Cet article présente un framework TT-TFHE qui réalise efficacement l'inférence de chiffrement homomorphe de modèles d'apprentissage profond à l'aide de Torus FHE (TFHE). Basé sur un réseau neuronal convolutif appelé Truth-Table Neural Networks (TTnet), il optimise efficacement l'utilisation de TFHE pour les jeux de données tabulaires et d'images. Il propose une implémentation concrète open source en Python et une implémentation simple basée sur le processeur, utilisant une table de correspondance et un outil de conception automatisé basé sur TTnet. Les résultats expérimentaux montrent qu'il surpasse les paramètres de chiffrement homomorphe existants en termes de temps et de précision sur trois jeux de données tabulaires, ainsi que d'autres paramètres TFHE et d'autres méthodes de chiffrement homomorphe telles que BFV et CKKS sur les jeux de données d'images MNIST et CIFAR-10. De plus, son utilisation mémoire est très faible (quelques dizaines de Mo pour MNIST), ce qui contraste avec les dizaines à centaines de Go d'utilisation mémoire requis par d'autres paramètres de chiffrement homomorphe. Il s'agit de la première étude à fournir une inférence privée de niveau pratique (secondes de temps d'inférence, dizaines de Mo de mémoire) sur des ensembles de données d'images tabulaires et MNIST, et elle est facilement évolutive vers plusieurs threads et utilisateurs côté serveur.