انضم إلى مجتمع SIG TFX-Addons وساعد في جعل TFX أفضل! انضم إلى SIG TFX-Addons

تحليل نموذج TensorFlow

TensorFlow تحليل نموذج (TFMA) هي مكتبة لتقييم نماذج TensorFlow. يسمح للمستخدمين بتقييم نماذجهم على كميات كبيرة من البيانات بطريقة موزعة ، باستخدام نفس المقاييس المحددة في مدربهم. يمكن حساب هذه المقاييس على شرائح مختلفة من البيانات وتصور في دفاتر Jupyter.

متصفح TFMA Slicing Metrics

التركيب

الطريقة الموصى بها لتثبيت TFMA يستخدم حزمة PyPI :

pip install tensorflow-model-analysis

بناء TFMA من المصدر

للبناء من المصدر ، اتبع الخطوات التالية:

تثبيت protoc حسب الرابط المذكور: protoc

قم بإنشاء بيئة افتراضية عن طريق تشغيل الأوامر

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

سيؤدي ذلك إلى إنشاء عجلة TFMA في دليل التوزيع. لتثبيت العجلة من دليل dist ، قم بتشغيل الأوامر

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

الحزم الليلية

كما يستضيف TFMA حزم ليلا في https://pypi-nightly.tensorflow.org على جوجل الغيمة. لتثبيت أحدث حزمة ليلية ، الرجاء استخدام الأمر التالي:

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

سيؤدي ذلك إلى تثبيت الحزم الليلية للاعتمادات الرئيسية لـ TFMA مثل TensorFlow Metadata (TFMD) ومكتبات TFX الأساسية المشتركة (TFX-BSL).

في الوقت الحالي ، تتطلب TFMA تثبيت TensorFlow ولكن لا تعتمد بشكل واضح على حزمة TensorFlow PyPI. رؤية TensorFlow تثبيت أدلة للحصول على التعليمات.

لتمكين تصور TFMA في Jupyter Notebook:

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

مختبر جوبيتر

اعتبارا من الكتابة، بسبب https://github.com/pypa/pip/issues/9187، pip install قد تنتهي أبدا. في هذه الحالة، يجب أن تعود نقطة إلى الإصدار 19 بدلا من 20: pip install "pip<20" .

يتطلب استخدام ملحق JupyterLab تثبيت التبعيات على سطر الأوامر. يمكنك القيام بذلك داخل وحدة التحكم في JupyterLab UI أو في سطر الأوامر. يتضمن ذلك تثبيت أي تبعيات لحزمة pip بشكل منفصل وتبعيات ملحق JupyterLab labextension الإضافي ، ويجب أن تكون أرقام الإصدارات متوافقة.

الأمثلة أدناه تستخدم 0.27.0. تحقق المتاحة الإصدارات أدناه لاستخدام أقصى تقدير.

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

مختبر جوبيتر 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

استكشاف الأخطاء وإصلاحها

تحقق من حزم النقطة:

pip list

التحقق من الامتدادات:

jupyter labextension list

التبعيات البارزة

TensorFlow مطلوب.

أباتشي شعاع مطلوب. إنها الطريقة التي يتم بها دعم الحساب الموزع الفعال. افتراضيا، ويدير أباتشي شعاع في وضع المحلي ولكن يمكن أيضا تشغيل في وضع الموزعة باستخدام جوجل الغيمة تدفق البيانات وغيرها من أباتشي شعاع العدائين .

أباتشي السهم مطلوب أيضا. تستخدم TFMA Arrow لتمثيل البيانات داخليًا من أجل الاستفادة من الدوال المعقدة المتجهية.

ابدء

للحصول على إرشادات حول كيفية استخدام TFMA، راجع دليل بدء الاستخدام .

إصدارات متوافقة

الجدول التالي عبارة عن إصدارات حزمة TFMA المتوافقة مع بعضها البعض. هذا أمر يحدده إطار تجاربنا، ولكن قد تعمل أيضا مجموعات التي لم تختبر أخرى.

tensorflow-model-analysis أباتشي شعاع [gcp] بيارو تينسورفلو tensorflow-metadata tfx-bsl
سيد جيثب 2.32.0 2.0.0 كل ليلة (1.x / 2.x) 1.2.0 1.3.0
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 غير متوفر 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 غير متوفر 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 غير متوفر 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 غير متوفر 0.15.0
0.15.0 2.16.0 0.15.0 1.15 غير متوفر غير متوفر
0.14.0 2.14.0 غير متوفر 1.14 غير متوفر غير متوفر
0.13.1 2.11.0 غير متوفر 1.13 غير متوفر غير متوفر
0.13.0 2.11.0 غير متوفر 1.13 غير متوفر غير متوفر
0.12.1 2.10.0 غير متوفر 1.12 غير متوفر غير متوفر
0.12.0 2.10.0 غير متوفر 1.12 غير متوفر غير متوفر
0.11.0 2.8.0 غير متوفر 1.11 غير متوفر غير متوفر
0.9.2 2.6.0 غير متوفر 1.9 غير متوفر غير متوفر
0.9.1 2.6.0 غير متوفر 1.10 غير متوفر غير متوفر
0.9.0 2.5.0 غير متوفر 1.9 غير متوفر غير متوفر
0.6.0 2.4.0 غير متوفر 1.6 غير متوفر غير متوفر

أسئلة

يرجى توجيه أي أسئلة حول العمل مع TFMA ل تجاوز المكدس باستخدام tensorflow نموذج تحليل العلامة.