TensorFlow w samouczkach produkcyjnych

Te samouczki ułatwią Ci rozpoczęcie pracy i pomogą Ci poznać kilka różnych sposobów pracy z TFX w przypadku produkcyjnych przepływów pracy i wdrożeń. W szczególności poznasz dwa główne style tworzenia potoku TFX:

  • Używanie InteractiveContext do tworzenia potoku w notatniku i pracy z jednym komponentem na raz. Ten styl sprawia, że ​​programowanie jest łatwiejsze i bardziej Pythoniczne.
  • Zdefiniowanie całego potoku i wykonanie go za pomocą modułu uruchamiającego. Tak będą wyglądać Twoje potoki po ich wdrożeniu.

Samouczki dla początkujących

Prawdopodobnie najprostszy potok, jaki możesz zbudować, który pomoże Ci zacząć. Kliknij przycisk Uruchom w Google Colab .
Opieranie się na prostym procesie dodawania komponentów sprawdzania poprawności danych.
Opieranie się na potoku walidacji danych w celu dodania komponentu inżynierii funkcji.
Opierając się na prostym procesie dodawania komponentu analizy modelu.

TFX w Google Cloud

Google Cloud udostępnia różne produkty, takie jak BigQuery, Vertex AI, dzięki którym przepływ pracy ML jest opłacalny i skalowalny. Dowiesz się, jak wykorzystać te produkty w swoim potoku TFX.
Uruchamia potoki w zarządzanej usłudze potoku Vertex Pipelines.
Używanie BigQuery jako źródła danych potoków uczenia maszynowego.
Korzystanie z zasobów w chmurze do szkolenia ML i obsługi za pomocą Vertex AI.
Wprowadzenie do korzystania z potoków platformy TFX i Cloud AI.

Dalsze kroki

Gdy już zdobędziesz podstawową wiedzę na temat TFX, zapoznaj się z dodatkowymi samouczkami i przewodnikami. I nie zapomnij przeczytać Podręcznika użytkownika TFX .
Wprowadzenie do TFX, komponent po komponencie, łącznie z kontekstem interaktywnym , bardzo przydatne narzędzie programistyczne. Kliknij przycisk Uruchom w Google Colab .
Samouczek pokazujący, jak tworzyć własne niestandardowe komponenty TFX.
Ten notatnik Google Colab pokazuje, jak można wykorzystać Walidację danych TensorFlow (TFDV) do badania i wizualizacji zbioru danych, w tym do generowania statystyk opisowych, wnioskowania o schemacie i znajdowania anomalii.
Ten notatnik Google Colab pokazuje, jak można wykorzystać analizę modelu TensorFlow (TFMA) do badania i wizualizacji cech zbioru danych oraz oceny wydajności modelu na kilku osiach dokładności.
W tym samouczku pokazano, jak można używać TensorFlow Serving do obsługi modelu przy użyciu prostego interfejsu API REST.