Le composant Evaluator TFX Pipeline

Le composant de pipeline Evaluator TFX effectue une analyse approfondie des résultats d'entraînement de vos modèles, pour vous aider à comprendre les performances de votre modèle sur des sous-ensembles de vos données. L'évaluateur vous aide également à valider vos modèles exportés, en s'assurant qu'ils sont « assez bons » pour être mis en production.

Lorsque la validation est activée, l'évaluateur compare les nouveaux modèles à une référence (comme le modèle actuellement diffusé) pour déterminer s'ils sont « assez bons » par rapport à la référence. Pour ce faire, il évalue les deux modèles sur un ensemble de données d'évaluation et calcule leurs performances sur des métriques (par exemple, AUC, perte). Si la nouvelle des paramètres du modèle répondent aux critères spécifiés par le développeur par rapport au modèle de base (par exemple , l' ASC ne soit pas inférieur), le modèle est « béni » (marqué comme bon), ce qui indique au Pusher qu'il est autorisé à pousser le modèle à la production.

  • Consomme :
    • Une scission de eval ExampleGen
    • Un modèle formé de formateur
    • Un modèle préalablement béni (si validation à effectuer)
  • Émet :

Évaluateur et analyse du modèle TensorFlow

Évaluateur tire parti de l' analyse Modèle tensorflow bibliothèque pour effectuer l'analyse qui en cours d' utilisation tour Apache faisceau pour le traitement évolutif.

Utilisation du composant évaluateur

Un composant de pipeline Evaluator est généralement très facile à déployer et nécessite peu de personnalisation, car la plupart du travail est effectué par le composant Evaluator TFX.

Pour configurer l'évaluateur, les informations suivantes sont nécessaires :

  • Métriques à configurer (requis uniquement si des métriques supplémentaires sont ajoutées en dehors de celles enregistrées avec le modèle). Voir tensorflow modèle d' analyse métrique pour plus d' informations.
  • Tranches à configurer (si des tranches ne sont pas données alors une tranche "globale" sera ajoutée par défaut). Voir Configuration tensorflow modèle d' analyse pour plus d' informations.

Si la validation doit être incluse, les informations supplémentaires suivantes sont nécessaires :

Lorsqu'elle est activée, la validation sera effectuée par rapport à toutes les métriques et tranches qui ont été définies.

Le code typique ressemble à ceci :

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)

L'évaluateur produit un EvalResult (et éventuellement un ValidationResult si la validation a été utilisé) qui peut être chargé en utilisant TFMA . Voici un exemple de la façon de charger les résultats dans un bloc-notes 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:
  ...

Plus de détails sont disponibles dans la référence API Evaluator .