การวิเคราะห์แบบจำลอง TensorFlow

TensorFlow Model Analysis (TFMA) เป็นไลบรารีสำหรับการประเมินโมเดล TensorFlow ช่วยให้ผู้ใช้สามารถประเมินแบบจำลองของตนจากข้อมูลจำนวนมากในลักษณะที่กระจาย โดยใช้เมตริกเดียวกันที่กำหนดไว้ในเครื่องมือฝึกอบรมของตน เมตริกเหล่านี้สามารถคำนวณผ่านส่วนต่างๆ ของข้อมูลและแสดงภาพในสมุดบันทึก Jupyter

เบราว์เซอร์ TFMA Slicing Metrics

การติดตั้ง

วิธีที่แนะนำในการติดตั้ง TFMA คือการใช้ แพ็คเกจ PyPI :

pip install tensorflow-model-analysis

สร้าง TFMA จากแหล่งที่มา

หากต้องการสร้างจากแหล่งที่มาให้ทำตามขั้นตอนต่อไปนี้:

ติดตั้ง protoc ตามลิงค์ที่กล่าวถึง: protoc

สร้างสภาพแวดล้อมเสมือนโดยการเรียกใช้คำสั่ง

python3 -m venv <virtualenv_name>
source <virtualenv_name>/bin/activate
pip3 install setuptools wheel
git clone https://github.com/tensorflow/model-analysis.git
cd model-analysis
python3 setup.py bdist_wheel

สิ่งนี้จะสร้างวงล้อ TFMA ในไดเร็กทอรี dist ในการติดตั้งล้อจากไดเร็กทอรี dist ให้รันคำสั่ง

cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl

แพ็คเกจรายคืน

TFMA ยังโฮสต์แพ็คเกจรายคืนที่ https://pypi-nightly.tensorflow.org บน Google Cloud หากต้องการติดตั้งแพ็คเกจรายคืนล่าสุด โปรดใช้คำสั่งต่อไปนี้:

pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

สิ่งนี้จะติดตั้งแพ็คเกจรายคืนสำหรับการพึ่งพาหลักของ TFMA เช่น TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL)

ปัจจุบัน TFMA กำหนดให้ติดตั้ง TensorFlow แต่ไม่มีการพึ่งพาอย่างชัดเจนในแพ็คเกจ TensorFlow PyPI ดู คู่มือการติดตั้ง TensorFlow สำหรับคำแนะนำ

ในการเปิดใช้งานการแสดงภาพ TFMA ใน Jupyter Notebook:

  jupyter nbextension enable --py widgetsnbextension
  jupyter nbextension enable --py tensorflow_model_analysis

จูปิเตอร์แล็บ

ขณะที่เขียน เนื่องจาก https://github.com/pypa/pip/issues/9187 pip install อาจไม่เสร็จสิ้น ในกรณีนั้น คุณควรเปลี่ยน pip เป็นเวอร์ชัน 19 แทน 20: pip install "pip<20"

การใช้ส่วนขยาย JupyterLab จำเป็นต้องติดตั้งการพึ่งพาในบรรทัดคำสั่ง คุณสามารถทำได้ภายในคอนโซลใน JupyterLab UI หรือในบรรทัดคำสั่ง ซึ่งรวมถึงการติดตั้งการพึ่งพาแพ็กเกจ pip และการพึ่งพาปลั๊กอิน JupyterLab labextension แยกต่างหาก และหมายเลขเวอร์ชันต้องเข้ากันได้

ตัวอย่างด้านล่างใช้ 0.27.0 ตรวจสอบ เวอร์ชัน ที่มีด้านล่างเพื่อใช้ล่าสุด

Jupyter Lab 1.2.x

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1

จูปีเตอร์แล็บ 2

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@2

การแก้ไขปัญหา

ตรวจสอบแพ็คเกจ pip:

pip list

ตรวจสอบส่วนขยาย:

jupyter labextension list

การพึ่งพาที่โดดเด่น

จำเป็นต้องมี TensorFlow

จำเป็นต้องมี Apache Beam ; เป็นวิธีที่รองรับการคำนวณแบบกระจายที่มีประสิทธิภาพ ตามค่าเริ่มต้น Apache Beam จะทำงานในโหมดโลคัล แต่ยังสามารถทำงานในโหมดกระจายโดยใช้ Google Cloud Dataflow และ รันเนอร์ Apache Beam อื่นๆ

ต้องใช้ Apache Arrow ด้วย TFMA ใช้ Arrow เพื่อแสดงข้อมูลภายในเพื่อใช้ฟังก์ชัน vectorized numpy

เริ่มต้นใช้งาน

สำหรับคำแนะนำเกี่ยวกับการใช้ TFMA โปรดดู คู่มือเริ่มต้นใช้งาน

รุ่นที่รองรับ

ตารางต่อไปนี้เป็นเวอร์ชันของแพ็คเกจ TFMA ที่เข้ากันได้ สิ่งนี้ถูกกำหนดโดยเฟรมเวิร์กการทดสอบของเรา แต่ชุดค่าผสมอื่นๆ ที่ยังไม่ได้ทดสอบ ก็อาจใช้ได้เช่นกัน

การวิเคราะห์แบบจำลองเทนเซอร์โฟลว์ apache-beam[gcp] ไพโรว์ เทนเซอร์โฟลว์ ข้อมูลเมตาของเทนเซอร์โฟลว์ tfx-bsl
ต้นแบบ GitHub 2.47.0 10.0.0 ทุกคืน (2.x) 1.14.0 1.14.0
0.45.0 2.47.0 10.0.0 2.13 1.14.0 1.14.0
0.44.0 2.40.0 6.0.0 2.12 1.13.1 1.13.0
0.43.0 2.40.0 6.0.0 2.11 1.12.0 1.12.0
0.42.0 2.40.0 6.0.0 1.15 / 2.10 1.11.0 1.11.0
0.41.1 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.41.0 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.40.0 2.38.0 5.0.0 1.15 / 2.9 1.9.0 1.9.0
0.39.0 2.38.0 5.0.0 1.15 / 2.8 1.8.0 1.8.0
0.38.0 2.36.0 5.0.0 1.15 / 2.8 1.7.0 1.7.0
0.37.0 2.35.0 5.0.0 1.15 / 2.7 1.6.0 1.6.0
0.36.0 2.34.0 5.0.0 1.15 / 2.7 1.5.0 1.5.0
0.35.0 2.33.0 5.0.0 1.15 / 2.6 1.4.0 1.4.0
0.34.1 2.32.0 2.0.0 1.15 / 2.6 1.2.0 1.3.0
0.34.0 2.31.0 2.0.0 1.15 / 2.6 1.2.0 1.3.1
0.33.0 2.31.0 2.0.0 1.15 / 2.5 1.2.0 1.2.0
0.32.1 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.1
0.32.0 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.0
0.31.0 2.29.0 2.0.0 1.15 / 2.5 1.0.0 1.0.0
0.30.0 2.28.0 2.0.0 1.15 / 2.4 0.30.0 0.30.0
0.29.0 2.28.0 2.0.0 1.15 / 2.4 0.29.0 0.29.0
0.28.0 2.28.0 2.0.0 1.15 / 2.4 0.28.0 0.28.0
0.27.0 2.27.0 2.0.0 1.15 / 2.4 0.27.0 0.27.0
0.26.1 2.28.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.26.0 2.25.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.25.0 2.25.0 0.17.0 1.15 / 2.3 0.25.0 0.25.0
0.24.3 2.24.0 0.17.0 1.15 / 2.3 0.24.0 0.24.1
0.24.2 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.1 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.0 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.23.0 2.23.0 0.17.0 1.15 / 2.3 0.23.0 0.23.0
0.22.2 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.1 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.0 2.20.0 0.16.0 1.15 / 2.2 0.22.0 0.22.0
0.21.6 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.5 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.4 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.3 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.2 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.1 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.0 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.15.4 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.0
0.15.0 2.16.0 0.15.0 1.15 น ไม่มี ไม่มี
0.14.0 2.14.0 ไม่มี 1.14 ไม่มี ไม่มี
0.13.1 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.13.0 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.12.1 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.12.0 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.11.0 2.8.0 ไม่มี 1.11 ไม่มี ไม่มี
0.9.2 2.6.0 ไม่มี 1.9 ไม่มี ไม่มี
0.9.1 2.6.0 ไม่มี 1.10 ไม่มี ไม่มี
0.9.0 2.5.0 ไม่มี 1.9 ไม่มี ไม่มี
0.6.0 2.4.0 ไม่มี 1.6 ไม่มี ไม่มี

คำถาม

โปรดส่งคำถามเกี่ยวกับการทำงานกับ TFMA ไปยัง Stack Overflow โดยใช้แท็ก tensorflow-model-analysis

,

TensorFlow Model Analysis (TFMA) เป็นไลบรารีสำหรับการประเมินโมเดล TensorFlow ช่วยให้ผู้ใช้สามารถประเมินแบบจำลองของตนจากข้อมูลจำนวนมากในลักษณะที่กระจาย โดยใช้เมตริกเดียวกันที่กำหนดไว้ในเครื่องมือฝึกอบรมของตน เมตริกเหล่านี้สามารถคำนวณผ่านส่วนต่างๆ ของข้อมูลและแสดงภาพในสมุดบันทึก Jupyter

เบราว์เซอร์ TFMA Slicing Metrics

การติดตั้ง

วิธีที่แนะนำในการติดตั้ง TFMA คือการใช้ แพ็คเกจ PyPI :

pip install tensorflow-model-analysis

สร้าง TFMA จากแหล่งที่มา

หากต้องการสร้างจากแหล่งที่มาให้ทำตามขั้นตอนต่อไปนี้:

ติดตั้ง protoc ตามลิงค์ที่กล่าวถึง: protoc

สร้างสภาพแวดล้อมเสมือนโดยการเรียกใช้คำสั่ง

python3 -m venv <virtualenv_name>
source <virtualenv_name>/bin/activate
pip3 install setuptools wheel
git clone https://github.com/tensorflow/model-analysis.git
cd model-analysis
python3 setup.py bdist_wheel

สิ่งนี้จะสร้างวงล้อ TFMA ในไดเร็กทอรี dist ในการติดตั้งล้อจากไดเร็กทอรี dist ให้รันคำสั่ง

cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl

แพ็คเกจรายคืน

TFMA ยังโฮสต์แพ็คเกจรายคืนที่ https://pypi-nightly.tensorflow.org บน Google Cloud หากต้องการติดตั้งแพ็คเกจรายคืนล่าสุด โปรดใช้คำสั่งต่อไปนี้:

pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

สิ่งนี้จะติดตั้งแพ็คเกจรายคืนสำหรับการพึ่งพาหลักของ TFMA เช่น TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL)

ปัจจุบัน TFMA กำหนดให้ติดตั้ง TensorFlow แต่ไม่มีการพึ่งพาอย่างชัดเจนในแพ็คเกจ TensorFlow PyPI ดู คู่มือการติดตั้ง TensorFlow สำหรับคำแนะนำ

ในการเปิดใช้งานการแสดงภาพ TFMA ใน Jupyter Notebook:

  jupyter nbextension enable --py widgetsnbextension
  jupyter nbextension enable --py tensorflow_model_analysis

จูปิเตอร์แล็บ

ขณะที่เขียน เนื่องจาก https://github.com/pypa/pip/issues/9187 pip install อาจไม่เสร็จสิ้น ในกรณีนั้น คุณควรเปลี่ยน pip เป็นเวอร์ชัน 19 แทน 20: pip install "pip<20"

การใช้ส่วนขยาย JupyterLab จำเป็นต้องติดตั้งการพึ่งพาในบรรทัดคำสั่ง คุณสามารถทำได้ภายในคอนโซลใน JupyterLab UI หรือในบรรทัดคำสั่ง ซึ่งรวมถึงการติดตั้งการพึ่งพาแพ็กเกจ pip และการพึ่งพาปลั๊กอิน JupyterLab labextension แยกต่างหาก และหมายเลขเวอร์ชันต้องเข้ากันได้

ตัวอย่างด้านล่างใช้ 0.27.0 ตรวจสอบ เวอร์ชัน ที่มีด้านล่างเพื่อใช้ล่าสุด

Jupyter Lab 1.2.x

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1

จูปีเตอร์แล็บ 2

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@2

การแก้ไขปัญหา

ตรวจสอบแพ็คเกจ pip:

pip list

ตรวจสอบส่วนขยาย:

jupyter labextension list

การพึ่งพาที่โดดเด่น

จำเป็นต้องมี TensorFlow

จำเป็นต้องมี Apache Beam ; เป็นวิธีที่รองรับการคำนวณแบบกระจายที่มีประสิทธิภาพ ตามค่าเริ่มต้น Apache Beam จะทำงานในโหมดโลคัล แต่ยังสามารถทำงานในโหมดกระจายโดยใช้ Google Cloud Dataflow และ รันเนอร์ Apache Beam อื่นๆ

ต้องใช้ Apache Arrow ด้วย TFMA ใช้ Arrow เพื่อแสดงข้อมูลภายในเพื่อใช้ฟังก์ชัน vectorized numpy

เริ่มต้นใช้งาน

สำหรับคำแนะนำเกี่ยวกับการใช้ TFMA โปรดดู คู่มือเริ่มต้นใช้งาน

รุ่นที่รองรับ

ตารางต่อไปนี้เป็นเวอร์ชันของแพ็คเกจ TFMA ที่เข้ากันได้ สิ่งนี้ถูกกำหนดโดยเฟรมเวิร์กการทดสอบของเรา แต่ชุดค่าผสมอื่นๆ ที่ยังไม่ได้ทดสอบ ก็อาจใช้ได้เช่นกัน

การวิเคราะห์แบบจำลองเทนเซอร์โฟลว์ apache-beam[gcp] ไพโรว์ เทนเซอร์โฟลว์ ข้อมูลเมตาของเทนเซอร์โฟลว์ tfx-bsl
ต้นแบบ GitHub 2.47.0 10.0.0 ทุกคืน (2.x) 1.14.0 1.14.0
0.45.0 2.47.0 10.0.0 2.13 1.14.0 1.14.0
0.44.0 2.40.0 6.0.0 2.12 1.13.1 1.13.0
0.43.0 2.40.0 6.0.0 2.11 1.12.0 1.12.0
0.42.0 2.40.0 6.0.0 1.15 / 2.10 1.11.0 1.11.0
0.41.1 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.41.0 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.40.0 2.38.0 5.0.0 1.15 / 2.9 1.9.0 1.9.0
0.39.0 2.38.0 5.0.0 1.15 / 2.8 1.8.0 1.8.0
0.38.0 2.36.0 5.0.0 1.15 / 2.8 1.7.0 1.7.0
0.37.0 2.35.0 5.0.0 1.15 / 2.7 1.6.0 1.6.0
0.36.0 2.34.0 5.0.0 1.15 / 2.7 1.5.0 1.5.0
0.35.0 2.33.0 5.0.0 1.15 / 2.6 1.4.0 1.4.0
0.34.1 2.32.0 2.0.0 1.15 / 2.6 1.2.0 1.3.0
0.34.0 2.31.0 2.0.0 1.15 / 2.6 1.2.0 1.3.1
0.33.0 2.31.0 2.0.0 1.15 / 2.5 1.2.0 1.2.0
0.32.1 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.1
0.32.0 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.0
0.31.0 2.29.0 2.0.0 1.15 / 2.5 1.0.0 1.0.0
0.30.0 2.28.0 2.0.0 1.15 / 2.4 0.30.0 0.30.0
0.29.0 2.28.0 2.0.0 1.15 / 2.4 0.29.0 0.29.0
0.28.0 2.28.0 2.0.0 1.15 / 2.4 0.28.0 0.28.0
0.27.0 2.27.0 2.0.0 1.15 / 2.4 0.27.0 0.27.0
0.26.1 2.28.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.26.0 2.25.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.25.0 2.25.0 0.17.0 1.15 / 2.3 0.25.0 0.25.0
0.24.3 2.24.0 0.17.0 1.15 / 2.3 0.24.0 0.24.1
0.24.2 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.1 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.0 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.23.0 2.23.0 0.17.0 1.15 / 2.3 0.23.0 0.23.0
0.22.2 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.1 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.0 2.20.0 0.16.0 1.15 / 2.2 0.22.0 0.22.0
0.21.6 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.5 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.4 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.3 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.2 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.1 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.0 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.15.4 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.0
0.15.0 2.16.0 0.15.0 1.15 น ไม่มี ไม่มี
0.14.0 2.14.0 ไม่มี 1.14 ไม่มี ไม่มี
0.13.1 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.13.0 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.12.1 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.12.0 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.11.0 2.8.0 ไม่มี 1.11 ไม่มี ไม่มี
0.9.2 2.6.0 ไม่มี 1.9 ไม่มี ไม่มี
0.9.1 2.6.0 ไม่มี 1.10 ไม่มี ไม่มี
0.9.0 2.5.0 ไม่มี 1.9 ไม่มี ไม่มี
0.6.0 2.4.0 ไม่มี 1.6 ไม่มี ไม่มี

คำถาม

โปรดส่งคำถามเกี่ยวกับการทำงานกับ TFMA ไปยัง Stack Overflow โดยใช้แท็ก tensorflow-model-analysis

,

TensorFlow Model Analysis (TFMA) เป็นไลบรารีสำหรับการประเมินโมเดล TensorFlow ช่วยให้ผู้ใช้สามารถประเมินแบบจำลองของตนจากข้อมูลจำนวนมากในลักษณะที่กระจาย โดยใช้เมตริกเดียวกันที่กำหนดไว้ในเครื่องมือฝึกอบรมของตน เมตริกเหล่านี้สามารถคำนวณผ่านส่วนต่างๆ ของข้อมูลและแสดงภาพในสมุดบันทึก Jupyter

เบราว์เซอร์ TFMA Slicing Metrics

การติดตั้ง

วิธีที่แนะนำในการติดตั้ง TFMA คือการใช้ แพ็คเกจ PyPI :

pip install tensorflow-model-analysis

สร้าง TFMA จากแหล่งที่มา

หากต้องการสร้างจากแหล่งที่มาให้ทำตามขั้นตอนต่อไปนี้:

ติดตั้ง protoc ตามลิงค์ที่กล่าวถึง: protoc

สร้างสภาพแวดล้อมเสมือนโดยการเรียกใช้คำสั่ง

python3 -m venv <virtualenv_name>
source <virtualenv_name>/bin/activate
pip3 install setuptools wheel
git clone https://github.com/tensorflow/model-analysis.git
cd model-analysis
python3 setup.py bdist_wheel

สิ่งนี้จะสร้างวงล้อ TFMA ในไดเร็กทอรี dist ในการติดตั้งล้อจากไดเร็กทอรี dist ให้รันคำสั่ง

cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl

แพ็คเกจรายคืน

TFMA ยังโฮสต์แพ็คเกจรายคืนที่ https://pypi-nightly.tensorflow.org บน Google Cloud หากต้องการติดตั้งแพ็คเกจรายคืนล่าสุด โปรดใช้คำสั่งต่อไปนี้:

pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

สิ่งนี้จะติดตั้งแพ็คเกจรายคืนสำหรับการพึ่งพาหลักของ TFMA เช่น TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL)

ปัจจุบัน TFMA กำหนดให้ติดตั้ง TensorFlow แต่ไม่มีการพึ่งพาอย่างชัดเจนในแพ็คเกจ TensorFlow PyPI ดู คู่มือการติดตั้ง TensorFlow สำหรับคำแนะนำ

ในการเปิดใช้งานการแสดงภาพ TFMA ใน Jupyter Notebook:

  jupyter nbextension enable --py widgetsnbextension
  jupyter nbextension enable --py tensorflow_model_analysis

จูปิเตอร์แล็บ

ขณะที่เขียน เนื่องจาก https://github.com/pypa/pip/issues/9187 pip install อาจไม่เสร็จสิ้น ในกรณีนั้น คุณควรเปลี่ยน pip เป็นเวอร์ชัน 19 แทน 20: pip install "pip<20"

การใช้ส่วนขยาย JupyterLab จำเป็นต้องติดตั้งการพึ่งพาในบรรทัดคำสั่ง คุณสามารถทำได้ภายในคอนโซลใน JupyterLab UI หรือในบรรทัดคำสั่ง ซึ่งรวมถึงการติดตั้งการพึ่งพาแพ็กเกจ pip และการพึ่งพาปลั๊กอิน JupyterLab labextension แยกต่างหาก และหมายเลขเวอร์ชันต้องเข้ากันได้

ตัวอย่างด้านล่างใช้ 0.27.0 ตรวจสอบ เวอร์ชัน ที่มีด้านล่างเพื่อใช้ล่าสุด

Jupyter Lab 1.2.x

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1

จูปีเตอร์แล็บ 2

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@2

การแก้ไขปัญหา

ตรวจสอบแพ็คเกจ pip:

pip list

ตรวจสอบส่วนขยาย:

jupyter labextension list

การพึ่งพาที่โดดเด่น

จำเป็นต้องมี TensorFlow

จำเป็นต้องมี Apache Beam ; เป็นวิธีที่รองรับการคำนวณแบบกระจายที่มีประสิทธิภาพ ตามค่าเริ่มต้น Apache Beam จะทำงานในโหมดโลคัล แต่ยังสามารถทำงานในโหมดกระจายโดยใช้ Google Cloud Dataflow และ รันเนอร์ Apache Beam อื่นๆ

ต้องใช้ Apache Arrow ด้วย TFMA ใช้ Arrow เพื่อแสดงข้อมูลภายในเพื่อใช้ฟังก์ชัน vectorized numpy

เริ่มต้นใช้งาน

สำหรับคำแนะนำเกี่ยวกับการใช้ TFMA โปรดดู คู่มือเริ่มต้นใช้งาน

รุ่นที่รองรับ

ตารางต่อไปนี้เป็นเวอร์ชันของแพ็คเกจ TFMA ที่เข้ากันได้ สิ่งนี้ถูกกำหนดโดยเฟรมเวิร์กการทดสอบของเรา แต่ชุดค่าผสมอื่นๆ ที่ยังไม่ได้ทดสอบ ก็อาจใช้ได้เช่นกัน

การวิเคราะห์แบบจำลองเทนเซอร์โฟลว์ apache-beam[gcp] ไพโรว์ เทนเซอร์โฟลว์ ข้อมูลเมตาของเทนเซอร์โฟลว์ tfx-bsl
ต้นแบบ GitHub 2.47.0 10.0.0 ทุกคืน (2.x) 1.14.0 1.14.0
0.45.0 2.47.0 10.0.0 2.13 1.14.0 1.14.0
0.44.0 2.40.0 6.0.0 2.12 1.13.1 1.13.0
0.43.0 2.40.0 6.0.0 2.11 1.12.0 1.12.0
0.42.0 2.40.0 6.0.0 1.15 / 2.10 1.11.0 1.11.0
0.41.1 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.41.0 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.40.0 2.38.0 5.0.0 1.15 / 2.9 1.9.0 1.9.0
0.39.0 2.38.0 5.0.0 1.15 / 2.8 1.8.0 1.8.0
0.38.0 2.36.0 5.0.0 1.15 / 2.8 1.7.0 1.7.0
0.37.0 2.35.0 5.0.0 1.15 / 2.7 1.6.0 1.6.0
0.36.0 2.34.0 5.0.0 1.15 / 2.7 1.5.0 1.5.0
0.35.0 2.33.0 5.0.0 1.15 / 2.6 1.4.0 1.4.0
0.34.1 2.32.0 2.0.0 1.15 / 2.6 1.2.0 1.3.0
0.34.0 2.31.0 2.0.0 1.15 / 2.6 1.2.0 1.3.1
0.33.0 2.31.0 2.0.0 1.15 / 2.5 1.2.0 1.2.0
0.32.1 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.1
0.32.0 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.0
0.31.0 2.29.0 2.0.0 1.15 / 2.5 1.0.0 1.0.0
0.30.0 2.28.0 2.0.0 1.15 / 2.4 0.30.0 0.30.0
0.29.0 2.28.0 2.0.0 1.15 / 2.4 0.29.0 0.29.0
0.28.0 2.28.0 2.0.0 1.15 / 2.4 0.28.0 0.28.0
0.27.0 2.27.0 2.0.0 1.15 / 2.4 0.27.0 0.27.0
0.26.1 2.28.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.26.0 2.25.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.25.0 2.25.0 0.17.0 1.15 / 2.3 0.25.0 0.25.0
0.24.3 2.24.0 0.17.0 1.15 / 2.3 0.24.0 0.24.1
0.24.2 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.1 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.0 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.23.0 2.23.0 0.17.0 1.15 / 2.3 0.23.0 0.23.0
0.22.2 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.1 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.0 2.20.0 0.16.0 1.15 / 2.2 0.22.0 0.22.0
0.21.6 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.5 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.4 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.3 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.2 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.1 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.0 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.15.4 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.0
0.15.0 2.16.0 0.15.0 1.15 น ไม่มี ไม่มี
0.14.0 2.14.0 ไม่มี 1.14 ไม่มี ไม่มี
0.13.1 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.13.0 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.12.1 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.12.0 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.11.0 2.8.0 ไม่มี 1.11 ไม่มี ไม่มี
0.9.2 2.6.0 ไม่มี 1.9 ไม่มี ไม่มี
0.9.1 2.6.0 ไม่มี 1.10 ไม่มี ไม่มี
0.9.0 2.5.0 ไม่มี 1.9 ไม่มี ไม่มี
0.6.0 2.4.0 ไม่มี 1.6 ไม่มี ไม่มี

คำถาม

โปรดส่งคำถามเกี่ยวกับการทำงานกับ TFMA ไปยัง Stack Overflow โดยใช้แท็ก tensorflow-model-analysis

,

TensorFlow Model Analysis (TFMA) เป็นไลบรารีสำหรับการประเมินโมเดล TensorFlow ช่วยให้ผู้ใช้สามารถประเมินแบบจำลองของตนจากข้อมูลจำนวนมากในลักษณะที่กระจาย โดยใช้เมตริกเดียวกันที่กำหนดไว้ในเครื่องมือฝึกอบรมของตน เมตริกเหล่านี้สามารถคำนวณผ่านส่วนต่างๆ ของข้อมูลและแสดงภาพในสมุดบันทึก Jupyter

เบราว์เซอร์ TFMA Slicing Metrics

การติดตั้ง

วิธีที่แนะนำในการติดตั้ง TFMA คือการใช้ แพ็คเกจ PyPI :

pip install tensorflow-model-analysis

สร้าง TFMA จากแหล่งที่มา

หากต้องการสร้างจากแหล่งที่มาให้ทำตามขั้นตอนต่อไปนี้:

ติดตั้ง protoc ตามลิงค์ที่กล่าวถึง: protoc

สร้างสภาพแวดล้อมเสมือนโดยการเรียกใช้คำสั่ง

python3 -m venv <virtualenv_name>
source <virtualenv_name>/bin/activate
pip3 install setuptools wheel
git clone https://github.com/tensorflow/model-analysis.git
cd model-analysis
python3 setup.py bdist_wheel

สิ่งนี้จะสร้างวงล้อ TFMA ในไดเร็กทอรี dist ในการติดตั้งล้อจากไดเร็กทอรี dist ให้รันคำสั่ง

cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl

แพ็คเกจรายคืน

TFMA ยังโฮสต์แพ็คเกจรายคืนที่ https://pypi-nightly.tensorflow.org บน Google Cloud หากต้องการติดตั้งแพ็คเกจรายคืนล่าสุด โปรดใช้คำสั่งต่อไปนี้:

pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

สิ่งนี้จะติดตั้งแพ็คเกจรายคืนสำหรับการพึ่งพาหลักของ TFMA เช่น TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL)

ปัจจุบัน TFMA กำหนดให้ติดตั้ง TensorFlow แต่ไม่มีการพึ่งพาอย่างชัดเจนในแพ็คเกจ TensorFlow PyPI ดู คู่มือการติดตั้ง TensorFlow สำหรับคำแนะนำ

ในการเปิดใช้งานการแสดงภาพ TFMA ใน Jupyter Notebook:

  jupyter nbextension enable --py widgetsnbextension
  jupyter nbextension enable --py tensorflow_model_analysis

จูปิเตอร์แล็บ

ขณะที่เขียน เนื่องจาก https://github.com/pypa/pip/issues/9187 pip install อาจไม่เสร็จสิ้น ในกรณีนั้น คุณควรเปลี่ยน pip เป็นเวอร์ชัน 19 แทน 20: pip install "pip<20"

การใช้ส่วนขยาย JupyterLab จำเป็นต้องติดตั้งการพึ่งพาในบรรทัดคำสั่ง คุณสามารถทำได้ภายในคอนโซลใน JupyterLab UI หรือในบรรทัดคำสั่ง ซึ่งรวมถึงการติดตั้งการพึ่งพาแพ็กเกจ pip และการพึ่งพาปลั๊กอิน JupyterLab labextension แยกต่างหาก และหมายเลขเวอร์ชันต้องเข้ากันได้

ตัวอย่างด้านล่างใช้ 0.27.0 ตรวจสอบ เวอร์ชัน ที่มีด้านล่างเพื่อใช้ล่าสุด

Jupyter Lab 1.2.x

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1

จูปีเตอร์แล็บ 2

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@2

การแก้ไขปัญหา

ตรวจสอบแพ็คเกจ pip:

pip list

ตรวจสอบส่วนขยาย:

jupyter labextension list

การพึ่งพาที่โดดเด่น

จำเป็นต้องมี TensorFlow

จำเป็นต้องมี Apache Beam ; เป็นวิธีที่รองรับการคำนวณแบบกระจายที่มีประสิทธิภาพ ตามค่าเริ่มต้น Apache Beam จะทำงานในโหมดโลคัล แต่ยังสามารถทำงานในโหมดกระจายโดยใช้ Google Cloud Dataflow และ รันเนอร์ Apache Beam อื่นๆ

ต้องใช้ Apache Arrow ด้วย TFMA ใช้ Arrow เพื่อแสดงข้อมูลภายในเพื่อใช้ฟังก์ชัน vectorized numpy

เริ่มต้นใช้งาน

สำหรับคำแนะนำเกี่ยวกับการใช้ TFMA โปรดดู คู่มือเริ่มต้นใช้งาน

รุ่นที่รองรับ

ตารางต่อไปนี้เป็นเวอร์ชันของแพ็คเกจ TFMA ที่เข้ากันได้ สิ่งนี้ถูกกำหนดโดยเฟรมเวิร์กการทดสอบของเรา แต่ชุดค่าผสมอื่นๆ ที่ยังไม่ได้ทดสอบ ก็อาจใช้ได้เช่นกัน

การวิเคราะห์แบบจำลองเทนเซอร์โฟลว์ apache-beam[gcp] ไพโรว์ เทนเซอร์โฟลว์ ข้อมูลเมตาของเทนเซอร์โฟลว์ tfx-bsl
ต้นแบบ GitHub 2.47.0 10.0.0 ทุกคืน (2.x) 1.14.0 1.14.0
0.45.0 2.47.0 10.0.0 2.13 1.14.0 1.14.0
0.44.0 2.40.0 6.0.0 2.12 1.13.1 1.13.0
0.43.0 2.40.0 6.0.0 2.11 1.12.0 1.12.0
0.42.0 2.40.0 6.0.0 1.15 / 2.10 1.11.0 1.11.0
0.41.1 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.41.0 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.40.0 2.38.0 5.0.0 1.15 / 2.9 1.9.0 1.9.0
0.39.0 2.38.0 5.0.0 1.15 / 2.8 1.8.0 1.8.0
0.38.0 2.36.0 5.0.0 1.15 / 2.8 1.7.0 1.7.0
0.37.0 2.35.0 5.0.0 1.15 / 2.7 1.6.0 1.6.0
0.36.0 2.34.0 5.0.0 1.15 / 2.7 1.5.0 1.5.0
0.35.0 2.33.0 5.0.0 1.15 / 2.6 1.4.0 1.4.0
0.34.1 2.32.0 2.0.0 1.15 / 2.6 1.2.0 1.3.0
0.34.0 2.31.0 2.0.0 1.15 / 2.6 1.2.0 1.3.1
0.33.0 2.31.0 2.0.0 1.15 / 2.5 1.2.0 1.2.0
0.32.1 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.1
0.32.0 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.0
0.31.0 2.29.0 2.0.0 1.15 / 2.5 1.0.0 1.0.0
0.30.0 2.28.0 2.0.0 1.15 / 2.4 0.30.0 0.30.0
0.29.0 2.28.0 2.0.0 1.15 / 2.4 0.29.0 0.29.0
0.28.0 2.28.0 2.0.0 1.15 / 2.4 0.28.0 0.28.0
0.27.0 2.27.0 2.0.0 1.15 / 2.4 0.27.0 0.27.0
0.26.1 2.28.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.26.0 2.25.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.25.0 2.25.0 0.17.0 1.15 / 2.3 0.25.0 0.25.0
0.24.3 2.24.0 0.17.0 1.15 / 2.3 0.24.0 0.24.1
0.24.2 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.1 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.0 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.23.0 2.23.0 0.17.0 1.15 / 2.3 0.23.0 0.23.0
0.22.2 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.1 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.0 2.20.0 0.16.0 1.15 / 2.2 0.22.0 0.22.0
0.21.6 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.5 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.4 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.3 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.2 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.1 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.0 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.15.4 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.0
0.15.0 2.16.0 0.15.0 1.15 น ไม่มี ไม่มี
0.14.0 2.14.0 ไม่มี 1.14 ไม่มี ไม่มี
0.13.1 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.13.0 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.12.1 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.12.0 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.11.0 2.8.0 ไม่มี 1.11 ไม่มี ไม่มี
0.9.2 2.6.0 ไม่มี 1.9 ไม่มี ไม่มี
0.9.1 2.6.0 ไม่มี 1.10 ไม่มี ไม่มี
0.9.0 2.5.0 ไม่มี 1.9 ไม่มี ไม่มี
0.6.0 2.4.0 ไม่มี 1.6 ไม่มี ไม่มี

คำถาม

โปรดส่งคำถามเกี่ยวกับการทำงานกับ TFMA ไปยัง Stack Overflow โดยใช้แท็ก tensorflow-model-analysis