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。
閱讀這篇包含兩個部分的網誌，瞭解 SAP 的 Concur Labs 如何透過 TensorFlow 程式庫和擴充功能，簡化 BERT 模型的部署作業。
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。