¡El Día de la Comunidad de ML es el 9 de noviembre! Únase a nosotros para recibir actualizaciones de TensorFlow, JAX, y más Más información

Análisis del modelo de TensorFlow

Modelo de Análisis TensorFlow (TFMA) es una biblioteca para la evaluación de modelos TensorFlow. Permite a los usuarios evaluar sus modelos en grandes cantidades de datos de manera distribuida, utilizando las mismas métricas definidas en su entrenador. Estas métricas se pueden calcular en diferentes segmentos de datos y visualizar en los cuadernos de Jupyter.

Navegador de métricas de corte de TFMA

Instalación

El método recomendado para instalar TFMA está utilizando el paquete de PyPI :

pip install tensorflow-model-analysis

Construya TFMA desde la fuente

Para construir desde la fuente, siga los siguientes pasos:

Instalar el protoc según el enlace se mencionan: 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 recibe paquetes nocturnas en https://pypi-nightly.tensorflow.org en la nube de Google. 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 del paquete TensorFlow PyPI. Ver la TensorFlow instalar guías para obtener instrucciones.

Para habilitar la visualización TFMA en Jupyter Notebook:

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

Laboratorio Jupyter

A partir de la escritura, debido a https://github.com/pypa/pip/issues/9187, pip install nunca podría terminar. En ese caso, debe volver a la versión PIP 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 hacer esto dentro de la consola en la interfaz de usuario de JupyterLab o en la línea de comandos. 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 ejemplos siguientes usan 0.27.0. Compruebe disponibles versiones a continuación para utilizar la última.

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

Solución de problemas

Compruebe los paquetes de pip:

pip list

Compruebe las extensiones:

jupyter labextension list

Dependencias notables

Se requiere TensorFlow.

Apache Beam se requiere; es la forma en que se soporta la computación distribuida eficiente. Por defecto, Apache Beam se ejecuta en modo local, pero también puede funcionar en modo distribuido utilizando Google Cloud flujo de datos y otros Apache Beam corredores .

Apache Flecha también es necesaria. 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 introducción get .

Versiones compatibles

La siguiente tabla muestra las versiones del paquete TFMA que son compatibles entre sí. Esto se determina por nuestro marco de pruebas, pero otras combinaciones no probados también puede funcionar.

análisis del modelo de tensorflow apache-beam [gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
Maestro de GitHub 2.32.0 2.0.0 todas las noches (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 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

Por favor, dirija cualquier pregunta sobre el trabajo con TFMA al desbordamiento de la pila utilizando el modelo de análisis de tensorflow etiqueta.