การปรับปรุงคุณภาพโมเดลด้วยการวิเคราะห์โมเดล TensorFlow

การแนะนำ

เมื่อคุณปรับแต่งโมเดลระหว่างการพัฒนา คุณต้องตรวจสอบว่าการเปลี่ยนแปลงของคุณช่วยปรับปรุงโมเดลของคุณหรือไม่ แค่ตรวจสอบความถูกต้องอาจไม่เพียงพอ ตัวอย่างเช่น หากคุณมีตัวแยกประเภทสำหรับปัญหาที่ 95% ของอินสแตนซ์ของคุณเป็นบวก คุณอาจสามารถปรับปรุงความแม่นยำได้โดยการทำนายเชิงบวกเสมอ แต่คุณจะไม่มีตัวแยกประเภทที่มีประสิทธิภาพมากนัก

ภาพรวม

เป้าหมายของการวิเคราะห์โมเดล TensorFlow คือการจัดหากลไกสำหรับการประเมินโมเดลใน TFX การวิเคราะห์โมเดล TensorFlow ช่วยให้คุณสามารถประเมินโมเดลในไปป์ไลน์ TFX และดูตัววัดและพล็อตผลลัพธ์ในสมุดบันทึก Jupyter โดยเฉพาะอย่างยิ่งสามารถให้:

  • ตัวชี้วัด ที่คำนวณจากชุดข้อมูลการฝึกอบรมและการฝึกอบรมทั้งหมด รวมถึงการประเมินในวันถัดไป
  • การติดตามตัวชี้วัดในช่วงเวลาหนึ่ง
  • สร้างแบบจำลองประสิทธิภาพคุณภาพบนส่วนฟีเจอร์ต่างๆ
  • การตรวจสอบโมเดล เพื่อให้แน่ใจว่าโมเดลนั้นรักษาประสิทธิภาพที่สม่ำเสมอ

ขั้นตอนถัดไป

ลองใช้ บทช่วยสอน TFMA ของเรา

ตรวจสอบหน้า GitHub ของเราเพื่อดูรายละเอียดเกี่ยวกับ หน่วยวัดและแผนที่ รองรับ และ การแสดงภาพ สมุดบันทึกที่เกี่ยวข้อง

ดูคู่มือ การติดตั้ง และ การเริ่มต้นใช้งาน สำหรับข้อมูลและตัวอย่างวิธี ตั้งค่า ในไปป์ไลน์แบบสแตนด์อโลน โปรดทราบว่า TFMA ยังใช้ภายในส่วนประกอบ Evaluator ใน TFX ดังนั้นทรัพยากรเหล่านี้จะเป็นประโยชน์สำหรับการเริ่มต้นใน TFX เช่นกัน