解法回歸TensorFlow

Google系列課程第四篇章Feature Engineering，從整體概念解說，總算回歸TensorFlow的應用回。
預處理是對於收集到的資料給予的第一步運算，少了它，對於資料整體的判讀就是少了一味。

就像是JavaFX之於Java，TensorFlow Transform之於TensorFlow我們可以想成是一個針對DataFlow的強化處理模組。
而Google對於DataFlow的規劃，以Apache Beam的形式進行完整控制流程。
因此TensorFlow Transform以tf.Transform的包裝存在了現在的TensorFlow中。

此處以tf.__version__==2.x來說明

回顧一下，以GCP上的DataFlow為例，可以執行特徵工程的部分有三個，如下圖：

當在使用tf.Transform時，想辦法分成兩個階段：Analyze和Transform。

1. 當針對training資料集時：Analyze階段 --> AnalyzeAndTransformDataset
2. 當針對evaluation資料集時：Transform階段 --> TransformDataset

因為整體是整合Beam的結果，input_function和serving_function都要依照Beam所規範的邏輯喔。