একটি ইভাল সংরক্ষিত মডেল কনফিগার করা হচ্ছে

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

TensorFlow মডেল বিশ্লেষণ (TFMA) একটি বিশেষ একটি মডেলের মূল্যায়ন গ্রাফ রপ্তানি করতে পারেন SavedModel নামক EvalSavedModel । (নোট যে মূল্যায়ন গ্রাফ ব্যবহার করা হয় এবং না প্রশিক্ষণ বা অনুমান জন্য গ্রাফ।) EvalSavedModel অতিরিক্ত তথ্য যে TFMA একই মূল্যায়ন মেট্রিক্স ডেটা এবং একটি বৃহৎ পরিমাণ উপর একটি বিতরণ পদ্ধতিতে মডেল সংজ্ঞায়িত গনা করতে পারবেন ধারণ করে ব্যবহারকারী-সংজ্ঞায়িত টুকরা

একটি বিদ্যমান মডেল পরিবর্তন করুন

TFMA একটি বর্তমানে উপস্থিত মডেল ব্যবহার করতে, প্রথমে রপ্তানি করতে মডেল পরিবর্তন EvalSavedModel । এই কল যোগ করে সম্পন্ন করা হয় করতে tfma.export.export_eval_savedmodel এবং অনুরূপ estimator.export_savedmodel । উদাহরণ স্বরূপ:

# Define, train and export your estimator as usual
estimator = tf.estimator.DNNClassifier(...)
estimator.train(...)
estimator.export_savedmodel(...)

# Also export the EvalSavedModel
tfma.export.export_eval_savedmodel(
  estimator=estimator, export_dir_base=export_dir,
  eval_input_receiver_fn=eval_input_receiver_fn)

eval_input_receiver_fn সংজ্ঞায়িত করা হবে এবং অনুরূপ serving_input_receiver_fn জন্য estimator.export_savedmodel । ভালো লেগেছে serving_input_receiver_fn , eval_input_receiver_fn ফাংশন একটি ইনপুট স্থানধারক উদাহরণ সংজ্ঞায়িত, উদাহরণস্বরূপ থেকে বৈশিষ্ট্যগুলি parses এবং পার্স বৈশিষ্ট্য ফেরৎ। এটি পার্স এবং লেবেল ফেরত.

নিম্নলিখিত স্নিপেট একটি উদাহরণ সংজ্ঞায়িত eval_input_receiver_fn :

country = tf.feature_column.categorical_column_with_hash('country', 100)
language = tf.feature_column.categorical_column_with_hash('language', 100)
age = tf.feature_column.numeric_column('age')
label = tf.feature_column.numeric_column('label')

def eval_input_receiver_fn():
  serialized_tf_example = tf.compat.v1.placeholder(
      dtype=tf.string, shape=[None], name='input_example_placeholder')

  # This *must* be a dictionary containing a single key 'examples', which
  # points to the input placeholder.
  receiver_tensors = {'examples': serialized_tf_example}

  feature_spec =  tf.feature_column.make_parse_example_spec(
      [country, language, age, label])
  features = tf.io.parse_example(serialized_tf_example, feature_spec)

  return tfma.export.EvalInputReceiver(
    features=features,
    receiver_tensors=receiver_tensors,
    labels=features['label'])

এই উদাহরণে আপনি দেখতে পারেন যে:

  • labels একটি অভিধান হতে পারে। একটি বহুমুখী মডেলের জন্য দরকারী।
  • eval_input_receiver_fn ফাংশন, সম্ভবত, আপনার মত একই হবে serving_input_receiver_fn ফাংশন। কিন্তু, কিছু ক্ষেত্রে, আপনি স্লাইস করার জন্য অতিরিক্ত বৈশিষ্ট্য সংজ্ঞায়িত করতে চাইতে পারেন। উদাহরণস্বরূপ, যদি আপনি একটি পরিচয় করিয়ে age_category বৈশিষ্ট্য যা ভাগ age একাধিক নির্দিষ্ট পরিসরে বৈশিষ্ট্য। তারপরে আপনি বিভিন্ন বয়সের শ্রেণীতে আপনার মডেলের কর্মক্ষমতা কীভাবে আলাদা তা বোঝার জন্য TFMA-তে এই বৈশিষ্ট্যটি স্লাইস করতে পারেন।

পোস্ট এক্সপোর্ট মেট্রিক্স যোগ করা হচ্ছে

অতিরিক্ত বৈশিষ্ট্যের মান যে মডেল অন্তর্ভুক্ত করা হয় না ব্যবহার aded যাবে add_metrics_callbacks । অধিক বিবরণের জন্য, জন্য পাইথন সহায়তা দেখুন run_model_analysis

শেষ থেকে শেষ উদাহরণ

ব্যাপক চেষ্টা এন্ড-টু-এন্ড উদাহরণ সমন্বিত TensorFlow ট্রান্সফর্ম বৈশিষ্ট্য প্রাক-প্রক্রিয়াকরণ, জন্য TensorFlow Estimators প্রশিক্ষণের জন্য, TensorFlow মডেল বিশ্লেষণ ও মূল্যায়ন জন্য Jupyter এবং TensorFlow পরিবেশন করছে ভজনা জন্য।

একটি কাস্টম পোস্ট এক্সপোর্ট মেট্রিক যোগ করা হচ্ছে

আপনি TFMA আপনার নিজের কাস্টম পোস্ট রপ্তানি মেট্রিক যুক্ত করতে চান তাহলে, ডকুমেন্টেশন চেকআউট দয়া এখানে