TensorFlow Extended (TFX) platformek çavkaniya vekirî ya hêzdar e ku ji bo hêsankirina pêşkeftin û bicîhkirina modelên fêrbûna makîneyê (ML) di hawîrdorên hilberînê de hatî çêkirin. Ew komek amûr û pirtûkxaneyek berfireh peyda dike ku avakirina lûleyên ML-ya dawî-bi-dawî pêk tîne. Van boriyan ji çend qonaxên cihêreng pêk tên, her yek ji armancek taybetî re xizmet dike û beşdarî serkeftina giştî ya xebata ML dibe. Di vê bersivê de, em ê qonaxên cihêreng ên xeta ML-ê ya di TFX de bikolin.
1. Têrkirina daneyan:
Qonaxa yekem a lûleya ML di nav xwe de daneya ji çavkaniyên cihêreng vedihewîne û veguheztina wê di formatek ku ji bo karên ML-ê re guncan e. TFX hêmanên wekî ExampleGen peyda dike, ku daneyan ji çavkaniyên cihêreng ên mîna pelên CSV an databasan dixwîne, û wê vediguhezîne forma Mînak a TensorFlow. Ev qonax rê dide derxistin, rastkirin, û pêşdibistanên daneyên ku ji bo qonaxên paşîn hewce ne.
2. Rastkirina daneyan:
Dema ku dane tê xwarê, qonaxa paşîn verastkirina daneyê vedihewîne da ku kalîte û hevgirtina wê misoger bike. TFX pêkhateya StatisticsGen, ku statîstîkên kurteya daneyan hesab dike, û pêkhateya SchemaGen, ku li ser bingeha statîstîkan şemayek derdixe peyda dike. Van pêkhateyan di tespîtkirina anomalî, nirxên winda, û nakokîyên di daneyan de dibin alîkar, rê dide endezyarên daneyê û bijîjkên ML-ê ku çalakiyên guncan bavêjin.
3. Veguherîna daneyan:
Piştî pejirandina daneyê, lûleya ML derbasî qonaxa veguherîna daneyê dibe. TFX hêmana Veguherînê pêşkêşî dike, ku teknîkên endezyariyê yên taybetmendiyê, wekî normalîzekirin, şîfrekirina yek-germ, û derbaskirina taybetmendiyê, li daneyan bicîh tîne. Ev qonax di amadekirina daneyan ji bo perwerdehiya modelê de rolek girîng dilîze, ji ber ku ew di baştirkirina performansa modelê û kapasîteyên giştîkirinê de dibe alîkar.
4. Perwerdehiya Model:
Qonaxa perwerdehiya modelê perwerdehiya modelên ML-ê bi karanîna daneyên veguheztin pêk tîne. TFX pêkhateya Trainer peyda dike, ku kapasîteyên perwerdehiya hêzdar ên TensorFlow bikar tîne da ku modelan li ser pergalên belavkirî an GPU perwerde bike. Ev hêman rê dide xwerûkirina parametreyên perwerdehiyê, mîmariya modelê, û algorîtmayên xweşbîniyê, rê dide bijîjkên ML ku li ser modelên xwe bi bandor ceribandin û dubare bikin.
5. Nirxandina Model:
Dema ku model têne perwerde kirin, qonaxa din nirxandina modelê ye. TFX pêkhateya Evaluator peyda dike, ku performansa modelên perwerdekirî bi karanîna metrîkên nirxandinê yên wekî rastbûn, rastbûn, bibîranîn, û xala F1 dinirxîne. Ev qonax di naskirina pirsgirêkên potansiyel ên bi modelan re dibe alîkar û li ser tevgera wan li ser daneyên nedîtî têgihiştinê peyda dike.
6. Rastkirina Modelê:
Piştî nirxandina modelê, lûleya ML derbasî pejirandina modelê dibe. TFX hêmana ModelValidator pêşkêşî dike, ku modelên perwerdekirî li dijî şema ku berê hatî destnîşan kirin rast dike. Vê qonaxê piştrast dike ku model li gorî formata daneyê ya hêvîkirî tevdigerin û di tespîtkirina pirsgirêkên wekî dravê daneyê an pêşkeftina şemayê de dibe alîkar.
7. Dabeşkirina Modelê:
Qonaxa paşîn a lûleya ML bi cîhkirina modelên perwerdekirî li hawîrdorên hilberînê vedihewîne. TFX pêkhateya Pusher peyda dike, ku modelên perwerdekirî û hunerên têkildar ji pergalek xizmetkarê re, wek TensorFlow Serving an TensorFlow Lite, hinarde dike. Ev qonax yekbûna modelên ML-ê di serîlêdanan de dihêle, rê dide wan ku li ser daneyên nû pêşbîniyan bikin.
Xeta ML di TFX de ji çend qonaxan pêk tê, di nav de girtina daneyan, pejirandina daneyê, veguherîna daneyê, perwerdehiya modelê, nirxandina modelê, pejirandina modelê, û bicîhkirina modelê. Her qonax bi misogerkirina kalîteya daneyê, çalakkirina endezyariya taybetmendiyê, perwerdekirina modelên rast, nirxandina performansa wan, û bicihkirina wan li hawîrdorên hilberînê beşdarî serkeftina giştî ya xebata ML dibe.
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