Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Những hướng dẫn này sẽ giúp bạn bắt đầu và giúp bạn tìm hiểu một số cách làm việc khác nhau với TFX cho quy trình sản xuất và triển khai. Đặc biệt, bạn sẽ tìm hiểu hai phong cách chính để phát triển quy trình TFX:
Sử dụng InteractiveContext để phát triển quy trình trong sổ tay, làm việc với từng thành phần một. Phong cách này làm cho việc phát triển dễ dàng hơn và mang tính Pythonic hơn.
Xác định toàn bộ đường dẫn và thực thi nó bằng một trình chạy. Đây là giao diện của đường ống khi bạn triển khai chúng.
Hướng dẫn bắt đầu
- __1. Đường dẫn khởi đầu__ --- Có lẽ là đường dẫn đơn giản nhất mà bạn có thể xây dựng để giúp bạn bắt đầu. Nhấp vào nút _Run trong Google Colab_. [:octicons-arrow-right-24: Đường dẫn khởi đầu](tutorials/tfx/penguin_simple) - __2. Thêm xác thực dữ liệu__ --- Xây dựng trên quy trình đơn giản để thêm các thành phần xác thực dữ liệu. [:octicons-arrow-right-24: Xác thực dữ liệu](tutorials/tfx/penguin_tfdv) - __3. Thêm kỹ thuật tính năng__ --- Xây dựng trên quy trình xác thực dữ liệu để thêm thành phần kỹ thuật tính năng. [:octicons-arrow-right-24: Kỹ thuật tính năng](tutorials/tfx/penguin_tft) - __4. Thêm phân tích mô hình__ --- Xây dựng trên quy trình đơn giản để thêm thành phần phân tích mô hình. [:octicons-arrow-right-24: Phân tích mô hình](tutorials/tfx/penguin_tfma)
TFX trên Google Cloud
Google Cloud cung cấp nhiều sản phẩm khác nhau như BigQuery, Vertex AI để giúp quy trình làm việc ML của bạn tiết kiệm chi phí và có thể mở rộng. Bạn sẽ học cách sử dụng những sản phẩm đó trong quy trình TFX của mình.
- __Chạy trên Đường ống Vertex__ --- Chạy đường ống trên dịch vụ đường ống được quản lý, Đường ống Vertex. [:octicons-arrow-right-24: Vertex Pipelines](tutorials/tfx/gcp/vertex_pipelines_simple) - __Đọc dữ liệu từ BigQuery__ --- Sử dụng BigQuery làm nguồn dữ liệu của quy trình ML. [:octicons-arrow-right-24: BigQuery](tutorials/tfx/gcp/vertex_pipelines_bq) - __Đào tạo và phục vụ Vertex AI__ --- Sử dụng tài nguyên đám mây để đào tạo và phục vụ ML với Vertex AI. [:octicons-arrow-right-24: Đào tạo và phục vụ Vertex](tutorials/tfx/gcp/vertex_pipelines_vertex_training) - __TFX trên Đường dẫn nền tảng AI trên nền tảng đám mây__ --- Giới thiệu về cách sử dụng Đường dẫn nền tảng TFX và Cloud AI. [:octicons-arrow-right-24: Cloud Pipelines](guides/tfx/cloud-ai-platform-pipelines)
Các bước tiếp theo
Khi bạn đã hiểu cơ bản về TFX, hãy xem các hướng dẫn và hướng dẫn bổ sung này. Và đừng quên đọc Hướng dẫn sử dụng TFX .
- __Hướng dẫn quy trình hoàn chỉnh__ --- Giới thiệu từng thành phần về TFX, bao gồm _ngữ cảnh tương tác_, một công cụ phát triển rất hữu ích. Nhấp vào nút _Run trong Google Colab_. [:octicons-arrow-right-24: Keras](tutorials/tfx/comComponents_keras) - __Hướng dẫn Thành phần Tùy chỉnh__ --- Hướng dẫn chỉ ra cách phát triển các thành phần TFX tùy chỉnh của riêng bạn. [:octicons-arrow-right-24: Thành phần tùy chỉnh](tutorials/tfx/python_function_comComponent) - __Data Validation__ --- Sổ tay Google Colab này trình bày cách có thể sử dụng tính năng Xác thực dữ liệu TensorFlow (TFDV) để điều tra và trực quan hóa một tập dữ liệu, bao gồm cả việc tạo thống kê mô tả, suy ra lược đồ và tìm ra các điểm bất thường. [:octicons-arrow-right-24: Data Validation](tutorials/data_validation/tfdv_basic) - __Model Analysis__ --- Sổ tay Google Colab này trình bày cách có thể sử dụng Phân tích mô hình TensorFlow (TFMA) để điều tra và trực quan hóa các đặc điểm của tập dữ liệu và đánh giá hiệu suất của một mô hình theo một số trục chính xác. [:octicons-arrow-right-24: Model Analysis](tutorials/model_analysis/tfma_basic) - __Serve a Model__ --- Hướng dẫn này trình bày cách TensorFlow Serve có thể được sử dụng để phục vụ một mô hình bằng cách sử dụng API REST đơn giản. [:octicons-arrow-right-24: Phân tích mô hình](hướng dẫn/phục vụ/rest_simple)