El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
HOME Els meus cursos Finalitzats
◄ Anterior
◄

Introducció a TFX

Següent ►
►

TensorFlow Extended (TFX) és una plataforma de producció d'aprenentatge automàtic (ML) de punta a punta per a la implementació de fluxos de treball de ML a gran escala. TFX proporciona una sèrie de components i biblioteques que ajuden a construir, desplegar i gestionar models de ML de manera eficient i escalable.

Objectius d'aquest tema

  • Entendre què és TFX i per què és important.
  • Conèixer els components principals de TFX.
  • Aprendre a configurar un entorn bàsic de TFX.

Què és TFX?

TFX és una plataforma de codi obert desenvolupada per Google per a la producció de models de ML. Està dissenyada per ajudar els equips de ML a portar els seus models des del desenvolupament fins a la producció de manera eficient i fiable.

Característiques clau de TFX

  • Automatització: Automatitza moltes de les tasques repetitives i tedioses associades amb la producció de models de ML.
  • Escalabilitat: Pot gestionar grans volums de dades i models complexos.
  • Reproductibilitat: Assegura que els experiments de ML siguin reproduïbles.
  • Monitorització: Proporciona eines per monitoritzar el rendiment dels models en producció.

Components principals de TFX

TFX està compost per diversos components que treballen junts per crear un flux de treball de ML complet. A continuació es presenten els components principals:

  1. ExampleGen

  • Funció: Ingesta de dades.
  • Descripció: Aquest component és responsable de carregar i dividir les dades en conjunts d'entrenament i validació.

  1. StatisticsGen

  • Funció: Generació d'estadístiques.
  • Descripció: Calcula estadístiques descriptives sobre les dades d'entrenament.

  1. SchemaGen

  • Funció: Generació d'esquemes.
  • Descripció: Genera un esquema de les dades basat en les estadístiques calculades.

  1. ExampleValidator

  • Funció: Validació de dades.
  • Descripció: Detecta anomalies en les dades d'entrenament.

  1. Transform

  • Funció: Transformació de dades.
  • Descripció: Aplica transformacions a les dades d'entrenament.

  1. Trainer

  • Funció: Entrenament de models.
  • Descripció: Entrena el model de ML utilitzant les dades transformades.

  1. Tuner

  • Funció: Ajust de hiperparàmetres.
  • Descripció: Optimitza els hiperparàmetres del model.

  1. Evaluator

  • Funció: Avaluació de models.
  • Descripció: Avalua el rendiment del model entrenat.

  1. InfraValidator

  • Funció: Validació d'infraestructura.
  • Descripció: Valida que el model es pot desplegar en l'entorn de producció.

  1. Pusher

  • Funció: Desplegament de models.
  • Descripció: Desplega el model entrenat a l'entorn de producció.

Configuració d'un entorn bàsic de TFX

Requisits previs

  • Python 3.6 o superior.
  • TensorFlow 2.x.
  • Instal·lació de TFX.

Instal·lació de TFX

pip install tfx

Exemple bàsic de pipeline de TFX

A continuació es presenta un exemple bàsic de com configurar un pipeline de TFX:

import os
from tfx.orchestration.experimental.interactive.interactive_context import InteractiveContext
from tfx.components import CsvExampleGen
from tfx.orchestration.pipeline import Pipeline
from tfx.orchestration.local.local_dag_runner import LocalDagRunner

# Definir el directori de treball
pipeline_root = os.path.join(os.getcwd(), 'tfx_pipeline')

# Crear el component ExampleGen
example_gen = CsvExampleGen(input_base='path/to/csv/data')

# Crear el pipeline
pipeline = Pipeline(
    pipeline_name='my_pipeline',
    pipeline_root=pipeline_root,
    components=[example_gen],
    enable_cache=True,
    metadata_connection_config=None
)

# Executar el pipeline
LocalDagRunner().run(pipeline)

Explicació del codi

  • InteractiveContext: Permet executar components de TFX de manera interactiva.
  • CsvExampleGen: Component que ingereix dades des d'arxius CSV.
  • Pipeline: Defineix el pipeline de TFX.
  • LocalDagRunner: Executa el pipeline localment.

Resum

En aquest tema, hem introduït TensorFlow Extended (TFX) i hem explorat els seus components principals. També hem vist com configurar un entorn bàsic de TFX i executar un pipeline simple. En els següents temes, aprofundirem en cada component i veurem exemples més avançats de com utilitzar TFX per a la producció de models de ML.

◄ Anterior
◄
Següent ►
►
El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
© Copyright 2024. Tots els drets reservats