本地环境中能否使用TFX实现AutoML并将模型部署到本地目录？

完全可以在本地环境基于TFX跑通AutoML全流程，不需要依赖Kubeflow或GCP的云端服务，具体实操方式如下：

• 环境准备：优先选择Python 3.8~3.10版本（和TFX稳定版兼容性最好），直接通过pip安装稳定版TFX即可，安装命令参考 pip install tfx==1.14.0，不需要额外部署K8s集群、云服务SDK这类云端相关组件。
• 流程编排：TFX原生提供LocalDagRunner本地编排器，直接替换掉云端场景用的KubeflowDagRunner，就能在本地调度所有TFX组件跑完整DAG流程，所有中间产物（数据统计报告、数据Schema、超参搜索记录、模型评估结果等）都会默认写入你指定的本地工作目录，不需要对接云存储服务。
• AutoML能力落地：TFX内置的组件完全覆盖本地AutoML需求：用ExampleGen、SchemaGen、Transform组件自动完成数据校验、特征工程流程；用Tuner组件可以本地执行超参数搜索（支持随机搜索、贝叶斯搜索等常用策略），不需要调用GCP的云端调优接口；你也可以在自定义Trainer逻辑里加入模型结构遍历规则，根据验证集指标自动筛选最优模型结构，实现全自动模型选型。
• 模型本地导出：训练完成后使用内置的Pusher组件做模型推送，只需要将推送目标的serving_directory参数配置为你想要存放模型的本地路径，组件就会自动把经过验证最优的模型导出为标准可部署格式，存到指定本地目录，不需要对接云端模型部署服务。

注意：如果本地处理的数据集规模较大，提前给运行环境分配足够的CPU、内存资源即可，本地运行的组件逻辑和云端完全一致，不存在功能阉割。

内容的提问来源于stack exchange，提问作者Shisui Otsutsuki