TensorFlow Analiza modelu (TFMA) można wyeksportować wykres oceny danego modelu do specjalnego SavedModel
zwanego EvalSavedModel
. (Należy zauważyć, że wykres oceny jest używany, a nie wykres szkolenia lub wnioskowania). Określenie EvalSavedModel
zawiera dodatkowe informacje, które pozwalają TFMA obliczyć same dane oceny określonych w modelu są równomiernie na dużej ilości danych i użytkownika plastry.
Zmodyfikuj istniejący model
Aby użyć istniejącego modelu z TFMA najpierw zmodyfikować model, aby wyeksportować EvalSavedModel
. Odbywa się to poprzez dodanie połączenia do tfma.export.export_eval_savedmodel
i jest podobny do estimator.export_savedmodel
. Na przykład:
# 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
muszą być zdefiniowane i jest podobny do serving_input_receiver_fn
dla estimator.export_savedmodel
. Jak serving_input_receiver_fn
The eval_input_receiver_fn
funkcja definiuje przykład zastępczy wejściowego, przetwarza cechy z przykładu i zwraca przeanalizowanej możliwości. Analizuje i zwraca etykietę.
Poniższy kod określa na przykład 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'])
W tym przykładzie widać, że:
-
labels
mogą być również słownikiem. Przydatne w przypadku modelu wielogłowego. -
eval_input_receiver_fn
funkcja będzie, najprawdopodobniej, będzie taka sama, jakserving_input_receiver_fn
funkcji. Ale w niektórych przypadkach możesz chcieć zdefiniować dodatkowe funkcje do krojenia. Na przykład, wprowadzenieage_category
cechę, która dzieliage
funkcji na kilka wiader. Następnie możesz podzielić tę funkcję w TFMA, aby pomóc zrozumieć, jak wydajność Twojego modelu różni się w różnych kategoriach wiekowych.
Dodawanie wskaźników po eksporcie
Dodatkowe dane, które nie zostały uwzględnione w modelu można aded użyciu add_metrics_callbacks
. Aby uzyskać więcej informacji, zobacz pomoc Pythona do run_model_analysis
.
Kompleksowe przykłady
Spróbuj obszerny przykład end-to-end m.in. TensorFlow Transform dla funkcji wyprzedzającym, TensorFlow estymatorów do szkolenia TensorFlow analizy modelu i Jupyter oceny oraz TensorFlow Serving do serwowania.
Dodawanie niestandardowej metryki eksportu post
Jeśli chcesz dodać własny zwyczaj postu eksportowej metrykę w TFMA prosimy kasy dokumentację tutaj .