Treten Sie der SIG TFX-Addons-Community bei und helfen Sie, TFX noch besser zu machen!
Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

TensorFlow in Produktions-Tutorials

Der beste Weg, um TensorFlow Extended (TFX) zu lernen, ist das Lernen durch Handeln. Diese Tutorials sind fokussierte Beispiele für die wichtigsten Teile von TFX. Dazu gehören Anfänger-Tutorials für den Einstieg und fortgeschrittenere Tutorials, wenn Sie wirklich in fortgeschrittenere Teile von TFX eintauchen möchten.

Erste Schritte Tutorials

Wahrscheinlich die einfachste Pipeline, die Sie erstellen können, um Ihnen den Einstieg zu erleichtern. Klicken Sie auf die Schaltfläche In Google Colab ausführen.
Aufbauend auf der einfachen Pipeline zum Hinzufügen von Datenvalidierungskomponenten.
Aufbauend auf der Datenvalidierungspipeline, um eine Feature-Engineering-Komponente hinzuzufügen.
Aufbauend auf der einfachen Pipeline zum Hinzufügen einer Modellanalysekomponente.

Nächste Schritte

Wenn Sie ein grundlegendes Verständnis von TFX haben, lesen Sie diese zusätzlichen Tutorials und Anleitungen. Und vergessen Sie nicht, das TFX-Benutzerhandbuch zu lesen.
Eine komponentenweise Einführung in TFX, einschließlich des interaktiven Kontexts , ist ein sehr nützliches Entwicklungswerkzeug. Klicken Sie auf die Schaltfläche In Google Colab ausführen.
Ein Tutorial, das zeigt, wie Sie Ihre eigenen benutzerdefinierten TFX-Komponenten entwickeln.
Eine Einführung in die Verwendung von TFX- und Cloud AI-Plattform-Pipelines, um zu erfahren, wie Sie Pipelines für maschinelles Lernen in Google Cloud erstellen.
Dieses Google Colab-Notizbuch zeigt, wie mit TensorFlow Data Validation (TFDV) ein Datensatz untersucht und visualisiert werden kann, einschließlich des Generierens beschreibender Statistiken, des Ableitens eines Schemas und des Auffindens von Anomalien.
Dieses Google Colab-Notizbuch zeigt, wie mit der TensorFlow-Modellanalyse (TFMA) die Eigenschaften eines Datensatzes untersucht und visualisiert und die Leistung eines Modells entlang mehrerer Genauigkeitsachsen bewertet werden können.
Dieses Tutorial zeigt, wie TensorFlow Serving verwendet werden kann, um ein Modell mithilfe einer einfachen REST-API bereitzustellen.