ניתוח מודלים של TensorFlow (TFMA) היא ספרייה להערכת מודלים של TensorFlow. זה מאפשר למשתמשים להעריך את המודלים שלהם על כמויות גדולות של נתונים באופן מבוזר, תוך שימוש באותם מדדים שהוגדרו במאמן שלהם. ניתן לחשב מדדים אלה על גבי פרוסות נתונים שונות ולהמחישם במחברות Jupyter.
הַתקָנָה
הדרך המומלצת להתקנת TFMA היא באמצעות חבילת PyPI :
pip install tensorflow-model-analysis
בנה TFMA מהמקור
כדי לבנות ממקור בצע את השלבים הבאים:
התקן את הפרוטוק בהתאם לקישור שהוזכר: פרוטוק
צור סביבה וירטואלית על ידי הפעלת הפקודות
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
זה יבנה את גלגל TFMA בספריית dist. כדי להתקין את הגלגל מספריית dist, הפעל את הפקודות
cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl
חבילות ליליות
TFMA מארחת גם חבילות לילה ב- https://pypi-nightly.tensorflow.org ב- Google Cloud. להתקנת החבילה הלילית האחרונה, השתמש בפקודה הבאה:
pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis
פעולה זו תתקין את החבילות הליליות לתלות העיקריות של TFMA כגון TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).
נכון לעכשיו, TFMA דורש התקנת TensorFlow אך אין לה תלות מפורשת בחבילת TensorFlow PyPI. עיין במדריכי ההתקנה של TensorFlow לקבלת הוראות.
כדי לאפשר הדמיה של TFMA במחברת Jupyter:
jupyter nbextension enable --py widgetsnbextension
jupyter nbextension enable --py tensorflow_model_analysis
מעבדת Jupyter
נכון לכתיבת שורות אלה, בגלל https://github.com/pypa/pip/issues/9187, ייתכן pip install
לעולם לא תסתיים. במקרה כזה, עליך להחזיר את pip לגירסה 19 במקום 20: pip install "pip<20"
.
שימוש בתוסף JupyterLab מחייב התקנת תלות בשורת הפקודה. אתה יכול לעשות זאת בתוך המסוף בממשק המשתמש של JupyterLab או בשורת הפקודה. זה כולל התקנה נפרדת של כל תלות של חבילת pip ותלות של תוסף תוסף JabeyterLab, ומספרי הגרסאות חייבים להיות תואמים.
הדוגמאות שלהלן משתמשות ב- 0.27.0. בדוק את הגרסאות הזמינות למטה כדי להשתמש בגרסאות העדכניות ביותר.
מעבדת 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
מעבדת 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
פתרון תקלות
בדוק חבילות pip:
pip list
בדוק תוספים:
jupyter labextension list
תלות ראויות לציון
נדרש TensorFlow.
קרן אפאצ'י נדרשת; זו הדרך שבה נתמך חישוב מבוזר יעיל. כברירת מחדל, אפצ'י Beam פועל במצב מקומי אלא גם יכול לפעול במצב מופץ באמצעות Google Cloud dataflow ו Apache Beam אחרים רצים .
חובת אפאצ'י נדרשת גם כן. TFMA משתמש בחץ כדי לייצג נתונים באופן פנימי על מנת להשתמש בפונקציות מטומטמות וקטוריות.
מתחילים
לקבלת הוראות לשימוש ב- TFMA, עיין במדריך להתחלת העבודה .
גרסאות תואמות
הטבלה הבאה היא גרסאות חבילות TFMA שתואמות זו את זו. זה נקבע על ידי מסגרת הבדיקה שלנו, אך שילובים אחרים שלא נבדקו עשויים גם הם לעבוד.
tensorflow-model-analysis | apache-beam [gcp] | פיירו | זורם טנסור | tensorflow-metadata | tfx-bsl |
---|---|---|---|---|---|
מאסטר GitHub | 2.28.0 | 2.0.0 | לילי (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 | לא | 0.15.1 |
0.15.3 | 2.16.0 | 0.15.0 | 1.15 / 2.0 | לא | 0.15.1 |
0.15.2 | 2.16.0 | 0.15.0 | 1.15 / 2.0 | לא | 0.15.1 |
0.15.1 | 2.16.0 | 0.15.0 | 1.15 / 2.0 | לא | 0.15.0 |
0.15.0 | 2.16.0 | 0.15.0 | 1.15 | לא | לא |
0.14.0 | 2.14.0 | לא | 1.14 | לא | לא |
0.13.1 | 2.11.0 | לא | 1.13 | לא | לא |
0.13.0 | 2.11.0 | לא | 1.13 | לא | לא |
0.12.1 | 2.10.0 | לא | 1.12 | לא | לא |
0.12.0 | 2.10.0 | לא | 1.12 | לא | לא |
0.11.0 | 2.8.0 | לא | 1.11 | לא | לא |
0.9.2 | 2.6.0 | לא | 1.9 | לא | לא |
0.9.1 | 2.6.0 | לא | 1.10 | לא | לא |
0.9.0 | 2.5.0 | לא | 1.9 | לא | לא |
0.6.0 | 2.4.0 | לא | 1.6 | לא | לא |
שאלות
אנא הפנה כל שאלה בנוגע לעבודה עם TFMA ל- Stack Overflow באמצעות התג tensorflow-model-analysis .