RSVP pour votre événement TensorFlow Everywhere local dès aujourd'hui!
Cette page a été traduite par l'API Cloud Translation.
Switch to English

Analyse du modèle TensorFlow

TensorFlow Model Analysis (TFMA) est une bibliothèque pour évaluer les modèles TensorFlow. Il permet aux utilisateurs d'évaluer leurs modèles sur de grandes quantités de données de manière distribuée, en utilisant les mêmes métriques définies dans leur entraîneur. Ces métriques peuvent être calculées sur différentes tranches de données et visualisées dans des blocs-notes Jupyter.

Navigateur de métriques de découpage TFMA

Installation

La méthode recommandée pour installer TFMA consiste à utiliser le package PyPI :

pip install tensorflow-model-analysis

Construire TFMA à partir de la source

Pour créer à partir des sources, procédez comme suit:

Installez le protocole selon le lien mentionné: protoc

Créez un environnement virtuel en exécutant les commandes

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

Cela construira la roue TFMA dans le répertoire dist. Pour installer la roue à partir du répertoire dist, exécutez les commandes

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

Forfaits nocturnes

TFMA héberge également des packages nocturnes à l' adresse https://pypi-nightly.tensorflow.org sur Google Cloud. Pour installer le dernier package de nuit, veuillez utiliser la commande suivante:

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

Cela installera les packages nocturnes pour les principales dépendances de TFMA telles que TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Actuellement, TFMA exige que TensorFlow soit installé mais n'a pas de dépendance explicite sur le package TensorFlow PyPI. Consultez les guides d'installation de TensorFlow pour obtenir des instructions.

Pour activer la visualisation TFMA dans Jupyter Notebook:

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

Laboratoire Jupyter

Au moment de la rédaction, à cause de https://github.com/pypa/pip/issues/9187, l' pip install pourrait ne jamais se terminer. Dans ce cas, vous devez revenir à la version 19 de pip au lieu de 20: pip install "pip<20" .

L'utilisation d'une extension JupyterLab nécessite l'installation de dépendances sur la ligne de commande. Vous pouvez le faire dans la console de l'interface utilisateur JupyterLab ou sur la ligne de commande. Cela inclut l'installation séparée des dépendances de package pip et des dépendances du plug-in JupyterLab labextension, et les numéros de version doivent être compatibles.

Les exemples ci-dessous utilisent 0.27.0. Vérifiez les versions disponibles ci-dessous pour utiliser la dernière.

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

Jupyter Lab 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

Dépannage

Vérifiez les packages pip:

pip list

Vérifier les extensions:

jupyter labextension list

Dépendances notables

TensorFlow est requis.

Apache Beam est requis; c'est la manière dont le calcul distribué efficace est pris en charge. Par défaut, Apache faisceau fonctionne en mode local , mais peut également fonctionner en mode distribué à l' aide de Google Cloud Dataflow et d' autres Apache faisceau coureurs .

Apache Arrow est également requis. TFMA utilise Arrow pour représenter les données en interne afin d'utiliser des fonctions numpy vectorisées.

Commencer

Pour obtenir des instructions sur l'utilisation de TFMA, consultez le guide de démarrage .

Versions compatibles

Le tableau suivant répertorie les versions de package TFMA compatibles entre elles. Ceci est déterminé par notre cadre de test, mais d'autres combinaisons non testées peuvent également fonctionner.

analyse du modèle tensorflow apache-beam [gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
Maître GitHub 2,28,0 2.0.0 tous les soirs (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

Des questions

Veuillez adresser vos questions sur l'utilisation de TFMA à Stack Overflow à l'aide de la balise tensorflow-model-analysis .