Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

TensorFlow Extended (TFX) è una piattaforma end-to-end per la distribuzione di pipeline ML di produzione

Quando sei pronto per spostare i tuoi modelli dalla ricerca alla produzione, usa TFX per creare e gestire una pipeline di produzione.

Esegui Colab

Questo tutorial interattivo illustra ogni componente integrato di TFX.

Guarda i tutorial

I tutorial mostrano come utilizzare TFX con esempi completi end-to-end.

Vedi la guida

Le guide spiegano i concetti e i componenti di TFX.

Come funziona

Quando sei pronto per andare oltre l'addestramento di un singolo modello o per mettere in funzione il tuo fantastico modello e spostarlo in produzione, TFX è lì per aiutarti a costruire una pipeline ML completa.

Una pipeline TFX è una sequenza di componenti che implementano una pipeline ML progettata specificamente per attività di machine learning scalabili e ad alte prestazioni. Ciò include modellazione, formazione, elaborazione di inferenze e gestione di distribuzioni su target online, mobili nativi e JavaScript. Per saperne di più, leggi la nostra Guida per l'utente TFX .

I componenti della pipeline sono costruiti utilizzando le librerie TFX che possono essere utilizzate anche singolarmente. Di seguito è una panoramica di quelle librerie sottostanti.

Convalida dati TensorFlow

TensorFlow Data Validation (TFDV) aiuta gli sviluppatori a comprendere, convalidare e monitorare i propri dati ML su larga scala. TFDV viene utilizzato per analizzare e convalidare petabyte di dati in Google ogni giorno e ha una comprovata esperienza nell'aiutare gli utenti TFX a mantenere l'integrità delle loro pipeline ML.

Trasformazione TensorFlow

Quando si applica l'apprendimento automatico a set di dati del mondo reale, è necessario un grande sforzo per preelaborare i dati in un formato adatto. Ciò include la conversione tra formati, tokenizzazione e stemming del testo e formazione di vocabolari e l'esecuzione di una serie di operazioni numeriche come la normalizzazione. Puoi fare tutto con tf.Transform.

Analisi del modello TensorFlow

TensorFlow Model Analysis (TFMA) consente agli sviluppatori di calcolare e visualizzare le metriche di valutazione per i loro modelli. Prima di distribuire qualsiasi modello di machine learning (ML), gli sviluppatori ML devono valutare le prestazioni del modello per garantire che soddisfi specifiche soglie di qualità e si comporti come previsto per tutte le sezioni di dati rilevanti. Ad esempio, un modello può avere un AUC accettabile sull'intero set di dati di valutazione, ma con prestazioni inferiori su segmenti specifici. TFMA offre agli sviluppatori gli strumenti per creare una profonda comprensione delle prestazioni del loro modello.

TensorFlow Serving

I sistemi che servono l'apprendimento automatico (ML) devono supportare il controllo delle versioni del modello (per gli aggiornamenti del modello con un'opzione di rollback) e più modelli (per la sperimentazione tramite test A / B), garantendo al contempo che i modelli simultanei raggiungano un throughput elevato sugli acceleratori hardware (GPU e TPU) con bassa latenza. TensorFlow Serving ha dimostrato prestazioni nella gestione di decine di milioni di inferenze al secondo in Google.

Soluzioni a problemi comuni

Esplora tutorial passo passo per aiutarti con i tuoi progetti.

Intermedio
Addestra e servi un modello TensorFlow con TensorFlow Serving

Questa guida addestra un modello di rete neurale per classificare le immagini di abbigliamento, come scarpe da ginnastica e camicie, salva il modello addestrato e quindi lo serve con TensorFlow Serving. L'attenzione si concentra su TensorFlow Serving, piuttosto che sulla modellazione e sulla formazione in TensorFlow.

Intermedio
Crea pipeline TFX ospitate su Google Cloud

Un'introduzione a TensorFlow Extended (TFX) e Cloud AI Platform Pipelines per creare le tue pipeline di machine learning su Google Cloud. Segui un tipico processo di sviluppo ML, iniziando dall'esame del set di dati e finendo con una pipeline funzionante completa.

Intermedio
Usa TFX con TensorFlow Lite per l'inferenza sul dispositivo

Scopri come TensorFlow Extended (TFX) può creare e valutare modelli di machine learning che verranno distribuiti sul dispositivo. TFX ora fornisce il supporto nativo per TFLite, che rende possibile eseguire inferenze altamente efficienti sui dispositivi mobili.

Come le aziende utilizzano TFX

Notizie e annunci

Dai un'occhiata al nostro blog e alla playlist di YouTube per ulteriori contenuti TFX,
e iscriviti alla nostra newsletter mensile TensorFlow per ottenere il
gli ultimi annunci inviati direttamente nella tua casella di posta.

8 giugno 2020  
PNL veloce, scalabile e accurato: perché TFX è un abbinamento perfetto per la distribuzione di BERT

Scopri come i Concur Labs di SAP hanno semplificato la distribuzione dei modelli BERT tramite le librerie e le estensioni TensorFlow in questo blog in due parti.

11 marzo 2020  
Presentazione delle pipeline di Cloud AI Platform

Annuncio del lancio beta di Cloud AI Platform Pipelines, un ambiente di esecuzione sicuro, facile da installare e pronto per le aziende per i flussi di lavoro ML.

11 marzo 2020  
TFX: ML di produzione con TensorFlow nel 2020 (TF Dev Summit '20)

Scopri come la piattaforma ML di produzione di Google, TFX, sta cambiando nel 2020. Guarda un interessante caso di come Airbus utilizza TFX.

Continua
9 marzo 2020
Keras nativo in TFX

Il rilascio di TensorFlow 2.0 ha portato molte nuove funzionalità e miglioramenti, inclusa una stretta integrazione con Keras. Scopri come i componenti TFX supportano Keras nativo.