URL tfhub.dev do módulo. Quando esse URL é copiado para um navegador, uma página de detalhes do módulo é aberta, e nela os editores compartilham a documentação e um link para um notebook do Colab para testar o módulo. O Universal Sentence Encoder se tornou um dos módulos mais conhecidos do TF Hub.

Buscando e filtrando



Figura 2: encontrando incorporações de texto que foram treinadas usando dados em espanhol

Como era de se esperar, é possível buscar e filtrar os módulos no TF Hub. A aplicabilidade dos módulos de texto ao seu problema depende dos dados em que foram treinados. No exemplo acima, mostramos como é fácil buscar incorporações de texto e filtrá-las por idioma (Language:Spanish) para encontrar o módulo NNLM treinado com dados em espanhol.

Detecção de objetos mais fácil

Estamos expandindo o inventário do TensorFlow Hub constantemente com novos módulos desenvolvidos pela equipe do Google Brain. Uma adição recente é o módulo FasterRCNN treinado com o Open Images v4. O módulo pode ser carregado e usado para realizar detecção de objetos com uma única linha de código:
detector = hub.Module(
 “https://tfhub.dev/google/faster_rcnn/openimages_v4/inception_resnet_v2/1"
  )
Com o módulo, publicamos um notebook do Colab que permite carregá-lo e analisar seus resultados. Temos abaixo um exemplo de imagem do unsplash.com e dos objetos detectados.


Figura 3: imagem usada para aplicar o módulo TF (créditos)

O notebook do Colab ensina a baixar o módulo e aplicá-lo em um vídeo bem curto.


Figura 4: vinculando caixas e classes inferidas pelo módulo

Recentemente, tivemos estas outras adições ao TensorFlow Hub:

TensorFlow Hub para equipes de produto

Além dos módulos de consumo publicados no https://tfhub.dev, as bibliotecas do TensorFlow Hub ainda permitem publicar módulos em armazenamento privado e consumir esse armazenamento. Com isso, as equipes conseguem compartilhar módulos e se beneficiar do trabalho das outras.
Em vez de referenciar os módulos pelo URL do tfhub.dev, você pode usar um caminho do sistema de arquivos:
m = hub.Module(“/tmp/text-embedding”)
embeddings = m(sentences)
Para criar essas incorporações personalizadas, siga o nosso tutorial "Criando um módulo".

Como começar

Acesse https://tfhub.dev para usar nossa nova experiência web e https://www.tensorflow.org/hub/ para ficar por dentro dos guias e documentos de API mais recentes. Se tiver algum problema ou bug, adicione um problema ao GitHub. Para acompanhar o projeto, marque-o com estrela no GitHub.
Agradecimentos
Gostaríamos de agradecer a Bo Fu, Andrew Gasparovic, Jiaqi Guo, Jeremiah Harmsen, Joshua Horowitz, Zicheng Huo, Elizabeth Kemp, Noé Lutz, Till Pieper, Graham Smith‎, Sijie Wang e Sitong Zhou.