คำถามเกี่ยวกับ TFX? เข้าร่วมกับเราที่ Google I / O!

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

เมื่อคุณพร้อมที่จะย้ายโมเดลของคุณจากการวิจัยไปสู่การผลิตให้ใช้ TFX เพื่อสร้างและจัดการไปป์ไลน์การผลิต

เรียกใช้ Colab

บทช่วยสอนแบบอินเทอร์แอกทีฟนี้จะอธิบายถึงส่วนประกอบในตัวของ TFX

ดูบทแนะนำ

บทช่วยสอนแสดงวิธีใช้ TFX พร้อมตัวอย่างครบวงจร

ดูคู่มือ

คำแนะนำอธิบายแนวคิดและส่วนประกอบของ TFX

มันทำงานอย่างไร

ไปป์ไลน์ TFX คือลำดับของส่วนประกอบที่ใช้ไปป์ไลน์ ML ซึ่งออกแบบมาโดยเฉพาะสำหรับงานแมชชีนเลิร์นนิงที่ปรับขนาดได้และมีประสิทธิภาพสูง ส่วนประกอบต่างๆสร้างขึ้นโดยใช้ไลบรารี TFX ซึ่งสามารถใช้แยกกันได้

บริษัท ต่างๆใช้ TFX อย่างไร

แนวทางแก้ไขปัญหาทั่วไป

สำรวจบทแนะนำทีละขั้นตอนเพื่อช่วยคุณทำโครงการ

ระดับกลาง
ฝึกและให้บริการโมเดล TensorFlow ด้วย TensorFlow Serving

คู่มือนี้ฝึกโมเดลโครงข่ายประสาทเทียมเพื่อจัดประเภทรูปภาพของเสื้อผ้าเช่นรองเท้าผ้าใบและเสื้อเชิ้ตบันทึกโมเดลที่ได้รับการฝึกฝนจากนั้นให้บริการด้วย TensorFlow Serving โฟกัสอยู่ที่ TensorFlow Serving มากกว่าการสร้างโมเดลและการฝึกอบรมใน 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

ข่าวและประกาศ

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

15 กุมภาพันธ์ 2564  
OpenX ฝึกและให้บริการอย่างไรสำหรับหนึ่งล้านข้อความต่อวินาทีในเวลาไม่ถึง 15 มิลลิวินาที

OpenX ใช้ประโยชน์จากผลิตภัณฑ์หลายอย่างในระบบนิเวศของ TensorFlow และ Google Cloud รวมถึง TF Serving และ Kubeflow Pipelines เพื่อสร้างบริการที่จัดลำดับความสำคัญของการรับส่งข้อมูลเพื่อต้องการแพลตฟอร์มด้านข้างในพื้นที่โฆษณา

8 มกราคม 2564  
ML Metadata: การควบคุมเวอร์ชันสำหรับ ML

ความซับซ้อนของโค้ด ML และสิ่งประดิษฐ์เช่นโมเดลชุดข้อมูลและอื่น ๆ อีกมากมายต้องการการควบคุมเวอร์ชัน นั่นเป็นเหตุผลที่เราสร้าง Machine Learning Metadata (MLMD) ซึ่งเป็นไลบรารีเพื่อติดตามสายเลือดทั้งหมดของเวิร์กโฟลว์ ML ทั้งหมดของคุณ

3 ธันวาคม 2020  
วิศวกรรม ML สำหรับการปรับใช้ ML การผลิตด้วย TFX

ในการอัปเดตนี้เราจะพูดถึงข้อมูลเบื้องต้นเกี่ยวกับ TFX และไฮไลต์ว่ามีอะไรใหม่ในปีนี้เพื่อช่วยคุณในการเริ่มต้น นอกจากนี้เราจะแสดงให้คุณเห็นถึงวิธีการรวมระบบท่อการผลิตกับ TFX

9 ตุลาคม 2020  
การเรียนรู้โครงสร้างประสาทใน TFX

การเรียนรู้ที่มีโครงสร้างของระบบประสาทสามารถใช้เพื่อฝึกโครงข่ายประสาทด้วยสัญญาณที่มีโครงสร้าง เรียนรู้วิธีสร้างแบบจำลองกราฟที่เป็นมาตรฐานด้วย NSL ใน TFX โดยใช้ส่วนประกอบที่กำหนดเองและทดลองใช้ด้วยตัวเองใน Colab แบบโต้ตอบ