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。
运行原理
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。

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。

概略介绍 Alphabet 的两个后续端到端 (E2E) 机器学习平台 Sibyl 和 TFX。了解 TFX 的发展历史如何促进机器学习工程学科的发展。

TFX 和 TFJS 与 Magenta 展开合作,为印度独立日推出以 AI 驱动的新体验,将用户的歌声转换为乐器演奏声,通过这项合作的音乐项目共同向印度文化致意。

这篇博客包含两个部分,介绍了 SAP 的 Concur Labs 如何通过 TensorFlow 库和扩展程序简化 BERT 模型的部署过程。