به انجمن SIG TFX-Addons بپیوندید و به پیشرفت TFX کمک کنید!

آموزش TensorFlow در تولید

بهترین راه برای یادگیری TensorFlow Extended (TFX) یادگیری با انجام کار است. این آموزشها نمونه هایی متمرکز از بخشهای اصلی TFX هستند. آنها شامل آموزشهای مبتدی برای شروع کار و آموزشهای پیشرفته تری برای مواردی هستند که واقعاً می خواهید در قسمتهای پیشرفته تری از TFX فرو بروید.

TFX 1.0

ما خوشحال به اعلام در دسترس بودن هستند TFX 1.0.0 . این نسخه اولیه انتشار TFX پس از بتا است که API ها و مصنوعات عمومی پایدار را فراهم می کند. شما می توانید مطمئن باشید که خطوط لوله TFX آینده خود را حفظ خواهد کرد پس از ارتقا در حوزه سازگاری تعریف شده در این RFC .

شروع آموزشها

احتمالاً ساده ترین خط لوله ای است که می توانید بسازید تا به شما در شروع کار کمک کند. با کلیک بر روی Run در دکمه گوگل COLAB.
ساخت خط لوله ساده برای افزودن م .لفه های اعتبار سنجی داده ها.
ساخت خط لوله اعتبار سنجی داده ها برای افزودن یک م engineeringلفه مهندسی ویژگی.
ساخت خط لوله ساده برای افزودن م componentلفه تحلیل مدل.

TFX در Google Cloud

Google Cloud محصولات مختلفی مانند BigQuery ، Vertex AI را ارائه می دهد تا گردش کار ML شما را مقرون به صرفه و مقیاس پذیر کند. شما می آموزید که چگونه از این محصولات در خط لوله TFX خود استفاده کنید.
اجرای خطوط لوله در سرویس خط لوله مدیریت شده ، Cloud AI Platform Pipelines.
استفاده از BigQuery به عنوان منبع داده خطوط لوله ML.
استفاده از منابع ابری برای آموزش ML با Vertex AI Training.
مقدمه ای برای استفاده از خطوط لوله TFX و Cloud AI Platform.

مراحل بعدی

پس از درک اولیه TFX ، این آموزش ها و راهنماهای اضافی را بررسی کنید. و فراموش نکنید که به خواندن TFX راهنمای کاربر .
معرفی مولفه های جزء به TFX، از جمله زمینه های تعاملی، یک ابزار توسعه بسیار مفید است. با کلیک بر روی Run در دکمه گوگل COLAB.
یک آموزش که نشان می دهد چگونه می توان اجزای TFX سفارشی خود را توسعه داد.
این نوت بوک Google Colab نشان می دهد که چگونه می توان از TensorFlow Validation Data (TFDV) برای بررسی و تجسم یک مجموعه داده استفاده کرد ، از جمله تولید آمار توصیفی ، استنباط طرحواره و یافتن ناهنجاری ها.
این نوت بوک Google Colab نشان می دهد که چگونه می توان از TensorFlow Analysis Model (TFMA) برای بررسی و تجسم مشخصات یک مجموعه داده و ارزیابی عملکرد یک مدل در چندین محور دقت استفاده کرد.
این آموزش نشان می دهد که چگونه می توان از TensorFlow خدمت با استفاده از REST API ساده برای ارائه مدل استفاده کرد.