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

درک مدل با داشبورد ابزار What-If

چه-اگر ابزار

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

هدف از این ابزار این است که به مردم یک روش ساده ، شهودی و قدرتمند برای کشف و بررسی مدلهای آموزش دیده ML از طریق رابط بصری و کاملاً بدون کد نیاز داشته باشد.

از طریق TensorBoard یا به طور مستقیم در نوت بوک Jupyter یا Colab می توان به این ابزار دسترسی پیدا کرد. برای جزئیات بیشتر در مورد جزئیات ، نمایه ها ، پیشرفتها و اطلاعات خاص برای استفاده از WIT در حالت نوت بوک ، به وب سایت What-If Tool مراجعه کنید .

الزامات

برای استفاده از WIT در TensorBoard ، دو چیز ضروری است:

  • مدل (های) مورد نظر شما برای کشف باید با استفاده از TensorFlow Servicing با استفاده از طبقه بندی ، رگرسیون یا پیش بینی API ارائه شود.
  • مجموعه داده های استنباط شده توسط مدل ها باید در یک پرونده TFRecord باشد که توسط سرور وب TensorBoard قابل دسترسی باشد.

طریقه استفاده

هنگام باز کردن داشبورد What-If Tool در TensorBoard ، یک صفحه تنظیم را مشاهده می کنید که در آن میزبان و پورت سرور مدل ، نام مدل ارائه شده ، نوع مدل و مسیر فایل TFRecords را در اختیار شما قرار می دهد. بار. WIT پس از پر کردن این اطلاعات و کلیک بر روی "پذیرش" ، مجموعه داده را بارگیری می کند و نتیجه را با مدل نتیجه گیری می کند ، و نتایج را نمایش می دهد.

برای جزئیات بیشتر در مورد ویژگی های مختلف WIT و نحوه کمک به درک مدل و تحقیقات انصاف ، به پیشرفت در وب سایت What-If Tool مراجعه کنید .

مدل نمایشی و مجموعه داده

اگر می خواهید WIT را در TensorBoard با یک مدل از قبل آموزش دیده امتحان کنید ، می توانید یک مدل و مجموعه داده از قبل آموزش دیده را از https://storage.googleapis.com/what-if-tool-res منابع/uci-census بارگیری و از حالت فشرده خارج کنید. -demo / uci-census-demo.zip مدل یک مدل طبقه بندی باینری است که از مجموعه داده های سرشماری UCI برای پیش بینی اینکه آیا فرد بیش از 50 دلار سال درآمد داشته باشد ، استفاده می کند. این مجموعه داده ها و کارهای پیش بینی اغلب در مدل سازی یادگیری ماشین و تحقیقات انصاف استفاده می شود.

متغیر محیط MODEL_PATH را روی محل فهرست مدل بدست آمده در دستگاه خود تنظیم کنید.

docker و TensorFlow را در زیر اسناد رسمی نصب کنید.

ارائه مدل 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 بسته به راه اندازی docker خود ، ممکن است دستور را با sudo اجرا کنید.

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

در صفحه تنظیمات ، افزونه استنتاج را روی "localhost: 8500" قرار دهید ، نام مدل را روی "uci_income" و مسیر مثال ها در مسیر کامل به پرونده بارگیری شده adult.tfrecord کنید ، سپس "قبول" را فشار دهید.

صفحه نمایش را برای نسخه ی نمایشی تنظیم کنید

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

  • ویرایش یک دیتابینت واحد و دیدن تغییر نتیجه در نتیجه.
  • بررسی رابطه بین ویژگیهای فردی در مجموعه داده و نتایج استنتاج مدل از طریق توطئه های وابستگی جزئی.
  • مجموعه داده ها را به زیر مجموعه ها و مقایسه عملکرد بین برش ها.

برای نگاهی عمیق به ویژگی های ابزار ، به موفقیت های What-If Tool بروید .

توجه داشته باشید که ویژگی true ground در مجموعه داده ای که این مدل سعی در پیش بینی آن دارد ، "Target" نامگذاری شده است ، بنابراین هنگام استفاده از برگه "Performance & Fairness" ، "Target" همان چیزی است که شما می خواهید در قسمت کشویی از ویژگی های true true مشخص کنید.