TensorFlow Extended (TFX) ist eine End-to-End-Plattform für die Bereitstellung von ML-Produktionspipelines
Wenn Sie bereit sind, Ihre Modelle von der Forschung in die Produktion zu verlagern, verwenden Sie TFX, um eine Produktionspipeline zu erstellen und zu verwalten.
Wie es funktioniert
Eine TFX-Pipeline ist eine Folge von Komponenten, die eine ML-Pipeline implementieren, die speziell für skalierbare, leistungsstarke maschinelle Lernaufgaben entwickelt wurde. Komponenten werden mithilfe von TFX-Bibliotheken erstellt, die auch einzeln verwendet werden können.
Wie Unternehmen TFX einsetzen
Lösungen für häufig auftretende Probleme
Entdecken Sie Schritt-für-Schritt-Anleitungen, die Sie bei Ihren Projekten unterstützen.
In diesem Handbuch wird ein neuronales Netzwerkmodell trainiert, um Bilder von Kleidung wie Turnschuhen und Hemden zu klassifizieren, das trainierte Modell zu speichern und es dann mit TensorFlow Serving bereitzustellen. Der Schwerpunkt liegt auf dem TensorFlow-Serving und nicht auf der Modellierung und Schulung in TensorFlow.
Eine Einführung in TensorFlow Extended (TFX) und Cloud AI Platform Pipelines zum Erstellen eigener Pipelines für maschinelles Lernen in Google Cloud. Folgen Sie einem typischen ML-Entwicklungsprozess, indem Sie zunächst den Datensatz untersuchen und eine vollständige Arbeitspipeline erstellen.
Erfahren Sie, wie TensorFlow Extended (TFX) maschinelle Lernmodelle erstellen und bewerten kann, die auf dem Gerät bereitgestellt werden. TFX bietet jetzt native Unterstützung für TFLite, wodurch hocheffiziente Inferenzen auf Mobilgeräten durchgeführt werden können.
Nachrichten & Ankündigungen
Weitere TFX-Inhalte finden Sie in unserem Blog und in der YouTube-Wiedergabeliste .
und abonnieren Sie unseren monatlichen TensorFlow-Newsletter, um die
Die neuesten Ankündigungen werden direkt an Ihren Posteingang gesendet.
OpenX nutzte mehrere Produkte im TensorFlow-Ökosystem und in der Google Cloud, darunter TF Serving und Kubeflow Pipelines, um einen Service zu erstellen, der den Datenverkehr für nachfrageseitige Plattformen im Adtech-Bereich priorisiert.
Die Komplexität von ML-Code und Artefakten wie Modellen, Datensätzen und vielem mehr erfordert eine Versionskontrolle. Aus diesem Grund haben wir Machine Learning Metadata (MLMD) erstellt, eine Bibliothek, mit der Sie die gesamte Linie Ihres gesamten ML-Workflows verfolgen können.
In diesem Update werden die TFX-Grundlagen behandelt und die Neuerungen in diesem Jahr hervorgehoben, um Ihnen den Einstieg zu erleichtern. Wir zeigen Ihnen auch einen praktischen Einblick in die Zusammenstellung eines Produktionspipelinesystems mit TFX.
Neuronales strukturiertes Lernen kann verwendet werden, um neuronale Netze mit strukturierten Signalen zu trainieren. Erfahren Sie, wie Sie mit NSL in TFX mithilfe benutzerdefinierter Komponenten ein grafisch reguliertes Modell erstellen und es selbst in einem interaktiven Colab ausprobieren.
Die Beteiligung der Gemeinschaft
Weitere Möglichkeiten zur Teilnahme an der TensorFlow-Community.