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, erstellen und verwalten Sie mit TFX eine Produktionspipeline.
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.
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.
Wie Unternehmen TFX einsetzen
Nachrichten & Ankündigungen
Weitere TFX-Inhalte finden Sie in unserem Blog und in der YouTube-Wiedergabeliste .
und abonnieren Sie unseren monatlichen TensorFlow-Newsletter
Die neuesten Ankündigungen werden direkt an Ihren Posteingang gesendet.
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.
Eine Wirbelsturm-Tour durch Sibyl und TFX, zwei aufeinanderfolgende End-to-End-ML-Plattformen (E2E) bei Alphabet. Erfahren Sie, wie die Geschichte von TFX dazu beigetragen hat, die Disziplin von ML Engineering zu informieren.
TFX und TFJS haben sich mit Magenta zusammengetan, um eine neue KI-gesteuerte Erfahrung für den indischen Unabhängigkeitstag zu starten, die die Stimmen der Benutzer in Instrumente verwandelt, die zusammenkommen, um die indische Kultur durch ein gemeinsames Musikprojekt zu feiern.
In diesem zweiteiligen Blog erfahren Sie, wie die Concur Labs von SAP die Bereitstellung von BERT-Modellen durch TensorFlow-Bibliotheken und -Erweiterungen vereinfacht haben.
Die Beteiligung der Gemeinschaft
Weitere Möglichkeiten zur Teilnahme an der TensorFlow-Community.