Giúp bảo vệ Great Barrier Reef với TensorFlow trên Kaggle Tham Challenge

TensorFlow trong hướng dẫn Sản xuất

Cách tốt nhất để học TensorFlow Extended (TFX) là vừa học vừa làm. Các hướng dẫn này là các ví dụ tập trung về các phần chính của TFX. Chúng bao gồm các hướng dẫn dành cho người mới bắt đầu để bắt đầu và các hướng dẫn nâng cao hơn cho khi bạn thực sự muốn đi sâu vào các phần nâng cao hơn của TFX.

TFX 1.0

Chúng tôi rất vui mừng thông báo sự sẵn có của TFX 1.0.0 . Đây là bản phát hành sau beta đầu tiên của TFX, cung cấp các API và tạo tác công khai ổn định. Bạn có thể yên tâm rằng đường ống TFX tương lai của bạn sẽ tiếp tục làm việc sau khi nâng cấp trong phạm vi khả năng tương thích định nghĩa trong này RFC .

Hướng dẫn bắt đầu

Có thể là đường ống đơn giản nhất mà bạn có thể xây dựng, để giúp bạn bắt đầu. Nhấp vào Run trong nút Google Colab.
Xây dựng trên đường ống đơn giản để thêm các thành phần xác thực dữ liệu.
Xây dựng trên đường dẫn xác thực dữ liệu để thêm một thành phần kỹ thuật tính năng.
Xây dựng trên đường ống đơn giản để thêm một thành phần phân tích mô hình.

TFX trên Google Cloud

Google Cloud cung cấp các sản phẩm khác nhau như BigQuery, Vertex AI để làm cho quy trình làm việc ML của bạn hiệu quả về chi phí và có thể mở rộng. Bạn sẽ học cách sử dụng các sản phẩm đó trong đường dẫn TFX của mình.
Chạy đường ống trên dịch vụ đường ống được quản lý, Đường ống nền tảng AI trên nền tảng đám mây.
Sử dụng BigQuery làm nguồn dữ liệu của các đường ống ML.
Sử dụng tài nguyên đám mây để đào tạo và phục vụ ML với Vertex AI.
Giới thiệu về cách sử dụng Hệ thống nền tảng TFX và Cloud AI.

Bước tiếp theo

Khi bạn đã hiểu cơ bản về TFX, hãy xem các hướng dẫn và hướng dẫn bổ sung này. Và đừng quên để đọc TFX hướng dẫn .
Một giới thiệu thành phần-by-thành phần để TFX, bao gồm bối cảnh tương tác, một công cụ phát triển rất hữu ích. Nhấp vào Run trong nút Google Colab.
Hướng dẫn chỉ ra cách phát triển các thành phần TFX tùy chỉnh của riêng bạn.
Sổ tay Google Colab này trình bày cách xác thực dữ liệu TensorFlow (TFDV) có thể được sử dụng để điều tra và trực quan hóa tập dữ liệu, bao gồm tạo thống kê mô tả, suy ra giản đồ và tìm ra điểm bất thường.
Máy tính xách tay Google Colab này trình bày cách sử dụng Phân tích mô hình TensorFlow (TFMA) để điều tra và trực quan hóa các đặc điểm của tập dữ liệu và đánh giá hiệu suất của mô hình theo một số trục chính xác.
Hướng dẫn này trình bày cách có thể sử dụng TensorFlow Serving để phục vụ một mô hình bằng cách sử dụng API REST đơn giản.

Video và cập nhật

Theo dõi các TFX YouTube Danh sách phátviết blog cho các video và cập nhật mới nhất.