آموزش TensorFlow در تولید

بهترین راه برای یادگیری TensorFlow Extended (TFX) یادگیری با انجام کار است. این آموزشها نمونه هایی متمرکز از بخشهای اصلی TFX هستند. آنها شامل آموزشهای مبتدی برای شروع کار و آموزشهای پیشرفته تری برای مواردی هستند که واقعاً می خواهید در قسمتهای پیشرفته تری از TFX فرو بروید.

TFX 1.0

ما خوشحال به اعلام در دسترس بودن هستند TFX 1.0.0 . این نسخه اولیه انتشار TFX پس از بتا است که API ها و مصنوعات عمومی پایدار را فراهم می کند. شما می توانید مطمئن باشید که خطوط لوله TFX آینده خود را حفظ خواهد کرد پس از ارتقا در حوزه سازگاری تعریف شده در این RFC .

شروع آموزشها

احتمالا ساده ترین خط لوله ای است که می توانید بسازید تا به شما در شروع کار کمک کند. با کلیک بر روی Run در دکمه گوگل COLAB.
ساختن بر روی خط لوله ساده برای افزودن مؤلفه های اعتبارسنجی داده ها.
ساختن خط لوله اعتبارسنجی داده برای افزودن یک جزء مهندسی ویژگی.
ساختن بر روی خط لوله ساده برای افزودن یک جزء تحلیل مدل.

TFX در Google Cloud

Google Cloud محصولات مختلفی مانند BigQuery ، Vertex AI را ارائه می دهد تا گردش کار ML شما را مقرون به صرفه و مقیاس پذیر کند. شما می آموزید که چگونه از این محصولات در خط لوله TFX خود استفاده کنید.
اجرای خطوط لوله در یک سرویس خط لوله مدیریت شده، خطوط لوله Vertex.
استفاده از BigQuery به عنوان منبع داده خطوط لوله ML.
استفاده از منابع ابری برای آموزش ML و سرویس دهی با Vertex AI.
مقدمه ای بر استفاده از خطوط لوله پلتفرم TFX و Cloud AI.

مراحل بعدی

پس از درک اولیه TFX ، این آموزش ها و راهنماهای اضافی را بررسی کنید. و فراموش نکنید که به خواندن TFX راهنمای کاربر .
معرفی مولفه های جزء به TFX، از جمله زمینه های تعاملی، یک ابزار توسعه بسیار مفید است. با کلیک بر روی Run در دکمه گوگل COLAB.
آموزشی که نشان می دهد چگونه اجزای TFX سفارشی خود را توسعه دهید.
این نوت بوک Google Colab نشان می‌دهد که چگونه می‌توان از اعتبارسنجی داده‌های TensorFlow (TFDV) برای بررسی و تجسم یک مجموعه داده، از جمله تولید آمار توصیفی، استنباط طرح‌واره، و یافتن ناهنجاری‌ها استفاده کرد.
این نوت بوک Google Colab نشان می دهد که چگونه می توان از تحلیل مدل TensorFlow (TFMA) برای بررسی و تجسم ویژگی های یک مجموعه داده و ارزیابی عملکرد یک مدل در چندین محور دقت استفاده کرد.
این آموزش نشان می دهد که چگونه TensorFlow Serving می تواند برای ارائه یک مدل با استفاده از یک REST API ساده استفاده شود.