Neuralhub vise à rendre l'expérimentation en deep learning moins fragmentée. Plutôt que d'alterner entre scripts locaux, notebooks et GPU cloud, il réunit tout le cycle au même endroit : construire un réseau à partir d'une bibliothèque de composants, de couches et d'architectures courants, ou le concevoir de zéro, puis l'ajuster et l'entraîner dans la même interface. Il est aussi possible de partir de recherches récentes et de modèles pré-entraînés.
Le flux de travail s'organise en quatre étapes : Build, Tune, Run et Launch. À l'étape d'ajustement, vous construisez le réseau en un clic et inspectez et manipulez visuellement chaque composant, en réglant des hyperparamètres comme les époques, les features et les labels. À l'étape d'exécution, Neuralhub héberge en arrière-plan des services de machine learning dédiés pour entraîner en sécurité, avec accès à du calcul gratuit et à des GPU premium plus rapides. À l'étape de lancement, vous consultez les métriques du modèle, testez sur de nouveaux jeux de données, comparez avec d'autres réseaux, puis exportez, partagez ou publiez le résultat.
Le projet se présente aussi comme une communauté plus que comme un simple outil : les réseaux publiés peuvent être explorés par d'autres, qui laissent des retours et apprennent mutuellement. Le site le présente comme une bêta avec liste d'attente et indique que les inscrits reçoivent un abonnement premium gratuit au lancement ; la plateforme continue donc d'évoluer.
