在生产环境中使用 TensorFlow 的教程

在实际操作中掌握知识是学习 TensorFlow Extended (TFX) 的最佳方式。这些教程中提供了侧重于 TFX 关键部分的示例,其中包括适合入门学习的初学者教程,以及适合您在真正希望深入了解 TFX 的更高级部分时学习的更高级教程。

TFX 1.0

我们非常高兴地宣布,TFX 1.0.0 现已推出。这是 TFX 的初始 Beta 后版本,可提供稳定的公共 API 和工件。请放心,在该 RFC 中定义的兼容性范围内进行升级后,您未来的 TFX 流水线会继续运行。

入门教程

可能是您可以构建的最简单的流水线,可以帮助您入门。点击“在 Google Colab 中运行”按钮。
在简单流水线的基础上添加数据验证组件。
在数据验证流水线的基础上添加特征工程组件。
在简单流水线的基础上添加模型分析组件。

Google Cloud 上的 TFX

Google Cloud 提供各种产品(例如 BigQuery、Vertex AI),可让机器学习工作流程变得成本效益高且可扩容。在本教程中,您将学习如何在 TFX 流水线中使用这些工具。
在托管式流水线服务 Cloud AI Platform Pipelines 上运行流水线。
将 BigQuery 用作机器学习流水线的数据源。
通过 Vertex AI Training 将云端资源用于机器学习训练。
本教程介绍了如何使用 TFX 和 Cloud AI Platform Pipelines。

后续步骤

对 TFX 有基本的了解之后,请查看这些其他教程和指南。别忘了阅读 TFX 用户指南
本教程介绍了 TFX 的各个组件,包括“交互上下文”,这是一个非常实用的开发工具。点击“在 Google Colab 中运行”按钮。
演示如何开发您自己的自定义 TFX 组件的教程。
此 Google Colab 笔记本演示了可以如何使用 TensorFlow Data Validation (TFDV) 调查数据集并将其可视化,包括生成描述性统计信息、推断架构并发现异常情况。
此 Google Colab 笔记本演示了可以如何使用 TensorFlow Model Analysis (TFMA) 调查和可视化数据集的特性,并评估模型在多个方面的准确率性能。
此教程演示了如何通过 TensorFlow Serving 使用简单的 REST API 应用模型。