TFX, ku ji bo TensorFlow Extended radiweste, ji bo avakirina boriyên fêrbûna makîneyê yên amade-hilberînê platformek berfereh-dawî-dawî ye. Ew komek amûr û hêmanan peyda dike ku pêşkeftin û bicîhkirina pergalên fêrbûna makîneyê ya berbelav û pêbawer hêsan dike. TFX ji bo çareserkirina kêşeyên rêvebirin û xweşbînkirina boriyên fêrbûna makîneyê hatî çêkirin, rê dide zanyar û endezyarên daneyê ku li şûna ku bi tevliheviyên binesaziyê û rêveberiya daneyê re mijûl bibin li ser çêkirin û dubarekirina modelan bisekinin.
TFX lûleya fêrbûna makîneyê di çend qatên horizontî de organîze dike, ku her yek di tevgera xebata giştî de ji armancek taybetî re xizmet dike. Van qatan bi hev re dixebitin da ku herikîna bêkêmasî ya daneyan û hunerên modelê, û her weha pêkanîna bikêrhatî ya boriyê misoger bikin. Ka em ji bo rêveberiya boriyê û xweşbîniyê qatên cihêreng ên di TFX de bigerin:
1. Veguheztin û pejirandina daneyan:
Ev qat berpirsiyar e ku daneya xav ji çavkaniyên cihêreng, wek pelan, databas, an pergalên streaming. TFX amûrên mîna TensorFlow Data Validation (TFDV) peyda dike da ku pejirandina daneyê û hilberîna statîstîkê pêk bîne. TFDV ji bo naskirina anomalî, nirxên winda, û hilkişîna daneyê dibe alîkar, ku kalîte û domdariya daneyên têketinê misoger dike.
2. Pêşîsazkirina daneyan:
Di vê qatê de, TFX TensorFlow Veguheztin (TFT) pêşkêşî dike ku pêşdibistanên daneyê û endezyariya taybetmendiyê pêk bîne. TFT destûrê dide bikarhêneran ku veguherînên li ser daneyên têketinê, wekî pîvandin, normalîzekirin, şîfrekirina yek-germ, û hêj bêtir diyar bikin. Van veguherînan hem di dema perwerdehiyê û hem jî di dema xizmetkirinê de bi domdarî têne sepandin, hevgirtina daneyan piştrast dikin û xetera şikestina daneyê kêm dikin.
3. Perwerdehiya Model:
TFX di vê qatê de kapasîteyên perwerdehiya hêzdar ên TensorFlow bikar tîne. Bikarhêner dikarin modelên fêrbûna makîneya xwe bi karanîna API-yên asta bilind ên TensorFlow an koda TensorFlow-ya xwerû diyar bikin û perwerde bikin. TFX amûrên mîna Analîza Modela TensorFlow (TFMA) peyda dike da ku modelên perwerdekirî bi karanîna metrîk, dîtbarî, û teknîkên perçekirinê binirxîne û rast bike. TFMA ji bo nirxandina performansa modelê û tespîtkirina pirsgirêkên potansiyel an nerastiyan dibe alîkar.
4. Verastkirin û Nirxandina Model:
Ev qat balê dikişîne ser pejirandin û nirxandina modelên perwerdekirî. TFX Rastkirina Daneyên TensorFlow (TFDV) û Analîzkirina Modela TensorFlow (TFMA) peyda dike da ku verastkirin û nirxandina modela berfireh pêk bîne. TFDV ji bo rastkirina daneya têketinê li hember hêviyên ku di qonaxa hilgirtina daneyê de hatine destnîşan kirin dibe alîkar, dema ku TFMA dihêle bikarhêneran performansa modelê li hember metrîk û perçeyên pêşwext binirxînin.
5. Dabeşkirina Modelê:
TFX sazkirina modelê li hawîrdorên cihêreng piştgirî dike, di nav de TensorFlow Serving, TensorFlow Lite, û TensorFlow.js. TensorFlow Serving destûrê dide bikarhêneran ku modelên xwe wekî karûbarên tevnvî yên berbelav û bikêr xizmet bikin, dema ku TensorFlow Lite û TensorFlow.js, bi rêzê, li ser platformên mobîl û tevneyê bicîhkirinê çalak dikin. TFX amûr û karûbar peyda dike da ku modelên perwerdekirî bi hêsanî pakkirin û bicîh bike.
6. Orkestrasyon û Rêvebiriya Karûbar:
TFX bi pergalên rêveberiya xebata xebatê re, wekî Apache Airflow û Kubeflow Pipelines, yek dike ku tevahiya boriyê fêrbûna makîneyê rêve bike û rêve bibe. Van pergal kapasîteyên plansazkirin, şopandin, û birêvebirina xeletiyan peyda dikin, ku pêkanîna pêbawer a lûleyê misoger dikin.
Bi organîzekirina boriyê di van qatên horizontî de, TFX rê dide zanyar û endezyarên daneyê ku pergalên fêrbûna makîneyê bi bandor pêşve bibin û xweşbîn bikin. Ew rêgezek birêkûpêk û berbelav peyda dike da ku meriv tevliheviyên hilgirtina daneyê, pêş-processing, perwerdehiya modelê, erêkirin, nirxandin, û bicîhkirinê birêve bibe. Bi TFX re, bikarhêner dikarin balê bikişînin ser avakirina modelên kalîteya bilind û gihandina nirxê ji rêxistinên xwe re.
TFX ji bo rêvebirin û xweşbîniya lûleyê qatên horizontî yên ji bo hilgirtin û pejirandina daneyê, pêşdibistanên daneyê, perwerdehiya modelê, verastkirin û nirxandina modelê, bicîhkirina modelê, û rêvebirina orkestrasyon û xebatê vedihewîne. Van qatan bi hev re dixebitin da ku pêşkeftin û bicîhkirina lûleyên fêrbûna makîneyê xweş bikin, ku zanyar û endezyarên daneyê bihêlin ku pergalên fêrbûna makîneyê ya berbelav û pêbawer ava bikin.
Pirs û bersivên din ên vê dawiyê di derbarê Bingehîn TensorFlow EITC/AI/TFF:
- Meriv çawa dikare qatek binavkirî bikar bîne da ku bixweber axên rast ji bo nexşeyek nûnertiya peyvan wekî vektor destnîşan bike?
- Armanca berhevkirina max di CNN de çi ye?
- Pêvajoya derxistina taybetmendiyê di tora neuralî ya hevgirtî (CNN) de ji bo naskirina wêneyê çawa tê sepandin?
- Ma pêdivî ye ku ji bo modelên fêrbûna makîneyê yên ku li TensorFlow.js têne xebitandin fonksiyonek fêrbûna asynkron bikar bînin?
- Parametreya herî zêde ya peyvan a TensorFlow Keras Tokenizer API çi ye?
- Ma TensorFlow Keras Tokenizer API dikare were bikar anîn da ku peyvên herî pir caran bibîne?
- TOCO çi ye?
- Têkiliya di navbera çend serdeman de di modelek fêrbûna makîneyê de û rastbûna pêşbîniya ji xebitandina modelê de çi ye?
- Ma API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de li ser bingeha daneya grafika xwezayî danûstendinek perwerdehiya zêdekirî çêdike?
- API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de çi ye?
Pir pirs û bersivan di EITC/AI/TFF TensorFlow Fundamentals de bibînin