Aufbau von Pipelines für maschinelles Lernen

Kapitel 10. Fortgeschrittenes TensorFlow Extended

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Mit den beiden vorangegangenen Kapiteln über den Einsatz von Modellen haben wir unseren Überblick über die einzelnen Pipeline-Komponenten abgeschlossen. Bevor wir in die Orchestrierung dieser Pipeline-Komponenten eintauchen, wollen wir in diesem Kapitel eine Pause einlegen und fortgeschrittene Konzepte von TFX vorstellen.

Mit den Pipeline-Komponenten, die wir bisher vorgestellt haben, können wir für die meisten Probleme Pipelines für maschinelles Lernen erstellen. Manchmal müssen wir jedoch unsere eigene TFX-Komponente oder komplexere Pipeline-Graphen erstellen. Deshalb werden wir uns in diesem Kapitel darauf konzentrieren, wie wir eigene TFX-Komponenten erstellen können. Wir leiten das Thema mit einer benutzerdefinierten Ingestion-Komponente ein, die Bilder direkt für Computer Vision ML-Pipelines einliest. Darüber hinaus stellen wir fortgeschrittene Konzepte von Pipelinestrukturen vor: die gleichzeitige Erzeugung von zwei Modellen (z. B. für den Einsatz von TensorFlow Serving und TFLite) sowie das Hinzufügen eines menschlichen Gutachters in den Pipelineworkflow.

Laufende Entwicklungen

Zum Zeitpunkt der Erstellung dieser Publikation befinden sich einige der vorgestellten Konzepte noch in der Entwicklung und können daher Gegenstand künftiger Aktualisierungen sein. Wir haben unser Bestes getan, um ...