TensorFlow Extended (TFX) 是端對端平台，用於部署生產環境中的機器學習管線
當你準備好將模型從研究投入到實際生產，可使用 TFX 來建立及管理生產環境管線。
運作方式
當你準備好進行訓練單一模型以外的活動，或是準備好將厲害的模型應用在實務上，並進行實際生產時，TFX 能協助你打造完整的機器學習管線。
TFX 管線是一系列元件，專用以實作特定用途的機器學習管線，也就是執行可擴充的高效能機器學習工作。這包含了建立模型、進行訓練、提供推論，以及部署到線上、原生行動裝置和 JavaScript 目標。詳情請參閱我們的 TFX 使用手冊。
我們使用 TFX 程式庫打造管線元件，這些程式庫也可以分開使用。下方是這些程式庫的總覽。
TensorFlow Data Validation
TensorFlow Data Validation (TFDV) 有助於開發人員瞭解、驗證和監控大規模的機器學習資料。Google 每天都使用 TFDV 來分析及驗證 PB 規模的資料。經過實證，TFDV 有助於 TFX 使用者維護機器學習管線的健康狀態。
TensorFlow Transform
要將機器學習應用到實際的資料集時，需要花費不少力氣來預先處理資料，將資料轉換成適合的格式，包括在不同格式之間轉換、將文字代碼化並進行詞幹提取、組成詞彙，以及執行各種數值作業 (例如正規化)。這些全部都可以用 tf.Transform 進行。
TensorFlow Model Analysis
TensorFlow Model Analysis (TFMA) 可讓開發人員計算模型的評估指標，並加以視覺化。在部署任何機器學習 (ML) 模型前，機器學習開發人員需要評估模型效能，以確保模型能達到所有相關資料片段的特定品質門檻，而且都能如預期運作。例如，對於要評估的整體資料集，模型的 AUC 或許可以接受，但對於特定資料片段的效能卻不好。TFMA 讓開發人員能深入瞭解模型的效能。
常見問題的解決方案
探索可協助你完成專案的逐步教學課程。
這份指南會訓練類神經網路模型將衣物 (例如運動鞋和襯衫) 的圖片分類、儲存經過訓練的模型，然後使用 TensorFlow Serving 來提供模型。重點在於 TensorFlow Serving，而不是在 TensorFlow 中建立模型和進行訓練。
介紹 TensorFlow Extended (TFX) 和 Cloud AI 平台管線，讓你在 Google Cloud 上建立自己的機器學習管線。遵循一般機器學習開發流程，一開始先檢查資料集，最後完成作業管線。
瞭解 TensorFlow Extended (TFX) 如何建立及評估將在裝置端部署的機器學習模型。TFX 現在原生支援 TFLite，因此可以在行動裝置上執行推論，而且成效相當卓越。
Learn how SAP’s Concur Labs simplified the deployment of BERT models through TensorFlow libraries and extensions in this two-part blog.
瞭解 Google 用於生產環境的機器學習平台 TFX 在 2020 年的發展藍圖。參閱 Airbus 運用 TFX 的精彩案例。
TensorFlow 2.0 版增加了許多新功能和改善項目， 包括與 Keras 的密切整合。瞭解 TFX 元件如何 支援原生 Keras。