این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

درک مدل با داشبورد ابزار What-If

ابزار چه کاری

ابزار What-If (WIT) رابط کاربری آسان برای گسترش درک مدل های طبقه بندی جعبه سیاه و رگرسیون ML را فراهم می کند. با استفاده از این افزونه می توانید استنباط را بر روی نمونه های بزرگی انجام دهید و بلافاصله نتایج را به روش های مختلف تجسم کنید. علاوه بر این ، می توان نمونه ها را به صورت دستی یا برنامه ای ویرایش کرد و از طریق مدل مجدداً اجرا کرد تا نتایج تغییرات مشاهده شود. این شامل ابزاری برای بررسی عملکرد مدل و انصاف نسبت به زیرمجموعه های یک مجموعه داده است.

هدف از این ابزار این است که به مردم یک روش ساده ، شهودی و قدرتمند برای کشف و تحقیق در مورد مدلهای آموزش دیده ML از طریق یک رابط بصری و بدون نیاز به کد مطلق ارائه دهد.

این ابزار از طریق TensorBoard یا مستقیماً در یک دفترچه یادداشت Jupyter یا Colab قابل دسترسی است. برای جزئیات بیشتر ، نسخه های نمایشی ، مرورهای گسترده و اطلاعات ویژه استفاده از WIT در حالت نوت بوک ، به وب سایت ابزار What-If مراجعه کنید .

الزامات

برای استفاده از WIT در TensorBoard ، دو مورد لازم است:

  • مدل (های) مورد نظر برای کاوش باید با استفاده از TensorFlow سرویس با استفاده از API طبقه بندی ، رگرسیون یا پیش بینی ارائه شود.
  • مجموعه داده ای که توسط مدل ها استنباط می شود باید در یک فایل TFRecord باشد که توسط وب سرور TensorBoard قابل دسترسی باشد.

استفاده

هنگام باز کردن داشبورد ابزار What-If Tool در TensorBoard ، یک صفحه راه اندازی مشاهده خواهید کرد که در آن میزبان و پورت سرور مدل ، نام مدل ارائه شده ، نوع مدل و مسیر فایل TFRecords به بار. پس از پر کردن این اطلاعات و کلیک بر روی "پذیرش" ، WIT مجموعه داده را بارگیری کرده و نتایج را با نمایش نتایج ، نمایش می دهد.

برای جزئیات بیشتر در مورد ویژگی های مختلف WIT و چگونگی کمک آنها به درک مدل و بررسی های انصاف ، به جستجوی وب سایت What-If Tool مراجعه کنید .

مدل و مجموعه داده نسخه ی نمایشی

اگر می خواهید WIT را در TensorBoard با یک مدل از قبل آموزش دیده آزمایش کنید ، می توانید یک مدل و مجموعه داده از قبل آموزش دیده را ازhttps://storage.googleapis.com/what-if-tool-resources/uci-census بارگیری و از حالت فشرده خارجکنید -demo / uci-census-demo.zip این مدل یک مدل طبقه بندی باینری است که با استفاده از مجموعه داده سرشماری UCI پیش بینی می کند که آیا شخصی بیش از 50 هزار دلار سال درآمد دارد این مجموعه داده و کار پیش بینی اغلب در مدل سازی یادگیری ماشین و تحقیقات انصاف مورد استفاده قرار می گیرد.

متغیر محیطی MODEL_PATH را بر روی محل فهرست مدل حاصل بر روی دستگاه خود قرار دهید.

به دنبال اسناد رسمی ، docker و TensorFlow Serving را نصب کنید.

مدل را با استفاده از docker از طریق docker run -p 8500:8500 --mount type=bind,source=${MODEL_PATH},target=/models/uci_income -e MODEL_NAME=uci_income -t tensorflow/serving . توجه داشته باشید که ممکن است بسته به تنظیمات docker خود ، لازم باشد دستور را با sudo اجرا کنید.

اکنون tensorboard را راه اندازی کرده و از کشویی داشبورد برای رفتن به ابزار What-If استفاده کنید.

در صفحه نصب ، آدرس استنتاج را بر روی "localhost: 8500" ، نام مدل را بر روی "uci_income" و مسیر مثالها را به مسیر کامل به پرونده adult.tfrecord بارگیری شده adult.tfrecord کنید ، سپس "قبول" را فشار دهید.

صفحه نمایش برای نسخه ی نمایشی

برخی از مواردی که باید با ابزار What-If در این نسخه ی نمایشی امتحان کنید عبارتند از:

  • ویرایش یک پایگاه داده واحد و مشاهده تغییر نتیجه استنباط.
  • بررسی رابطه بین ویژگیهای فردی در مجموعه داده و نتایج استنباط مدل از طریق نمودارهای وابستگی جزئی.
  • تقسیم مجموعه داده به زیرمجموعه ها و مقایسه عملکرد بین برش ها.

برای نگاهی عمیق به ویژگی های این ابزار ، از مقاله What-If Tool بازدید کنید .

توجه داشته باشید که ویژگی حقیقت زمین در مجموعه داده ای که این مدل سعی در پیش بینی دارد "هدف" نامگذاری شده است ، بنابراین هنگام استفاده از برگه "عملکرد و انصاف" ، "هدف" همان چیزی است که می خواهید در لیست کشویی ویژگی حقیقت زمین مشخص کنید.