Análisis del modelo de TensorFlow

TensorFlow Model Analysis (TFMA) es una biblioteca para evaluar modelos de TensorFlow. Permite a los usuarios evaluar sus modelos sobre grandes cantidades de datos de forma distribuida, utilizando las mismas métricas definidas en su entrenador. Estas métricas se pueden calcular en diferentes segmentos de datos y visualizarse en cuadernos de Jupyter.

Navegador de métricas de corte TFMA

Instalación

La forma recomendada de instalar TFMA es usando el paquete PyPI :

pip install tensorflow-model-analysis

Construir TFMA desde la fuente

Para compilar desde la fuente, siga los siguientes pasos:

Instale el protoc según el enlace mencionado: protoc

Cree un entorno virtual ejecutando los comandos

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

Esto construirá la rueda TFMA en el directorio dist. Para instalar la rueda desde el directorio dist, ejecute los comandos

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

Paquetes Nocturnos

TFMA también aloja paquetes nocturnos en https://pypi-nightly.tensorflow.org en Google Cloud. Para instalar el último paquete nocturno, utilice el siguiente comando:

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

Esto instalará los paquetes nocturnos para las principales dependencias de TFMA, como TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Actualmente, TFMA requiere que TensorFlow esté instalado pero no tiene una dependencia explícita en el paquete TensorFlow PyPI. Consulte las guías de instalación de TensorFlow para obtener instrucciones.

Para habilitar la visualización de TFMA en Jupyter Notebook:

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

Laboratorio Jupyter

Al momento de escribir, debido a https://github.com/pypa/pip/issues/9187, es posible que pip install nunca finalice. En ese caso, debe revertir pip a la versión 19 en lugar de 20: pip install "pip<20" .

El uso de una extensión de JupyterLab requiere la instalación de dependencias en la línea de comandos. Puede hacerlo dentro de la consola en la interfaz de usuario de JupyterLab o en la línea de comando. Esto incluye la instalación por separado de las dependencias del paquete pip y las dependencias del complemento labextension de JupyterLab, y los números de versión deben ser compatibles.

Los siguientes ejemplos usan 0.27.0. Verifique las versiones disponibles a continuación para usar la última.

Laboratorio Jupyter 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

Laboratorio Jupyter 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

Solución de problemas

Verifique los paquetes de pip:

pip list

Comprobar extensiones:

jupyter labextension list

Dependencias notables

Se requiere TensorFlow.

Se requiere Apache Beam ; es la forma en que se admite la computación distribuida eficiente. De forma predeterminada, Apache Beam se ejecuta en modo local, pero también se puede ejecutar en modo distribuido mediante Google Cloud Dataflow y otros ejecutores de Apache Beam.

También se requiere Apache Arrow . TFMA usa Arrow para representar datos internamente con el fin de hacer uso de funciones numpy vectorizadas.

Empezando

Para obtener instrucciones sobre el uso de TFMA, consulte la guía de inicio .

Versiones compatibles

La siguiente tabla muestra las versiones del paquete TFMA que son compatibles entre sí. Esto está determinado por nuestro marco de prueba, pero también pueden funcionar otras combinaciones no probadas .

análisis del modelo de flujo de tensor apache-beam[gcp] flecha tensorflow tensorflow-metadatos tfx-bsl
Maestro de GitHub 2.47.0 10.0.0 todas las noches (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 n / A 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.0
0.15.0 2.16.0 0.15.0 1.15 n / A n / A
0.14.0 2.14.0 n / A 1.14 n / A n / A
0.13.1 2.11.0 n / A 1.13 n / A n / A
0.13.0 2.11.0 n / A 1.13 n / A n / A
0.12.1 2.10.0 n / A 1.12 n / A n / A
0.12.0 2.10.0 n / A 1.12 n / A n / A
0.11.0 2.8.0 n / A 1.11 n / A n / A
0.9.2 2.6.0 n / A 1.9 n / A n / A
0.9.1 2.6.0 n / A 1.10 n / A n / A
0.9.0 2.5.0 n / A 1.9 n / A n / A
0.6.0 2.4.0 n / A 1.6 n / A n / A

Preguntas

Dirija cualquier pregunta sobre cómo trabajar con TFMA a Stack Overflow mediante la etiqueta tensorflow-model-analysis .

,

TensorFlow Model Analysis (TFMA) es una biblioteca para evaluar modelos de TensorFlow. Permite a los usuarios evaluar sus modelos sobre grandes cantidades de datos de forma distribuida, utilizando las mismas métricas definidas en su entrenador. Estas métricas se pueden calcular en diferentes segmentos de datos y visualizarse en cuadernos de Jupyter.

Navegador de métricas de corte TFMA

Instalación

La forma recomendada de instalar TFMA es usando el paquete PyPI :

pip install tensorflow-model-analysis

Construir TFMA desde la fuente

Para compilar desde la fuente, siga los siguientes pasos:

Instale el protoc según el enlace mencionado: protoc

Cree un entorno virtual ejecutando los comandos

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

Esto construirá la rueda TFMA en el directorio dist. Para instalar la rueda desde el directorio dist, ejecute los comandos

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

Paquetes Nocturnos

TFMA también aloja paquetes nocturnos en https://pypi-nightly.tensorflow.org en Google Cloud. Para instalar el último paquete nocturno, utilice el siguiente comando:

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

Esto instalará los paquetes nocturnos para las principales dependencias de TFMA, como TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Actualmente, TFMA requiere que TensorFlow esté instalado pero no tiene una dependencia explícita en el paquete TensorFlow PyPI. Consulte las guías de instalación de TensorFlow para obtener instrucciones.

Para habilitar la visualización de TFMA en Jupyter Notebook:

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

Laboratorio Jupyter

Al momento de escribir, debido a https://github.com/pypa/pip/issues/9187, es posible que pip install nunca finalice. En ese caso, debe revertir pip a la versión 19 en lugar de 20: pip install "pip<20" .

El uso de una extensión de JupyterLab requiere la instalación de dependencias en la línea de comandos. Puede hacerlo dentro de la consola en la interfaz de usuario de JupyterLab o en la línea de comando. Esto incluye la instalación por separado de las dependencias del paquete pip y las dependencias del complemento labextension de JupyterLab, y los números de versión deben ser compatibles.

Los siguientes ejemplos usan 0.27.0. Verifique las versiones disponibles a continuación para usar la última.

Laboratorio Jupyter 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

Laboratorio Jupyter 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

Solución de problemas

Verifique los paquetes de pip:

pip list

Comprobar extensiones:

jupyter labextension list

Dependencias notables

Se requiere TensorFlow.

Se requiere Apache Beam ; es la forma en que se admite la computación distribuida eficiente. De forma predeterminada, Apache Beam se ejecuta en modo local, pero también se puede ejecutar en modo distribuido mediante Google Cloud Dataflow y otros ejecutores de Apache Beam.

También se requiere Apache Arrow . TFMA usa Arrow para representar datos internamente con el fin de hacer uso de funciones numpy vectorizadas.

Empezando

Para obtener instrucciones sobre el uso de TFMA, consulte la guía de inicio .

Versiones compatibles

La siguiente tabla muestra las versiones del paquete TFMA que son compatibles entre sí. Esto está determinado por nuestro marco de prueba, pero también pueden funcionar otras combinaciones no probadas .

análisis del modelo de flujo de tensor apache-beam[gcp] flecha tensorflow tensorflow-metadatos tfx-bsl
Maestro de GitHub 2.47.0 10.0.0 todas las noches (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 n / A 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.0
0.15.0 2.16.0 0.15.0 1.15 n / A n / A
0.14.0 2.14.0 n / A 1.14 n / A n / A
0.13.1 2.11.0 n / A 1.13 n / A n / A
0.13.0 2.11.0 n / A 1.13 n / A n / A
0.12.1 2.10.0 n / A 1.12 n / A n / A
0.12.0 2.10.0 n / A 1.12 n / A n / A
0.11.0 2.8.0 n / A 1.11 n / A n / A
0.9.2 2.6.0 n / A 1.9 n / A n / A
0.9.1 2.6.0 n / A 1.10 n / A n / A
0.9.0 2.5.0 n / A 1.9 n / A n / A
0.6.0 2.4.0 n / A 1.6 n / A n / A

Preguntas

Dirija cualquier pregunta sobre cómo trabajar con TFMA a Stack Overflow mediante la etiqueta tensorflow-model-analysis .

,

TensorFlow Model Analysis (TFMA) es una biblioteca para evaluar modelos de TensorFlow. Permite a los usuarios evaluar sus modelos sobre grandes cantidades de datos de forma distribuida, utilizando las mismas métricas definidas en su entrenador. Estas métricas se pueden calcular en diferentes segmentos de datos y visualizarse en cuadernos de Jupyter.

Navegador de métricas de corte TFMA

Instalación

La forma recomendada de instalar TFMA es usando el paquete PyPI :

pip install tensorflow-model-analysis

Construir TFMA desde la fuente

Para compilar desde la fuente, siga los siguientes pasos:

Instale el protoc según el enlace mencionado: protoc

Cree un entorno virtual ejecutando los comandos

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

Esto construirá la rueda TFMA en el directorio dist. Para instalar la rueda desde el directorio dist, ejecute los comandos

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

Paquetes Nocturnos

TFMA también aloja paquetes nocturnos en https://pypi-nightly.tensorflow.org en Google Cloud. Para instalar el último paquete nocturno, utilice el siguiente comando:

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

Esto instalará los paquetes nocturnos para las principales dependencias de TFMA, como TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Actualmente, TFMA requiere que TensorFlow esté instalado pero no tiene una dependencia explícita en el paquete TensorFlow PyPI. Consulte las guías de instalación de TensorFlow para obtener instrucciones.

Para habilitar la visualización de TFMA en Jupyter Notebook:

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

Laboratorio Jupyter

Al momento de escribir, debido a https://github.com/pypa/pip/issues/9187, es posible que pip install nunca finalice. En ese caso, debe revertir pip a la versión 19 en lugar de 20: pip install "pip<20" .

El uso de una extensión de JupyterLab requiere la instalación de dependencias en la línea de comandos. Puede hacerlo dentro de la consola en la interfaz de usuario de JupyterLab o en la línea de comando. Esto incluye la instalación por separado de las dependencias del paquete pip y las dependencias del complemento labextension de JupyterLab, y los números de versión deben ser compatibles.

Los siguientes ejemplos usan 0.27.0. Verifique las versiones disponibles a continuación para usar la última.

Laboratorio Jupyter 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

Laboratorio Jupyter 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

Solución de problemas

Verifique los paquetes de pip:

pip list

Comprobar extensiones:

jupyter labextension list

Dependencias notables

Se requiere TensorFlow.

Se requiere Apache Beam ; es la forma en que se admite la computación distribuida eficiente. De forma predeterminada, Apache Beam se ejecuta en modo local, pero también se puede ejecutar en modo distribuido mediante Google Cloud Dataflow y otros ejecutores de Apache Beam.

También se requiere Apache Arrow . TFMA usa Arrow para representar datos internamente con el fin de hacer uso de funciones numpy vectorizadas.

Empezando

Para obtener instrucciones sobre el uso de TFMA, consulte la guía de inicio .

Versiones compatibles

La siguiente tabla muestra las versiones del paquete TFMA que son compatibles entre sí. Esto está determinado por nuestro marco de prueba, pero también pueden funcionar otras combinaciones no probadas .

análisis del modelo de flujo de tensor apache-beam[gcp] flecha tensorflow tensorflow-metadatos tfx-bsl
Maestro de GitHub 2.47.0 10.0.0 todas las noches (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 n / A 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.0
0.15.0 2.16.0 0.15.0 1.15 n / A n / A
0.14.0 2.14.0 n / A 1.14 n / A n / A
0.13.1 2.11.0 n / A 1.13 n / A n / A
0.13.0 2.11.0 n / A 1.13 n / A n / A
0.12.1 2.10.0 n / A 1.12 n / A n / A
0.12.0 2.10.0 n / A 1.12 n / A n / A
0.11.0 2.8.0 n / A 1.11 n / A n / A
0.9.2 2.6.0 n / A 1.9 n / A n / A
0.9.1 2.6.0 n / A 1.10 n / A n / A
0.9.0 2.5.0 n / A 1.9 n / A n / A
0.6.0 2.4.0 n / A 1.6 n / A n / A

Preguntas

Dirija cualquier pregunta sobre cómo trabajar con TFMA a Stack Overflow mediante la etiqueta tensorflow-model-analysis .

,

TensorFlow Model Analysis (TFMA) es una biblioteca para evaluar modelos de TensorFlow. Permite a los usuarios evaluar sus modelos sobre grandes cantidades de datos de forma distribuida, utilizando las mismas métricas definidas en su entrenador. Estas métricas se pueden calcular en diferentes segmentos de datos y visualizarse en cuadernos de Jupyter.

Navegador de métricas de corte TFMA

Instalación

La forma recomendada de instalar TFMA es usando el paquete PyPI :

pip install tensorflow-model-analysis

Construir TFMA desde la fuente

Para compilar desde la fuente, siga los siguientes pasos:

Instale el protoc según el enlace mencionado: protoc

Cree un entorno virtual ejecutando los comandos

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

Esto construirá la rueda TFMA en el directorio dist. Para instalar la rueda desde el directorio dist, ejecute los comandos

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

Paquetes Nocturnos

TFMA también aloja paquetes nocturnos en https://pypi-nightly.tensorflow.org en Google Cloud. Para instalar el último paquete nocturno, utilice el siguiente comando:

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

Esto instalará los paquetes nocturnos para las principales dependencias de TFMA, como TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Actualmente, TFMA requiere que TensorFlow esté instalado pero no tiene una dependencia explícita en el paquete TensorFlow PyPI. Consulte las guías de instalación de TensorFlow para obtener instrucciones.

Para habilitar la visualización de TFMA en Jupyter Notebook:

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

Laboratorio Jupyter

Al momento de escribir, debido a https://github.com/pypa/pip/issues/9187, es posible que pip install nunca finalice. En ese caso, debe revertir pip a la versión 19 en lugar de 20: pip install "pip<20" .

El uso de una extensión de JupyterLab requiere la instalación de dependencias en la línea de comandos. Puede hacerlo dentro de la consola en la interfaz de usuario de JupyterLab o en la línea de comando. Esto incluye la instalación por separado de las dependencias del paquete pip y las dependencias del complemento labextension de JupyterLab, y los números de versión deben ser compatibles.

Los siguientes ejemplos usan 0.27.0. Verifique las versiones disponibles a continuación para usar la última.

Laboratorio Jupyter 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

Laboratorio Jupyter 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

Solución de problemas

Verifique los paquetes de pip:

pip list

Comprobar extensiones:

jupyter labextension list

Dependencias notables

Se requiere TensorFlow.

Se requiere Apache Beam ; es la forma en que se admite la computación distribuida eficiente. De forma predeterminada, Apache Beam se ejecuta en modo local, pero también se puede ejecutar en modo distribuido mediante Google Cloud Dataflow y otros ejecutores de Apache Beam.

También se requiere Apache Arrow . TFMA usa Arrow para representar datos internamente con el fin de hacer uso de funciones numpy vectorizadas.

Empezando

Para obtener instrucciones sobre el uso de TFMA, consulte la guía de inicio .

Versiones compatibles

La siguiente tabla muestra las versiones del paquete TFMA que son compatibles entre sí. Esto está determinado por nuestro marco de prueba, pero también pueden funcionar otras combinaciones no probadas .

análisis del modelo de flujo de tensor apache-beam[gcp] flecha tensorflow tensorflow-metadatos tfx-bsl
Maestro de GitHub 2.47.0 10.0.0 todas las noches (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 n / A 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 n / A 0.15.0
0.15.0 2.16.0 0.15.0 1.15 n / A n / A
0.14.0 2.14.0 n / A 1.14 n / A n / A
0.13.1 2.11.0 n / A 1.13 n / A n / A
0.13.0 2.11.0 n / A 1.13 n / A n / A
0.12.1 2.10.0 n / A 1.12 n / A n / A
0.12.0 2.10.0 n / A 1.12 n / A n / A
0.11.0 2.8.0 n / A 1.11 n / A n / A
0.9.2 2.6.0 n / A 1.9 n / A n / A
0.9.1 2.6.0 n / A 1.10 n / A n / A
0.9.0 2.5.0 n / A 1.9 n / A n / A
0.6.0 2.4.0 n / A 1.6 n / A n / A

Preguntas

Dirija cualquier pregunta sobre cómo trabajar con TFMA a Stack Overflow mediante la etiqueta tensorflow-model-analysis .