TensorFlow Extended (TFX) ist eine End-to-End-Plattform für die Bereitstellung von Produktions-ML-Pipelines
Wenn Sie bereit sind, Ihre Modelle von der Forschung in die Produktion zu überführen, 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 mit TFX-Bibliotheken erstellt, die auch einzeln verwendet werden können.
Wie Unternehmen TFX verwenden
Lösungen für häufige Probleme
Entdecken Sie Schritt-für-Schritt-Anleitungen, die Ihnen bei Ihren Projekten helfen.
Dieser Leitfaden trainiert ein neuronales Netzwerkmodell, um Bilder von Kleidung wie Turnschuhen und Hemden zu klassifizieren, speichert das trainierte Modell und stellt es dann mit TensorFlow Serving bereit. Der Fokus liegt auf TensorFlow Serving und nicht auf der Modellierung und dem Training 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, beginnend mit der Untersuchung des Datensatzes bis hin zu einer vollständig funktionierenden Pipeline.
Erfahren Sie, wie TensorFlow Extended (TFX) Modelle für maschinelles Lernen erstellen und bewerten kann, die auf dem Gerät bereitgestellt werden. TFX bietet jetzt native Unterstützung für TFLite, die eine hocheffiziente Inferenz auf mobilen Geräten ermöglicht.
Viele Partner und Entwickler haben zu dem Projekt beigetragen und jetzt ist TFX 1.0 da! Neben der Unterstützung für NLP-, Mobil- und Webanwendungen bietet die neue Version stabile öffentliche APIs und Artefakte für TFX OSS-Benutzer.
Erfahren Sie, wie Google ML-Produkte mit TFX erstellt. TFX läuft fast überall, auch in Cloud AI Pipelines. Das Training Ihres Modells ist nur der Anfang, aber Sie können mit Production ML mithilfe von TFX vom Nullpunkt zum Helden werden und Ihre erstaunliche Anwendung für die Welt bereit machen!
Verbessern Sie die Benutzererfahrung der Website, indem Sie ein benutzerdefiniertes Modell für maschinelles Lernen mit Website-Navigationsdaten trainieren, um die nächsten Seiten vorherzusagen, und eine Angular-App verwenden, um den Inhalt vorab abzurufen und die Website-Geschwindigkeit zu verbessern.
Erfahren Sie, wie Sie ein Modell mithilfe der TFX RunInference API mit Google Cloud Dataflow effizient bereitstellen können. Dieser Beitrag bietet eine exemplarische Vorgehensweise für gängige Szenarien, von der Standardinferenz über die Nachbearbeitung bis hin zur Verwendung der RunInference-API an mehreren Stellen in der Pipeline.
Die Beteiligung der Gemeinschaft
Sehen Sie sich weitere Möglichkeiten zur Teilnahme an der TensorFlow-Community an.