TensorFlow dalam Tutorial Produksi

Tutorial ini akan membantu Anda memulai, dan membantu Anda mempelajari beberapa cara berbeda dalam bekerja dengan TFX untuk alur kerja produksi dan penerapan. Secara khusus, Anda akan mempelajari dua gaya utama dalam mengembangkan pipeline TFX:

  • Menggunakan InteractiveContext untuk mengembangkan alur di buku catatan, bekerja dengan satu komponen dalam satu waktu. Gaya ini membuat pengembangan lebih mudah dan lebih Pythonic.
  • Mendefinisikan keseluruhan pipeline dan mengeksekusinya dengan runner. Ini adalah tampilan pipeline Anda saat Anda menerapkannya.

Memulai tutorial

Mungkin merupakan pipeline paling sederhana yang dapat Anda bangun, untuk membantu Anda memulai. Klik tombol Jalankan di Google Colab .
Membangun pipeline sederhana untuk menambahkan komponen validasi data.
Membangun pipeline validasi data untuk menambahkan komponen rekayasa fitur.
Membangun pipeline sederhana untuk menambahkan komponen analisis model.

TFX di Google Cloud

Google Cloud menyediakan berbagai produk seperti BigQuery, Vertex AI untuk membuat alur kerja ML Anda hemat biaya dan skalabel. Anda akan belajar cara menggunakan produk tersebut di saluran TFX Anda.
Menjalankan alur pada layanan pipa terkelola, Vertex Pipelines.
Menggunakan BigQuery sebagai sumber data pipeline ML.
Menggunakan sumber daya cloud untuk pelatihan dan penyajian ML dengan Vertex AI.
Pengantar penggunaan TFX dan Cloud AI Platform Pipelines.

Langkah berikutnya

Setelah Anda memiliki pemahaman dasar tentang TFX, periksa tutorial dan panduan tambahan ini. Dan jangan lupa membaca Panduan Pengguna TFX .
Pengenalan komponen demi komponen ke TFX, termasuk konteks interaktif , alat pengembangan yang sangat berguna. Klik tombol Jalankan di Google Colab .
yang menunjukkan cara mengembangkan komponen TFX kustom Anda sendiri.
Notebook Google Colab ini menunjukkan bagaimana Validasi Data TensorFlow (TFDV) dapat digunakan untuk menyelidiki dan memvisualisasikan kumpulan data, termasuk menghasilkan statistik deskriptif, menyimpulkan skema, dan menemukan anomali.
Notebook Google Colab ini menunjukkan bagaimana TensorFlow Model Analysis (TFMA) dapat digunakan untuk menyelidiki dan memvisualisasikan karakteristik kumpulan data serta mengevaluasi performa model pada beberapa sumbu akurasi.
Tutorial ini menunjukkan bagaimana TensorFlow Serving dapat digunakan untuk menyajikan model menggunakan REST API sederhana.