Организованная кодовая база позволяет быстрее вносить изменения и делать меньше ошибок, что в конечном итоге приводит к более высокому качеству кода и модели. Прочтите больше, чтобы узнать, как структурировать свои проекты машинного обучения с помощью Tensorflow Extended (TFX), простого и понятного способа. Структура проекта: требования Разрешить эксперименты с multiple конвейерами Поддерживает как режим выполнения a local , так и режим выполнения deployment . Это обеспечивает..

написано в сотрудничестве с Габриэлем Ранделли Ладно, ты говоришь, я слушаю! У вас есть идеи по поводу Науки о данных в Google Cloud , которые вы хотели бы увидеть? Пожалуйста, дайте мне знать, заполнив эту форму . Это поможет мне в будущих постах в блоге =) Отказ от ответственности В этой статье предполагается наличие некоторых предварительных знаний о TFX, Vertex AI и Dialogflow. Я бы порекомендовал посмотреть эти видео от команды разработчиков Google Cloud..

Когда мы думаем об ML, мы склонны сосредотачиваться на части обучения модели. Но когда мы переходим к производству, мы понимаем, что есть много других частей, которые очень важны для того, чтобы модель была доступной и надежной в течение всего срока службы. Производственное решение требует гораздо большего, чтобы иметь возможность решать все проблемы, с которыми мы сталкиваемся во время разработки ML: Маркированные данные (как их получить) У меня могут быть терабайты данных, но мне..

Это будет вторая часть этой серии, ранее я опубликовал первую часть с очень простым способом создания модели. Это будет немного больше с реальными данными с множеством функций и некоторыми преобразованиями в наборе данных. Набор данных, который я буду использовать, будет набором данных с открытым исходным кодом из набора данных IRIS для классификации типов цветов (три категории цветов) на основе входных характеристик. Без лишних слов, давайте перейдем к коду. Давайте импортируем..