Bantuan melindungi Great Barrier Reef dengan TensorFlow pada Kaggle Bergabung Tantangan

TensorFlow dalam tutorial Produksi

Cara terbaik untuk mempelajari TensorFlow Extended (TFX) adalah belajar sambil melakukan. Tutorial ini adalah contoh terfokus dari bagian-bagian penting dari TFX. Mereka termasuk tutorial pemula untuk memulai, dan tutorial lebih lanjut ketika Anda benar-benar ingin menyelami bagian TFX yang lebih maju.

TFX 1.0

Kami dengan senang hati mengumumkan ketersediaan TFX 1.0.0 . Ini adalah rilis pasca-beta awal TFX, yang menyediakan API dan artefak publik yang stabil. Anda dapat yakin bahwa masa depan Anda jaringan pipa TFX akan tetap bekerja setelah upgrade dalam lingkup kompatibilitas didefinisikan dalam ini RFC .

Memulai tutorial

Mungkin saluran pipa paling sederhana yang dapat Anda buat, untuk membantu Anda memulai. Klik Run di tombol Google CoLab.
Membangun alur sederhana untuk menambahkan komponen validasi data.
Membangun jalur validasi data untuk menambahkan komponen rekayasa fitur.
Membangun jalur pipa 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 pipeline pada layanan pipeline terkelola, Cloud AI Platform Pipelines.
Menggunakan BigQuery sebagai sumber data pipeline ML.
Menggunakan sumber daya cloud untuk pelatihan dan penyajian ML dengan Vertex AI.
Pengantar tentang penggunaan TFX dan Cloud AI Platform Pipelines.

Langkah selanjutnya

Setelah Anda memiliki pemahaman dasar tentang TFX, periksa tutorial dan panduan tambahan ini. Dan jangan lupa untuk membaca TFX Panduan Pengguna .
Sebuah pengantar komponen-by-komponen untuk TFX, termasuk konteks interaktif, alat perkembangan yang sangat berguna. Klik Run di tombol Google CoLab.
Tutorial yang menunjukkan cara mengembangkan komponen TFX kustom Anda sendiri.
Notebook Google Colab ini menunjukkan bagaimana TensorFlow Data Validation (TFDV) dapat digunakan untuk menyelidiki dan memvisualisasikan kumpulan data, termasuk membuat 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 dan mengevaluasi kinerja model di beberapa sumbu akurasi.
Tutorial ini menunjukkan bagaimana TensorFlow Serving dapat digunakan untuk melayani model menggunakan REST API sederhana.