Analisi del modello TensorFlow

TensorFlow Model Analysis (TFMA) è una libreria per la valutazione dei modelli TensorFlow. Consente agli utenti di valutare i propri modelli su grandi quantità di dati in modo distribuito, utilizzando le stesse metriche definite nel loro trainer. Queste metriche possono essere calcolate su diverse sezioni di dati e visualizzate nei notebook Jupyter.

Browser dei parametri di suddivisione TFMA

Installazione

Il modo consigliato per installare TFMA è utilizzare il pacchetto PyPI :

pip install tensorflow-model-analysis

Costruisci TFMA dal sorgente

Per creare dal codice sorgente, attenersi alla seguente procedura:

Installa il protocollo come indicato nel collegamento: protoc

Crea un ambiente virtuale eseguendo i comandi

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

Questo creerà la ruota TFMA nella directory dist. Per installare il volante dalla directory dist esegui i comandi

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

Pacchetti notturni

TFMA ospita anche pacchetti notturni su https://pypi-nightly.tensorflow.org su Google Cloud. Per installare l'ultimo pacchetto notturno, utilizzare il seguente comando:

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

Verranno installati i pacchetti notturni per le principali dipendenze di TFMA come TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Attualmente, TFMA richiede che TensorFlow sia installato ma non ha una dipendenza esplicita dal pacchetto TensorFlow PyPI. Consulta le guide di installazione di TensorFlow per istruzioni.

Per abilitare la visualizzazione TFMA in Jupyter Notebook:

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

Laboratorio Jupyter

Al momento della scrittura, a causa di https://github.com/pypa/pip/issues/9187, pip install potrebbe non terminare mai. In tal caso, dovresti ripristinare pip alla versione 19 anziché 20: pip install "pip<20" .

L'utilizzo di un'estensione JupyterLab richiede l'installazione delle dipendenze sulla riga di comando. Puoi farlo all'interno della console nell'interfaccia utente di JupyterLab o dalla riga di comando. Ciò include l'installazione separata di eventuali dipendenze del pacchetto pip e delle dipendenze del plug-in labextension JupyterLab e i numeri di versione devono essere compatibili.

Gli esempi seguenti utilizzano 0.27.0. Controlla le versioni disponibili di seguito per utilizzare la più recente.

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

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

Risoluzione dei problemi

Controlla i pacchetti pip:

pip list

Controlla le estensioni:

jupyter labextension list

Dipendenze notevoli

TensorFlow è obbligatorio.

È richiesto Apache Beam ; è il modo in cui viene supportato il calcolo distribuito efficiente. Per impostazione predefinita, Apache Beam viene eseguito in modalità locale, ma può anche essere eseguito in modalità distribuita utilizzando Google Cloud Dataflow e altri runner Apache Beam.

È richiesto anche Apache Arrow . TFMA utilizza Arrow per rappresentare i dati internamente al fine di utilizzare funzioni numpy vettorializzate.

Iniziare

Per istruzioni sull'utilizzo di TFMA, consultare la guida introduttiva .

Versioni compatibili

La tabella seguente riporta le versioni del pacchetto TFMA compatibili tra loro. Ciò è determinato dal nostro framework di test, ma potrebbero funzionare anche altre combinazioni non testate .

analisi del modello tensorflow apache-beam[gcp] piarrow tensoreflusso metadati di tensorflow tfx-bsl
Maestro di GitHub 2.47.0 10.0.0 notturno (2.x) 1.15.0 1.15.1
0.46.0 2.47.0 10.0.0 2.15 1.15.0 1.15.1
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

Domande

Rivolgi eventuali domande sull'utilizzo di TFMA a Stack Overflow utilizzando il tag tensorflow-model-analysis .