TensorFlow nei tutorial di produzione

Questi tutorial ti aiuteranno a iniziare e ti aiuteranno a imparare alcuni modi diversi di lavorare con TFX per flussi di lavoro e distribuzioni di produzione. In particolare, imparerai i due stili principali di sviluppo di una pipeline TFX:

  • Utilizzo di InteractiveContext per sviluppare una pipeline in un notebook, lavorando con un componente alla volta. Questo stile rende lo sviluppo più semplice e più pitonico.
  • Definizione di un'intera pipeline ed esecuzione con un runner. Ecco come appariranno le tue pipeline quando le distribuirai.

Tutorial per iniziare

Probabilmente la pipeline più semplice che puoi costruire, per aiutarti a iniziare. Fai clic sul pulsante Esegui in Google Colab .
Basandosi sulla pipeline semplice per aggiungere componenti di convalida dei dati.
Basandosi sulla pipeline di convalida dei dati per aggiungere un componente di ingegneria delle funzionalità.
Basandosi sulla pipeline semplice per aggiungere un componente di analisi del modello.

TFX su Google Cloud

Google Cloud offre vari prodotti come BigQuery, Vertex AI per rendere il tuo flusso di lavoro ML conveniente e scalabile. Imparerai come utilizzare questi prodotti nella tua pipeline TFX.
Esecuzione di pipeline su un servizio pipeline gestito, Vertex Pipelines.
Utilizzando BigQuery come origine dati delle pipeline ML.
Utilizzo delle risorse cloud per la formazione e i servizi di ML con Vertex AI.
Un'introduzione all'uso delle pipeline di TFX e della piattaforma Cloud AI.

Passaggi successivi

Una volta acquisita una conoscenza di base di TFX, controlla questi tutorial e guide aggiuntivi. E non dimenticare di leggere la Guida per l'utente di TFX .
Un'introduzione componente per componente a TFX, incluso il contesto interattivo , uno strumento di sviluppo molto utile. Fai clic sul pulsante Esegui in Google Colab .
Un tutorial che mostra come sviluppare i tuoi componenti TFX personalizzati.
Questo notebook di Google Colab dimostra come è possibile utilizzare TensorFlow Data Validation (TFDV) per analizzare e visualizzare un set di dati, inclusa la generazione di statistiche descrittive, la deduzione di uno schema e il rilevamento di anomalie.
Questo notebook di Google Colab dimostra come è possibile utilizzare l'analisi del modello TensorFlow (TFMA) per analizzare e visualizzare le caratteristiche di un set di dati e valutare le prestazioni di un modello lungo diversi assi di precisione.
Questo tutorial dimostra come è possibile utilizzare TensorFlow Serving per servire un modello utilizzando una semplice API REST.