TensorFlow ในบทช่วยสอนการผลิต
บทช่วยสอนเหล่านี้จะช่วยคุณในการเริ่มต้น และช่วยให้คุณเรียนรู้วิธีต่างๆ ในการทำงานกับ TFX สำหรับเวิร์กโฟลว์การผลิตและการปรับใช้ คุณจะได้เรียนรู้สองรูปแบบหลักในการพัฒนาไปป์ไลน์ TFX:
- การใช้
InteractiveContext
เพื่อพัฒนาไปป์ไลน์ในโน้ตบุ๊ก โดยทำงานกับส่วนประกอบเดียวในแต่ละครั้ง สไตล์นี้ทำให้การพัฒนาง่ายขึ้นและมี Pythonic มากขึ้น - การกำหนดไปป์ไลน์ทั้งหมดและดำเนินการด้วยตัวรันเนอร์ นี่คือลักษณะของไปป์ไลน์ของคุณเมื่อคุณปรับใช้
บทแนะนำการเริ่มต้นใช้งาน
1. ไปป์ไลน์เริ่มต้น
อาจเป็นไปป์ไลน์ที่ง่ายที่สุดที่คุณสามารถสร้างได้ เพื่อช่วยคุณในการเริ่มต้น คลิกปุ่ม เรียกใช้ใน Google Colab2. การเพิ่ม Data Validation
Building บนไปป์ไลน์อย่างง่ายเพื่อเพิ่มองค์ประกอบการตรวจสอบความถูกต้องของข้อมูล3. การเพิ่ม Feature Engineering
Building บนไปป์ไลน์การตรวจสอบข้อมูลเพื่อเพิ่มส่วนประกอบทางวิศวกรรมฟีเจอร์4. การเพิ่ม Model Analysis
Building บนไปป์ไลน์อย่างง่ายเพื่อเพิ่มส่วนประกอบการวิเคราะห์โมเดลTFX บน Google Cloud
Google Cloud นำเสนอผลิตภัณฑ์ต่างๆ เช่น BigQuery, Vertex AI เพื่อให้เวิร์กโฟลว์ ML ของคุณคุ้มค่าและปรับขนาดได้ คุณจะได้เรียนรู้วิธีใช้ผลิตภัณฑ์เหล่านั้นในไปป์ไลน์ TFX ของคุณ
การรันบน Vertex Pipelines
การรันไปป์ไลน์บนบริการไปป์ไลน์ที่มีการจัดการ Vertex Pipelinesอ่านข้อมูลจาก BigQuery
โดยใช้ BigQuery เป็นแหล่งข้อมูลของไปป์ไลน์ MLการฝึกอบรมและการให้บริการ Vertex AI
การใช้ทรัพยากรคลาวด์สำหรับการฝึกอบรม ML และการให้บริการด้วย Vertex AITFX บนไปป์ไลน์ของแพลตฟอร์ม Cloud AI
ข้อมูลเบื้องต้นเกี่ยวกับการใช้ไปป์ไลน์ของแพลตฟอร์ม TFX และ Cloud AIขั้นตอนถัดไป
เมื่อคุณมีความเข้าใจพื้นฐานเกี่ยวกับ TFX แล้ว ให้ตรวจสอบบทแนะนำและคำแนะนำเพิ่มเติมเหล่านี้ และอย่าลืมอ่าน คู่มือผู้ใช้ TFX
บทช่วยสอน Pipeline ฉบับสมบูรณ์
การแนะนำ TFX แบบทีละองค์ประกอบ รวมถึง บริบทเชิงโต้ตอบ ซึ่งเป็นเครื่องมือการพัฒนาที่มีประโยชน์มาก คลิกปุ่ม เรียกใช้ใน Google Colabบทช่วยสอนส่วนประกอบที่กำหนดเอง
บทช่วยสอนที่แสดงวิธีการพัฒนาส่วนประกอบ TFX ที่คุณกำหนดเองการตรวจสอบข้อมูล
สมุดบันทึก Google Colab นี้สาธิตวิธีการใช้การตรวจสอบความถูกต้องของข้อมูล TensorFlow (TFDV) เพื่อตรวจสอบและแสดงภาพชุดข้อมูล รวมถึงการสร้างสถิติเชิงพรรณนา การอนุมานสคีมา และการค้นหาความผิดปกติการวิเคราะห์โมเดล
สมุดบันทึก Google Colab นี้สาธิตวิธีใช้ TensorFlow Model Analysis (TFMA) เพื่อตรวจสอบและแสดงภาพคุณลักษณะของชุดข้อมูล และประเมินประสิทธิภาพของแบบจำลองตามแกนความแม่นยำหลายแกนให้บริการโมเดล
บทช่วยสอนนี้สาธิตวิธีการใช้ TensorFlow Serving เพื่อให้บริการโมเดลโดยใช้ REST API แบบง่ายๆวิดีโอและการอัปเดต
สมัครรับ เพลย์ลิสต์ TFX YouTube และ บล็อก เพื่อรับวิดีโอและการอัปเดตล่าสุด
TFX: ML การผลิตด้วย TensorFlow ในปี 2020
TF Dev Summit 2020
TFX: ไปป์ไลน์การผลิต ML ด้วย TensorFlow
TF World 2019
การเรียนรู้ของเครื่องจากการวิจัยสู่การผลิต
GOTO โคเปนเฮเกน 2019