SIG TFX-Addons কমিউনিটিতে যোগ দিন এবং TFX কে আরও ভাল করতে সাহায্য করুন! SIG TFX-Addons- এ যোগ দিন

মূল্যায়নকারী টিএফএক্স পাইপলাইন উপাদান

মূল্যায়নকারী টিএফএক্স পাইপলাইন উপাদানটি আপনার মডেলগুলি কীভাবে আপনার ডেটা সাবসেটগুলিতে সঞ্চালন করে তা বুঝতে আপনাকে সহায়তা করতে, আপনার মডেলগুলির প্রশিক্ষণের ফলাফলের উপর গভীর বিশ্লেষণ করে। মূল্যায়নকারী আপনাকে রফতানি হওয়া মডেলগুলিকে বৈধতা দিতেও সহায়তা করে, তা নিশ্চিত করে যে তারা "যথেষ্ট ভাল" উত্পাদনের দিকে ধাবিত হবে।

যখন বৈধতা সক্ষম হয়, মূল্যায়নকারী বেসলাইনটির সাথে নতুন মডেলগুলির তুলনা করে (যেমন বর্তমানে পরিবেশন করা মডেল) তারা বেসলাইনটির তুলনায় "যথেষ্ট ভাল" কিনা তা নির্ধারণ করতে। এটি একটি ইভাল ডেটাসেটের উভয় মডেলকে মূল্যায়ন করে এবং মেট্রিকগুলিতে তাদের পারফরম্যান্সের গণনা করে (যেমন এওসি, ক্ষতি) করে does যদি নতুন মডেলের মেট্রিকগুলি বেসলাইন মডেলের তুলনায় বিকাশকারী নির্দিষ্ট মানদণ্ডের সাথে মিলিত হয় (উদাহরণস্বরূপ এটিসি কম নয়), মডেলটিকে "আশীর্বাদী" (ভাল হিসাবে চিহ্নিত) করা হয়, যা পুশারকে নির্দেশ করে যে মডেলটিকে উত্পাদনের দিকে ঠেলে দেওয়া ঠিক আছে।

মূল্যায়নকারী এবং টেনসরফ্লো মডেল বিশ্লেষণ

মূল্যায়নকারী বিশ্লেষণটি সম্পাদন করার জন্য টেনসরফ্লো মডেল বিশ্লেষণ গ্রন্থাগারটি উপস্থাপন করে, যা পরিমাপযোগ্য আকারে প্রক্রিয়াকরণের জন্য অ্যাপাচি বিম ব্যবহার করে।

মূল্যায়নকারী উপাদান ব্যবহার

একটি মূল্যায়নকারী পাইপলাইন উপাদান সাধারণত মোতায়েন করা খুব সহজ এবং সামান্য কাস্টমাইজেশন প্রয়োজন, যেহেতু বেশিরভাগ কাজ মূল্যায়নকারী টিএফএক্স উপাদান দ্বারা সম্পন্ন হয়।

মূল্যায়নকারীকে সেটআপ করতে নিম্নলিখিত তথ্যগুলির প্রয়োজন:

  • কনফিগার করার জন্য মেট্রিক্স (কেবলমাত্র মডেলের সাথে সংরক্ষিতগুলির বাইরে অতিরিক্ত ম্যাট্রিক যুক্ত করা হলেই পুনরায় পরীক্ষা করা হয়)। আরও তথ্যের জন্য টেনসরফ্লো মডেল বিশ্লেষণ মেট্রিকগুলি দেখুন।
  • কনফিগার করার জন্য স্লাইস (যদি স্লাইস না দেওয়া হয় তবে একটি "সামগ্রিক" স্লাইস ডিফল্টরূপে যোগ করা হবে)। আরও তথ্যের জন্য টেনসরফ্লো মডেল বিশ্লেষণ সেটআপ দেখুন।

যদি বৈধতা অন্তর্ভুক্ত করতে হয় তবে নিম্নলিখিত অতিরিক্ত তথ্যের প্রয়োজন:

সক্ষম করা থাকলে, সংজ্ঞাযুক্ত সমস্ত মেট্রিক এবং স্লাইসের বিরুদ্ধে বৈধতা কার্যকর করা হবে।

টিপিক্যাল কোডটি এর মতো দেখাচ্ছে:

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)

মূল্যায়নকারী একটি এভালআরসাল্ট উত্পাদন করে (এবং বৈধতা যাচাইকরণের জন্য বৈধকরণের ফলাফল হিসাবে) যা টিএফএমএ ব্যবহার করে লোড করা যায় । ফলাফলগুলি কীভাবে একটি বৃহত্তর নোটবুকে লোড করা যায় তার একটি উদাহরণ নীচে:

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:
  ...

মূল্যবান এপিআই রেফারেন্সে আরও বিশদ পাওয়া যায়।