TensorFlowモデル分析の開始

概要

TensorFlow Model Analysis (TFMA) は、モデル評価を実行するためのライブラリです。

• 対象: 機械学習エンジニアまたはデータ サイエンティスト
• who : TensorFlow モデルを分析して理解したい
• : TFX パイプラインのスタンドアロン ライブラリまたはコンポーネント
• that : トレーニングで定義されたのと同じメトリクスで、分散された方法で大量のデータのモデルを評価します。これらのメトリクスはデータのスライスで比較され、Jupyter または Colab ノートブックで視覚化されます。
• とは異なり: モデルのイントロスペクションを提供する tensorboard などの一部のモデルのイントロスペクション ツール

TFMA は、 Apache Beamを使用して、大量のデータに対して分散方式で計算を実行します。次のセクションでは、基本的な TFMA 評価パイプラインをセットアップする方法について説明します。基礎となる実装の詳細については、アーキテクチャを参照してください。

すぐに始めたい場合は、 colabノートブックをチェックしてください。

このページはtensorflow.orgからも見ることができます。

サポートされるモデル タイプ

TFMA は tensorflow ベースのモデルをサポートするように設計されていますが、他のフレームワークもサポートするように簡単に拡張できます。歴史的に、TFMA は TFMA を使用するためにEvalSavedModelを作成する必要がありましたが、最新バージョンの TFMA は、ユーザーのニーズに応じて複数のタイプのモデルをサポートしています。 EvalSavedModel の設定は、 tf.estimatorベースのモデルが使用され、カスタム トレーニング時間メトリックが必要な場合にのみ必要です。

TFMA はサービス提供モデルに基づいて実行されるようになったため、TFMA はトレーニング時に追加されたメトリックを自動的に評価しなくなります。このケースの例外は、keras が保存されたモデルと一緒に使用されるメトリクスを保存するため、keras モデルが使用される場合です。ただし、これが厳しい要件である場合、最新の TFMA は下位互換性があるため、 EvalSavedModelを TFMA パイプラインで引き続き実行できます。

次の表は、デフォルトでサポートされているモデルをまとめたものです。

• トレーニング時間メトリックは、トレーニング時に定義され、モデル (TFMA EvalSavedModel または keras 保存モデル) と共に保存されるメトリックを参照します。トレーニング後のメトリックは、 tfma.MetricConfigを介して追加されたメトリックを参照します。
• ジェネリック TF2 モデルは、推論に使用できる署名をエクスポートするカスタム モデルであり、keras にも推定器にも基づいていません。

これらの異なるモデル タイプをセットアップおよび構成する方法の詳細については、 FAQを参照してください。

設定

評価を実行する前に、少量のセットアップが必要です。最初に、評価されるモデル、メトリック、およびスライスの仕様を提供するtfma.EvalConfigオブジェクトを定義する必要があります。次に、評価中に使用される実際のモデル (または複数のモデル) を指すtfma.EvalSharedModelを作成する必要があります。これらが定義されると、適切なデータセットでtfma.run_model_analysisを呼び出すことによって評価が実行されます。詳細については、セットアップガイドを参照してください。

TFX パイプライン内で実行する場合は、TFXエバリュエーターコンポーネントとして実行するように TFMA を構成する方法について、TFXガイドを参照してください。

例

単一モデルの評価

以下は、 tfma.run_model_analysisを使用してサービス提供モデルの評価を実行します。必要なさまざまな設定の説明については、セットアップガイドを参照してください。

# 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)

分散評価の場合、分散ランナーを使用してApache Beamパイプラインを構築します。パイプラインでは、 tfma.ExtractEvaluateAndWriteResultsを使用して評価し、結果を書き出します。結果は、 tfma.load_eval_resultを使用して視覚化のためにロードできます。

例えば：

# 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)

モデルの検証

候補とベースラインに対してモデルの検証を実行するには、構成を更新してしきい値設定を含め、2 つのモデルをtfma.run_model_analysisに渡します。

例えば：

# 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)

視覚化

TFMA の評価結果は、TFMA に含まれるフロントエンド コンポーネントを使用して、Jupyter ノートブックで視覚化できます。例えば：

.

詳しくは

• インストール
• 設定
• メトリクスとプロット
• モデルの検証
• 可視化
• 建築
• よくある質問
• API リファレンス