Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

TensorFlow Extended (TFX) adalah platform ujung ke ujung untuk menerapkan pipeline ML produksi

Saat Anda siap untuk memindahkan model Anda dari penelitian ke produksi, gunakan TFX untuk membuat dan mengelola pipeline produksi.

Jalankan Colab

Tutorial interaktif ini memandu setiap komponen built-in dari TFX.

Lihat tutorial

Tutorial menunjukkan kepada Anda bagaimana menggunakan TFX dengan contoh lengkap dan ujung ke ujung.

Lihat panduannya

Panduan menjelaskan konsep dan komponen TFX.

Bagaimana itu bekerja

Saat Anda siap untuk melampaui pelatihan satu model, atau siap untuk menerapkan model Anda yang luar biasa dan memindahkannya ke produksi, TFX siap membantu Anda membangun pipeline ML yang lengkap.

Pipeline TFX adalah urutan komponen yang mengimplementasikan pipeline ML yang dirancang khusus untuk tugas machine learning berperforma tinggi yang dapat diskalakan. Itu termasuk pemodelan, pelatihan, penyajian inferensi, dan pengelolaan penerapan ke target online, seluler asli, dan JavaScript. Untuk mempelajari lebih lanjut, baca Panduan Pengguna TFX kami.

Komponen pipeline dibangun menggunakan library TFX yang juga dapat digunakan secara individual. Di bawah ini adalah gambaran dari perpustakaan yang mendasari.

Validasi Data TensorFlow

TensorFlow Data Validation (TFDV) membantu developer memahami, memvalidasi, dan memantau data ML mereka dalam skala besar. TFDV digunakan untuk menganalisis dan memvalidasi petabyte data di Google setiap hari, dan memiliki rekam jejak yang terbukti dalam membantu pengguna TFX menjaga kesehatan pipeline ML mereka.

Transformasi TensorFlow

Saat menerapkan pembelajaran mesin ke kumpulan data dunia nyata, banyak upaya diperlukan untuk memproses data sebelumnya ke dalam format yang sesuai. Ini termasuk mengonversi antar format, membuat token dan teks dasar serta membentuk kosakata, dan melakukan berbagai operasi numerik seperti normalisasi. Anda dapat melakukan semuanya dengan tf.Transform.

Analisis Model TensorFlow

TensorFlow Model Analysis (TFMA) memungkinkan developer untuk menghitung dan memvisualisasikan metrik evaluasi untuk model mereka. Sebelum menerapkan model pembelajaran mesin (ML) apa pun, developer ML perlu mengevaluasi performa model untuk memastikan model tersebut memenuhi ambang batas kualitas tertentu dan berperilaku seperti yang diharapkan untuk semua potongan data yang relevan. Misalnya, sebuah model mungkin memiliki AUC yang dapat diterima di seluruh dataset eval, tetapi berperforma buruk pada bagian tertentu. TFMA memberi pengembang alat untuk membuat pemahaman yang mendalam tentang kinerja model mereka.

Penyajian TensorFlow

Sistem penyajian Machine Learning (ML) perlu mendukung pembuatan versi model (untuk update model dengan opsi rollback) dan beberapa model (untuk eksperimen melalui pengujian A / B), sekaligus memastikan bahwa model serentak mencapai throughput yang tinggi pada akselerator hardware (GPU dan TPU) dengan latensi rendah. TensorFlow Serving telah membuktikan performa penanganan puluhan juta inferensi per detik di Google.

Solusi untuk masalah umum

Jelajahi tutorial langkah demi langkah untuk membantu Anda dengan proyek Anda.

Menengah
Latih dan sajikan model TensorFlow dengan TensorFlow Serving

Panduan ini melatih model jaringan neural untuk mengklasifikasikan gambar pakaian, seperti sepatu kets dan kemeja, menyimpan model terlatih, lalu menyajikannya dengan Penyajian TensorFlow. Fokusnya adalah pada Penyajian TensorFlow, bukan pada pemodelan dan pelatihan di TensorFlow.

Menengah
Buat pipeline TFX yang dihosting di Google Cloud

Pengantar TensorFlow Extended (TFX) dan Cloud AI Platform Pipelines untuk membuat pipeline machine learning Anda sendiri di Google Cloud. Ikuti proses pengembangan ML yang umum, dimulai dengan memeriksa kumpulan data, dan berakhir dengan pipeline yang berfungsi lengkap.

Menengah
Gunakan TFX dengan TensorFlow Lite untuk inferensi di perangkat

Pelajari bagaimana TensorFlow Extended (TFX) dapat membuat dan mengevaluasi model pembelajaran mesin yang akan diterapkan di perangkat. TFX sekarang menyediakan dukungan asli untuk TFLite, yang memungkinkan dilakukannya inferensi yang sangat efisien pada perangkat seluler.

Bagaimana perusahaan menggunakan TFX

Berita & pengumuman

Lihat blog dan playlist YouTube kami untuk konten TFX tambahan,
dan berlangganan buletin TensorFlow bulanan kami untuk mendapatkan
pengumuman terbaru dikirim langsung ke kotak masuk Anda.

8 Juni 2020  
NLP yang cepat, dapat diskalakan, dan akurat: Mengapa TFX sangat cocok untuk menerapkan BERT

Pelajari bagaimana Concur Labs SAP menyederhanakan penerapan model BERT melalui pustaka dan ekstensi TensorFlow di blog dua bagian ini.

11 Maret 2020  
Memperkenalkan Cloud AI Platform Pipelines

Mengumumkan peluncuran beta Cloud AI Platform Pipelines, lingkungan eksekusi yang siap untuk perusahaan, mudah dipasang, dan aman untuk alur kerja ML Anda.

11 Maret 2020  
TFX: ML Produksi dengan TensorFlow pada tahun 2020 (TF Dev Summit '20)

Pelajari bagaimana platform ML produksi Google, TFX, berubah pada tahun 2020. Lihat kasus menarik tentang bagaimana Airbus menggunakan TFX.

Lanjutkan
9 Maret 2020
Keras Asli di TFX

Rilis TensorFlow 2.0 menghadirkan banyak fitur dan peningkatan baru termasuk integrasi yang erat dengan Keras. Pelajari bagaimana komponen TFX mendukung Keras asli.