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
TFX 管線是實作機器學習管線的一系列元件，專門用於可擴充的高效能機器學習工作，元件是使用 TFX 程式庫所打造，而這些程式庫也可以分開使用。
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。指南內容側重於 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 平台管道，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，最後產生完整的作業管線。
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。
SIG TFX-Addons facilitates community contributions of community-supported software and tools which can be used with core TFX to build a production ML solution.
Learn how to accelerate your machine learning experiment and deployment velocity, MLOps automation, and scale your data in this new advanced course offered by Google Cloud Training.
OpenX leveraged several products in the TensorFlow ecosystem & Google Cloud, including TF Serving and Kubeflow Pipelines, to build a service that prioritizes traffic to demand side platforms in the adtech space.
由於機器學習程式碼和模型、資料集等構件相當複雜，因此需要採取版本管控機制。有鑑於此，我們建構了 Machine Learning Metadata (MLMD) 程式庫，用來追蹤整個機器學習工作流程的關係與沿革。