TFX এর জন্য TensorFlow মডেলিং কোড ডিজাইন করা

সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।

TFX-এর জন্য আপনার TensorFlow মডেলিং কোড ডিজাইন করার সময় মডেলিং API-এর পছন্দ সহ কয়েকটি আইটেম সম্পর্কে সচেতন হতে হবে।

  • হ্রাস: SavedModel থেকে ট্রান্সফর্ম , এবং থেকে তথ্য ExampleGen
  • নির্গত: SavedModel বিন্যাসে প্রশিক্ষিত মডেল

আপনার মডেল ইনপুট স্তর SavedModel করে একটি দ্বারা তৈরি হওয়ার পর থেকে গ্রাস করা উচিত ট্রান্সফর্ম উপাদান, এবং ট্রান্সফর্ম মডেল স্তর আপনার মডেল সঙ্গে অন্তর্ভুক্ত করা উচিত, যাতে আপনি আপনার SavedModel এবং EvalSavedModel রপ্তানি তারা রূপান্তরের যে তৈরি করা হয়েছিল অন্তর্ভুক্ত করা হবে ট্রান্সফর্ম উপাদান.

TFX-এর জন্য একটি সাধারণ TensorFlow মডেল ডিজাইন দেখতে এইরকম:

def _build_estimator(tf_transform_dir,
                     config,
                     hidden_units=None,
                     warm_start_from=None):
  """Build an estimator for predicting the tipping behavior of taxi riders.

  Args:
    tf_transform_dir: directory in which the tf-transform model was written
      during the preprocessing step.
    config: tf.contrib.learn.RunConfig defining the runtime environment for the
      estimator (including model_dir).
    hidden_units: [int], the layer sizes of the DNN (input layer first)
    warm_start_from: Optional directory to warm start from.

  Returns:
    Resulting DNNLinearCombinedClassifier.
  """
  metadata_dir = os.path.join(tf_transform_dir,
                              transform_fn_io.TRANSFORMED_METADATA_DIR)
  transformed_metadata = metadata_io.read_metadata(metadata_dir)
  transformed_feature_spec = transformed_metadata.schema.as_feature_spec()

  transformed_feature_spec.pop(_transformed_name(_LABEL_KEY))

  real_valued_columns = [
      tf.feature_column.numeric_column(key, shape=())
      for key in _transformed_names(_DENSE_FLOAT_FEATURE_KEYS)
  ]
  categorical_columns = [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=_VOCAB_SIZE + _OOV_SIZE, default_value=0)
      for key in _transformed_names(_VOCAB_FEATURE_KEYS)
  ]
  categorical_columns += [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=_FEATURE_BUCKET_COUNT, default_value=0)
      for key in _transformed_names(_BUCKET_FEATURE_KEYS)
  ]
  categorical_columns += [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=num_buckets, default_value=0)
      for key, num_buckets in zip(
          _transformed_names(_CATEGORICAL_FEATURE_KEYS),  #
          _MAX_CATEGORICAL_FEATURE_VALUES)
  ]
  return tf.estimator.DNNLinearCombinedClassifier(
      config=config,
      linear_feature_columns=categorical_columns,
      dnn_feature_columns=real_valued_columns,
      dnn_hidden_units=hidden_units or [100, 70, 50, 25],
      warm_start_from=warm_start_from)