TensorFlow Extended (TFX) عبارة عن منصة شاملة لنشر خطوط أنابيب ML للإنتاج
عندما تكون جاهزًا لنقل نماذجك من البحث إلى الإنتاج ، استخدم TFX لإنشاء وإدارة خط أنابيب الإنتاج.
كيف تعمل
عندما تكون مستعدًا لتجاوز تدريب نموذج واحد ، أو جاهزًا لوضع نموذجك المذهل في العمل ونقله إلى الإنتاج ، فإن TFX موجودة لمساعدتك في بناء خط أنابيب ML كامل.
خط أنابيب TFX عبارة عن سلسلة من المكونات التي تنفذ خط أنابيب ML المصمم خصيصًا لمهام التعلم الآلي عالية الأداء والقابلة للتطوير. يتضمن ذلك النمذجة والتدريب وخدمة الاستدلال وإدارة عمليات النشر للأهداف عبر الإنترنت والجوال الأصلي وجافا سكريبت. لمعرفة المزيد ، اقرأ دليل مستخدم TFX الخاص بنا.
تم تصميم مكونات خطوط الأنابيب باستخدام مكتبات TFX والتي يمكن استخدامها أيضًا بشكل فردي. فيما يلي نظرة عامة على تلك المكتبات الأساسية.
التحقق من صحة بيانات TensorFlow
يساعد التحقق من صحة بيانات TensorFlow (TFDV) المطورين على فهم بيانات ML الخاصة بهم والتحقق من صحتها ومراقبتها على نطاق واسع. تُستخدم TFDV لتحليل وحدات بيتابايت من البيانات والتحقق من صحتها في Google كل يوم ، ولها سجل حافل في مساعدة مستخدمي TFX على الحفاظ على سلامة خطوط أنابيب ML الخاصة بهم.
تحويل TensorFlow
عند تطبيق التعلم الآلي على مجموعات بيانات العالم الحقيقي ، يلزم بذل الكثير من الجهد لمعالجة البيانات مسبقًا في تنسيق مناسب. يتضمن ذلك التحويل بين التنسيقات ، وترميز النص واشتقاقه وتشكيل المفردات ، وإجراء مجموعة متنوعة من العمليات العددية مثل التطبيع. يمكنك فعل كل ذلك مع tf.Transform.
تحليل نموذج TensorFlow
يُمكّن تحليل نموذج TensorFlow (TFMA) المطورين من حساب وتصور مقاييس التقييم لنماذجهم. قبل نشر أي نموذج للتعلم الآلي (ML) ، يحتاج مطورو ML إلى تقييم أداء النموذج للتأكد من أنه يلبي حدود الجودة المحددة ويتصرف كما هو متوقع لجميع شرائح البيانات ذات الصلة. على سبيل المثال ، قد يحتوي النموذج على AUC مقبول على مجموعة بيانات التقييم بالكامل ، ولكن أداء ضعيف في شرائح معينة. توفر TFMA للمطورين الأدوات اللازمة لخلق فهم عميق لأداء نموذجهم.
خدمة TensorFlow
تحتاج أنظمة خدمة التعلم الآلي (ML) إلى دعم إصدار النماذج (لتحديثات الطراز مع خيار التراجع) ونماذج متعددة (للتجربة عبر اختبار A / B) ، مع ضمان أن النماذج المتزامنة تحقق إنتاجية عالية على مسرعات الأجهزة (وحدات معالجة الرسومات (GPU) و (TPU)) مع زمن انتقال منخفض. أثبتت خدمة TensorFlow أداءها في معالجة عشرات الملايين من الاستنتاجات في الثانية في Google.
حلول للمشاكل الشائعة
استكشف البرامج التعليمية خطوة بخطوة لمساعدتك في مشروعاتك.
يقوم هذا الدليل بتدريب نموذج شبكة عصبية لتصنيف صور الملابس ، مثل الأحذية الرياضية والقمصان ، وحفظ النموذج المدرب ، ثم تقديمه مع خدمة TensorFlow. ينصب التركيز على خدمة TensorFlow ، بدلاً من النمذجة والتدريب في TensorFlow.
مقدمة إلى TensorFlow Extended (TFX) و Cloud AI Platform Pipelines لإنشاء مسارات تعلم الآلة الخاصة بك على Google Cloud. اتبع عملية تطوير ML نموذجية ، بدءًا من فحص مجموعة البيانات ، وانتهاءً بخط أنابيب عمل كامل.
تعرف على كيفية قيام TensorFlow Extended (TFX) بإنشاء وتقييم نماذج التعلم الآلي التي سيتم نشرها على الجهاز. توفر TFX الآن دعمًا أصليًا لـ TFLite ، مما يجعل من الممكن إجراء استدلال عالي الكفاءة على الأجهزة المحمولة.
كيف تستخدم الشركات TFX
الأخبار والإعلانات
تحقق من مدونتنا وقائمة تشغيل YouTube للحصول على محتوى TFX إضافي ،
والاشتراك في النشرة الإخبارية الشهرية TensorFlow للحصول على
آخر الإعلانات المرسلة مباشرة إلى صندوق الوارد الخاص بك.
تعرف على كيفية قيام مختبرات Concur Labs من SAP بتبسيط نشر نماذج BERT من خلال مكتبات TensorFlow وملحقاتها في هذه المدونة المكونة من جزأين.
الإعلان عن إطلاق الإصدار التجريبي من Cloud AI Platform Pipelines ، وهي بيئة تنفيذ جاهزة للمؤسسات وسهلة التثبيت وآمنة لسير عمل ML الخاص بك.
تعرف على كيفية تغيير منصة Google للإنتاج ML ، TFX ، في عام 2020. شاهد حالة مثيرة لكيفية استخدام Airbus لـ TFX.
جلب إصدار TensorFlow 2.0 العديد من الميزات والتحسينات الجديدة بما في ذلك التكامل الوثيق مع Keras. تعرف على كيفية دعم مكونات TFX لـ Keras الأصلية.