این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

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.

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 و پایان به پایان به شما نشان می دهند.

به راهنما مراجعه کنید

راهنما مفاهیم و اجزای TFX را توضیح می دهد.

چگونه کار می کند

هنگامی که شما آماده اید فراتر از آموزش یک مدل واحد بروید ، یا آماده اید که مدل شگفت انگیز خود را به کار بگیرید و آن را به سمت تولید سوق دهید ، TFX برای کمک به شما در ساخت یک خط لوله کامل ML وجود دارد.

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. این شامل مدل سازی ، آموزش ، ارائه استنباط و مدیریت استقرار در اهداف آنلاین ، تلفن همراه بومی و اهداف JavaScript است. برای کسب اطلاعات بیشتر ، راهنمای کاربر TFX ما را بخوانید.

اجزای خط لوله با استفاده از کتابخانه های TFX ساخته شده اند که می توانند به صورت جداگانه نیز مورد استفاده قرار گیرند. در زیر ، مروری بر آن کتابخانه های اساسی است.

اعتبار سنجی داده TensorFlow

اعتبار سنجی داده TensorFlow (TFDV) به توسعه دهندگان کمک می کند تا داده های ML خود را در مقیاس ، درک ، اعتبارسنجی و نظارت کنند. TFDV برای تجزیه و تحلیل و تأیید اعتبار پتابایت داده ها در Google هر روز استفاده می شود و سابقه اثبات شده در کمک به کاربران TFX در حفظ سلامت خطوط لوله ML خود را دارد.

تبدیل TensorFlow

هنگام استفاده از یادگیری ماشین در مجموعه داده های دنیای واقعی ، تلاش زیادی برای پیش پردازش داده ها در قالب مناسب لازم است. این شامل تبدیل بین قالب ها ، توکن سازی و بنویسیدن متن و تشکیل واژگان و انجام انواع عملیات عددی مانند نرمال سازی است. همه کارها را می توانید با tf.Transform انجام دهید.

تجزیه و تحلیل مدل TensorFlow

تجزیه و تحلیل مدل TensorFlow (TFMA) توسعه دهندگان را قادر می سازد تا معیارهای ارزیابی مدل های خود را محاسبه و تجسم کنند. قبل از استفاده از هر مدل یادگیری ماشین (ML) ، توسعه دهندگان ML باید عملکرد مدل را ارزیابی کنند تا اطمینان حاصل کنند که این مدل آستانه های کیفیت خاص را برآورده می کند و برای تمام برش داده های مربوطه مطابق انتظار رفتار می کند. به عنوان مثال ، یک مدل ممکن است AUC قابل قبول در کل مجموعه داده eval داشته باشد ، اما در برشهای خاص عملکرد کمتری دارد. TFMA ابزارهایی را به توسعه دهندگان می دهد تا درک عمیقی از عملکرد مدل آنها ایجاد کنند.

خدمت TensorFlow

سیستم های خدمت یادگیری ماشینی (ML) نیاز به پشتیبانی از نسخه سازی مدل (برای به روزرسانی مدل با گزینه بازگشت) و چندین مدل (برای آزمایش از طریق آزمایش A / B) دارند ، در حالی که اطمینان حاصل می کنند که مدل های همزمان توان بالایی در شتاب دهنده های سخت افزاری (GPU ها و TPU ها) دارند. با تأخیر کم خدمات TensorFlow ثابت کرده است که عملکرد ده ها میلیون استنباط در ثانیه در Google را کنترل می کند.

راه حل مشکلات مشترک

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

حد واسط
با سرویس TensorFlow یک مدل TensorFlow را 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 خدمات TensorFlow است ، به جای مدل سازی و آموزش در TensorFlow.

حد واسط
خطوط لوله TFX ایجاد شده در Google Cloud ایجاد کنید

مقدمه ای بر TensorFlow Extended (TFX) و Cloud AI Platform Pipelines برای ایجاد خطوط لوله یادگیری ماشین خود در Google Cloud. یک فرایند معمول توسعه ML را دنبال کنید ، شروع به بررسی مجموعه داده ، 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.

8 ژوئن 2020  
NLP سریع ، مقیاس پذیر و دقیق: چرا TFX یک بازی مناسب برای استقرار BERT است

بیاموزید که چگونه آزمایشگاه های Concur SAP استقرار مدل های BERT را از طریق کتابخانه ها و پسوندهای TensorFlow در این وبلاگ دو بخشی ساده کرده اند.

11 مارس 2020  
معرفی خطوط لوله Cloud AI Platform

اعلام راه اندازی بتا خطوط ابری Cloud AI Platform ، یک محیط آماده سازی آسان برای نصب و اجرای امن برای گردش کار ML شما.

11 مارس 2020  
TFX: تولید ML با TensorFlow در سال 2020 (TF Dev Summit '20)

بیاموزید که چگونه پلتفرم تولید ML Google ، TFX ، در سال 2020 تغییر می کند. یک مورد جالب از نحوه استفاده Airbus از TFX را مشاهده کنید.

ادامه
9 مارس 2020
کراس بومی در TFX

انتشار TensorFlow 2.0 بسیاری از ویژگی ها و پیشرفت های جدید از جمله ادغام دقیق با Keras را به ارمغان آورد. بیاموزید که چگونه اجزای TFX از کراس بومی پشتیبانی می کنند.