TensorFlow Extended (TFX) нь үйлдвэрлэлийн орчинд машин сургалтын (ML) загваруудыг хөгжүүлэх, ашиглахад туслах зорилготой хүчирхэг нээлттэй эхийн платформ юм. Энэ нь эцсийн ML дамжуулах шугам барих боломжийг олгодог цогц хэрэгсэл, номын сангуудаар хангадаг. Эдгээр дамжуулах хоолой нь хэд хэдэн тодорхой үе шатуудаас бүрдэх бөгөөд тус бүр нь тодорхой зорилготой бөгөөд ML ажлын урсгалын ерөнхий амжилтанд хувь нэмэр оруулдаг. Энэ хариултанд бид TFX дэх ML дамжуулах хоолойн өөр өөр үе шатуудыг судлах болно.
1. Өгөгдөл залгих:
ML дамжуулах хоолойн эхний үе шат нь янз бүрийн эх сурвалжаас өгөгдлийг шингээж, ML даалгавруудад тохиромжтой формат болгон хувиргах явдал юм. TFX нь CSV файл эсвэл мэдээллийн сан гэх мэт өөр өөр эх сурвалжаас өгөгдлийг уншиж, TensorFlow-ийн жишээ формат руу хөрвүүлдэг ExampleGen зэрэг бүрэлдэхүүн хэсгүүдээр хангадаг. Энэ үе шат нь дараагийн үе шатанд шаардлагатай өгөгдлийг гаргаж авах, баталгаажуулах, урьдчилан боловсруулах боломжийг олгодог.
2. Өгөгдлийн баталгаажуулалт:
Өгөгдлийг хүлээн авсны дараа дараагийн үе шатанд түүний чанар, тогтвортой байдлыг хангахын тулд өгөгдлийн баталгаажуулалт орно. TFX нь өгөгдлийн хураангуй статистикийг тооцдог StatisticsGen бүрэлдэхүүн хэсэг болон статистикт суурилсан схемийг гаргадаг SchemaGen бүрэлдэхүүн хэсгүүдийг хангадаг. Эдгээр бүрэлдэхүүн хэсгүүд нь өгөгдлийн гажиг, дутуу үнэ цэнэ, үл нийцэх байдлыг тодорхойлоход тусалдаг бөгөөд өгөгдлийн инженерүүд болон ML дадлагажигчдад зохих арга хэмжээ авах боломжийг олгодог.
3. Өгөгдлийн хувиргалт:
Өгөгдлийн баталгаажуулалтын дараа ML дамжуулах хоолой нь өгөгдөл хувиргах үе шат руу шилждэг. TFX нь өгөгдөлд хэвийн болгох, нэг халуун кодчилол, онцлог хөндлөн огтлолцох зэрэг функцын инженерчлэлийн арга техникийг ашигладаг Transform бүрэлдэхүүн хэсгийг санал болгодог. Энэ үе шат нь загварын гүйцэтгэл, ерөнхий ойлголтыг сайжруулахад тусалдаг тул загварчлалын сургалтын өгөгдлийг бэлтгэхэд чухал үүрэг гүйцэтгэдэг.
4. Загвар сургалт:
Загварын сургалтын үе шат нь хувиргасан өгөгдлийг ашиглан ML загваруудыг сургах явдал юм. TFX нь тараасан систем эсвэл GPU дээр загваруудыг сургахад TensorFlow-ийн хүчирхэг сургалтын чадамжийг ашигладаг сургагч бүрэлдэхүүнийг хангадаг. Энэхүү бүрэлдэхүүн хэсэг нь сургалтын параметрүүд, загварын архитектурууд болон оновчлолын алгоритмуудыг өөрчлөх боломжийг олгож, ML дадлагажигчдад загвараа үр дүнтэйгээр турших, давтах боломжийг олгодог.
5. Загварын үнэлгээ:
Загваруудыг сургасны дараа дараагийн үе шат бол загварын үнэлгээ юм. TFX нь үнэн зөв, нарийвчлал, эргэн санах, F1 оноо зэрэг үнэлгээний хэмжүүрүүдийг ашиглан бэлтгэгдсэн загваруудын гүйцэтгэлийг үнэлдэг Үнэлгээний бүрэлдэхүүн хэсгийг хангадаг. Энэ үе шат нь загваруудын болзошгүй асуудлуудыг тодорхойлоход тусалдаг ба үл үзэгдэх өгөгдөл дээр тэдний зан байдлын талаархи ойлголтыг өгдөг.
6. Загварын баталгаажуулалт:
Загварын үнэлгээний дараа ML дамжуулах хоолой нь загварын баталгаажуулалт руу шилждэг. TFX нь бэлтгэгдсэн загваруудыг өмнө нь гаргасан схемийн эсрэг баталгаажуулдаг ModelValidator бүрэлдэхүүн хэсгийг санал болгодог. Энэ үе шат нь загварууд нь өгөгдлийн хүлээгдэж буй форматыг дагаж мөрдөхийг баталгаажуулж, өгөгдлийн шилжилт, схемийн хувьсал зэрэг асуудлыг илрүүлэхэд тусалдаг.
7. Загвар байршуулалт:
ML дамжуулах хоолойн эцсийн үе шат нь бэлтгэгдсэн загваруудыг үйлдвэрлэлийн орчинд байрлуулах явдал юм. TFX нь сургагдсан загварууд болон холбогдох олдворуудыг TensorFlow Serving эсвэл TensorFlow Lite зэрэг үйлчилгээний системд экспортлох Pusher бүрэлдэхүүнийг хангадаг. Энэ үе шат нь ML загваруудыг программд нэгтгэх боломжийг олгож, шинэ өгөгдөл дээр таамаглал гаргах боломжийг олгодог.
TFX дахь ML дамжуулах хоолой нь өгөгдөл хүлээн авах, өгөгдөл баталгаажуулах, өгөгдлийг хувиргах, загвар сургалт, загварын үнэлгээ, загварыг баталгаажуулах, загвар байршуулах зэрэг хэд хэдэн үе шатаас бүрдэнэ. Үе шат бүр нь өгөгдлийн чанарыг хангах, онцлог инженерчлэлийг идэвхжүүлэх, үнэн зөв загваруудыг сургах, гүйцэтгэлийг үнэлэх, үйлдвэрлэлийн орчинд ашиглах замаар ML ажлын урсгалын ерөнхий амжилтанд хувь нэмэр оруулдаг.
Сүүлийн үеийн бусад асуулт, хариулт EITC/AI/TFF TensorFlow Fundamentals:
- Хэрхэн оруулах давхаргыг ашиглан үгсийг вектор болгон дүрслэх графикт тохирох тэнхлэгүүдийг автоматаар хуваарилах вэ?
- CNN-д хамгийн их нөөц бүрдүүлэх зорилго юу вэ?
- Хувирмал мэдрэлийн сүлжээ (CNN) дахь шинж чанарыг задлах процессыг дүрсийг танихад хэрхэн ашигладаг вэ?
- TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудад асинхрон сургалтын функцийг ашиглах шаардлагатай юу?
- TensorFlow Keras Tokenizer API үгийн хамгийн их тооны параметр хэд вэ?
- TensorFlow Keras Tokenizer API-г хамгийн түгээмэл үгсийг олоход ашиглаж болох уу?
- TOCO гэж юу вэ?
- Машин сургалтын загвар дахь хэд хэдэн эрин үе ба загварыг ажиллуулахаас урьдчилан таамаглах нарийвчлалын хооронд ямар хамааралтай вэ?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын API-тай хөрш зэргэлдээх багц нь байгалийн график өгөгдөл дээр суурилсан сургалтын нэмэгдүүлсэн мэдээллийн багц үүсгэдэг үү?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын програмын хөршүүдийн API гэж юу вэ?
Бусад асуулт, хариултыг EITC/AI/TFF TensorFlow Fundamentals-аас үзнэ үү