TensorFlow Extended (TFX) est une plate-forme de bout en bout, conçue pour permettre le déploiement de pipelines de machine learning en production
Lorsque vous souhaitez faire passer vos modèles de la recherche à la production, utilisez TFX pour créer et gérer un pipeline de production.
Comment ça marche ?
Un pipeline TFX est une séquence de composants qui implémentent un pipeline de ML conçu spécialement pour les tâches de machine learning hautes performances et évolutives. Les composants sont créés à l'aide de bibliothèques TFX qui peuvent également être utilisées de façon individuelle.
Découvrez comment les entreprises utilisent TFX
Solutions aux problèmes fréquents
Découvrez des tutoriels détaillés conçus pour vous aider à avancer sur vos projets.
Ce guide propose l'entraînement d'un modèle de réseau de neurones pour la classification d'images de vêtements (chaussures de sport et tee-shirts, par exemple), enregistre le modèle entraîné, puis l'exploite avec TensorFlow Serving. L'accent est mis sur TensorFlow Serving, plutôt que sur la modélisation et l'entraînement dans TensorFlow.
Introduction à TensorFlow Extended (TFX) et à Cloud AI Platform Pipelines pour créer vos propres pipelines de machine learning sur Google Cloud. Suivez un processus de développement de ML typique, depuis l'analyse de l'ensemble de données jusqu'à l'obtention d'un pipeline parfaitement fonctionnel.
Découvrez comment TensorFlow Extended (TFX) vous permet de créer et d'évaluer des modèles de machine learning à déployer sur des appareils. TFX est désormais compatible en natif avec TFLite, qui permet de réaliser des inférences extrêmement efficaces sur les appareils mobiles.
Actualités et annonces
Consultez notre blog et notre playlist YouTube pour en savoir plus sur TFX,
et abonnez-vous à la newsletter TensorFlow mensuelle pour
recevoir directement les dernières annonces.
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.
En raison de la complexité du code de ML et des artefacts (tels que les modèles, les ensembles de données et bien d'autres éléments), le contrôle des versions est nécessaire. Nous avons donc créé la bibliothèque Machine Learning Metadata (MLMD) afin d'assurer une traçabilité complète de l'intégralité de votre workflow de ML.
Dans cette vidéo, nous vous présentons les principes de base de TFX ainsi que les nouveautés de cette année pour vous aider à vous lancer. Nous vous expliquons aussi concrètement comment préparer un système de pipeline de production avec TFX.
Le paradigme Neural Structured Learning permet d'entraîner des réseaux de neurones avec des signaux structurés. Apprenez à créer un modèle avec régularisation par graphe grâce ce paradigme dans TFX à l'aide de composants personnalisés, et découvrez comment l'essayer vous-même dans un Colab interactif.
Implication de la communauté
Découvrez d'autres façons de s'impliquer dans la communauté TensorFlow.