Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

Набор инструментов для модельных карт

Библиотека Model Card Toolkit (MCT) оптимизирует и автоматизирует создание Model Card , документов машинного обучения, которые обеспечивают контекст и прозрачность разработки и производительности модели. Интеграция Model Card Toolkit в ваш конвейер машинного обучения позволит вам делиться метаданными и показателями вашей модели с исследователями, разработчиками, репортерами и т. Д.

MCT хранит поля модели карты, используя схему JSON . MCT может автоматически заполнять эти поля для пользователей TFX с помощью метаданных ML (MLMD) . Поля карточки модели также можно заполнить вручную через API Python . Некоторые варианты использования модельных карт включают:

  • Содействие обмену информацией между создателями моделей и разработчиками продуктов.
  • Информирование пользователей моделей машинного обучения для принятия более обоснованных решений о том, как их использовать (или как не использовать).
  • Предоставление типовой информации, необходимой для эффективного общественного контроля и подотчетности.
import model_card_toolkit

# Initialize the Model Card Toolkit with a path to store generate assets
model_card_output_path = ...
mct = model_card_toolkit.ModelCardToolkit(model_card_output_path)

# Initialize the model_card_toolkit.ModelCard, which can be freely populated
model_card = mct.scaffold_assets()
model_card.model_details.name = 'My Model'

# Write the model card data to a JSON file
mct.update_model_card_json(model_card)

# Return the model card document as an HTML page
html = mct.export_format()

Ресурсы