امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

تجزیه و تحلیل مدل TensorFlow

TensorFlow Model Analysis (TFMA) کتابخانه ای برای ارزیابی مدل های TensorFlow است. به کاربران اجازه می دهد تا با استفاده از همان معیارهای تعریف شده در مربی خود ، مدل های خود را بر روی مقدار زیادی از داده ها به صورت توزیع شده ارزیابی کنند. این معیارها را می توان با برش های مختلف داده محاسبه و در دفترچه های یادداشت تجسم کرد.

مرورگر متریک TFMA Slicing

نصب و راه اندازی

روش پیشنهادی برای نصب TFMA استفاده از بسته PyPI است :

pip install tensorflow-model-analysis

TFMA را از منبع بسازید

برای ساخت از منبع مراحل زیر را دنبال کنید:

protoc را طبق پیوند ذکر شده نصب کنید: protoc

با اجرای دستورات یک محیط مجازی ایجاد کنید

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

با این کار چرخ TFMA در فهرست dist ساخته می شود. برای نصب چرخ از دایرکتوری dist دستورات را اجرا کنید

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

بسته های شبانه

TFMA همچنین میزبان بسته های شبانه به آدرس https://pypi-nightly.tensorflow.org در Google Cloud است. برای نصب آخرین بسته شبانه ، لطفا از دستور زیر استفاده کنید:

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

با این کار بسته های شبانه وابستگی های عمده TFMA مانند TensorFlow Metadata (TFMD) ، TFX Basic Shared Library (TFX-BSL) نصب می شوند.

در حال حاضر ، TFMA مستلزم نصب TensorFlow است اما وابستگی آشکاری به بسته PyPI TensorFlow ندارد. برای راهنمایی به راهنماهای نصب TensorFlow مراجعه کنید .

برای فعال کردن تجسم TFMA در Jupyter Notebook:

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

آزمایشگاه ژوپیتر

از زمان نوشتن ، به دلیل https://github.com/pypa/pip/issues/9187 ، pip install ممکن است هرگز به پایان نرسد. در این صورت ، شما باید pip را به جای 20 به نسخه 19 برگردانید: pip install "pip<20" .

استفاده از پسوند JupyterLab نیاز به نصب وابستگی ها در خط فرمان دارد. این کار را می توانید در داخل کنسول در JupyterLab UI یا در خط فرمان انجام دهید. این شامل نصب جداگانه وابستگی های بسته pip و وابستگی های پلاگین labextension JupyterLab است و شماره نسخه ها باید سازگار باشد.

مثالهای زیر از 0.27.0 استفاده می کنند. برای استفاده از جدیدترین نسخه های موجود را در زیر بررسی کنید.

آزمایشگاه 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

آزمایشگاه 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

عیب یابی

بسته های پیپ را بررسی کنید:

pip list

افزونه ها را بررسی کنید:

jupyter labextension list

وابستگی های قابل توجه

TensorFlow لازم است.

پرتو آپاچی مورد نیاز است. این روشی است که از محاسبات توزیع شده کارآمد پشتیبانی می شود. به طور پیش فرض ، Apache Beam در حالت محلی اجرا می شود اما همچنین می تواند در حالت توزیع شده با استفاده از Google Cloud Dataflow و سایر دوندگان Apache Beam اجرا شود.

Apache Arrow نیز مورد نیاز است. TFMA برای استفاده از توابع numpy بردار ، از Arrow برای نمایش داده ها در داخل استفاده می کند.

شروع شدن

برای راهنمایی در مورد استفاده از TFMA ، به راهنمای شروع کار مراجعه کنید .

نسخه های سازگار

جدول زیر نسخه های بسته TFMA است که با یکدیگر سازگار هستند. این توسط چارچوب تست ما تعیین می شود ، اما ممکن است سایر ترکیبات آزمایش نشده نیز جواب دهند.

تجزیه و تحلیل مدل tensorflow پرتو آپاچی [gcp] پیارو جریان تنسور فراداده tensorflow tfx-bsl
استاد GitHub 2.28.0 2.0.0 شبانه (1.x / 2.x) 0.28.0 0.28.0
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
0.26.0 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

سوالات

لطفاً هرگونه س questionsال در مورد کار با TFMA را با استفاده از برچسب tensorflow-model-analysis به Stack Overflow هدایت کنید .