Değerlendirici TFX İşlem Hattı Bileşeni

Evaluator TFX ardışık düzen bileşeni, modelinizin verilerinizin alt kümelerinde nasıl performans gösterdiğini anlamanıza yardımcı olmak için modellerinizin eğitim sonuçları üzerinde derinlemesine analiz gerçekleştirir. Değerlendirici ayrıca dışa aktarılan modellerinizi doğrulamanıza yardımcı olur ve üretime gönderilmek için "yeterince iyi" olduklarından emin olur.

Doğrulama etkinleştirildiğinde, Değerlendirici, temele göre "yeterince iyi" olup olmadıklarını belirlemek için yeni modelleri bir temelle (şu anda sunulan model gibi) karşılaştırır. Bunu, her iki modeli de bir değerlendirme veri kümesinde değerlendirerek ve performanslarını metriklerde (örneğin AUC, kayıp) hesaplayarak yapar. Yeni modelin metrikleri, temel modele göre geliştirici tarafından belirlenen kriterleri karşılıyorsa (örneğin, AUC daha düşük değil), model "kutsanmış" (iyi olarak işaretlenmiş), bu da İtici'ye modeli üretime göndermenin uygun olduğunu gösterir.

• tüketir:
  • ExampleGen'den bir değerlendirme ayırma
  • Trainer'dan eğitimli bir model
  • Daha önce kutsanmış bir model (eğer doğrulama yapılacaksa)
• yayar:
  • ML Meta Verilerine yönelik analiz sonuçları
  • ML Meta Verileri için doğrulama sonuçları (eğer doğrulama yapılacaksa)

Değerlendirici ve TensorFlow Model Analizi

Evaluator, analizi gerçekleştirmek için TensorFlow Model Analizi kitaplığından yararlanır ve bu da ölçeklenebilir işleme için Apache Beam'i kullanır.

Değerlendirici Bileşenini Kullanma

Bir Evaluator işlem hattı bileşeninin dağıtımı genellikle çok kolaydır ve işin çoğu Evaluator TFX bileşeni tarafından yapıldığından çok az özelleştirme gerektirir.

Değerlendiriciyi kurmak için aşağıdaki bilgiler gereklidir:

• Yapılandırılacak metrikler (yalnızca modelle kaydedilenlerin dışında ek metrikler ekleniyorsa gereklidir). Daha fazla bilgi için Tensorflow Model Analiz Metriklerine bakın.
• Yapılandırılacak dilimler (herhangi bir dilim verilmezse varsayılan olarak bir "genel" dilim eklenir). Daha fazla bilgi için Tensorflow Model Analiz Kurulumuna bakın.

Doğrulama dahil edilecekse, aşağıdaki ek bilgilere ihtiyaç vardır:

• Hangi modelle karşılaştırılacak (en son kutsanmış, vb.).
• Doğrulamak için model doğrulamaları (eşikler). Daha fazla bilgi için Tensorflow Model Analizi Model Doğrulamalarına bakın.

Etkinleştirildiğinde, tanımlanan tüm metriklere ve dilimlere karşı doğrulama gerçekleştirilir.

Tipik kod şöyle görünür:

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)

Değerlendirici, TFMA kullanılarak yüklenebilen bir EvalResult (ve doğrulama kullanılmışsa isteğe bağlı olarak ValidationResult ) üretir . Aşağıda sonuçların bir Jupyter not defterine nasıl yükleneceğine dair bir örnek verilmiştir:

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:
  ...

Evaluator API referansında daha fazla ayrıntı mevcuttur.