درباره TFX س Quesالی دارید؟ به ما در Google I / O بپیوندید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

TensorFlow Extended (TFX) یک پلت فرم پایان به انتهای 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.

کولاب را اجرا کنید

این آموزش تعاملی از طریق هر یک از اجزای داخلی TFX مرور می شود.

به آموزش ها مراجعه کنید

آموزشها نحوه استفاده از TFX را با مثالهای کامل ، پایان به انتها به شما نشان می دهند.

به راهنما مراجعه کنید

راهنما مفاهیم و اجزای TFX را توضیح می دهد.

چگونه کار می کند

خط لوله TFX توالی اجزای سازنده خط لوله ML است که به طور 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 رایج

برای کمک به شما در انجام پروژه ها ، آموزش های گام به گام را کاوش کنید.

حد واسط
یک مدل TensorFlow را با سرویس TensorFlow آموزش داده و خدمت 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.

حد واسط
خطوط لوله TFX را در Google Cloud میزبانی کنید

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.

حد واسط
برای استنباط روی دستگاه از TFX با TensorFlow Lite استفاده کنید

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.

اخبار و اطلاعیه ها

وبلاگ و لیست پخش YouTube ما را برای محتوای اضافی TFX بررسی کنید ،
برای عضویت در خبرنامه ماهانه TensorFlow ما
آخرین اطلاعیه هایی که مستقیماً به صندوق ورودی شما ارسال می شوند.

15 فوریه 2021  
چگونه OpenX در کمتر از 15 میلی ثانیه برای یک میلیون درخواست در هر ثانیه تمرین می کند و خدمت می کند

OpenX از چندین محصول در اکوسیستم TensorFlow و Google Cloud استفاده کرد ، از جمله TF Serving و Kubeflow Pipelines ، برای ساخت خدماتی که برای تقاضای سیستم عامل های جانبی در فضای adtech ، ترافیک را اولویت بندی می کند.

8 ژانویه 2021  
ML Metadata: کنترل نسخه برای ML

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) ، کتابخانه ای را برای ردیابی نسب کامل کل گردش کار ML شما ایجاد کردیم.

3 دسامبر 2020  
مهندسی ML برای تولید استقرار ML با TFX

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 یک چگونگی تنظیم سیستم خط لوله تولید با TFX می دهیم.

ادامه
9 اکتبر 2020  
آموزش ساختاری عصبی در TFX

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.