Junte-se à comunidade SIG TFX-Addons e ajude a tornar o TFX ainda melhor!
Esta página foi traduzida pela API Cloud Translation.
Switch to English

O componente de pipeline do avaliador TFX

O componente de pipeline do Evaluator TFX realiza uma análise profunda nos resultados do treinamento para seus modelos, para ajudá-lo a entender o desempenho do seu modelo em subconjuntos de seus dados. O avaliador também ajuda a validar seus modelos exportados, garantindo que eles sejam "bons o suficiente" para serem colocados em produção.

Quando a validação está habilitada, o avaliador compara os novos modelos em relação a uma linha de base (como o modelo atualmente em serviço) para determinar se eles são "bons o suficiente" em relação à linha de base. Ele faz isso avaliando ambos os modelos em um conjunto de dados de avaliação e computando seu desempenho em métricas (por exemplo, AUC, perda). Se as métricas do novo modelo atenderem aos critérios especificados pelo desenvolvedor em relação ao modelo de linha de base (por exemplo, AUC não é inferior), o modelo é "abençoado" (marcado como bom), indicando ao empurrador que está ok para colocar o modelo em produção.

Avaliador e análise de modelo do TensorFlow

O Evaluator aproveita a biblioteca TensorFlow Model Analysis para realizar a análise, que por sua vez usa o Apache Beam para processamento escalonável.

Usando o componente de avaliação

Um componente de pipeline do Evaluator é normalmente muito fácil de implantar e requer pouca personalização, já que a maior parte do trabalho é feita pelo componente Evaluator TFX.

Para configurar o avaliador, são necessárias as seguintes informações:

Se a validação deve ser incluída, as seguintes informações adicionais são necessárias:

Quando ativado, a validação será realizada em todas as métricas e fatias que foram definidas.

O código típico se parece com isto:

from tfx import components
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=latest_blessed_model_resolver.LatestBlessedModelResolver,
      model=Channel(type=Model),
      model_blessing=Channel(type=ModelBlessing)
).with_id('latest_blessed_model_resolver')

model_analyzer = components.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)

O avaliador produz um EvalResult (e opcionalmente um ValidationResult se a validação foi usada) que pode ser carregado usando TFMA . A seguir, um exemplo de como carregar os resultados em um bloco de notas 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:
  ...