SIG TFX-Addons समुदाय में शामिल हों और TFX को और बेहतर बनाने में मदद करें! SIG TFX-Addons में शामिल हों

मूल्यांकनकर्ता TFX पाइपलाइन घटक

मूल्यांकनकर्ता TFX पाइपलाइन घटक आपके मॉडल के प्रशिक्षण परिणामों पर गहन विश्लेषण करता है, जिससे आपको यह समझने में मदद मिलती है कि आपका मॉडल आपके डेटा के सबसेट पर कैसा प्रदर्शन करता है। मूल्यांकनकर्ता आपको अपने निर्यात किए गए मॉडल को मान्य करने में भी मदद करता है, यह सुनिश्चित करता है कि वे उत्पादन में धकेलने के लिए "काफी अच्छे" हैं।

जब सत्यापन सक्षम होता है, तो मूल्यांकनकर्ता नए मॉडलों की तुलना एक आधार रेखा (जैसे वर्तमान में प्रस्तुत मॉडल) से यह निर्धारित करने के लिए करता है कि क्या वे आधार रेखा के सापेक्ष "काफी अच्छे" हैं। यह एक eval डेटासेट पर दोनों मॉडलों का मूल्यांकन करके और मेट्रिक्स (जैसे AUC, हानि) पर उनके प्रदर्शन की गणना करके ऐसा करता है। यदि नए मॉडल के मेट्रिक्स बेसलाइन मॉडल के सापेक्ष डेवलपर-निर्दिष्ट मानदंडों को पूरा करते हैं (उदाहरण के लिए एयूसी कम नहीं है), तो मॉडल "धन्य" (अच्छे के रूप में चिह्नित) है, जो पुशर को दर्शाता है कि मॉडल को उत्पादन में धकेलना ठीक है।

  • उपभोग करता है:
    • exampleGen . से एक eval विभाजन
    • ट्रेनर से एक प्रशिक्षित मॉडल
    • एक पहले से धन्य मॉडल (यदि सत्यापन किया जाना है)
  • उत्सर्जित करता है:

मूल्यांकनकर्ता और TensorFlow मॉडल विश्लेषण

मूल्यांकनकर्ता विश्लेषण करने के लिए TensorFlow मॉडल विश्लेषण लाइब्रेरी का लाभ उठाता है, जो बदले में स्केलेबल प्रोसेसिंग के लिए Apache Beam का उपयोग करता है।

मूल्यांकनकर्ता घटक का उपयोग करना

एक मूल्यांकनकर्ता पाइपलाइन घटक आमतौर पर तैनात करना बहुत आसान होता है और इसके लिए बहुत कम अनुकूलन की आवश्यकता होती है, क्योंकि अधिकांश कार्य मूल्यांकनकर्ता TFX घटक द्वारा किया जाता है।

मूल्यांकनकर्ता को सेटअप करने के लिए निम्नलिखित जानकारी की आवश्यकता है:

  • कॉन्फ़िगर करने के लिए मीट्रिक (केवल तभी आवश्यक है जब मॉडल के साथ सहेजे गए मीट्रिक के बाहर अतिरिक्त मीट्रिक जोड़े जा रहे हों)। अधिक जानकारी के लिए Tensorflow मॉडल विश्लेषण मेट्रिक्स देखें।
  • कॉन्फ़िगर करने के लिए स्लाइस (यदि स्लाइस नहीं दिए गए हैं तो डिफ़ॉल्ट रूप से एक "समग्र" स्लाइस जोड़ा जाएगा)। अधिक जानकारी के लिए Tensorflow मॉडल विश्लेषण सेटअप देखें।

यदि सत्यापन शामिल किया जाना है, तो निम्नलिखित अतिरिक्त जानकारी की आवश्यकता है:

सक्षम होने पर, परिभाषित सभी मीट्रिक और स्लाइस के विरुद्ध सत्यापन किया जाएगा।

विशिष्ट कोड इस तरह दिखता है:

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)

मूल्यांकनकर्ता एक का उत्पादन EvalResult (और वैकल्पिक एक ValidationResult यदि सत्यापन इस्तेमाल किया गया था) का उपयोग कर लोड किया जा सकता TFMA । जुपिटर नोटबुक में परिणामों को कैसे लोड किया जाए, इसका एक उदाहरण निम्नलिखित है:

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:
  ...

अधिक विवरण मूल्यांकनकर्ता एपीआई संदर्भ में उपलब्ध हैं।