TensorFlow Karar Ormanları tarafından kullanılan karar ormanları algoritmalarının arkasındaki temel motor, üretimde kapsamlı bir şekilde test edilmiştir. Bu dosya bilinen sorunlardan bazılarını listeler.
Diğer algoritmalardan farklı davranışlar için geçiş kılavuzuna da bakın.
Windows Pip paketi mevcut değil
TensorFlow Decision Forests henüz Windows Pip paketi olarak mevcut değil.
Geçici çözümler:
- Çözüm #1: Windows makinenize Linux için Windows Alt Sistemini (WSL) yükleyin ve Linux talimatlarını izleyin.
Keras 3 ile uyumsuzluk
Keras 3 ile uyumluluk henüz uygulanmamıştır. 2.16'dan önceki tf_keras veya TensorFlow sürümünü kullanın.
Conda için test edilmedi
TF-DF, Conda ile çalışabilir ancak bu test edilmemiştir ve şu anda paketleri conda-forge üzerinde tutmuyoruz.
TensorFlow'un eski veya gecelik sürümleriyle uyumsuzluk
TensorFlow'un ABI'si sürümler arasında uyumlu değildir. TF-DF özel TensorFlow C++ işlemlerine dayandığından, TF-DF'nin her sürümü TensorFlow'un belirli bir sürümüne bağlıdır. TF-DF'nin son yayımlanan sürümü her zaman TensorFlow'un yayımlanan son sürümüne bağlıdır.
Bu nedenlerden dolayı, TF-DF'nin mevcut sürümü eski sürümlerle veya TensorFlow'un gecelik sürümüyle uyumlu olmayabilir.
TF ve TF-DF'nin uyumsuz sürümlerini kullanıyorsanız aşağıdaki gibi şifreli hatalar göreceksiniz:
tensorflow_decision_forests/tensorflow/ops/training/training.so: undefined symbol: _ZN10tensorflow11GetNodeAttrERKNS_9AttrSliceEN4absl14lts_2020_09_2311string_viewEPSs
- TensorFlow sürümünüzle uyumlu TF-DF sürümünü kullanın.
Uyumluluk tablosu
Aşağıdaki tablo tensorflow_decision_forests ve bağımlılıkları arasındaki uyumluluğu gösterir:
| tensorflow_decision_forests | tensor akışı |
|---|---|
| 1.9.0 | 2.16.1 |
| 1.8.0 - 1.8.1 | 2.15.0 |
| 1.6.0 - 1.7.0 | 2.14.0 |
| 1.5.0 | 2.13.0 |
| 1.3.0 - 1.4.0 | 2.12.0 |
| 1.1.0 - 1.2.0 | 2.11.0 |
| 1.0.0 - 1.0.1 | 2.10.0 - 2.10.1 |
| 0.2.6 - 0.2.7 | 2.9.1 |
| 0.2.5 | 2.9 |
| 0.2.4 | 2.8 |
| 0.2.1 - 0.2.3 | 2.7 |
| 0.1.9 - 0.2.0 | 2.6 |
| 0.1.1 - 0.1.8 | 2.5 |
| 0.1.0 | 2.4 |
- Çözüm 2: Ön işleme fonksiyonunuzu, girdilerini sıkıştıran başka bir fonksiyona sarın.
Tüm modeller dağıtılmış eğitimi ve dağıtım stratejilerini desteklemez
Belirtilmediği sürece modeller tek bir makine üzerinde eğitilir ve dağıtım stratejileriyle uyumlu değildir. Örneğin GradientBoostedTreesModel dağıtılmış eğitimi desteklemezken DistributedGradientBoostedTreesModel destekler.
Geçici çözümler:
- Dağıtım stratejilerini destekleyen bir model kullanın (örneğin
DistributedGradientBoostedTreesModel) veya veri kümenizi tek bir makineye sığacak şekilde alt örnekleyin.
GPU / TPU desteği yok.
TF-DF, GPU veya TPU eğitimini desteklemez. Ancak AVX talimatlarıyla derlemek sunumu hızlandırabilir.
model_to_estimator için destek yok
TF-DF, eğitimli/eğitimsiz bir modeli tahminci formatına dönüştürmek için gereken API'leri uygulamaz.
Yüklü modeller Python modellerinden farklı davranır.
Keras API tarafından soyutlanırken, Python'da başlatılan bir model (örneğin, tfdf.keras.RandomForestModel() ile) ve diskten yüklenen bir model (örneğin, tf_keras.models.load_model() ile) farklı davranabilir. Özellikle Python tarafından başlatılan bir model, gerekli tür dönüşümlerini otomatik olarak uygular. Örneğin, bir float64 özelliği bekleyen bir modele bir float32 özelliği beslenirse, bu dönüşüm örtülü olarak gerçekleştirilir. Ancak diskten yüklenen modeller için böyle bir dönüşüm mümkün değildir. Bu nedenle eğitim verilerinin ve çıkarım verilerinin her zaman tam olarak aynı türde olması önemlidir.
Tensorflow özellik adı temizliği
Tensorflow, özellik adlarını temizler ve örneğin bunları küçük harfe dönüştürebilir.