Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

TensorFlow Extended (TFX), üretim ML ardışık düzenlerini dağıtmak için uçtan uca bir platformdur

Modellerinizi araştırmadan üretime taşımaya hazır olduğunuzda, bir üretim hattı oluşturmak ve yönetmek için TFX'i kullanın.

Colab'ı çalıştırın

Bu etkileşimli öğretici, TFX'in her yerleşik bileşenini açıklar.

Öğreticilere bakın

Eğitimler, eksiksiz, uçtan uca örneklerle TFX'i nasıl kullanacağınızı gösterir.

Kılavuzu görün

Kılavuzlar, TFX'in kavramlarını ve bileşenlerini açıklar.

Nasıl çalışır

Tek bir modeli eğitmenin ötesine geçmeye hazır olduğunuzda veya harika modelinizi çalıştırıp üretime taşımaya hazır olduğunuzda, TFX eksiksiz bir makine öğrenimi ardışık düzeni oluşturmanıza yardımcı olmak için oradadır.

TFX ardışık düzeni, ölçeklenebilir, yüksek performanslı makine öğrenimi görevleri için özel olarak tasarlanmış bir makine öğrenimi ardışık düzenini uygulayan bir dizi bileşenidir. Bu, modelleme, eğitim, çıkarım sunma ve çevrimiçi, yerel mobil ve JavaScript hedeflerine dağıtımları yönetmeyi içerir. Daha fazla bilgi edinmek için TFX Kullanıcı Kılavuzumuzu okuyun.

İşlem hattı bileşenleri, ayrı ayrı da kullanılabilen TFX kitaplıkları kullanılarak oluşturulur. Aşağıda bu temel kitaplıklara genel bir bakış bulunmaktadır.

TensorFlow Veri Doğrulaması

TensorFlow Veri Doğrulaması (TFDV), geliştiricilerin ML verilerini geniş ölçekte anlamasına, doğrulamasına ve izlemesine yardımcı olur. TFDV, Google'da her gün petabaytlarca veriyi analiz etmek ve doğrulamak için kullanılır ve TFX kullanıcılarının ML ardışık düzenlerinin sağlığını korumalarına yardımcı olma konusunda kanıtlanmış bir geçmiş performansına sahiptir.

TensorFlow Dönüşümü

Makine öğrenimini gerçek dünya veri kümelerine uygularken, verileri uygun bir formatta önceden işlemek için çok çaba gerekir. Bu, formatlar arasında dönüştürme, metin belirtme ve köklendirme ve kelime dağarcığı oluşturma ve normalleştirme gibi çeşitli sayısal işlemleri gerçekleştirmeyi içerir. Hepsini tf.Transform ile yapabilirsiniz.

TensorFlow Model Analizi

TensorFlow Model Analizi (TFMA), geliştiricilerin modelleri için değerlendirme metriklerini hesaplamasına ve görselleştirmesine olanak tanır. Herhangi bir makine öğrenimi (ML) modelini dağıtmadan önce, makine öğrenimi geliştiricilerinin, belirli kalite eşiklerini karşıladığından ve tüm ilgili veri dilimlerinde beklendiği gibi davrandığından emin olmak için model performansını değerlendirmeleri gerekir. Örneğin, bir model tüm değerlendirme veri kümesinde kabul edilebilir bir AUC'ye sahip olabilir, ancak belirli dilimlerde düşük performans gösterebilir. TFMA, geliştiricilere, model performanslarını derinlemesine anlamaları için araçlar sağlar.

TensorFlow Sunumu

Makine Öğrenimi (ML) hizmet sistemleri, eşzamanlı modellerin donanım hızlandırıcılarda (GPU'lar ve TPU'lar) yüksek verim elde etmesini sağlarken, model sürümlemesini (geri alma seçeneğiyle model güncellemeleri için) ve birden çok modeli (A / B testi yoluyla deneme için) desteklemelidir. düşük gecikmeli. TensorFlow Sunumu, Google'da saniyede on milyonlarca çıkarımı işleyen kanıtlanmış bir performansa sahiptir.

Yaygın sorunlara çözümler

Projelerinizde size yardımcı olacak adım adım öğreticileri keşfedin.

Orta düzey
TensorFlow Sunumu ile bir TensorFlow modeli eğitin ve sunun

Bu kılavuz, spor ayakkabılar ve gömlekler gibi giysi resimlerini sınıflandırmak için bir sinir ağı modeli eğitir, eğitimli modeli kaydeder ve ardından TensorFlow Sunumu ile sunar. Odak noktası, TensorFlow'daki modelleme ve eğitimden ziyade TensorFlow Sunumudur.

Orta düzey
Google Cloud'da barındırılan TFX ardışık düzenleri oluşturun

Google Cloud'da kendi makine öğrenimi ardışık düzenlerinizi oluşturmak için TensorFlow Extended (TFX) ve Cloud AI Platform Pipelines'e giriş. Veri kümesini inceleyerek başlayıp eksiksiz bir çalışan ardışık düzen ile biten tipik bir makine öğrenimi geliştirme sürecini izleyin.

Orta düzey
Cihaz üzerinde çıkarım için TensorFlow Lite ile TFX kullanın

TensorFlow Extended (TFX) 'in cihazda devreye alınacak makine öğrenimi modellerini nasıl oluşturup değerlendirebileceğini öğrenin. TFX artık TFLite için yerel destek sağlıyor ve bu da mobil cihazlarda yüksek verimli çıkarım yapmayı mümkün kılıyor.

Şirketler TFX'i nasıl kullanıyor?

HABERLER & DUYURULAR

Ek TFX içeriği için blogumuza ve YouTube oynatma listemize göz atın ,
ve aylık TensorFlow bültenimize abone olun
en son duyurular doğrudan gelen kutunuza gönderilir.

8 Haziran 2020  
Hızlı, ölçeklenebilir ve doğru NLP: TFX neden BERT dağıtımı için mükemmel bir eştir?

Bu iki bölümden oluşan blogda SAP'nin Concur Labs'in TensorFlow kitaplıkları ve uzantıları aracılığıyla BERT modellerinin dağıtımını nasıl basitleştirdiğini öğrenin.

11 Mart 2020  
Cloud AI Platform Ardışık Düzenlerine Giriş

Makine öğrenimi iş akışlarınız için kurumsal kullanıma hazır, kurulumu kolay, güvenli bir yürütme ortamı olan Cloud AI Platform Pipelines'in beta lansmanını duyuruyoruz.

11 Mart 2020  
TFX: 2020'de TensorFlow ile Üretim Makine Öğrenimi (TF Dev Summit '20)

Google üretim makine öğrenimi platformu TFX'in 2020'de nasıl değiştiğini öğrenin. Airbus'ın TFX'i nasıl kullandığına dair heyecan verici bir vakayı görüntüleyin.

Devam
9 Mart 2020
TFX'te Yerel Keras

TensorFlow 2.0 sürümü, Keras ile sıkı entegrasyon dahil olmak üzere birçok yeni özellik ve iyileştirme getirdi. TFX bileşenlerinin yerel Keras'ı nasıl desteklediğini öğrenin.