TensorFlow Extended (TFX) est une plate-forme de bout en bout, conçue pour permettre le déploiement de pipelines de machine learning en production

Lorsque vous souhaitez faire passer vos modèles de la recherche à la production, utilisez TFX pour créer et gérer un pipeline de production.

Run Colab

This interactive tutorial walks through each built-in component of TFX.

Accéder aux tutoriels

Des tutoriels vous montrent comment utiliser TFX avec des exemples complets de bout en bout.

Afficher le guide

Des guides expliquent les concepts et les composants de TFX.

Fonctionnement

Lorsque vous souhaitez entraîner plus d'un seul modèle ou exploiter le fruit de tout votre travail et le passer en production, TFX est là pour vous aider à mettre en place un pipeline complet de machine learning. \TFX met à votre disposition la séquence de composants nécessaire pour assurer la mise en œuvre d'un pipeline évolutif et performant spécifiquement conçu pour des tâches de machine learning. Ceci inclut la modélisation, l'entraînement, les inférences et la gestion des déploiements vers des cibles en ligne, mobiles natives et JavaScript. Pour en savoir plus, consultez notre Guide de l'utilisateur TFX.

Les composants du pipeline sont créés à l'aide de bibliothèques TFX qui peuvent également être utilisées de façon individuelle. Ces bibliothèques sous-jacentes sont présentées ci-dessous.

TensorFlow Data Validation

TensorFlow Data Validation (TFDV) permet aux développeurs de comprendre, de valider et de suivre leurs données de machine learning à grande échelle. TFDV est utilisé par Google pour analyser et valider des pétaoctets de données chaque jour et a démontré sa capacité à aider les utilisateurs de TFX à assurer le bon fonctionnement de leurs pipelines de machine learning.

TensorFlow Transform

Lorsqu'on applique le machine learning à des ensembles de données issus du monde réel, des efforts importants sont requis afin de préparer ces données et de les structurer sous un format exploitable. Ceci inclut des conversions d'un format à l'autre, la séparation des paragraphes en phrases ou des phrases en mots (tokenisation), la réduction des mots à leur racine (stemming), la formation de vocabulaires ainsi que différentes opérations numériques, dont la normalisation. Tout ceci peut être effectué avec tf.Transform.

TensorFlow Model Analysis

TensorFlow Model Analysis (TFMA) permet aux développeurs de calculer et de visualiser des métriques d'évaluation pour leurs modèles. Avant tout déploiement d'un modèle de machine learning, les développeurs travaillant dans ce domaine doivent évaluer la performance de ce modèle pour s'assurer qu'il répond à des critères de qualité précis et fonctionne correctement pour toutes les tranches de données étudiées. Il peut arriver, par exemple, qu'un modèle affiche un AUC acceptable pour un ensemble de données d'évaluation de façon globale, mais qu'il présente des problèmes de performances sur des tranches spécifiques. Avec TFMA, les développeurs disposent des outils nécessaires pour analyser en profondeur les performances d'un modèle.

TensorFlow Serving

Les systèmes d'inférence de machine learning doivent permettre d'assurer la gestion des versions de modèles (pour les mises à jour de ceux-ci avec option de rollback) et la gestion de modèles multiples (pour les tests A/B) tout en permettant à plusieurs modèles d'afficher simultanément des débits élevés sur les unités d'accélération matérielle (GPU et TPU) avec une latence faible. TensorFlow Serving a montré sa capacité à gérer des dizaines de millions d'inférences par secondes chez Google.

Solutions aux problèmes fréquents

Découvrez des tutoriels détaillés conçus pour vous aider à avancer sur vos projets.

Intermédiaire
Entraînez et exploitez un modèle TensorFlow avec TensorFlow Serving.

Ce guide propose l'entraînement d'un modèle de réseau de neurones pour la classification d'images de vêtements (chaussures de sport et tee-shirts, par exemple), enregistre le modèle entraîné, puis l'exploite avec TensorFlow Serving. L'accent est mis sur TensorFlow Serving, plutôt que sur la modélisation et l'entraînement dans TensorFlow.

Intermédiaire
Créez des pipelines TFX hébergés sur Google Cloud

Introduction à TensorFlow Extended (TFX) et à Cloud AI Platform Pipelines pour créer vos propres pipelines de machine learning sur Google Cloud. Suivez un processus de développement de ML typique, depuis l'analyse de l'ensemble de données jusqu'à l'obtention d'un pipeline parfaitement fonctionnel.

Intermédiaire
Utiliser TFX avec TensorFlow Lite pour exécuter des inférences sur les appareils

Découvrez comment TensorFlow Extended (TFX) vous permet de créer et d'évaluer des modèles de machine learning à déployer sur des appareils. TFX est désormais compatible en natif avec TFLite, qui permet de réaliser des inférences extrêmement efficaces sur les appareils mobiles.

Actualités et annonces

Consultez notre blog et notre playlist YouTube pour en savoir plus sur TFX,
et abonnez-vous à la newsletter TensorFlow mensuelle pour
recevoir directement les dernières annonces.

June 8, 2020 
Fast, scalable and accurate NLP: Why TFX is a perfect match for deploying BERT

Learn how SAP’s Concur Labs simplified the deployment of BERT models through TensorFlow libraries and extensions in this two-part blog.

11 mars 2020 
Présentation de Cloud AI Platform Pipelines

Lancement de la version bêta de Cloud AI Platform Pipelines, un environnement d'exécution sécurisé, facile à installer et dédié aux entreprises pour tous vos workflows de ML.

11 mars 2020 
TFX : ML de production avec TensorFlow en 2020 (TF Dev Summit 2020)

Découvrez comment la plate-forme Google de machine learning pour les environnements de production, TFX, évolue en 2020 et comment Airbus l'utilise.

Continue
9 mars 2020
Keras natif dans TFX

Le lancement de TensorFlow 2.0 s'est accompagné de nombreuses nouvelles fonctionnalités et améliorations, comme l'intégration étroite à Keras. Découvrez comment les composants TFX sont compatibles en natif avec Keras.