Tensorflow Data Validation (TFDV) สามารถวิเคราะห์การฝึกอบรมและให้บริการข้อมูลเพื่อ:
คำนวณ สถิติเชิง พรรณนา ,
อนุมาน สคีมา ,
ตรวจจับ ความผิดปกติของข้อมูล
API หลักรองรับฟังก์ชันการทำงานแต่ละส่วนด้วยวิธีการอำนวยความสะดวกที่สร้างไว้ด้านบนและสามารถเรียกใช้ได้ในบริบทของโน้ตบุ๊ก
การคำนวณสถิติข้อมูลเชิงพรรณนา
TFDV สามารถคำนวณ สถิติเชิง พรรณนาที่ให้ภาพรวมอย่างรวดเร็วของข้อมูลในแง่ของคุณลักษณะที่มีอยู่และรูปร่างของการกระจายมูลค่า เครื่องมือต่างๆ เช่น Facets Overview สามารถแสดงภาพสถิติเหล่านี้โดยย่อเพื่อให้เรียกดูได้ง่าย
ตัวอย่างเช่น สมมติว่า path นั้นชี้ไปที่ไฟล์ในรูปแบบ TFRecord (ซึ่งมีบันทึกประเภท tensorflow.Example ) ตัวอย่างต่อไปนี้แสดงการคำนวณสถิติโดยใช้ TFDV:
stats = tfdv.generate_statistics_from_tfrecord(data_location=path)
ค่าที่ส่งคืนคือบัฟเฟอร์โปรโตคอล DatasetFeatureStatisticsList สมุดบันทึกตัวอย่าง มีการแสดงภาพสถิติโดยใช้ ภาพรวมของ Facets :
tfdv.visualize_statistics(stats)
ตัวอย่างก่อนหน้านี้ถือว่าข้อมูลถูกเก็บไว้ในไฟล์ TFRecord TFDV ยังรองรับรูปแบบอินพุต CSV พร้อมความสามารถในการขยายสำหรับรูปแบบทั่วไปอื่นๆ คุณสามารถค้นหาตัวถอดรหัสข้อมูลได้ ที่นี่ นอกจากนี้ TFDV ยังมีฟังก์ชันยูทิลิตี้ tfdv.generate_statistics_from_dataframe สำหรับผู้ใช้ที่มีข้อมูลในหน่วยความจำแสดงเป็น DataFrame ของแพนด้า
นอกเหนือจากการคำนวณชุดข้อมูลสถิติเริ่มต้นแล้ว TFDV ยังสามารถคำนวณสถิติสำหรับโดเมนเชิงความหมาย (เช่น รูปภาพ ข้อความ) หากต้องการเปิดใช้งานการคำนวณสถิติโดเมนเชิงความหมาย ให้ส่งอ็อบเจ็กต์ tfdv.StatsOptions ที่ enable_semantic_domain_stats ตั้งค่าเป็น True เป็น tfdv.generate_statistics_from_tfrecord
ทำงานบน Google Cloud
ภายใน TFDV ใช้เฟรมเวิร์กการประมวลผลข้อมูลแบบขนานของ Apache Beam เพื่อปรับขนาดการคำนวณสถิติบนชุดข้อมูลขนาดใหญ่ สำหรับแอปพลิเคชันที่ต้องการผสานรวมกับ TFDV อย่างลึกซึ้งยิ่งขึ้น (เช่น แนบการสร้างสถิติที่ส่วนท้ายของไปป์ไลน์การ สร้างข้อมูล สร้างสถิติสำหรับข้อมูลในรูปแบบที่กำหนดเอง ) API ยังเปิดเผย Beam PTransform สำหรับการสร้างสถิติอีกด้วย
ในการเรียกใช้ TFDV บน Google Cloud ต้องดาวน์โหลดไฟล์ TFDV wheel และจัดเตรียมให้กับพนักงาน Dataflow ดาวน์โหลดไฟล์ wheel ไปยังไดเร็กทอรีปัจจุบันดังนี้:
pip download tensorflow_data_validation \
--no-deps \
--platform manylinux2010_x86_64 \
--only-binary=:all:
ตัวอย่างต่อไปนี้แสดงตัวอย่างการใช้งาน TFDV บน Google Cloud:
import tensorflow_data_validation as tfdv
from apache_beam.options.pipeline_options import PipelineOptions, GoogleCloudOptions, StandardOptions, SetupOptions
PROJECT_ID = ''
JOB_NAME = ''
GCS_STAGING_LOCATION = ''
GCS_TMP_LOCATION = ''
GCS_DATA_LOCATION = ''
# GCS_STATS_OUTPUT_PATH is the file path to which to output the data statistics
# result.
GCS_STATS_OUTPUT_PATH = ''
PATH_TO_WHL_FILE = ''
# Create and set your PipelineOptions.
options = PipelineOptions()
# For Cloud execution, set the Cloud Platform project, job_name,
# staging location, temp_location and specify DataflowRunner.
google_cloud_options = options.view_as(GoogleCloudOptions)
google_cloud_options.project = PROJECT_ID
google_cloud_options.job_name = JOB_NAME
google_cloud_options.staging_location = GCS_STAGING_LOCATION
google_cloud_options.temp_location = GCS_TMP_LOCATION
options.view_as(StandardOptions).runner = 'DataflowRunner'
setup_options = options.view_as(SetupOptions)
# PATH_TO_WHL_FILE should point to the downloaded tfdv wheel file.
setup_options.extra_packages = [PATH_TO_WHL_FILE]
tfdv.generate_statistics_from_tfrecord(GCS_DATA_LOCATION,
output_path=GCS_STATS_OUTPUT_PATH,
pipeline_options=options)
ในกรณีนี้ โปรโตสถิติที่สร้างขึ้นจะถูกเก็บไว้ในไฟล์ TFRecord ที่เขียนไปยัง GCS_STATS_OUTPUT_PATH
หมายเหตุ เมื่อเรียกใช้ฟังก์ชัน tfdv.generate_statistics_... (เช่น tfdv.generate_statistics_from_tfrecord ) บน Google Cloud คุณต้องระบุ output_path การระบุไม่มีอาจทำให้เกิดข้อผิดพลาด
การอนุมานสคีมาเหนือข้อมูล
สคีมา อธิบายคุณสมบัติที่คาดไว้ของข้อมูล คุณสมบัติบางอย่างเหล่านี้คือ:
- คุณสมบัติที่คาดว่าจะนำเสนอ
- ประเภทของพวกเขา
- จำนวนค่าคุณลักษณะในแต่ละตัวอย่าง
- การปรากฏตัวของแต่ละคุณลักษณะในตัวอย่างทั้งหมด
- โดเมนของคุณสมบัติที่คาดหวัง
กล่าวโดยย่อ สคีมาอธิบายความคาดหวังสำหรับข้อมูลที่ "ถูกต้อง" และสามารถใช้เพื่อตรวจหาข้อผิดพลาดในข้อมูลได้ (อธิบายไว้ด้านล่าง) ยิ่งไปกว่านั้น สามารถใช้สคีมาเดียวกันเพื่อตั้งค่า Tensorflow Transform สำหรับการแปลงข้อมูลได้ โปรดทราบว่าสคีมาคาดว่าจะค่อนข้างคงที่ เช่น ชุดข้อมูลหลายชุดสามารถสอดคล้องกับสคีมาเดียวกัน ในขณะที่สถิติ (อธิบายไว้ด้านบน) อาจแตกต่างกันไปตามชุดข้อมูล
เนื่องจากการเขียนสคีมาอาจเป็นงานที่น่าเบื่อ โดยเฉพาะสำหรับชุดข้อมูลที่มีคุณสมบัติมากมาย TFDV จึงมีวิธีการสร้างเวอร์ชันเริ่มต้นของสคีมาตามสถิติเชิงพรรณนา:
schema = tfdv.infer_schema(stats)
โดยทั่วไป TFDV ใช้ฮิวริสติกแบบอนุรักษ์นิยมเพื่ออนุมานคุณสมบัติข้อมูลที่เสถียรจากสถิติ เพื่อหลีกเลี่ยงการปรับสคีมาให้เหมาะสมกับชุดข้อมูลเฉพาะ ขอแนะนำอย่างยิ่งให้ ตรวจสอบสคีมาที่อนุมานและปรับแต่งตามความจำเป็น เพื่อรวบรวมความรู้โดเมนใดๆ เกี่ยวกับข้อมูลที่การวิเคราะห์พฤติกรรมของ TFDV อาจพลาดไป
โดยค่าเริ่มต้น tfdv.infer_schema จะสรุปรูปร่างของคุณลักษณะที่จำเป็นแต่ละรายการ ถ้า value_count.min เท่ากับ value_count.max สำหรับคุณลักษณะ ตั้งค่าอาร์กิวเมนต์ infer_feature_shape เป็น False เพื่อปิดใช้งานการอนุมานรูปร่าง
สคีมาเองถูกจัดเก็บเป็น บัฟเฟอร์โปรโตคอล Schema และสามารถอัปเดต/แก้ไขได้โดยใช้ API โปรโตคอลบัฟเฟอร์มาตรฐาน TFDV ยังมี วิธียูทิลิตี้สองสามวิธี เพื่อให้การอัปเดตเหล่านี้ง่ายขึ้น ตัวอย่างเช่น สมมติว่าสคีมามีบทต่อไปนี้เพื่ออธิบายคุณลักษณะสตริงที่ต้องการ payment_type ที่ใช้ค่าเดียว:
feature {
name: "payment_type"
value_count {
min: 1
max: 1
}
type: BYTES
domain: "payment_type"
presence {
min_fraction: 1.0
min_count: 1
}
}
ในการทำเครื่องหมายว่าควรใส่คุณลักษณะนี้อย่างน้อย 50% ของตัวอย่าง:
tfdv.get_feature(schema, 'payment_type').presence.min_fraction = 0.5
สมุดบันทึกตัวอย่าง ประกอบด้วยการแสดงภาพแบบง่ายของสคีมาเป็นตาราง โดยแสดงรายการคุณลักษณะแต่ละอย่างและคุณลักษณะหลักตามที่เข้ารหัสไว้ในสคีมา
กำลังตรวจสอบข้อมูลเพื่อหาข้อผิดพลาด
ด้วยสคีมา เป็นไปได้ที่จะตรวจสอบว่าชุดข้อมูลสอดคล้องกับความคาดหวังที่กำหนดไว้ในสคีมาหรือไม่ หรือมี ข้อมูลผิดปกติ ใดๆ หรือไม่ คุณสามารถตรวจสอบข้อมูลของคุณเพื่อหาข้อผิดพลาด (a) โดยรวมในชุดข้อมูลทั้งหมดโดยการจับคู่สถิติของชุดข้อมูลกับสคีมา หรือ (b) โดยการตรวจสอบข้อผิดพลาดตามตัวอย่าง
การจับคู่สถิติของชุดข้อมูลกับสคีมา
ในการตรวจสอบข้อผิดพลาดโดยรวม TFDV จะจับคู่สถิติของชุดข้อมูลกับสคีมาและทำเครื่องหมายความคลาดเคลื่อนใดๆ ตัวอย่างเช่น:
# Assume that other_path points to another TFRecord file
other_stats = tfdv.generate_statistics_from_tfrecord(data_location=other_path)
anomalies = tfdv.validate_statistics(statistics=other_stats, schema=schema)
ผลลัพธ์คือตัวอย่างของบัฟเฟอร์โปรโตคอล ความผิดปกติ และอธิบายข้อผิดพลาดใดๆ ที่สถิติไม่เห็นด้วยกับสคีมา ตัวอย่างเช่น สมมติว่าข้อมูลที่ other_path มีตัวอย่างที่มีค่าสำหรับคุณลักษณะ payment_type นอกโดเมนที่ระบุในสคีมา
ทำให้เกิดความผิดปกติ
payment_type Unexpected string values Examples contain values missing from the schema: Prcard (<1%).
ระบุว่าพบค่านอกโดเมนในสถิติใน <1% ของค่าคุณลักษณะ
หากเป็นไปตามที่คาดไว้ สคีมาสามารถอัปเดตได้ดังนี้:
tfdv.get_domain(schema, 'payment_type').value.append('Prcard')
หากความผิดปกติบ่งชี้ถึงข้อผิดพลาดของข้อมูลอย่างแท้จริง ข้อมูลพื้นฐานควรได้รับการแก้ไขก่อนนำไปใช้ในการฝึกอบรม
ประเภทความผิดปกติต่างๆ ที่โมดูลนี้สามารถตรวจพบได้แสดงไว้ ที่นี่
สมุดบันทึกตัวอย่าง ประกอบด้วยการแสดงภาพความผิดปกติอย่างง่ายเป็นตาราง โดยแสดงคุณลักษณะที่ตรวจพบข้อผิดพลาดและคำอธิบายสั้นๆ ของแต่ละข้อผิดพลาด
การตรวจสอบข้อผิดพลาดตามตัวอย่าง
TFDV ยังให้ตัวเลือกในการตรวจสอบข้อมูลตามตัวอย่าง แทนที่จะเปรียบเทียบสถิติทั้งชุดข้อมูลกับสคีมา TFDV มีฟังก์ชันสำหรับตรวจสอบข้อมูลตามตัวอย่าง จากนั้นจึงสร้างสถิติสรุปสำหรับตัวอย่างที่ผิดปกติที่พบ ตัวอย่างเช่น:
options = tfdv.StatsOptions(schema=schema)
anomalous_example_stats = tfdv.validate_examples_in_tfrecord(
data_location=input, stats_options=options)
anomalous_example_stats ที่ validate_examples_in_tfrecord ส่งคืนคือบัฟเฟอร์โปรโตคอล DatasetFeatureStatisticsList ซึ่งชุดข้อมูลแต่ละชุดประกอบด้วยชุดของตัวอย่างที่แสดงความผิดปกติเฉพาะ คุณสามารถใช้สิ่งนี้เพื่อกำหนดจำนวนตัวอย่างในชุดข้อมูลของคุณที่แสดงความผิดปกติที่กำหนดและลักษณะของตัวอย่างเหล่านั้น
สภาพแวดล้อมสคีมา
โดยค่าเริ่มต้น การตรวจสอบจะถือว่าชุดข้อมูลทั้งหมดในไปป์ไลน์เป็นไปตามสคีมาเดียว ในบางกรณีจำเป็นต้องมีการแนะนำรูปแบบสคีมาที่แตกต่างกันเล็กน้อย เช่น จำเป็นต้องมีฟีเจอร์ที่ใช้เป็นป้ายกำกับในระหว่างการฝึกอบรม (และควรตรวจสอบความถูกต้อง) แต่ขาดหายไประหว่างการให้บริการ
สภาพแวดล้อม สามารถใช้เพื่อแสดงข้อกำหนดดังกล่าวได้ โดยเฉพาะอย่างยิ่ง คุณลักษณะในสคีมาสามารถเชื่อมโยงกับชุดของสภาพแวดล้อมโดยใช้ default_environment, in_environment และ not_in_environment
ตัวอย่างเช่น หากมีการใช้คุณสมบัติ คำแนะนำ เป็นป้ายกำกับในการฝึก แต่ไม่มีข้อมูลการให้บริการ หากไม่มีการระบุสภาพแวดล้อม ระบบจะแสดงขึ้นเป็นความผิดปกติ
serving_stats = tfdv.generate_statistics_from_tfrecord(data_location=serving_data_path)
serving_anomalies = tfdv.validate_statistics(serving_stats, schema)
ในการแก้ไขปัญหานี้ เราจำเป็นต้องตั้งค่าสภาพแวดล้อมเริ่มต้นสำหรับคุณลักษณะทั้งหมดให้เป็นทั้ง 'การฝึกอบรม' และ 'การให้บริการ' และแยกคุณลักษณะ 'เคล็ดลับ' ออกจากสภาพแวดล้อม SERVING
# All features are by default in both TRAINING and SERVING environments.
schema.default_environment.append('TRAINING')
schema.default_environment.append('SERVING')
# Specify that 'tips' feature is not in SERVING environment.
tfdv.get_feature(schema, 'tips').not_in_environment.append('SERVING')
serving_anomalies_with_env = tfdv.validate_statistics(
serving_stats, schema, environment='SERVING')
การตรวจสอบข้อมูลเบ้และดริฟท์
นอกเหนือจากการตรวจสอบว่าชุดข้อมูลเป็นไปตามความคาดหวังที่กำหนดไว้ในสคีมาหรือไม่ TFDV ยังมีฟังก์ชันเพื่อตรวจจับ:
- ความเบ้ระหว่างข้อมูลการฝึกอบรมและการให้บริการ
- เลื่อนไปมาระหว่างวันต่างๆ ของข้อมูลการฝึก
TFDV ดำเนินการตรวจสอบนี้โดยการเปรียบเทียบสถิติของชุดข้อมูลต่างๆ ตามตัวเปรียบเทียบการเลื่อน/เอียงที่ระบุในสคีมา ตัวอย่างเช่น หากต้องการตรวจสอบว่ามีการบิดเบือนระหว่างคุณลักษณะ 'payment_type' ภายในชุดข้อมูลการฝึกอบรมและการให้บริการหรือไม่:
# Assume we have already generated the statistics of training dataset, and
# inferred a schema from it.
serving_stats = tfdv.generate_statistics_from_tfrecord(data_location=serving_data_path)
# Add a skew comparator to schema for 'payment_type' and set the threshold
# of L-infinity norm for triggering skew anomaly to be 0.01.
tfdv.get_feature(schema, 'payment_type').skew_comparator.infinity_norm.threshold = 0.01
skew_anomalies = tfdv.validate_statistics(
statistics=train_stats, schema=schema, serving_statistics=serving_stats)
หมายเหตุ บรรทัดฐาน L-infinity จะตรวจจับความเอียงสำหรับคุณสมบัติหมวดหมู่เท่านั้น แทนที่จะระบุขีดจำกัด infinity_norm การระบุขีดจำกัด jensen_shannon_divergence ใน skew_comparator จะตรวจจับความเอียงสำหรับทั้งคุณลักษณะที่เป็นตัวเลขและหมวดหมู่
เช่นเดียวกับการตรวจสอบว่าชุดข้อมูลเป็นไปตามความคาดหวังที่กำหนดไว้ในสคีมาหรือไม่ ผลลัพธ์ก็คืออินสแตนซ์ของบัฟเฟอร์โปรโตคอล ความผิดปกติ และอธิบายความเบ้ระหว่างชุดข้อมูลการฝึกและการให้บริการ ตัวอย่างเช่น สมมติว่าข้อมูลการให้บริการมีตัวอย่างมากขึ้นอย่างเห็นได้ชัดด้วยคุณลักษณะ payement_type ที่มีค่า Cash ซึ่งทำให้เกิดความผิดปกติแบบเบ้
payment_type High L-infinity distance between serving and training The L-infinity distance between serving and training is 0.0435984 (up to six significant digits), above the threshold 0.01. The feature value with maximum difference is: Cash
หากความผิดปกติบ่งชี้ถึงความเบ้ระหว่างข้อมูลการฝึกอบรมและการให้บริการ การตรวจสอบเพิ่มเติมก็มีความจำเป็น เนื่องจากอาจส่งผลกระทบโดยตรงต่อประสิทธิภาพของแบบจำลอง
สมุดบันทึกตัวอย่าง ประกอบด้วยตัวอย่างง่ายๆ ของการตรวจสอบความผิดปกติที่มีฐานเอียง
การตรวจจับการเบี่ยงเบนระหว่างวันต่างๆ ของข้อมูลการฝึกสามารถทำได้ในลักษณะเดียวกัน
# Assume we have already generated the statistics of training dataset for
# day 2, and inferred a schema from it.
train_day1_stats = tfdv.generate_statistics_from_tfrecord(data_location=train_day1_data_path)
# Add a drift comparator to schema for 'payment_type' and set the threshold
# of L-infinity norm for triggering drift anomaly to be 0.01.
tfdv.get_feature(schema, 'payment_type').drift_comparator.infinity_norm.threshold = 0.01
drift_anomalies = tfdv.validate_statistics(
statistics=train_day2_stats, schema=schema, previous_statistics=train_day1_stats)
หมายเหตุ บรรทัดฐาน L-infinity จะตรวจจับความเอียงสำหรับคุณสมบัติหมวดหมู่เท่านั้น แทนที่จะระบุขีดจำกัด infinity_norm การระบุขีดจำกัด jensen_shannon_divergence ใน skew_comparator จะตรวจจับความเอียงสำหรับทั้งคุณลักษณะที่เป็นตัวเลขและหมวดหมู่
กำลังเขียนตัวเชื่อมต่อข้อมูลที่กำหนดเอง
ในการคำนวณสถิติข้อมูล TFDV มี วิธีที่สะดวกหลายวิธี ในการจัดการข้อมูลอินพุตในรูปแบบต่างๆ (เช่น TFRecord ของ tf.train.Example , CSV เป็นต้น) หากรูปแบบข้อมูลของคุณไม่อยู่ในรายการนี้ คุณต้องเขียนตัวเชื่อมต่อข้อมูลแบบกำหนดเองสำหรับการอ่านข้อมูลที่ป้อนเข้า และเชื่อมต่อกับ TFDV core API สำหรับการคำนวณสถิติข้อมูล
TFDV core API สำหรับการคำนวณสถิติข้อมูล คือ Beam PTransform ที่ใช้ PCollection ของกลุ่มตัวอย่างอินพุต (กลุ่มตัวอย่างอินพุตจะแสดงเป็น Arrow RecordBatch) และส่งออก PCollection ที่มีบัฟเฟอร์โปรโตคอล DatasetFeatureStatisticsList เดียว
เมื่อคุณใช้ตัวเชื่อมต่อข้อมูลแบบกำหนดเองที่รวบรวมตัวอย่างอินพุตของคุณใน Arrow RecordBatch แล้ว คุณต้องเชื่อมต่อกับ tfdv.GenerateStatistics API เพื่อคำนวณสถิติข้อมูล ยกตัวอย่าง TFRecord ของ tf.train.Example tfx_bsl มีตัวเชื่อมต่อข้อมูล TFExampleRecord และด้านล่างนี้คือตัวอย่างวิธีเชื่อมต่อกับ tfdv.GenerateStatistics API
import tensorflow_data_validation as tfdv
from tfx_bsl.public import tfxio
import apache_beam as beam
from tensorflow_metadata.proto.v0 import statistics_pb2
DATA_LOCATION = ''
OUTPUT_LOCATION = ''
with beam.Pipeline() as p:
_ = (
p
# 1. Read and decode the data with tfx_bsl.
| 'TFXIORead' >> (
tfxio.TFExampleRecord(
file_pattern=[DATA_LOCATION],
telemetry_descriptors=['my', 'tfdv']).BeamSource())
# 2. Invoke TFDV `GenerateStatistics` API to compute the data statistics.
| 'GenerateStatistics' >> tfdv.GenerateStatistics()
# 3. Materialize the generated data statistics.
| 'WriteStatsOutput' >> WriteStatisticsToTFRecord(OUTPUT_LOCATION))
สถิติการคำนวณผ่านส่วนของข้อมูล
TFDV สามารถกำหนดค่าให้คำนวณสถิติผ่านส่วนของข้อมูลได้ การแบ่งส่วนสามารถเปิดใช้งานได้โดยการจัดเตรียมฟังก์ชันการแบ่งส่วนซึ่งใช้ใน Arrow RecordBatch และส่งออกลำดับของทูเพิลของฟอร์ม (slice key, record batch) TFDV ให้วิธีง่ายๆ ในการ สร้างฟังก์ชันการแบ่งตามค่าคุณลักษณะ ซึ่งสามารถจัดให้เป็นส่วนหนึ่งของ tfdv.StatsOptions เมื่อคำนวณสถิติ
เมื่อเปิดใช้งานการแบ่งส่วน โปรโต DatasetFeatureStatisticsList เอาต์พุตจะมีโปรโต DatasetFeatureStatistics หลายโปรโต หนึ่งรายการสำหรับแต่ละสไลซ์ แต่ละสไลซ์จะถูกระบุด้วยชื่อที่ไม่ซ้ำ ซึ่งถูกกำหนดเป็น ชื่อชุดข้อมูลในโปรโต DatasetFeatureStatistics โดยค่าเริ่มต้น TFDV จะคำนวณสถิติสำหรับชุดข้อมูลโดยรวมนอกเหนือจากสไลซ์ที่กำหนดค่าไว้
import tensorflow_data_validation as tfdv
from tensorflow_data_validation.utils import slicing_util
# Slice on country feature (i.e., every unique value of the feature).
slice_fn1 = slicing_util.get_feature_value_slicer(features={'country': None})
# Slice on the cross of country and state feature (i.e., every unique pair of
# values of the cross).
slice_fn2 = slicing_util.get_feature_value_slicer(
features={'country': None, 'state': None})
# Slice on specific values of a feature.
slice_fn3 = slicing_util.get_feature_value_slicer(
features={'age': [10, 50, 70]})
stats_options = tfdv.StatsOptions(
slice_functions=[slice_fn1, slice_fn2, slice_fn3])