tfx bsl
T
Las bibliotecas compartidas básicas de TFX ( tfx_bsl ) contienen bibliotecas compartidas por muchos componentes TensorFlow Extended (TFX).
Solo los símbolos exportados por submódulos bajo tfx_bsl/public están destinados a uso directo por usuarios de TFX , incluidos los usuarios independientes de la biblioteca TFX (por ejemplo, TFDV, TFMA, TFT), autores de tuberías TFX y autores de componentes TFX. Esas API se volverán estables y seguirán el versiones semánticas una vez que tfx_bsl va más allá de 1.0 .
Las API en otros directorios deben considerarse internas para TFX (y, por lo tanto, no hay garantía de compatibilidad hacia atrás o hacia adelante para ellos).
Cada versión menor de una biblioteca TFX o TFX en sí, si necesita depender de tfx_bsl , dependerá de una versión menor específica de la misma (por ejemplo, tensorflow_data_validation 0.14.* Dependerá de, y solo funcionará con, tfx_bsl 0.14.*)
tfx_bsl está disponible como un paquete PYPI.
pip install tfx-bslTFX-BSL también aloja paquetes nocturnos en https://pypi-nightly.tensorflow.org en Google Cloud. Para instalar el último paquete nocturno, utilice el siguiente comando:
pip install --extra-index-url https://pypi-nightly.tensorflow.org/simple tfx-bslEsto instalará los paquetes nocturnos para las principales dependencias de TFX-BSL, como los metadatos de TensorFlow (TFMD).
Sin embargo, es una dependencia de muchos componentes TFX y, por lo general, como usuario no necesita instalarlo directamente.
Si desea construir un componente TFX desde la rama maestra, más allá del último lanzamiento, es posible que también deba construir el último tfx_bsl , ya que ese componente TFX podría haber dependido de nuevas características introducidas más allá de la última versión tfx_bsl .
Construir desde Docker es la forma recomendada de construir tfx_bsl en Linux, y se prueba continuamente en Google.
Primero instale docker y docker-compose siguiendo las instrucciones.
tfx_bsl git clone https://github.com/tensorflow/tfx-bsl
cd tfx-bsl Tenga en cuenta que estas instrucciones instalarán la última rama maestra de tfx-bsl . Si desea instalar una rama específica (como una rama de lanzamiento), pase -b <branchname> al comando git clone .
Luego, ejecute lo siguiente en la raíz del proyecto:
sudo docker-compose build manylinux2010
sudo docker-compose run -e PYTHON_VERSION= ${PYTHON_VERSION} manylinux2010 donde PYTHON_VERSION es uno de {39} .
Se producirá una rueda bajo dist/ .
pip install dist/ * .whlSi Numpy no está instalado en su sistema, instálelo ahora siguiendo estas instrucciones.
Si Bazel no está instalado en su sistema, instálelo ahora siguiendo estas instrucciones.
tfx_bsl git clone https://github.com/tensorflow/tfx-bsl
cd tfx-bsl Tenga en cuenta que estas instrucciones instalarán la última rama maestra de tfx_bsl si desea instalar una rama específica (como una rama de lanzamiento), pase -b <branchname> en el comando git clone .
La rueda tfx_bsl depende de la versión de Python, para construir el paquete PIP que funciona para una versión específica de Python, use ese binario de Python para ejecutar:
python setup.py bdist_wheel Puede encontrar el archivo .whl generado en el subdirectorio dist .
pip install dist/ * .whl tfx_bsl se prueba en los siguientes sistemas operativos de 64 bits:
La siguiente tabla son las versiones del paquete tfx_bsl que son compatibles entre sí. Esto está determinado por nuestro marco de prueba, pero otras combinaciones no probadas también pueden funcionar.
| TFX-BSL | Apache-Beam [GCP] | pilar | flujo tensor | tensorflow-metadata | Tensorflow-Serving-API |
|---|---|---|---|---|---|
| Maestro de github | 2.59.0 | 10.0.1 | Nightly (2.x) | 1.16.1 | 2.16.1 |
| 1.16.1 | 2.59.0 | 10.0.1 | 2.16 | 1.16.1 | 2.16.1 |
| 1.16.0 | 2.59.0 | 10.0.1 | 2.16 | 1.16.0 | 2.16.1 |
| 1.15.1 | 2.47.0 | 10.0.0 | 2.15 | 1.15.0 | 2.15.1 |
| 1.15.0 | 2.47.0 | 10.0.0 | 2.15 | 1.15.0 | 2.15.1 |
| 1.14.0 | 2.47.0 | 10.0.0 | 2.13 | 1.14.0 | 2.13.0 |
| 1.13.0 | 2.40.0 | 6.0.0 | 2.12 | 1.13.1 | 2.9.0 |
| 1.12.0 | 2.40.0 | 6.0.0 | 2.11 | 1.12.0 | 2.9.0 |
| 1.11.0 | 2.40.0 | 6.0.0 | 1.15 / 2.10 | 1.11.0 | 2.9.0 |
| 1.10.0 | 2.40.0 | 6.0.0 | 1.15 / 2.9 | 1.10.0 | 2.9.0 |
| 1.9.0 | 2.38.0 | 5.0.0 | 1.15 / 2.9 | 1.9.0 | 2.9.0 |
| 1.8.0 | 2.38.0 | 5.0.0 | 1.15 / 2.8 | 1.8.0 | 2.8.0 |
| 1.7.0 | 2.36.0 | 5.0.0 | 1.15 / 2.8 | 1.7.0 | 2.8.0 |
| 1.6.0 | 2.35.0 | 5.0.0 | 1.15 / 2.7 | 1.6.0 | 2.7.0 |
| 1.5.0 | 2.34.0 | 5.0.0 | 1.15 / 2.7 | 1.5.0 | 2.7.0 |
| 1.4.0 | 2.31.0 | 5.0.0 | 1.15 / 2.6 | 1.4.0 | 2.6.0 |
| 1.3.0 | 2.31.0 | 2.0.0 | 1.15 / 2.6 | 1.2.0 | 2.6.0 |
| 1.2.0 | 2.31.0 | 2.0.0 | 1.15 / 2.5 | 1.2.0 | 2.5.1 |
| 1.1.0 | 2.29.0 | 2.0.0 | 1.15 / 2.5 | 1.1.0 | 2.5.1 |
| 1.0.0 | 2.29.0 | 2.0.0 | 1.15 / 2.5 | 1.0.0 | 2.5.1 |
| 0.30.0 | 2.28.0 | 2.0.0 | 1.15 / 2.4 | 0.30.0 | 2.4.0 |
| 0.29.0 | 2.28.0 | 2.0.0 | 1.15 / 2.4 | 0.29.0 | 2.4.0 |
| 0.28.0 | 2.28.0 | 2.0.0 | 1.15 / 2.4 | 0.28.0 | 2.4.0 |
| 0.27.1 | 2.27.0 | 2.0.0 | 1.15 / 2.4 | 0.27.0 | 2.4.0 |
| 0.27.0 | 2.27.0 | 2.0.0 | 1.15 / 2.4 | 0.27.0 | 2.4.0 |
| 0.26.1 | 2.25.0 | 0.17.0 | 1.15 / 2.3 | 0.27.0 | 2.3.0 |
| 0.26.0 | 2.25.0 | 0.17.0 | 1.15 / 2.3 | 0.27.0 | 2.3.0 |
