TensorFlow Extended (TFX) es una plataforma de extremo a extremo para implementar canalizaciones de producción de AA

Cuando estés listo para que tus modelos pasen de la investigación a la producción, usa TFX para crear y administrar una canalización de producción.

Run Colab

This interactive tutorial walks through each built-in component of TFX.

Ver los instructivos

Los instructivos te muestran cómo usar TFX con ejemplos completos de extremo a extremo.

Ver la guía

Las guías explican los conceptos y los componentes de TFX.

Cómo funciona

Una vez que estás listo para ir más allá del entrenamiento de un único modelo o para poner tu increíble modelo en funcionamiento y llevarlo a la producción, TFX está ahí para ayudarte a compilar una canalización completa de AA.

Una canalización de TFX es una secuencia de componentes que implementan una canalización de AA que se diseñó específicamente para tareas de aprendizaje automático escalables y de alto rendimiento. Eso incluye el modelado, el entrenamiento, la inferencia de entrega y la administración de implementaciones en orientaciones en línea, nativas para dispositivos móviles y JavaScript. Para obtener más información, lee nuestra Guía para usuarios de TFX.

Los componentes de la canalización se compilan con bibliotecas de TFX que también se pueden usar de manera individual. A continuación, hay una descripción general de esas bibliotecas subyacentes.

TensorFlow Data Validation

TensorFlow Data Validation (TFDV) ayuda a que los desarrolladores comprendan, validen y supervisen sus datos de AA a gran escala. La TFDV se usa para analizar y validar los petabytes de datos en Google todos los días, y tiene una trayectoria comprobada en ayudar a que los usuarios de TFX mantengan el estado de sus canalizaciones de AA.

TensorFlow Transform

Cuando se aplica el aprendizaje automático a conjuntos de datos reales, se requiere un gran esfuerzo para procesar previamente los datos a fin de darles un formato adecuado. Esto incluye la conversión entre formatos, la asignación de tokens, la lematización de texto, la formación de vocabularios y la realización de una variedad de operaciones numéricas, tales como la normalización. Puedes hacer todo eso con tf.Transform.

TensorFlow Model Analysis

TensorFlow Model Analysis (TFMA) permite que los desarrolladores calculen y visualicen métricas de evaluación para sus modelos. Antes de implementar cualquier modelo de aprendizaje automático (AA), los desarrolladores de AA deben evaluar el rendimiento de los modelos para asegurarse de que cumplen con los umbrales de calidad específicos y se comportan como se espera con todos los segmentos relevantes de datos. Por ejemplo, es posible que un modelo tenga un AUC aceptable en todo el conjunto de datos evaluado, pero que no funcione como es debido en segmentos específicos. El TFMA les brinda a los desarrolladores las herramientas para lograr una comprensión profunda del rendimiento de sus modelos.

TensorFlow Serving

Los sistemas de entrega de aprendizaje automático (AA) deben ser compatibles con el control de versiones de modelos (para las actualizaciones de modelos con una opción de reversión) y con múltiples modelos (para la experimentación mediante pruebas A/B), y al mismo tiempo asegurar que los modelos simultáneos alcancen una capacidad de procesamiento alta en los aceleradores de hardware (GPU y TPU) con baja latencia. TensorFlow Serving demostró su rendimiento al controlar cientos de millones de inferencias por segundo en Google.

Soluciones para problemas comunes

Explora instructivos paso a paso para obtener ayuda con tus proyectos.

Intermedio
Entrena y entrega un modelo de TensorFlow con TensorFlow Serving

Esta guía entrena un modelo de red neuronal para que clasifique imágenes de ropa, como zapatillas y camisas, guarde el modelo entrenado y después lo entregue con TensorFlow Serving. Se centra en TensorFlow Serving, en lugar del modelado y entrenamiento en TensorFlow.

Intermedio
Crea canalizaciones de TFX alojadas en Google Cloud

Una introducción a TensorFlow Extended (TFX) y a las canalizaciones de Cloud AI Platform para que crees tus propias canalizaciones de aprendizaje automático en Google Cloud. Sigue un típico proceso de desarrollo de AA: comienza por el análisis del conjunto de datos y termina con una canalización completa y en funcionamiento.

Intermedio
Usa TFX con TensorFlow Lite para la inferencia en el dispositivo

Aprende cómo TensorFlow Extended (TFX) puede crear y evaluar modelos de aprendizaje automático que se implementarán en el dispositivo. TFX ahora cuenta con compatibilidad nativa para TFLite, lo que posibilita realizar inferencia de alta eficiencia en los dispositivos móviles.

Noticias y anuncios

Visita nuestro blog y nuestra lista de reproducción de YouTube para encontrar contenido adicional de TFX
y suscríbete a nuestro boletín informativo mensual de TensorFlow para recibir los
anuncios más recientes directamente en tu casilla de correo.

June 8, 2020 
Fast, scalable and accurate NLP: Why TFX is a perfect match for deploying BERT

Learn how SAP’s Concur Labs simplified the deployment of BERT models through TensorFlow libraries and extensions in this two-part blog.

11 de marzo de 2020 
Introducción a las canalizaciones de Cloud AI Platform

Se anuncia el lanzamiento de la versión Beta de las canalizaciones de Cloud AI Platform, un entorno de ejecución para tus flujos de trabajo de AA que es seguro y fácil de instalar, y está listo para las empresas.

11 de marzo de 2020 
TFX: AA de producción con TensorFlow en 2020 (Cumbre de desarrolladores de TF 2020)

Aprende cómo está cambiando la plataforma de producción de IA de Google, TFX, en 2020. Mira un interesante ejemplo de cómo Airbus usa TFX.

Continue
9 de marzo de 2020
Keras nativo en TFX

La actualización de TensorFlow 2.0 incorporó muchos atributos nuevos y mejoras, entre ellos la integración estrecha con Keras. Aprende cómo los componentes de TFX son compatibles con Keras nativo.