TensorFlow Extended (TFX) یک پلت فرم پایان به انتها برای استقرار خطوط تولید ML است
هنگامی که آماده هستید مدل های خود را از تحقیق به تولید منتقل کنید ، از TFX برای ایجاد و مدیریت خط لوله تولید استفاده کنید.
چگونه کار می کند
خط لوله TFX توالی اجزای سازنده خط لوله ML است که بطور خاص برای کارهای یادگیری ماشین مقیاس پذیر و با کارایی بالا طراحی شده است. کامپوننت ها با استفاده از کتابخانه های TFX ساخته می شوند که می توانند به صورت جداگانه نیز مورد استفاده قرار گیرند.
راه حل مشکلات مشترک
برای کمک به شما در انجام پروژه ها ، آموزش های گام به گام را کاوش کنید.
این راهنما یک مدل شبکه عصبی را برای طبقه بندی تصاویر لباس ، مانند کفش های کتانی و پیراهن آموزش می دهد ، مدل آموزش دیده را ذخیره می کند و سپس آن را با سرویس TensorFlow سرو می کند. تمرکز بر سرویس دهی TensorFlow است ، نه مدل سازی و آموزش در TensorFlow.
مقدمه ای بر TensorFlow Extended (TFX) و Cloud AI Platform Pipelines برای ایجاد خطوط یادگیری ماشین خود در Google Cloud. یک فرایند معمول توسعه ML را دنبال کنید ، ابتدا با بررسی مجموعه داده ها ، و در پایان با یک خط لوله کامل کار.
بیاموزید که چگونه TensorFlow Extended (TFX) می تواند مدل های یادگیری ماشین را که روی دستگاه مستقر می شوند ، ایجاد و ارزیابی کند. TFX اکنون پشتیبانی محلی از TFLite را فراهم می کند ، که انجام استنباط بسیار کارآمد در دستگاه های تلفن همراه را امکان پذیر می کند.
نحوه استفاده شرکتها از TFX
اخبار و اطلاعیه ها
وبلاگ و لیست پخش YouTube ما را برای محتوای TFX اضافی بررسی کنید ،
برای عضویت در خبرنامه ماهانه TensorFlow ما
آخرین اطلاعیه هایی که مستقیماً به صندوق ورودی شما ارسال می شوند.
پیچیدگی کد ML و مصنوعات مانند مدل ها ، مجموعه داده ها و موارد دیگر به کنترل نسخه نیاز دارد. به همین دلیل ما متادیتای یادگیری ماشین (MLMD) را ایجاد کردیم ، یک کتابخانه برای ردیابی نسب کامل کل کار ML شما.
در این به روزرسانی ، اصول TFX را پوشش خواهیم داد و موارد جدید امسال را برای کمک به شما در زمینه کار برجسته خواهیم کرد. ما همچنین به شما چگونگی تنظیم سیستم خط لوله تولید با TFX می دهیم.
از آموزش ساختاری عصبی می توان برای آموزش شبکه های عصبی با سیگنال های ساخت یافته استفاده کرد. بیاموزید که چگونه یک مدل تنظیم شده با نمودار با NSL در TFX با استفاده از م componentsلفه های سفارشی بسازید و خودتان آن را در یک Colab تعاملی امتحان کنید.
یک تور گرداب از سیبیل و TFX ، دو سیستم عامل ML پایان به پایان (E2E) در Alphabet. بیاموزید که چگونه تاریخچه TFX به اطلاع مهندسی ML کمک کرده است.