Komponent potoku TFX oceniającego

Składnik potoku Evaluator TFX wykonuje głęboką analizę wyników uczenia modeli, aby pomóc Ci zrozumieć, jak model działa na podzbiorach danych. Ewaluator pomaga również w walidacji wyeksportowanych modeli, upewniając się, że są „wystarczająco dobre”, aby można je było wprowadzić do produkcji.

Gdy weryfikacja jest włączona, oceniający porównuje nowe modele z linią bazową (taką jak obecnie obsługujący model), aby określić, czy są „wystarczająco dobre” w stosunku do linii bazowej. Czyni to poprzez ocenę obu modeli na ewaluacyjnym zbiorze danych i obliczanie ich wydajności na podstawie metryk (np. AUC, strata). Jeśli metryki nowego modelu spełniają kryteria określone przez dewelopera w stosunku do modelu bazowego (np. AUC nie jest niższe), model jest „błogosławiony” (oznaczony jako dobry), co wskazuje popychaczowi , że można wypchnąć model do produkcji.

• Zużywa:
  • Ewaluacja z ExampleGen
  • Wyszkolony model od Trainera
  • Uprzednio pobłogosławiony model (jeśli ma być przeprowadzona walidacja)
• Emisje:
  • Wyniki analizy do metadanych ML
  • Wyniki walidacji do metadanych ML (jeśli walidacja ma być przeprowadzona)

Ewaluator i analiza modelu TensorFlow

Evaluator wykorzystuje bibliotekę TensorFlow Model Analysis do przeprowadzenia analizy, która z kolei wykorzystuje Apache Beam do skalowalnego przetwarzania.

Korzystanie z oceniającego komponentu

Komponent potoku Evaluator jest zazwyczaj bardzo łatwy do wdrożenia i wymaga niewielkiego dostosowania, ponieważ większość pracy jest wykonywana przez komponent Evaluator TFX.

Do ustawienia ewaluatora potrzebne są następujące informacje:

• Metryki do skonfigurowania (wymagane tylko wtedy, gdy dodawane są dodatkowe metryki poza tymi zapisanymi w modelu). Aby uzyskać więcej informacji, zobacz Metryki analizy modelu Tensorflow .
• Plasterki do skonfigurowania (jeśli nie podano plasterków, domyślnie zostanie dodany plasterek „ogólny”). Aby uzyskać więcej informacji, zobacz Ustawienia analizy modelu Tensorflow .

Jeśli walidacja ma zostać uwzględniona, potrzebne są następujące dodatkowe informacje:

• Z którym modelem porównać (ostatni błogosławiony itp.).
• Walidacje modelu (progi) do weryfikacji. Aby uzyskać więcej informacji, zobacz Walidacje modelu analizy modelu Tensorflow .

Po włączeniu weryfikacja zostanie przeprowadzona względem wszystkich zdefiniowanych metryk i wycinków.

Typowy kod wygląda tak:

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)

Oceniający tworzy EvalResult (i opcjonalnie ValidationResult , jeśli użyto walidacji), który można załadować za pomocą TFMA . Poniżej znajduje się przykład, jak załadować wyniki do notatnika 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:
  ...

Więcej szczegółów można znaleźć w dokumentacji Evaluator API .