TensorFlow Extended (TFX) to kompleksowa platforma do wdrażania potoków produkcyjnych ML
Kiedy będziesz gotowy do przeniesienia modeli z badań do produkcji, użyj TFX do tworzenia potoku produkcyjnego i zarządzania nim.
Jak to działa
Potok TFX to sekwencja składników, które implementują potok ML, który jest specjalnie zaprojektowany do skalowalnych, wysokowydajnych zadań uczenia maszynowego. Komponenty są budowane przy użyciu bibliotek TFX, które mogą być również używane indywidualnie.
Rozwiązania typowych problemów
Zapoznaj się z samouczkami krok po kroku, które pomogą Ci w projektach.

Ten przewodnik uczy modelu sieci neuronowej, aby klasyfikować obrazy ubrań, takich jak tenisówki i koszule, zapisuje wyszkolony model, a następnie obsługuje go z obsługą TensorFlow. Skupiamy się na obsłudze TensorFlow, a nie na modelowaniu i szkoleniu w TensorFlow.

Wprowadzenie do TensorFlow Extended (TFX) i Cloud AI Platform Pipelines, aby tworzyć własne potoki uczenia maszynowego w Google Cloud. Postępuj zgodnie z typowym procesem rozwoju ML, zaczynając od zbadania zestawu danych, a kończąc na kompletnym potoku roboczym.

Dowiedz się, jak TensorFlow Extended (TFX) może tworzyć i oceniać modele uczenia maszynowego, które zostaną wdrożone na urządzeniu. TFX zapewnia teraz natywną obsługę TFLite, co umożliwia wykonywanie wysoce wydajnego wnioskowania na urządzeniach mobilnych.
Jak firmy używają TFX
Wiadomości i ogłoszenia
Sprawdź nasz blog i listę odtwarzania YouTube, aby uzyskać dodatkowe treści TFX,
i zapisz się do naszego comiesięcznego biuletynu TensorFlow, aby otrzymywać
najnowsze ogłoszenia wysyłane bezpośrednio do Twojej skrzynki odbiorczej.

Złożoność kodu ML i artefaktów, takich jak modele, zestawy danych i wiele innych, wymaga kontroli wersji. Dlatego stworzyliśmy Machine Learning Metadata (MLMD), bibliotekę do śledzenia pełnego pochodzenia całego przepływu pracy ML.

W tej aktualizacji omówimy podstawy TFX i podkreślimy nowości w tym roku, aby pomóc Ci zacząć. Pokażemy Ci również praktyczne spojrzenie na to, jak połączyć system rurociągów produkcyjnych z TFX.

Strukturalne uczenie się neuronowe może być wykorzystywane do uczenia sieci neuronowych za pomocą ustrukturyzowanych sygnałów. Dowiedz się, jak zbudować model regulowany grafem z NSL w TFX przy użyciu niestandardowych komponentów i wypróbuj go samodzielnie w interaktywnej Colab.

Wirtualna wycieczka po Sibyl i TFX, dwóch kolejnych platformach ML typu end-to-end (E2E) w Alphabet. Dowiedz się, jak historia TFX pomogła w rozwoju dyscypliny ML Engineering.