TensorFlow in Production-Tutorials
Der beste Weg, um TensorFlow Extended (TFX) zu erlernen, besteht darin, durch Lernen zu lernen. Diese Tutorials sind fokussierte Beispiele für die wichtigsten Teile von TFX. Sie umfassen Anfänger-Tutorials für den Einstieg und fortgeschrittene Tutorials, wenn Sie wirklich in fortgeschrittene Teile von TFX eintauchen möchten.
TFX 1.0
Wir freuen uns , die Verfügbarkeit des ankündigen TFX 1.0.0 . Dies ist die erste Post-Beta-Version von TFX, die stabile öffentliche APIs und Artefakte bereitstellt. Sie können sicher sein , dass Ihre Zukunft TFX - Pipelines in der Kompatibilität Umfang nach einer Aktualisierung arbeiten halten in diesem definierten RFC .
Erste-Schritte-Tutorials
1. Starter-Pipeline
Wahrscheinlich die einfachste Pipeline, die Sie erstellen können, um Ihnen den Einstieg zu erleichtern. Klicken Sie auf den Run in Google Colab Taste.2. Datenvalidierung hinzufügen
Aufbauend auf der einfachen Pipeline zum Hinzufügen von Datenvalidierungskomponenten.3. Hinzufügen von Feature Engineering
Aufbauend auf der Datenvalidierungspipeline, um eine Feature-Engineering-Komponente hinzuzufügen.4. Modellanalyse hinzufügen
Aufbauend auf der einfachen Pipeline, um eine Modellanalysekomponente hinzuzufügen.TFX in Google Cloud
Ausführung auf Vertex-Pipelines
Ausführen von Pipelines in einem verwalteten Pipelinedienst, Cloud AI Platform Pipelines.Daten aus BigQuery lesen
BigQuery als Datenquelle für ML-Pipelines verwenden.Vertex-KI-Schulung
Verwenden von Cloud-Ressourcen für ML-Training mit Vertex AI Training.TFX auf Cloud AI Platform-Pipelines
Eine Einführung in die Verwendung von TFX und Cloud AI Platform Pipelines.Nächste Schritte
Komplettes Pipeline-Tutorial
Eine Komponente-by-Komponenten Einführung in TFX, einschließlich dem interaktiven Kontext, ein sehr nützlichen Entwicklungswerkzeuges. Klicken Sie auf den Run in Google Colab Taste.Tutorial für benutzerdefinierte Komponenten
Ein Tutorial, das zeigt, wie Sie Ihre eigenen benutzerdefinierten TFX-Komponenten entwickeln.Datenvalidierung
Dieses Google Colab-Notebook zeigt, wie TensorFlow Data Validation (TFDV) verwendet werden kann, um einen Datensatz zu untersuchen und zu visualisieren.Modellanalyse
Dieses Google Colab-Notebook zeigt, wie die TensorFlow-Modellanalyse (TFMA) verwendet werden kann, um die Eigenschaften eines Datensatzes zu untersuchen und zu visualisieren und die Leistung eines Modells entlang mehrerer Genauigkeitsachsen zu bewerten.Ein Modell bedienen
Dieses Tutorial zeigt, wie TensorFlow Serving verwendet werden kann, um ein Modell mit einer einfachen REST-API bereitzustellen.Videos und Updates
Abonnieren Sie den TFX YouTube - Playlist und Blog für die neuesten Videos und Updates.