หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

TensorFlow Extended (TFX) เป็นแพลตฟอร์ม end-to-end สำหรับการปรับใช้ไปป์ไลน์ ML การผลิต

เมื่อคุณพร้อมที่จะย้ายโมเดลของคุณจากการวิจัยไปสู่การผลิตให้ใช้ TFX เพื่อสร้างและจัดการไปป์ไลน์การผลิต

เรียกใช้ Colab

บทแนะนำแบบอินเทอร์แอกทีฟนี้จะอธิบายถึงส่วนประกอบในตัวของ TFX

ดูบทแนะนำ

บทช่วยสอนจะแสดงวิธีใช้ TFX พร้อมตัวอย่างแบบครบวงจร

ดูคู่มือ

คำแนะนำอธิบายแนวคิดและส่วนประกอบของ TFX

มันทำงานอย่างไร

เมื่อคุณพร้อมที่จะก้าวไปไกลกว่าการฝึกโมเดลเดียวหรือพร้อมที่จะนำโมเดลที่น่าทึ่งของคุณไปใช้งานและย้ายไปสู่การผลิต TFX พร้อมที่จะช่วยคุณสร้างท่อส่ง ML ที่สมบูรณ์

ไปป์ไลน์ TFX คือลำดับของส่วนประกอบที่ใช้ไปป์ไลน์ ML ซึ่งออกแบบมาโดยเฉพาะสำหรับงานแมชชีนเลิร์นนิงประสิทธิภาพสูงที่ปรับขนาดได้ ซึ่งรวมถึงการสร้างแบบจำลองการฝึกอบรมการอนุมานการให้บริการและการจัดการการปรับใช้กับเป้าหมายออนไลน์อุปกรณ์เคลื่อนที่แบบเนทีฟและ JavaScript หากต้องการเรียนรู้เพิ่มเติมโปรดอ่าน คู่มือผู้ใช้ TFX ของเรา

ส่วนประกอบไปป์ไลน์สร้างขึ้นโดยใช้ไลบรารี TFX ซึ่งสามารถใช้แยกกันได้ ด้านล่างนี้คือภาพรวมของไลบรารีพื้นฐานเหล่านั้น

การตรวจสอบข้อมูล TensorFlow

TensorFlow Data Validation (TFDV) ช่วยให้นักพัฒนาทำความเข้าใจตรวจสอบและตรวจสอบข้อมูล ML ของตนตามขนาด TFDV ใช้ในการวิเคราะห์และตรวจสอบความถูกต้องของข้อมูลเพตะไบต์ที่ Google ทุกวันและมีประวัติที่พิสูจน์แล้วในการช่วยให้ผู้ใช้ TFX รักษาสุขภาพของท่อส่ง ML

การแปลง TensorFlow

เมื่อใช้แมชชีนเลิร์นนิงกับชุดข้อมูลในโลกแห่งความเป็นจริงต้องใช้ความพยายามอย่างมากในการประมวลผลข้อมูลล่วงหน้าให้อยู่ในรูปแบบที่เหมาะสม ซึ่งรวมถึงการแปลงระหว่างรูปแบบการสร้างโทเค็นและการแยกข้อความและการสร้างคำศัพท์และการดำเนินการเชิงตัวเลขต่างๆเช่นการทำให้เป็นมาตรฐาน คุณสามารถทำได้ทั้งหมดด้วย tf.Transform

การวิเคราะห์แบบจำลอง TensorFlow

TensorFlow Model Analysis (TFMA) ช่วยให้นักพัฒนาสามารถคำนวณและแสดงภาพเมตริกการประเมินผลสำหรับโมเดลของตนได้ ก่อนที่จะปรับใช้โมเดลแมชชีนเลิร์นนิง (ML) ใด ๆ นักพัฒนา ML จำเป็นต้องประเมินประสิทธิภาพของโมเดลเพื่อให้แน่ใจว่าเป็นไปตามเกณฑ์คุณภาพที่เฉพาะเจาะจงและทำงานตามที่คาดไว้สำหรับส่วนข้อมูลที่เกี่ยวข้องทั้งหมด ตัวอย่างเช่นแบบจำลองอาจมี AUC ที่ยอมรับได้ในชุดข้อมูล eval ทั้งหมด แต่มีประสิทธิภาพต่ำกว่าในบางส่วน TFMA ช่วยให้นักพัฒนามีเครื่องมือในการสร้างความเข้าใจอย่างลึกซึ้งเกี่ยวกับประสิทธิภาพของโมเดลของพวกเขา

TensorFlow ให้บริการ

ระบบการให้บริการของ Machine Learning (ML) จำเป็นต้องรองรับการกำหนดเวอร์ชันโมเดล (สำหรับการอัปเดตโมเดลที่มีตัวเลือกการย้อนกลับ) และหลายรุ่น (สำหรับการทดลองผ่านการทดสอบ A / B) ในขณะเดียวกันก็ทำให้มั่นใจได้ว่าโมเดลที่ทำงานพร้อมกันจะมีปริมาณงานสูงบนตัวเร่งฮาร์ดแวร์ (GPU และ TPU) มีเวลาแฝงต่ำ TensorFlow Serving ได้พิสูจน์แล้วว่าสามารถจัดการกับการอนุมานหลายสิบล้านครั้งต่อวินาทีที่ Google

แนวทางแก้ไขปัญหาทั่วไป

สำรวจบทแนะนำทีละขั้นตอนเพื่อช่วยคุณในโครงการ

ระดับกลาง
ฝึกและให้บริการโมเดล TensorFlow ด้วย TensorFlow Serving

คู่มือนี้ฝึกโมเดลโครงข่ายประสาทเทียมเพื่อจำแนกรูปภาพของเสื้อผ้าเช่นรองเท้าผ้าใบและเสื้อเชิ้ตบันทึกโมเดลที่ฝึกแล้วจากนั้นให้บริการด้วย TensorFlow Serving โฟกัสอยู่ที่ TensorFlow Serving มากกว่าการสร้างแบบจำลองและการฝึกอบรมใน TensorFlow

ระดับกลาง
สร้างไปป์ไลน์ TFX ที่โฮสต์บน Google Cloud

ข้อมูลเบื้องต้นเกี่ยวกับ TensorFlow Extended (TFX) และ Cloud AI Platform Pipelines เพื่อสร้างไปป์ไลน์ Machine Learning ของคุณเองบน Google Cloud ทำตามขั้นตอนการพัฒนา ML ทั่วไปโดยเริ่มจากการตรวจสอบชุดข้อมูลและลงท้ายด้วยไปป์ไลน์ที่ใช้งานได้อย่างสมบูรณ์

ระดับกลาง
ใช้ TFX กับ TensorFlow Lite สำหรับการอนุมานบนอุปกรณ์

เรียนรู้ว่า TensorFlow Extended (TFX) สามารถสร้างและประเมินโมเดลแมชชีนเลิร์นนิงที่จะปรับใช้บนอุปกรณ์ได้อย่างไร ขณะนี้ TFX ให้การสนับสนุนแบบเนทีฟสำหรับ TFLite ซึ่งทำให้สามารถทำการอนุมานที่มีประสิทธิภาพสูงบนอุปกรณ์มือถือได้

บริษัท ต่างๆใช้ TFX อย่างไร

ข่าวและประกาศ

ดู บล็อก และ รายการเล่น YouTube ของเราสำหรับเนื้อหา TFX เพิ่มเติม
และสมัครรับจดหมายข่าว TensorFlow รายเดือนของเราเพื่อรับไฟล์
ประกาศล่าสุดส่งตรงถึงกล่องจดหมายของคุณ

8 มิถุนายน 2020  
NLP ที่รวดเร็วปรับขนาดได้และแม่นยำ: เหตุใด TFX จึงเหมาะอย่างยิ่งสำหรับการปรับใช้ BERT

เรียนรู้ว่า Concur Labs ของ SAP ทำให้การปรับใช้โมเดล BERT ง่ายขึ้นผ่านไลบรารีและส่วนขยายของ TensorFlow ในบล็อกสองส่วนนี้ได้อย่างไร

11 มี.ค. 2020  
ขอแนะนำ Cloud AI Platform Pipelines

ประกาศการเปิดตัว Cloud AI Platform Pipelines ซึ่งเป็นสภาพแวดล้อมการดำเนินการที่พร้อมสำหรับองค์กรติดตั้งง่ายและปลอดภัยสำหรับเวิร์กโฟลว์ ML ของคุณ

11 มี.ค. 2020  
TFX: Production ML พร้อม TensorFlow ในปี 2020 (TF Dev Summit '20)

เรียนรู้ว่าแพลตฟอร์ม ML การผลิตของ Google TFX กำลังเปลี่ยนแปลงไปอย่างไรในปี 2020 ดูกรณีที่น่าตื่นเต้นเกี่ยวกับวิธีที่ Airbus ใช้ TFX

9 มี.ค. 2020
Native Keras ใน TFX

การเปิดตัว TensorFlow 2.0 นำเสนอคุณสมบัติและการปรับปรุงใหม่ ๆ มากมายรวมถึงการผสานรวมกับ Keras อย่างแน่นหนา เรียนรู้ว่าส่วนประกอบ TFX รองรับ Keras เนทีฟอย่างไร