به انجمن SIG TFX-Addons بپیوندید و به پیشرفت TFX کمک کنید!

تجزیه و تحلیل مدل TensorFlow

TensorFlow مدل تجزیه و تحلیل (TFMA) یک کتابخانه برای ارزیابی مدل 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 دفترهای یادداشت Jupyter تجسم کرد.

مرورگر متریک TFMA Slicing

نصب و راه اندازی

روش توصیه شده برای نصب TFMA است با استفاده از بسته PyPI :

pip install tensorflow-model-analysis

TFMA را از منبع ایجاد کنید

برای ساخت از منبع مراحل زیر را دنبال کنید:

نصب protoc به عنوان در هر لینک ذکر شده است: 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 فهرست dist دستورات را اجرا کنید

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

بسته های شبانه

TFMA همچنین میزبان بسته شبانه در https://pypi-nightly.tensorflow.org در Google Cloud. 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 نیاز به نصب TensorFlow دارد اما وابستگی آشکاری به بسته TensorFlow PyPI ندارد. مشاهده TensorFlow نصب راهنماهای برای دستورالعمل.

برای فعال سازی تجسم TFMA در Jupyter Notebook:

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

آزمایشگاه ژوپیتر

به عنوان نوشتن، به دلیل https://github.com/pypa/pip/issues/9187، pip install ممکن است هرگز به پایان برساند. در آن صورت، شما باید به نسخه 19 به جای 20 برگرداندن پیپ: pip install "pip<20" .

استفاده از افزونه 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 lapextension JupyterLab است و شماره نسخه ها باید سازگار باشد.

مثالهای زیر از 0.27.0 استفاده می کنند. بررسی در دسترس نسخه زیر را برای استفاده از آخرین.

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 ژوپیتر 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.

آپاچی پرتو مورد نیاز است. این روشی است که از محاسبات توزیع شده کارآمد پشتیبانی می شود. به طور پیش فرض، آپاچی پرتو اجرا می شود در حالت محلی اما همچنین می تواند در حالت توزیع با استفاده از اجرای گوگل ابر Dataflow و دیگر آپاچی پرتو دونده .

آپاچی پیکان نیز مورد نیاز است. TFMA از Arrow برای نمایش داده ها به صورت داخلی استفاده می کند تا از توابع بردار شماره دار استفاده کند.

شروع شدن

دستورالعمل های مربوط به استفاده از TFMA، را ببینید دریافت راهنمای آغاز شده .

نسخه های سازگار

جدول زیر نسخه های بسته TFMA است که با یکدیگر سازگار هستند. این است که با چارچوب آزمایش ما مشخص است، اما دیگر ترکیب تست نشده نیز ممکن است کار.

تجزیه و تحلیل مدل tensorflow apache-beam [gcp] بچه خوک جریان تنسوری فراداده tensorflow tfx-bsl
استاد GitHub 2.31.0 2.0.0 شبانه (1.x/2.x) 1.2.0 1.2.0
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

سوالات

لطفا هر گونه سوال در مورد کار با TFMA برای هدایت سرریز پشته با استفاده از tensorflow مدل تجزیه و تحلیل تگ.