TensorFlow در آموزش تولید
این آموزش‌ها شما را شروع می‌کنند و به شما کمک می‌کنند تا چند روش مختلف کار با TFX را برای گردش‌های کاری تولید و استقرار بیاموزید. به طور خاص، شما دو سبک اصلی توسعه خط لوله TFX را یاد خواهید گرفت:
- استفاده از
InteractiveContextبرای توسعه خط لوله در یک نوت بوک، کار با یک جزء در یک زمان. این سبک توسعه را آسان تر و پایتونیک تر می کند. - تعریف کل یک خط لوله و اجرای آن با رانر. این همان چیزی است که خطوط لوله شما هنگام استقرار آنها به نظر می رسد.
آموزش های شروع
1. Starter Pipeline
احتمالا ساده ترین خط لوله ای است که می توانید بسازید تا به شما در شروع کار کمک کند. روی دکمه Run in Google Colab کلیک کنید.2. افزودن اعتبارسنجی داده ها
بر روی خط لوله ساده برای افزودن مؤلفه های اعتبارسنجی داده ها.3. اضافه کردن Feature Engineering
Building در خط لوله اعتبارسنجی داده ها برای افزودن یک جزء مهندسی ویژگی.4. افزودن تجزیه و تحلیل مدل
بر اساس خط لوله ساده برای افزودن یک جزء تحلیل مدل.TFX در Google Cloud
Google Cloud محصولات مختلفی مانند BigQuery، Vertex AI را ارائه می دهد تا گردش کار ML شما مقرون به صرفه و مقیاس پذیر باشد. شما یاد خواهید گرفت که چگونه از آن محصولات در خط لوله TFX خود استفاده کنید.
در حال اجرا بر روی خطوط لوله ورتکس
اجرای خطوط لوله در یک سرویس خط لوله مدیریت شده، خطوط لوله ورتکس.خواندن داده ها از BigQuery
با استفاده از BigQuery به عنوان منبع داده خطوط لوله ML.آموزش و سرویس Vertex AI
با استفاده از منابع ابری برای آموزش ML و ارائه خدمات با Vertex AI.TFX در Cloud AI Platform Pipelines
مقدمه ای بر استفاده از TFX و Cloud AI Platform Pipelines.مراحل بعدی
هنگامی که درک اولیه ای از TFX دارید، این آموزش ها و راهنماهای اضافی را بررسی کنید. و فراموش نکنید که راهنمای کاربر TFX را بخوانید.
Complete Pipeline Tutorial
معرفی جزء به جزء TFX، شامل زمینه تعاملی ، یک ابزار توسعه بسیار مفید. روی دکمه Run in Google Colab کلیک کنید.آموزش اجزای سفارشی
آموزشی که نشان می دهد چگونه اجزای TFX سفارشی خود را توسعه دهید.اعتبارسنجی داده‌ها
این دفترچه یادداشت Google Colab نشان می‌دهد که چگونه می‌توان از اعتبارسنجی داده‌های TensorFlow (TFDV) برای بررسی و تجسم یک مجموعه داده، از جمله تولید آمار توصیفی، استنباط طرح‌واره، و یافتن ناهنجاری‌ها استفاده کرد.تجزیه و تحلیل مدل
این نوت بوک Google Colab نشان می دهد که چگونه می توان از تحلیل مدل TensorFlow (TFMA) برای بررسی و تجسم ویژگی های یک مجموعه داده و ارزیابی عملکرد یک مدل در چندین محور دقت استفاده کرد.Serve a Model
این آموزش نشان می دهد که چگونه TensorFlow Serving می تواند برای ارائه یک مدل با استفاده از یک REST API ساده استفاده شود.فیلم ها و به روز رسانی ها
برای دریافت آخرین ویدیوها و به روز رسانی ها، در فهرست پخش و وبلاگ TFX YouTube مشترک شوید.
TFX: تولید ML با TensorFlow در سال 2020
TF Dev Summit 2020
TFX: تولید خطوط لوله ML با TensorFlow
TF World 2019
انتقال یادگیری ماشینی از تحقیق به تولید
GOTO کپنهاگ 2019