Bantuan melindungi Great Barrier Reef dengan TensorFlow pada Kaggle Bergabung Tantangan

Perangkat Kartu Model

Model Kartu Toolkit (MCT) streamline perpustakaan dan mengotomatiskan generasi Kartu Model , belajar mesin dokumen yang memberikan konteks dan transparansi dalam pengembangan model dan kinerja. Mengintegrasikan Model Card Toolkit ke dalam pipeline ML akan memungkinkan Anda berbagi metadata dan metrik model dengan peneliti, developer, reporter, dan banyak lagi.

Toko MCT bidang kartu model menggunakan skema JSON . MCT dapat secara otomatis mengisi bidang-bidang untuk pengguna TFX melalui ML Metadata (MLMD) . Bidang kartu model juga dapat secara manual dihuni melalui API Python . Beberapa kasus penggunaan kartu model meliputi:

  • Memfasilitasi pertukaran informasi antara pembuat model dan pengembang produk.
  • Memberi tahu pengguna model ML untuk membuat keputusan yang lebih tepat tentang cara menggunakannya (atau bagaimana tidak menggunakannya).
  • Menyediakan informasi model yang diperlukan untuk pengawasan dan akuntabilitas publik yang efektif.
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()

Sumber daya