Este artículo presenta un marco TT-TFHE que realiza eficientemente la inferencia de cifrado homomórfico de modelos de aprendizaje profundo utilizando Torus FHE (TFHE). Basado en una red neuronal convolucional llamada Truth-Table Neural Networks (TTnet), escala eficazmente el uso de TFHE para conjuntos de datos tabulares y de imagen. Proporciona una implementación concreta de código abierto en Python y proporciona una implementación sencilla basada en CPU utilizando una tabla de búsqueda y una herramienta de diseño automatizada basada en TTnet. Los resultados experimentales muestran que supera las configuraciones de cifrado homomórfico existentes en términos de tiempo y precisión en tres conjuntos de datos tabulares, y supera otras configuraciones de TFHE y otros métodos de cifrado homomórfico como BFV y CKKS en conjuntos de datos de imagen MNIST y CIFAR-10. Además, tiene un uso de memoria muy bajo (decenas de MB para MNIST), que contrasta con las decenas a cientos de GB de uso de memoria requerido por otras configuraciones de cifrado homomórfico. Este es el primer estudio que proporciona inferencia privada de nivel práctico (segundos de tiempo de inferencia, decenas de MB de memoria) en conjuntos de datos de imágenes tabulares y MNIST, y es fácilmente escalable a múltiples subprocesos y usuarios en el lado del servidor.