エバリュエーター TFX パイプライン コンポーネント

コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。

Evaluator TFX パイプライン コンポーネントは、モデルのトレーニング結果に対して詳細な分析を実行し、モデルがデータのサブセットに対してどのように実行されるかを理解するのに役立ちます。 Evaluator は、エクスポートされたモデルを検証して、本番環境にプッシュするのに「十分」であることを確認するのにも役立ちます。

検証が有効になっている場合、エバリュエーターは新しいモデルをベースライン (現在提供しているモデルなど) と比較して、ベースラインに対して「十分」であるかどうかを判断します。これは、評価データセットで両方のモデルを評価し、メトリック (AUC、損失など) でパフォーマンスを計算することによって行います。新しいモデルのメトリクスがベースライン モデルと比較して開発者が指定した基準を満たしている場合 (たとえば、AUC が低くない場合)、モデルは "祝福" され (良好とマークされ)、モデルを本番環境にプッシュしても問題ないことをプッシャーに示します。

エバリュエーターと TensorFlow モデル分析

Evaluator は、 TensorFlow モデル分析ライブラリを活用して分析を実行し、次にApache Beamを使用してスケーラブルな処理を行います。

エバリュエーター コンポーネントの使用

ほとんどの作業は Evaluator TFX コンポーネントによって行われるため、Evaluator パイプライン コンポーネントは通常、展開が非常に簡単で、ほとんどカスタマイズする必要がありません。

エバリュエーターをセットアップするには、次の情報が必要です。

  • 構成するメトリック (モデルに保存されているもの以外にメトリックを追加する場合にのみ必要)。詳細については、 Tensorflow モデル分析指標を参照してください。
  • 構成するスライス (スライスが指定されていない場合は、デフォルトで「全体的な」スライスが追加されます)。詳細については、 Tensorflow モデル分析のセットアップを参照してください。

検証を含める場合は、次の追加情報が必要です。

有効にすると、定義されたすべてのメトリックとスライスに対して検証が実行されます。

典型的なコードは次のようになります。

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)

エバリュエーターは、 TFMA を使用してロードできるEvalResult (および、検証が使用された場合はオプションでValidationResult ) を生成します。以下は、結果を Jupyter ノートブックにロードする方法の例です。

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:
  ...

詳細については、エバリュエーター API リファレンス を参照してください。