TensorFlow Extended (TFX) 是一个端到端平台，用于部署生产型机器学习流水线
当您准备好将模型从研究状态切换到生产状态时，可以使用 TFX 创建和管理生产流水线。
工作原理
TFX 流水线是实现机器学习流水线的一系列组件，专门用于可扩容的高性能机器学习任务。这些组件使用 TFX 库构建而成，您也可以单独使用这些组件。
常见问题的解决方案
浏览分步教程以帮助您完成项目。
此指南会训练一个对服饰（例如运动鞋和衬衫）图像进行分类的神经网络模型，保存训练过的模型，然后使用 TensorFlow Serving 应用此模型。重点是 TensorFlow Serving，而不是在 TensorFlow 中进行建模和训练。
本教程介绍了如何使用 TensorFlow Extended (TFX) 和 Cloud AI Platform Pipelines 在 Google Cloud 上创建您自己的机器学习流水线。您将遵循典型的机器学习开发流程，即从检查数据集开始，最后得到一个完整且有效的流水线。
了解 TensorFlow Extended (TFX) 如何创建和评估将部署到设备上的机器学习模型。TFX 现已提供对 TFLite 的原生支持，因此提高了在移动设备上进行推断的效率。
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.
机器学习代码以及模型、数据集等工件十分复杂，需要进行版本控制。因此，我们构建了 Machine Learning Metadata (MLMD)，该库可以对机器学习工作流程的整个历程进行跟踪。
在此次更新中，我们将讲解 TFX 基础知识并着重介绍今年的新变化，帮助您顺利上手。此外，我们还将从实践的角度介绍如何使用 TFX 组合生产流水线系统。
Neural Structured Learning 可以用于利用结构化信号训练神经网络。了解如何利用自定义组件在 TFX 中使用 NSL 构建图正则化模型，并在交互式 Colab 中亲自动手尝试。