TensorFlow Extended (TFX) là một nền tảng end-to-end để triển khai các đường ống ML sản xuất

TensorFlow Data Validation (TFDV) giúp các nhà phát triển hiểu, xác thực và theo dõi dữ liệu ML của họ trên quy mô lớn. TFDV được sử dụng để phân tích và xác thực hàng petabyte dữ liệu tại Google và có thành tích đã được chứng minh trong việc giúp người dùng TFX duy trì tình trạng hoạt động của đường ống ML của họ.

Khi áp dụng học máy vào bộ dữ liệu thế giới thực, cần rất nhiều nỗ lực để xử lý trước dữ liệu thành một định dạng phù hợp. Điều này bao gồm chuyển đổi giữa các định dạng, mã hóa và tạo gốc văn bản và hình thành các từ vựng, và thực hiện nhiều hoạt động số như chuẩn hóa. Bạn có thể làm tất cả với tf.Transform.

Phân tích mô hình TensorFlow (TFMA) cho phép các nhà phát triển tính toán và trực quan hóa các số liệu đánh giá cho mô hình của họ. Trước khi triển khai bất kỳ mô hình học máy (ML) nào, các nhà phát triển ML cần đánh giá hiệu suất của mô hình để đảm bảo rằng nó đáp ứng các ngưỡng chất lượng cụ thể và hoạt động như mong đợi cho tất cả các phần dữ liệu có liên quan. Ví dụ: một mô hình có thể có AUC chấp nhận được trên toàn bộ tập dữ liệu eval, nhưng hoạt động kém hơn trên các lát cụ thể. TFMA cung cấp cho các nhà phát triển các công cụ để hiểu sâu hơn về hiệu suất mô hình của họ.

Hệ thống phân phối Machine Learning (ML) cần hỗ trợ lập phiên bản mô hình (để cập nhật mô hình có tùy chọn khôi phục) và nhiều mô hình (để thử nghiệm thông qua thử nghiệm A / B), đồng thời đảm bảo rằng các mô hình đồng thời đạt được thông lượng cao trên bộ tăng tốc phần cứng (GPU và TPU) với độ trễ thấp. TensorFlow Serving đã được chứng minh về hiệu suất xử lý hàng chục triệu suy luận mỗi giây tại Google.