Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

TensorFlow Extended (TFX) to kompleksowa platforma do wdrażania produkcyjnych potoków ML

Kiedy będziesz gotowy do przeniesienia modeli z badań do produkcji, użyj TFX do tworzenia potoku produkcyjnego i zarządzania nim.

Uruchom Colab

W tym interaktywnym samouczku omówiono każdy wbudowany składnik TFX.

Zobacz samouczki

Samouczki pokazują, jak używać TFX z kompletnymi, kompleksowymi przykładami.

Zobacz przewodnik

Przewodniki wyjaśniają pojęcia i składniki TFX.

Jak to działa

Kiedy jesteś gotowy, aby wyjść poza szkolenie pojedynczego modelu lub gotowy do uruchomienia swojego niesamowitego modelu i przeniesienia go do produkcji, TFX jest po to, aby pomóc Ci zbudować kompletny potok ML.

Potok TFX to sekwencja składników, które implementują potok ML, który jest specjalnie zaprojektowany do skalowalnych zadań uczenia maszynowego o wysokiej wydajności. Obejmuje to modelowanie, szkolenie, obsługę wnioskowania i zarządzanie wdrożeniami w celach online, natywnych dla urządzeń mobilnych i JavaScript. Aby dowiedzieć się więcej, przeczytaj nasz Podręcznik użytkownika TFX .

Komponenty potoku są budowane przy użyciu bibliotek TFX, które mogą być również używane indywidualnie. Poniżej znajduje się przegląd tych bazowych bibliotek.

Walidacja danych TensorFlow

TensorFlow Data Validation (TFDV) pomaga programistom zrozumieć, zweryfikować i monitorować dane ML na dużą skalę. TFDV jest używany do analizowania i sprawdzania poprawności petabajtów danych w Google każdego dnia i ma udokumentowane doświadczenie w pomaganiu użytkownikom TFX w utrzymywaniu kondycji ich potoków ML.

Transformacja TensorFlow

W przypadku stosowania uczenia maszynowego do rzeczywistych zbiorów danych, wstępne przetwarzanie danych do odpowiedniego formatu wymaga wiele wysiłku. Obejmuje to konwersję między formatami, tokenizację i podstawianie tekstu oraz tworzenie słowników i wykonywanie różnych operacji numerycznych, takich jak normalizacja. Możesz to wszystko zrobić dzięki tf.Transform.

Analiza modelu TensorFlow

Analiza modelu TensorFlow (TFMA) umożliwia programistom obliczanie i wizualizację metryk oceny dla ich modeli. Przed wdrożeniem dowolnego modelu uczenia maszynowego (ML) programiści ML muszą ocenić wydajność modelu, aby upewnić się, że spełnia on określone progi jakości i zachowuje się zgodnie z oczekiwaniami dla wszystkich odpowiednich wycinków danych. Na przykład model może mieć akceptowalną wartość AUC w całym zbiorze danych ewaluacyjnych, ale słabszą na określonych wycinkach. TFMA daje programistom narzędzia do głębokiego zrozumienia wydajności ich modeli.

Obsługa TensorFlow

Systemy obsługujące uczenie maszynowe (ML) muszą obsługiwać wersje modeli (w przypadku aktualizacji modeli z opcją wycofywania) i wielu modeli (w celu eksperymentowania za pośrednictwem testów A / B), zapewniając jednocześnie, że współbieżne modele osiągają wysoką przepustowość na akceleratorach sprzętowych (GPU i TPU) z małym opóźnieniem. Usługa TensorFlow Serving dowiodła, że ​​obsługuje dziesiątki milionów wniosków na sekundę w Google.

Rozwiązania typowych problemów

Zapoznaj się z samouczkami krok po kroku, które pomogą Ci w projektach.

Pośredni
Wytrenuj i udostępniaj model TensorFlow z obsługą TensorFlow

Ten przewodnik uczy modelu sieci neuronowej, aby klasyfikować obrazy ubrań, takich jak trampki i koszule, zapisuje wyszkolony model, a następnie udostępnia go z obsługą TensorFlow. Skupiamy się na obsłudze TensorFlow, a nie na modelowaniu i szkoleniu w TensorFlow.

Pośredni
Twórz potoki TFX hostowane w Google Cloud

Wprowadzenie do TensorFlow Extended (TFX) i Cloud AI Platform Pipelines, aby tworzyć własne potoki uczenia maszynowego w Google Cloud. Postępuj zgodnie z typowym procesem rozwoju ML, zaczynając od zbadania zestawu danych, a kończąc na kompletnym potoku roboczym.

Pośredni
Użyj TFX z TensorFlow Lite do wnioskowania na urządzeniu

Dowiedz się, jak TensorFlow Extended (TFX) może tworzyć i oceniać modele uczenia maszynowego, które zostaną wdrożone na urządzeniu. TFX zapewnia teraz natywną obsługę TFLite, co umożliwia wykonywanie wysoce wydajnego wnioskowania na urządzeniach mobilnych.

Wiadomości i ogłoszenia

Sprawdź nasz blog i listę odtwarzania na YouTube, aby uzyskać dodatkowe treści TFX,
i zapisz się do naszego comiesięcznego biuletynu TensorFlow, aby otrzymywać
najnowsze ogłoszenia wysyłane bezpośrednio do Twojej skrzynki odbiorczej.

8 czerwca 2020 r  
Szybkie, skalowalne i dokładne NLP: Dlaczego TFX jest idealnym rozwiązaniem do wdrażania BERT

Dowiedz się, jak firma SAP Concur Labs uprościła wdrażanie modeli BERT za pomocą bibliotek i rozszerzeń TensorFlow z tego dwuczęściowego bloga.

11 marca 2020 r  
Przedstawiamy Cloud AI Platform Pipelines

Ogłaszamy uruchomienie wersji beta Cloud AI Platform Pipelines, gotowego do użycia w przedsiębiorstwach, łatwego w instalacji, bezpiecznego środowiska wykonywania przepływów pracy ML.

11 marca 2020 r  
TFX: Production ML z TensorFlow w 2020 roku (TF Dev Summit '20)

Dowiedz się, jak platforma produkcyjna Google ML, TFX, zmienia się w 2020 roku. Zobacz ekscytujący przypadek, w jaki sposób Airbus korzysta z TFX.

Kontynuuj
9 marca 2020 r
Natywne Keras w TFX

Wydanie TensorFlow 2.0 przyniosło wiele nowych funkcji i ulepszeń, w tym ścisłą integrację z Keras. Dowiedz się, jak komponenty TFX obsługują natywne Keras.