ส่วนประกอบไปป์ไลน์ของ Evaluator TFX

คอมโพเนนต์ไปป์ไลน์ของ Evaluator TFX จะทำการวิเคราะห์เชิงลึกเกี่ยวกับผลการฝึกสำหรับแบบจำลองของคุณ เพื่อช่วยให้คุณเข้าใจว่าแบบจำลองของคุณทำงานอย่างไรกับชุดย่อยของข้อมูลของคุณ ผู้ประเมินยังช่วยให้คุณตรวจสอบแบบจำลองที่ส่งออกของคุณ เพื่อให้แน่ใจว่าโมเดล "ดีเพียงพอ" ที่จะถูกผลักดันสู่การผลิต

เมื่อเปิดใช้งานการตรวจสอบความถูกต้อง ผู้ประเมินจะเปรียบเทียบโมเดลใหม่กับข้อมูลพื้นฐาน (เช่น โมเดลที่ให้บริการในปัจจุบัน) เพื่อตรวจสอบว่าโมเดลเหล่านี้ "ดีเพียงพอ" หรือไม่เมื่อเทียบกับข้อมูลพื้นฐาน ทำได้โดยการประเมินทั้งสองรุ่นในชุดข้อมูล eval และคำนวณประสิทธิภาพในหน่วยเมตริก (เช่น AUC, การสูญเสีย) หากเมตริกของโมเดลใหม่ตรงตามเกณฑ์ที่นักพัฒนากำหนดซึ่งสัมพันธ์กับโมเดลพื้นฐาน (เช่น AUC ไม่ต่ำกว่า) โมเดลดังกล่าวจะ "ได้รับพร" (ทำเครื่องหมายว่าดี) ซึ่งบ่งชี้ให้ผู้ ผลักดัน ทราบว่าสามารถผลักดันโมเดลไปสู่การผลิตได้

• กิน:
  • การแบ่งอีวาจาก ExampleGen
  • โมเดลฝึกหัดจาก Trainer
  • โมเดลที่ได้รับพรก่อนหน้านี้ (หากต้องดำเนินการตรวจสอบ)
• ปล่อย:
  • ผลการวิเคราะห์ ข้อมูลเมตา ML
  • การตรวจสอบผลลัพธ์ไปยัง ML Metadata (หากจะทำการตรวจสอบความถูกต้อง)

ตัวประเมินและการวิเคราะห์แบบจำลองเทนเซอร์โฟลว์

Evaluator ใช้ประโยชน์จาก ไลบรารี TensorFlow Model Analysis เพื่อทำการวิเคราะห์ ซึ่งจะใช้ Apache Beam สำหรับการประมวลผลที่ปรับขนาดได้

การใช้ส่วนประกอบของเครื่องประเมิน

โดยปกติแล้ว ส่วนประกอบไปป์ไลน์ของ Evaluator นั้นง่ายต่อการปรับใช้และต้องการการปรับแต่งเพียงเล็กน้อย เนื่องจากงานส่วนใหญ่ทำโดยส่วนประกอบ Evaluator TFX

ในการตั้งค่าผู้ประเมิน จำเป็นต้องมีข้อมูลต่อไปนี้:

• เมตริกที่จะกำหนดค่า (จำเป็นเฉพาะเมื่อมีการเพิ่มเมตริกเพิ่มเติมนอกเหนือจากที่บันทึกไว้ในโมเดล) ดูเมตริกการ วิเคราะห์แบบจำลอง Tensorflow สำหรับข้อมูลเพิ่มเติม
• สไลซ์ที่จะกำหนดค่า (หากไม่มีการกำหนดสไลซ์ สไลซ์ "โดยรวม" จะถูกเพิ่มโดยค่าเริ่มต้น) ดูการตั้งค่าการ วิเคราะห์แบบจำลอง Tensorflow สำหรับข้อมูลเพิ่มเติม

หากต้องการรวมการตรวจสอบความถูกต้อง จำเป็นต้องมีข้อมูลเพิ่มเติมต่อไปนี้:

• รุ่นใดที่จะเปรียบเทียบกับ (พรล่าสุด ฯลฯ )
• การตรวจสอบแบบจำลอง (เกณฑ์) เพื่อตรวจสอบ ดูการตรวจสอบแบบจำลองการ วิเคราะห์แบบจำลอง Tensorflow สำหรับข้อมูลเพิ่มเติม

เมื่อเปิดใช้งาน การตรวจสอบจะดำเนินการกับเมตริกและสไลซ์ทั้งหมดที่กำหนดไว้

รหัสทั่วไปมีลักษณะดังนี้:

import tensorflow_model_analysis as tfma
...

# For TFMA evaluation

eval_config = tfma.EvalConfig(
    model_specs=[
        # This assumes a serving model with signature 'serving_default'. If
        # using estimator based EvalSavedModel, add signature_name='eval' and
        # remove the label_key. Note, if using a TFLite model, then you must set
        # model_type='tf_lite'.
        tfma.ModelSpec(label_key='<label_key>')
    ],
    metrics_specs=[
        tfma.MetricsSpec(
            # The metrics added here are in addition to those saved with the
            # model (assuming either a keras model or EvalSavedModel is used).
            # Any metrics added into the saved model (for example using
            # model.compile(..., metrics=[...]), etc) will be computed
            # automatically.
            metrics=[
                tfma.MetricConfig(class_name='ExampleCount'),
                tfma.MetricConfig(
                    class_name='BinaryAccuracy',
                    threshold=tfma.MetricThreshold(
                        value_threshold=tfma.GenericValueThreshold(
                            lower_bound={'value': 0.5}),
                        change_threshold=tfma.GenericChangeThreshold(
                            direction=tfma.MetricDirection.HIGHER_IS_BETTER,
                            absolute={'value': -1e-10})))
            ]
        )
    ],
    slicing_specs=[
        # An empty slice spec means the overall slice, i.e. the whole dataset.
        tfma.SlicingSpec(),
        # Data can be sliced along a feature column. In this case, data is
        # sliced along feature column trip_start_hour.
        tfma.SlicingSpec(feature_keys=['trip_start_hour'])
    ])

# The following component is experimental and may change in the future. This is
# required to specify the latest blessed model will be used as the baseline.
model_resolver = Resolver(
      strategy_class=dsl.experimental.LatestBlessedModelStrategy,
      model=Channel(type=Model),
      model_blessing=Channel(type=ModelBlessing)
).with_id('latest_blessed_model_resolver')

model_analyzer = Evaluator(
      examples=examples_gen.outputs['examples'],
      model=trainer.outputs['model'],
      baseline_model=model_resolver.outputs['model'],
      # Change threshold will be ignored if there is no baseline (first run).
      eval_config=eval_config)

ผู้ประเมินสร้าง EvalResult (และเป็นทางเลือก ValidationResult หากใช้การตรวจสอบความถูกต้อง) ที่สามารถโหลดได้โดยใช้ TFMA ต่อไปนี้เป็นตัวอย่างวิธีการโหลดผลลัพธ์ลงในสมุดบันทึก Jupyter:

import tensorflow_model_analysis as tfma

output_path = evaluator.outputs['evaluation'].get()[0].uri

# Load the evaluation results.
eval_result = tfma.load_eval_result(output_path)

# Visualize the metrics and plots using tfma.view.render_slicing_metrics,
# tfma.view.render_plot, etc.
tfma.view.render_slicing_metrics(tfma_result)
...

# Load the validation results
validation_result = tfma.load_validation_result(output_path)
if not validation_result.validation_ok:
  ...

รายละเอียดเพิ่มเติมมีอยู่ในการ อ้างอิงของ Evaluator API