TensorFlow em tutoriais de produção

Esses tutoriais irão ajudá-lo a começar e aprender algumas maneiras diferentes de trabalhar com o TFX para fluxos de trabalho de produção e implantações. Em particular, você aprenderá os dois estilos principais de desenvolvimento de um pipeline TFX:

  • Usando o InteractiveContext para desenvolver um pipeline em um notebook, trabalhando com um componente por vez. Este estilo torna o desenvolvimento mais fácil e mais Pythonico.
  • Definir um pipeline inteiro e executá-lo com um executor. Esta é a aparência dos seus pipelines quando você os implantar.

Tutoriais de primeiros passos

Provavelmente o pipeline mais simples que você pode construir para ajudá-lo a começar. Clique no botão Executar no Google Colab .
Baseando-se no pipeline simples para adicionar componentes de validação de dados.
Baseando-se no pipeline de validação de dados para adicionar um componente de engenharia de recursos.
Baseando-se no pipeline simples para adicionar um componente de análise de modelo.

TFX no Google Cloud

O Google Cloud oferece vários produtos como BigQuery e Vertex AI para tornar seu fluxo de trabalho de ML econômico e escalonável. Você aprenderá como usar esses produtos em seu pipeline TFX.
Executando pipelines em um serviço de pipeline gerenciado, Vertex Pipelines.
usando o BigQuery como fonte de dados de pipelines de ML.
Uso de recursos de nuvem para treinamento e veiculação de ML com a Vertex AI.
Uma introdução ao uso de TFX e Cloud AI Platform Pipelines.

Passos seguintes

Depois de ter uma compreensão básica do TFX, verifique estes tutoriais e guias adicionais. E não se esqueça de ler o Guia do usuário do TFX .
Uma introdução componente por componente ao TFX, incluindo o contexto interativo , uma ferramenta de desenvolvimento muito útil. Clique no botão Executar no Google Colab .
Um tutorial que mostra como desenvolver seus próprios componentes TFX personalizados.
Este notebook do Google Colab demonstra como a validação de dados do TensorFlow (TFDV) pode ser usada para investigar e visualizar um conjunto de dados, incluindo a geração de estatísticas descritivas, inferência de um esquema e localização de anomalias.
Este notebook do Google Colab demonstra como a análise de modelo do TensorFlow (TFMA) pode ser usada para investigar e visualizar as características de um conjunto de dados e avaliar o desempenho de um modelo ao longo de vários eixos de precisão.
Este tutorial demonstra como o TensorFlow Serving pode ser usado para servir um modelo usando uma API REST simples.

Vídeos e atualizações

Assine a lista de reprodução e o blog do TFX no YouTube para obter os vídeos e atualizações mais recentes.

TF Dev Summit 2020
Assista o vídeo
Mundo TF 2019
Assista o vídeo
GOTO Copenhague 2019
Assista o vídeo