Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

Компонент конвейера Evaluator TFX

Компонент конвейера Evaluator TFX выполняет глубокий анализ результатов обучения ваших моделей, чтобы помочь вам понять, как ваша модель работает с подмножествами ваших данных. Evaluator также помогает вам проверять ваши экспортированные модели, гарантируя, что они «достаточно хороши», чтобы их можно было запустить в производство.

Когда проверка включена, оценщик сравнивает новые модели с базовым уровнем (например, с текущей моделью), чтобы определить, «достаточно ли они хороши» по отношению к базовому уровню. Это достигается путем оценки обеих моделей в наборе данных eval и вычисления их производительности на основе метрик (например, AUC, потери). Если показатели новой модели отвечают девелоперские заданные критерии по отношению к базовой модели (например , АУК не ниже), модель «благословенный» (помеченный как хорошо), что указывает на толкателя , что это нормально , чтобы подтолкнуть модель производства.

  • Потребляет:
    • Eval откололась от ExampleGen
    • Подготовленная модель от тренера
    • Ранее одобренная модель (если будет проведена валидация)
  • Излучает:

Evaluator и анализ модели TensorFlow

Оценщик использует TensorFlow модель анализа библиотеки для выполнения анализа, который , в свою очередь , использование Apache Beam для масштабируемого обработки.

Использование компонента оценщика

Компонент конвейера Evaluator обычно очень легко развернуть и требует небольшой настройки, поскольку большая часть работы выполняется компонентом Evaluator TFX.

Для настройки оценщика необходима следующая информация:

  • Метрики для настройки (требуется только в том случае, если добавляются дополнительные метрики помимо метрик, сохраненных в модели). См Tensorflow модель анализа метрик для получения дополнительной информации.
  • Срезы для настройки (если не указаны срезы, по умолчанию будет добавлен «общий» срез). См Настройки Tensorflow Модель анализа для получения дополнительной информации.

Если необходимо включить валидацию, необходима следующая дополнительная информация:

  • С какой моделью сравнивать (последняя благословенная и т. Д.).
  • Проверки модели (пороги) для проверки. См Tensorflow Model Analysis Model Validations для получения дополнительной информации.

Если этот параметр включен, проверка будет выполняться по всем определенным метрикам и срезам.

Типичный код выглядит так:

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)

Оценщик производит EvalResult (и , возможно, ValidationResult если проверка была использована) , который может быть загружен с помощью TFMA . Ниже приводится пример того, как загрузить результаты в блокнот 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:
  ...

Более подробная информация доступна в справочнике API Evaluator .