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.
Cómo funciona
Una canalización de TFX es una secuencia de componentes que implementan una canalización de AA, la cual está específicamente diseñada para tareas de aprendizaje automático escalables y de alto rendimiento. Los componentes se compilan con bibliotecas de TFX que también se pueden usar de manera individual.
Cómo usan TFX las empresas
Soluciones para problemas comunes
Explora instructivos paso a paso para obtener ayuda con tus proyectos.
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. En lugar de centrarse en el modelado y entrenamiento en TensorFlow, lo hace en TensorFlow Serving.
Una introducción a TensorFlow Extended (TFX) y a AI Platform Pipelines de Cloud 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.
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.
OpenX leveraged several products in the TensorFlow ecosystem & Google Cloud, including TF Serving and Kubeflow Pipelines, to build a service that prioritizes traffic to demand side platforms in the adtech space.
Es necesario hacer controles de versión debido a la complejidad del código y artefactos de AA, como modelos y conjuntos de datos, entre otros. Por eso creamos Machine Learning Metadata (MLMD), una biblioteca para hacer un seguimiento del linaje completo de todo tu flujo de trabajo de AA.
En esta actualización, explicamos los conceptos básicos de TFX y las novedades destacadas de este año para ayudarte a comenzar. También te mostraremos una práctica de ejemplo para que aprendas a elaborar un sistema de canalización de producción con TFX.
El aprendizaje estructurado neuronal se puede usar para entrenar redes neuronales con indicadores estructurados. Obtén información sobre cómo construir un modelo regulado por grafos con NSL en TFX mediante componentes personalizados y pruébalo tú mismo en un notebook interactivo de Colab.
Participación de la comunidad
Descubre más formas de participar en la comunidad de TensorFlow.