O TensorFlow Extended (TFX) é uma plataforma completa para a implantação de pipelines de produção de ML

Quando for a hora de mover os modelos da pesquisa para a produção, use o TFX para criar e gerenciar um pipeline de produção.

Run Colab

This interactive tutorial walks through each built-in component of TFX.

Ver tutoriais

Os tutoriais ensinam a usar o TFX com exemplos completos.

Ver o guia

Os guias explicam os conceitos e os componentes do TFX.

Como funciona

Quando for a hora de treinar mais do que apenas um modelo ou de colocar um modelo incrível para trabalhar na produção, o TFX ajuda a criar um pipeline de ML completo.

Um pipeline do TFX é uma sequência de componentes criados especificamente para tarefas de machine learning escalonáveis e de alto desempenho. Isso inclui a modelagem, o treinamento, a exibição de inferências e o gerenciamento de implantação em destinos on-line, móveis e JavaScript. Para saber mais, leia o Guia do usuário do TFX.

Os componentes do pipeline são criados com bibliotecas do TFX que também podem ser usadas individualmente. Leia a seguir uma visão geral sobre elas.

Validação de dados com o TensorFlow

A validação de dados com o TensorFlow (TensorFlow Data Validation ou TFDV) ajuda os desenvolvedores a entender, validar e monitorar dados de ML dimensionados. A TFDV é usada para analisar e validar petabytes de dados no Google todos os dias. Ela demonstrou ser capaz de ajudar os usuários do TFX a manter a integridade dos pipelines de ML.

TensorFlow Transform

Aplicar machine learning a conjuntos de dados do mundo real exige muito esforço para pré-processar os dados e deixá-los em um formato adequado. Isso inclui a conversão entre formatos, tokenização e derivação de texto, formação de vocabulários, bem como realizar diversas operações numéricas, como a normalização. É possível fazer tudo isso com o tf.Transform.

Análise de modelos do TensorFlow

A análise de modelos do TensorFlow (TensorFlow Model Analysis ou TFMA) permite que os desenvolvedores calculem e visualizem métricas para os modelos. Antes de implantar um modelo de machine learning (ML), os desenvolvedores precisam avaliar o desempenho dele para garantir que atende a padrões de qualidade específicos e que se comporta como esperado para todas as parcelas relevantes dos dados. Por exemplo, um modelo pode ter uma AUC aceitável para todo o conjunto de dados de avaliação, mas não ter o desempenho desejado em parcelas relevantes. A TFMA fornece aos desenvolvedores as ferramentas necessárias para ter uma compreensão aprofundada do desempenho do modelo.

TensorFlow Serving

Sistemas de exibição de machine learning (ML) precisam ser compatíveis com controle de versões (para atualizações de modelo com opção de reversão) e diversos modelos (para experimentos com teste A/B). Além disso, é necessário garantir que modelos simultâneos ofereçam alta capacidade de aceleração de hardware (GPUs e TPUs) com baixa latência. O desempenho do TensorFlow Serving já foi provado ao lidar com dezenas de milhões de inferências por segundo no Google.

Soluções de problemas recorrentes

Descubra tutoriais passo a passo que auxiliam nos seus projetos.

Intermediário
Treine e mostre um modelo do TensorFlow com o TensorFlow Serving

Este guia treina um modelo de rede neural para classificar imagens de vestuário, como tênis e camisetas, salva o modelo treinado e depois o exibe com o TensorFlow Serving. O foco é no TensorFlow Serving, e não na modelagem ou no treinamento do TensorFlow.

Intermediário
Crie pipelines do TFX hospedados no Google Cloud

Uma introdução ao TensorFlow Extended (TFX) e aos pipelines do Cloud AI Platform para criar seus próprios pipelines de machine learning no Google Cloud. Acompanhe um processo típico de desenvolvimento de ML: comece examinando o conjunto de dados e termine com um pipeline completo em funcionamento.

Intermediário
Use o TFX com o TensorFlow Lite para inferências no próprio dispositivo

Saiba como o TensorFlow Extended (TFX) pode criar e avaliar modelos de machine learning que serão implantados no dispositivo. Agora o TFX tem compatibilidade nativa com o TFLite, o que permite realizar inferências de alto desempenho em dispositivos móveis.

Notícias e avisos

Confira nosso blog e a playlist do YouTube para ver mais conteúdo sobre o TFX.
Inscreva-se na newsletter mensal do TensorFlow para receber os
comunicados mais recentes diretamente na sua caixa de entrada.

June 8, 2020 
Fast, scalable and accurate NLP: Why TFX is a perfect match for deploying BERT

Learn how SAP’s Concur Labs simplified the deployment of BERT models through TensorFlow libraries and extensions in this two-part blog.

11 de março de 2020 
Introdução aos pipelines do Cloud AI Platform

Apresentamos o lançamento Beta dos pipelines do Cloud AI Platform, um ambiente de execução seguro, ideal para empresas e fácil de instalar para seus fluxos de trabalho de ML.

11 de março de 2020 
TFX: ML de produção com o TensorFlow em 2020 (conferência de desenvolvedores do TensorFlow 2020)

Saiba como a plataforma de ML para produção do Google, o TFX, mudará em 2020. Conheça o caso interessante de como a Airbus usa o TFX.

Continue
9 de março de 2020
Keras nativa no TFX

O lançamento do TensorFlow 2.0 trouxe muitos novos recursos e melhorias como uma estreita integração com a Keras. Saiba sobre a compatibilidade dos componentes do TFX com a Keras nativa.