Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

TensorFlow w samouczkach produkcyjnych

Najlepszym sposobem na naukę TensorFlow Extended (TFX) jest nauka przez działanie. Te samouczki są skoncentrowanymi przykładami kluczowych części TFX. Obejmują one samouczki dla początkujących, aby rozpocząć, oraz bardziej zaawansowane samouczki, gdy naprawdę chcesz zagłębić się w bardziej zaawansowane części TFX.

TFX 1.0

Jesteśmy szczęśliwi mogąc ogłosić dostępność TFX 1.0.0 . Jest to pierwsza wersja TFX po fazie beta, która zapewnia stabilne publiczne interfejsy API i artefakty. Możesz mieć pewność, że Twoje przyszłe rurociągi TFX będzie kontynuować pracę po aktualizacji w zakresie zgodności określonej w niniejszym dokumencie RFC .

Samouczki dla początkujących

Prawdopodobnie najprostszy potok, jaki możesz zbudować, aby pomóc Ci zacząć. Kliknij przycisk Uruchom w Google Colab.
Opierając się na prostym potoku, aby dodać składniki sprawdzania poprawności danych.
Opierając się na potoku sprawdzania poprawności danych, aby dodać komponent inżynierii funkcji.
Opierając się na prostym potoku, aby dodać komponent analizy modelu.

TFX w Google Cloud

Google Cloud udostępnia różne produkty, takie jak BigQuery czy Vertex AI, dzięki którym przepływ pracy ML jest opłacalny i skalowalny. Dowiesz się, jak wykorzystać te produkty w swoim potoku TFX.
Uruchamianie potoków w zarządzanej usłudze potoku Cloud AI Platform Pipelines.
Używanie BigQuery jako źródła danych potoków ML.
Wykorzystanie zasobów w chmurze do szkolenia i obsługi ML z Vertex AI.
Wprowadzenie do korzystania z potoków TFX i Cloud AI Platform.

Następne kroki

Gdy już masz podstawową wiedzę na temat TFX, zapoznaj się z tymi dodatkowymi samouczkami i przewodnikami. I nie zapomnij przeczytać TFX Podręcznik użytkownika .
Składnik-by-komponent wprowadzenie do TFX, w tym kontekście, interaktywnego bardzo przydatnym narzędziem rozwoju. Kliknij przycisk Uruchom w Google Colab.
Samouczek pokazujący jak tworzyć własne, niestandardowe komponenty TFX.
Ten notatnik Google Colab pokazuje, jak TensorFlow Data Validation (TFDV) może być używany do badania i wizualizacji zestawu danych, w tym generowania statystyk opisowych, wnioskowania o schemacie i znajdowania anomalii.
Ten notatnik Google Colab pokazuje, jak można wykorzystać TensorFlow Model Analysis (TFMA) do badania i wizualizacji cech zestawu danych oraz oceny wydajności modelu w kilku osiach dokładności.
Ten samouczek pokazuje, jak TensorFlow Serving może służyć do obsługi modelu za pomocą prostego interfejsu API REST.