Introduzione all'analisi del modello TensorFlow

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Panoramica

TensorFlow Model Analysis (TFMA) è una libreria per eseguire la valutazione del modello.

  • Per : Ingegneri di Machine Learning o Data Scientist
  • chi : desidera analizzare e comprendere i propri modelli TensorFlow
  • è : una libreria autonoma o un componente di una pipeline TFX
  • che : valuta modelli su grandi quantità di dati in maniera distribuita sulle stesse metriche definite in training. Queste metriche vengono confrontate su porzioni di dati e visualizzate nei notebook Jupyter o Colab.
  • a differenza di: alcuni strumenti di introspezione del modello come tensorboard che offrono l'introspezione del modello

TFMA esegue i suoi calcoli in modo distribuito su grandi quantità di dati utilizzando Apache Beam . Le sezioni seguenti descrivono come impostare una pipeline di valutazione TFMA di base. Vedi architettura maggiori dettagli sull'implementazione sottostante.

Se vuoi solo tuffarti e iniziare, dai un'occhiata al nostro taccuino colab .

Questa pagina può essere visualizzata anche da tensorflow.org .

Tipi di modello supportati

TFMA è progettato per supportare modelli basati su tensorflow, ma può essere facilmente esteso per supportare anche altri framework. Storicamente, TFMA richiedeva la creazione di un EvalSavedModel per utilizzare TFMA, ma l'ultima versione di TFMA supporta più tipi di modelli a seconda delle esigenze dell'utente. L'impostazione di un EvalSavedModel dovrebbe essere richiesta solo se viene utilizzato un modello basato su tf.estimator e sono richieste metriche del tempo di addestramento personalizzate.

Tieni presente che poiché TFMA ora viene eseguito in base al modello di pubblicazione, TFMA non valuterà più automaticamente le metriche aggiunte al momento dell'allenamento. L'eccezione a questo caso è se viene utilizzato un modello keras poiché keras salva le metriche utilizzate insieme al modello salvato. Tuttavia, se questo è un requisito fondamentale, l'ultimo TFMA è compatibile con le versioni precedenti in modo tale che un EvalSavedModel possa ancora essere eseguito in una pipeline TFMA.

La tabella seguente riassume i modelli supportati di default:

Tipo di modello Metriche del tempo di formazione Metriche post-allenamento
TF2 (chera) S* Y
TF2 (generico) N / A Y
EvalSavedModel (stimatore) Y Y
Nessuno (pd.DataFrame, ecc.) N / A Y
  • Le metriche del tempo di allenamento si riferiscono alle metriche definite al momento dell'allenamento e salvate con il modello (modello TFMA EvalSavedModel o modello keras salvato). Le metriche post training si riferiscono alle metriche aggiunte tramite tfma.MetricConfig .
  • I modelli TF2 generici sono modelli personalizzati che esportano firme che possono essere utilizzate per l'inferenza e non si basano né su keras né su stimatore.

Consulta le domande frequenti per ulteriori informazioni su come impostare e configurare questi diversi tipi di modello.

Impostare

Prima di eseguire una valutazione, è necessaria una piccola quantità di configurazione. Innanzitutto, è necessario definire un oggetto tfma.EvalConfig che fornisca le specifiche per il modello, le metriche e le sezioni da valutare. In secondo luogo, è necessario creare un tfma.EvalSharedModel che punti al modello (o ai modelli) effettivi da utilizzare durante la valutazione. Una volta che questi sono stati definiti, la valutazione viene eseguita chiamando tfma.run_model_analysis con un set di dati appropriato. Per maggiori dettagli, vedere la guida all'installazione .

Se in esecuzione all'interno di una pipeline TFX, vedere la guida TFX per come configurare TFMA per l'esecuzione come componente TFX Evaluator .

Esempi

Valutazione del modello unico

Di seguito viene utilizzato tfma.run_model_analysis per eseguire la valutazione su un modello di servizio. Per una spiegazione delle diverse impostazioni necessarie, vedere la guida all'installazione .

# Run in a Jupyter Notebook.
from google.protobuf import text_format

eval_config = text_format.Parse("""
  ## Model information
  model_specs {
    # This assumes a serving model with a "serving_default" signature.
    label_key: "label"
    example_weight_key: "weight"
  }
  ## Post export metric information
  metrics_specs {
    # This adds AUC as a post training metric. If the model has built in
    # training metrics which also contains AUC, this metric will replace it.
    metrics { class_name: "AUC" }
    # ... other post training metrics ...

    # Plots are also configured here...
    metrics { class_name: "ConfusionMatrixPlot" }
  }
  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["age"]
  }
""", tfma.EvalConfig())

eval_shared_model = tfma.default_eval_shared_model(
    eval_saved_model_path='/path/to/saved/model', eval_config=eval_config)

eval_result = tfma.run_model_analysis(
    eval_shared_model=eval_shared_model,
    eval_config=eval_config,
    # This assumes your data is a TFRecords file containing records in the
    # tf.train.Example format.
    data_location='/path/to/file/containing/tfrecords',
    output_path='/path/for/output')

tfma.view.render_slicing_metrics(eval_result)

Per la valutazione distribuita, costruisci una pipeline Apache Beam utilizzando un runner distribuito. Nella pipeline, usa tfma.ExtractEvaluateAndWriteResults per la valutazione e per scrivere i risultati. I risultati possono essere caricati per la visualizzazione utilizzando tfma.load_eval_result .

Per esempio:

# To run the pipeline.
from google.protobuf import text_format
from tfx_bsl.tfxio import tf_example_record

eval_config = text_format.Parse("""
  ## Model information
  model_specs {
    # This assumes a serving model with a "serving_default" signature.
    label_key: "label"
    example_weight_key: "weight"
  }
  ## Post export metric information
  metrics_specs {
    # This adds AUC and as a post training metric. If the model has built in
    # training metrics which also contains AUC, this metric will replace it.
    metrics { class_name: "AUC" }
    # ... other post training metrics ...

    # Plots are also configured here...
    metrics { class_name: "ConfusionMatrixPlot" }
  }
  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["age"]
  }
""", tfma.EvalConfig())

eval_shared_model = tfma.default_eval_shared_model(
    eval_saved_model_path='/path/to/saved/model', eval_config=eval_config)

output_path = '/path/for/output'

tfx_io = tf_example_record.TFExampleRecord(
    file_pattern=data_location, raw_record_column_name=tfma.ARROW_INPUT_COLUMN)

with beam.Pipeline(runner=...) as p:
  _ = (p
       # You can change the source as appropriate, e.g. read from BigQuery.
       # This assumes your data is a TFRecords file containing records in the
       # tf.train.Example format. If using EvalSavedModel then use the following
       # instead: 'ReadData' >> beam.io.ReadFromTFRecord(file_pattern=...)
       | 'ReadData' >> tfx_io.BeamSource()
       | 'ExtractEvaluateAndWriteResults' >>
       tfma.ExtractEvaluateAndWriteResults(
            eval_shared_model=eval_shared_model,
            eval_config=eval_config,
            output_path=output_path))

# To load and visualize results.
# Note that this code should be run in a Jupyter Notebook.
result = tfma.load_eval_result(output_path)
tfma.view.render_slicing_metrics(result)

Convalida del modello

Per eseguire la convalida del modello rispetto a un candidato e una linea di base, aggiorna la configurazione per includere un'impostazione di soglia e passa due modelli a tfma.run_model_analysis .

Per esempio:

# Run in a Jupyter Notebook.
from google.protobuf import text_format

eval_config = text_format.Parse("""
  ## Model information
  model_specs {
    # This assumes a serving model with a "serving_default" signature.
    label_key: "label"
    example_weight_key: "weight"
  }
  ## Post export metric information
  metrics_specs {
    # This adds AUC and as a post training metric. If the model has built in
    # training metrics which also contains AUC, this metric will replace it.
    metrics {
      class_name: "AUC"
      threshold {
        value_threshold {
          lower_bound { value: 0.9 }
        }
        change_threshold {
          direction: HIGHER_IS_BETTER
          absolute { value: -1e-10 }
        }
      }
    }
    # ... other post training metrics ...

    # Plots are also configured here...
    metrics { class_name: "ConfusionMatrixPlot" }
  }
  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["age"]
  }
""", tfma.EvalConfig())

eval_shared_models = [
  tfma.default_eval_shared_model(
      model_name=tfma.CANDIDATE_KEY,
      eval_saved_model_path='/path/to/saved/candiate/model',
      eval_config=eval_config),
  tfma.default_eval_shared_model(
      model_name=tfma.BASELINE_KEY,
      eval_saved_model_path='/path/to/saved/baseline/model',
      eval_config=eval_config),
]

output_path = '/path/for/output'

eval_result = tfma.run_model_analysis(
    eval_shared_models,
    eval_config=eval_config,
    # This assumes your data is a TFRecords file containing records in the
    # tf.train.Example format.
    data_location='/path/to/file/containing/tfrecords',
    output_path=output_path)

tfma.view.render_slicing_metrics(eval_result)
tfma.load_validation_result(output_path)

Visualizzazione

I risultati della valutazione TFMA possono essere visualizzati in un notebook Jupyter utilizzando i componenti front-end inclusi in TFMA. Per esempio:

Browser delle metriche di affettatura TFMA .

Maggiori informazioni