Analisis Model TensorFlow

TensorFlow Model Analysis (TFMA) adalah library untuk mengevaluasi model TensorFlow. Ini memungkinkan pengguna untuk mengevaluasi model mereka pada data dalam jumlah besar secara terdistribusi, menggunakan metrik yang sama yang ditentukan dalam pelatih mereka. Metrik ini dapat dihitung pada berbagai irisan data dan divisualisasikan dalam notebook Jupyter.

Peramban Metrik Pengirisan TFMA

Instalasi

Cara yang disarankan untuk menginstal TFMA menggunakan paket PyPI :

pip install tensorflow-model-analysis

Bangun TFMA dari sumber

Untuk membangun dari sumber ikuti langkah-langkah berikut:

Instal protoc sesuai tautan yang disebutkan: protoc

Buat lingkungan virtual dengan menjalankan perintah

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

Ini akan membangun roda TFMA di direktori dist. Untuk menginstal roda dari direktori dist, jalankan perintah

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

Paket Malam

TFMA juga menghosting paket malam di https://pypi-nightly.tensorflow.org di Google Cloud. Untuk menginstal paket nightly terbaru, silakan gunakan perintah berikut:

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

Ini akan menginstal paket nightly untuk dependensi utama TFMA seperti TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Saat ini, TFMA mengharuskan TensorFlow diinstal tetapi tidak memiliki ketergantungan eksplisit pada paket TensorFlow PyPI. Lihat panduan penginstalan TensorFlow untuk mendapatkan petunjuk.

Untuk mengaktifkan visualisasi TFMA di Jupyter Notebook:

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

Laboratorium Jupyter

Pada saat penulisan, karena https://github.com/pypa/pip/issues/9187, pip install mungkin tidak akan pernah selesai. Dalam hal ini, Anda harus mengembalikan pip ke versi 19, bukan 20: pip install "pip<20" .

Menggunakan ekstensi JupyterLab memerlukan pemasangan dependensi pada baris perintah. Anda dapat melakukannya di dalam konsol di UI JupyterLab atau di baris perintah. Ini termasuk menginstal dependensi paket pip dan dependensi plugin labextension JupyterLab secara terpisah, dan nomor versi harus kompatibel.

Contoh di bawah menggunakan 0.27.0. Periksa versi yang tersedia di bawah untuk menggunakan yang terbaru.

Lab 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

Lab 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

Penyelesaian masalah

Periksa paket pip:

pip list

Periksa ekstensi:

jupyter labextension list

Ketergantungan Terkemuka

TensorFlow diperlukan.

Diperlukan Apache Beam ; itulah cara komputasi terdistribusi yang efisien didukung. Secara default, Apache Beam berjalan dalam mode lokal tetapi juga dapat berjalan dalam mode terdistribusi menggunakan Google Cloud Dataflow dan pelari Apache Beam lainnya.

Apache Arrow juga diperlukan. TFMA menggunakan Panah untuk merepresentasikan data secara internal untuk memanfaatkan fungsi numpy vektor.

Mulai

Untuk petunjuk penggunaan TFMA, lihat panduan memulai .

Versi yang Kompatibel

Tabel berikut adalah versi paket TFMA yang kompatibel satu sama lain. Ini ditentukan oleh kerangka pengujian kami, tetapi kombinasi lain yang belum diuji juga dapat berfungsi.

tensorflow-model-analisis apache-beam[gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
Guru GitHub 2.47.0 10.0.0 setiap malam (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 t/a 0.15.1
0.15.3 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.1
0.15.2 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.1
0.15.1 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.0
0.15.0 2.16.0 0.15.0 1.15 t/a t/a
0.14.0 2.14.0 t/a 1.14 t/a t/a
0.13.1 2.11.0 t/a 1.13 t/a t/a
0.13.0 2.11.0 t/a 1.13 t/a t/a
0.12.1 2.10.0 t/a 1.12 t/a t/a
0.12.0 2.10.0 t/a 1.12 t/a t/a
0.11.0 2.8.0 t/a 1.11 t/a t/a
0.9.2 2.6.0 t/a 1.9 t/a t/a
0.9.1 2.6.0 t/a 1.10 t/a t/a
0.9.0 2.5.0 t/a 1.9 t/a t/a
0.6.0 2.4.0 t/a 1.6 t/a t/a

Pertanyaan

Ajukan pertanyaan apa pun tentang bekerja dengan TFMA ke Stack Overflow menggunakan tag analisis model tensorflow .

,

TensorFlow Model Analysis (TFMA) adalah library untuk mengevaluasi model TensorFlow. Ini memungkinkan pengguna untuk mengevaluasi model mereka pada data dalam jumlah besar secara terdistribusi, menggunakan metrik yang sama yang ditentukan dalam pelatih mereka. Metrik ini dapat dihitung pada berbagai irisan data dan divisualisasikan dalam notebook Jupyter.

Peramban Metrik Pengirisan TFMA

Instalasi

Cara yang disarankan untuk menginstal TFMA menggunakan paket PyPI :

pip install tensorflow-model-analysis

Bangun TFMA dari sumber

Untuk membangun dari sumber ikuti langkah-langkah berikut:

Instal protoc sesuai tautan yang disebutkan: protoc

Buat lingkungan virtual dengan menjalankan perintah

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

Ini akan membangun roda TFMA di direktori dist. Untuk menginstal roda dari direktori dist, jalankan perintah

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

Paket Malam

TFMA juga menghosting paket malam di https://pypi-nightly.tensorflow.org di Google Cloud. Untuk menginstal paket nightly terbaru, silakan gunakan perintah berikut:

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

Ini akan menginstal paket nightly untuk dependensi utama TFMA seperti TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Saat ini, TFMA mengharuskan TensorFlow diinstal tetapi tidak memiliki ketergantungan eksplisit pada paket TensorFlow PyPI. Lihat panduan penginstalan TensorFlow untuk mendapatkan petunjuk.

Untuk mengaktifkan visualisasi TFMA di Jupyter Notebook:

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

Laboratorium Jupyter

Pada saat penulisan, karena https://github.com/pypa/pip/issues/9187, pip install mungkin tidak akan pernah selesai. Dalam hal ini, Anda harus mengembalikan pip ke versi 19, bukan 20: pip install "pip<20" .

Menggunakan ekstensi JupyterLab memerlukan pemasangan dependensi pada baris perintah. Anda dapat melakukannya di dalam konsol di UI JupyterLab atau di baris perintah. Ini termasuk menginstal dependensi paket pip dan dependensi plugin labextension JupyterLab secara terpisah, dan nomor versi harus kompatibel.

Contoh di bawah menggunakan 0.27.0. Periksa versi yang tersedia di bawah untuk menggunakan yang terbaru.

Lab 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

Lab 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

Penyelesaian masalah

Periksa paket pip:

pip list

Periksa ekstensi:

jupyter labextension list

Ketergantungan Terkemuka

TensorFlow diperlukan.

Diperlukan Apache Beam ; itulah cara komputasi terdistribusi yang efisien didukung. Secara default, Apache Beam berjalan dalam mode lokal tetapi juga dapat berjalan dalam mode terdistribusi menggunakan Google Cloud Dataflow dan pelari Apache Beam lainnya.

Apache Arrow juga diperlukan. TFMA menggunakan Panah untuk merepresentasikan data secara internal untuk memanfaatkan fungsi numpy vektor.

Mulai

Untuk petunjuk penggunaan TFMA, lihat panduan memulai .

Versi yang Kompatibel

Tabel berikut adalah versi paket TFMA yang kompatibel satu sama lain. Ini ditentukan oleh kerangka pengujian kami, tetapi kombinasi lain yang belum diuji juga dapat berfungsi.

tensorflow-model-analisis apache-beam[gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
Guru GitHub 2.47.0 10.0.0 setiap malam (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 t/a 0.15.1
0.15.3 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.1
0.15.2 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.1
0.15.1 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.0
0.15.0 2.16.0 0.15.0 1.15 t/a t/a
0.14.0 2.14.0 t/a 1.14 t/a t/a
0.13.1 2.11.0 t/a 1.13 t/a t/a
0.13.0 2.11.0 t/a 1.13 t/a t/a
0.12.1 2.10.0 t/a 1.12 t/a t/a
0.12.0 2.10.0 t/a 1.12 t/a t/a
0.11.0 2.8.0 t/a 1.11 t/a t/a
0.9.2 2.6.0 t/a 1.9 t/a t/a
0.9.1 2.6.0 t/a 1.10 t/a t/a
0.9.0 2.5.0 t/a 1.9 t/a t/a
0.6.0 2.4.0 t/a 1.6 t/a t/a

Pertanyaan

Ajukan pertanyaan apa pun tentang bekerja dengan TFMA ke Stack Overflow menggunakan tag analisis model tensorflow .

,

TensorFlow Model Analysis (TFMA) adalah library untuk mengevaluasi model TensorFlow. Ini memungkinkan pengguna untuk mengevaluasi model mereka pada data dalam jumlah besar secara terdistribusi, menggunakan metrik yang sama yang ditentukan dalam pelatih mereka. Metrik ini dapat dihitung pada berbagai irisan data dan divisualisasikan dalam notebook Jupyter.

Peramban Metrik Pengirisan TFMA

Instalasi

Cara yang disarankan untuk menginstal TFMA menggunakan paket PyPI :

pip install tensorflow-model-analysis

Bangun TFMA dari sumber

Untuk membangun dari sumber ikuti langkah-langkah berikut:

Instal protoc sesuai tautan yang disebutkan: protoc

Buat lingkungan virtual dengan menjalankan perintah

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

Ini akan membangun roda TFMA di direktori dist. Untuk menginstal roda dari direktori dist, jalankan perintah

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

Paket Malam

TFMA juga menghosting paket malam di https://pypi-nightly.tensorflow.org di Google Cloud. Untuk menginstal paket nightly terbaru, silakan gunakan perintah berikut:

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

Ini akan menginstal paket nightly untuk dependensi utama TFMA seperti TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Saat ini, TFMA mengharuskan TensorFlow diinstal tetapi tidak memiliki ketergantungan eksplisit pada paket TensorFlow PyPI. Lihat panduan penginstalan TensorFlow untuk mendapatkan petunjuk.

Untuk mengaktifkan visualisasi TFMA di Jupyter Notebook:

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

Laboratorium Jupyter

Pada saat penulisan, karena https://github.com/pypa/pip/issues/9187, pip install mungkin tidak akan pernah selesai. Dalam hal ini, Anda harus mengembalikan pip ke versi 19, bukan 20: pip install "pip<20" .

Menggunakan ekstensi JupyterLab memerlukan pemasangan dependensi pada baris perintah. Anda dapat melakukannya di dalam konsol di UI JupyterLab atau di baris perintah. Ini termasuk menginstal dependensi paket pip dan dependensi plugin labextension JupyterLab secara terpisah, dan nomor versi harus kompatibel.

Contoh di bawah menggunakan 0.27.0. Periksa versi yang tersedia di bawah untuk menggunakan yang terbaru.

Lab 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

Lab 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

Penyelesaian masalah

Periksa paket pip:

pip list

Periksa ekstensi:

jupyter labextension list

Ketergantungan Terkemuka

TensorFlow diperlukan.

Diperlukan Apache Beam ; itulah cara komputasi terdistribusi yang efisien didukung. Secara default, Apache Beam berjalan dalam mode lokal tetapi juga dapat berjalan dalam mode terdistribusi menggunakan Google Cloud Dataflow dan pelari Apache Beam lainnya.

Apache Arrow juga diperlukan. TFMA menggunakan Panah untuk merepresentasikan data secara internal untuk memanfaatkan fungsi numpy vektor.

Mulai

Untuk petunjuk penggunaan TFMA, lihat panduan memulai .

Versi yang Kompatibel

Tabel berikut adalah versi paket TFMA yang kompatibel satu sama lain. Ini ditentukan oleh kerangka pengujian kami, tetapi kombinasi lain yang belum diuji juga dapat berfungsi.

tensorflow-model-analisis apache-beam[gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
Guru GitHub 2.47.0 10.0.0 setiap malam (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 t/a 0.15.1
0.15.3 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.1
0.15.2 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.1
0.15.1 2.16.0 0.15.0 1,15 / 2,0 t/a 0.15.0
0.15.0 2.16.0 0.15.0 1.15 t/a t/a
0.14.0 2.14.0 t/a 1.14 t/a t/a
0.13.1 2.11.0 t/a 1.13 t/a t/a
0.13.0 2.11.0 t/a 1.13 t/a t/a
0.12.1 2.10.0 t/a 1.12 t/a t/a
0.12.0 2.10.0 t/a 1.12 t/a t/a
0.11.0 2.8.0 t/a 1.11 t/a t/a
0.9.2 2.6.0 t/a 1.9 t/a t/a
0.9.1 2.6.0 t/a 1.10 t/a t/a
0.9.0 2.5.0 t/a 1.9 t/a t/a
0.6.0 2.4.0 t/a 1.6 t/a t/a

Pertanyaan

Ajukan pertanyaan apa pun tentang bekerja dengan TFMA ke Stack Overflow menggunakan tag analisis model tensorflow .