TensorFlow รุ่นวิเคราะห์ (Tfma) สามารถส่งออกรูปแบบของกราฟประเมินผลเพื่อพิเศษ SavedModel
เรียก EvalSavedModel
(หมายเหตุว่ากราฟการประเมินผลที่มีการใช้และไม่กราฟสำหรับการฝึกอบรมหรือการอนุมาน.) The EvalSavedModel
มีข้อมูลเพิ่มเติมที่ช่วยให้ Tfma การคำนวณตัวชี้วัดการประเมินผลเดียวกันที่กำหนดไว้ในรูปแบบในลักษณะที่กระจายไปทั่วเป็นจำนวนมากของข้อมูลและผู้ใช้กำหนด ชิ้น
แก้ไขโมเดลที่มีอยู่
ที่จะใช้รูปแบบที่มีอยู่กับ Tfma แรกปรับเปลี่ยนรูปแบบการส่งออก EvalSavedModel
นี้จะกระทำโดยการเพิ่มการเรียกร้องให้ tfma.export.export_eval_savedmodel
และมีความคล้ายคลึงกับ estimator.export_savedmodel
ตัวอย่างเช่น:
# 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
ต้องกำหนดและมีความคล้ายคลึงกับ serving_input_receiver_fn
สำหรับ estimator.export_savedmodel
เช่นเดียวกับ serving_input_receiver_fn
ที่ eval_input_receiver_fn
ฟังก์ชั่นกำหนดเข้าตัวอย่างยึดแยกวิเคราะห์คุณสมบัติจากตัวอย่างและผลตอบแทนที่ได้จากคุณลักษณะแจง มันแยกวิเคราะห์และส่งคืนป้ายกำกับ
ตัวอย่างต่อไปนี้กำหนดตัวอย่าง 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'])
ในตัวอย่างนี้ คุณจะเห็นได้ว่า:
-
labels
ยังสามารถเป็นพจนานุกรม มีประโยชน์สำหรับรุ่นหลายหัว -
eval_input_receiver_fn
ฟังก์ชั่นส่วนใหญ่มีแนวโน้มเป็นเช่นเดียวกับคุณserving_input_receiver_fn
ฟังก์ชั่น แต่ในบางกรณี คุณอาจต้องการกำหนดคุณลักษณะเพิ่มเติมสำหรับการแบ่งส่วน ตัวอย่างเช่นคุณแนะนำage_category
คุณลักษณะซึ่งแบ่งage
คุณลักษณะเป็นหลายบุ้งกี๋ จากนั้น คุณสามารถแบ่งส่วนคุณลักษณะนี้ใน TFMA เพื่อช่วยให้เข้าใจว่าประสิทธิภาพของโมเดลของคุณแตกต่างกันอย่างไรในหมวดหมู่อายุต่างๆ
การเพิ่มเมตริกหลังการส่งออก
ตัวชี้วัดอื่น ๆ ที่ยังไม่ได้รวมอยู่ในรูปแบบที่สามารถใช้ aded add_metrics_callbacks
สำหรับรายละเอียดเพิ่มเติมโปรดดูที่ความช่วยเหลืองูหลาม run_model_analysis
ตัวอย่างแบบ end-to-end
ลองกว้างขวาง ตัวอย่างแบบ end-to-end ที่มี TensorFlow แปลง สำหรับคุณลักษณะ preprocessing, TensorFlow ประมาณค่า สำหรับการฝึกอบรม TensorFlow รูปแบบการวิเคราะห์ และ Jupyter สำหรับการประเมินผลและ TensorFlow ให้บริการ สำหรับการให้บริการ
การเพิ่มเมตริกการส่งออกโพสต์แบบกำหนดเอง
หากคุณต้องการที่จะเพิ่มการส่งออกของตัวเองโพสต์ของคุณเองเมตริกใน Tfma กรุณาชำระเงินเอกสาร ที่นี่