با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

آموزش TensorFlow در تولید

بهترین راه برای یادگیری TensorFlow Extended (TFX) یادگیری از طریق انجام دادن است. این آموزش ها نمونه هایی متمرکز از بخش های کلیدی TFX هستند. آنها شامل آموزش های مبتدی برای شروع، و آموزش های پیشرفته تر برای زمانی هستند که واقعاً می خواهید در قسمت های پیشرفته تر TFX شیرجه بزنید.

TFX 1.0

ما خوشحالیم که در دسترس بودن TFX 1.0.0 را اعلام کنیم. این نسخه اولیه پس از بتا TFX است که APIها و مصنوعات عمومی پایداری را ارائه می دهد. می توانید مطمئن باشید که خطوط لوله TFX آینده شما پس از ارتقاء در محدوده سازگاری تعریف شده در این RFC به کار خود ادامه خواهند داد.

آموزش های شروع کار

احتمالا ساده ترین خط لوله ای است که می توانید بسازید تا به شما در شروع کار کمک کند. روی دکمه Run in Google Colab کلیک کنید.
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 مقرون به صرفه و مقیاس پذیر باشد. شما یاد خواهید گرفت که چگونه از آن 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

هنگامی که درک اولیه ای از TFX دارید، این آموزش ها و راهنماهای اضافی را بررسی کنید. و فراموش نکنید که راهنمای کاربر TFX را بخوانید.
معرفی جزء به جزء به TFX، از جمله زمینه تعاملی ، یک ابزار توسعه بسیار مفید. روی دکمه Run in Google Colab کلیک کنید.
آموزشی که نشان می دهد چگونه اجزای TFX سفارشی خود را توسعه دهید.
این دفترچه یادداشت Google Colab نشان می‌دهد که چگونه می‌توان از اعتبارسنجی داده‌های TensorFlow (TFDV) برای بررسی و تجسم یک مجموعه داده، از جمله تولید آمار توصیفی، استنتاج 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.

فیلم ها و به روز رسانی ها

برای دریافت آخرین ویدیوها و به روز رسانی ها، در فهرست پخش و وبلاگ TFX YouTube مشترک شوید.