RSVP untuk acara TensorFlow Everywhere lokal Anda hari ini!
Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Analisis Model TensorFlow

TensorFlow Model Analysis (TFMA) adalah library untuk mengevaluasi model TensorFlow. Hal ini memungkinkan pengguna untuk mengevaluasi model mereka pada sejumlah besar data secara terdistribusi, menggunakan metrik yang sama yang ditentukan di pelatih mereka. Metrik ini dapat dihitung melalui berbagai bagian data dan divisualisasikan di notebook Jupyter.

TFMA Slicing Metrics Browser

Instalasi

Cara yang disarankan untuk menginstal TFMA adalah menggunakan paket PyPI :

pip install tensorflow-model-analysis

Bangun TFMA dari sumber

Untuk membangun dari sumber ikuti langkah-langkah berikut:

Instal protoc sesuai tautan yang disebutkan: protoc

Buat lingkungan virtual dengan menjalankan perintah

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

Ini akan membangun roda TFMA di direktori dist. Untuk menginstal roda dari direktori dist, jalankan perintah

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

Paket Malam

TFMA juga menyelenggarakan paket malam di https://pypi-nightly.tensorflow.org di Google Cloud. Untuk menginstal paket nightly terbaru, gunakan perintah berikut:

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

Ini akan menginstal paket malam untuk dependensi utama TFMA seperti TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Saat ini, TFMA mengharuskan TensorFlow diinstal tetapi tidak memiliki ketergantungan eksplisit pada paket TensorFlow PyPI. Lihat panduan penginstalan TensorFlow untuk mengetahui petunjuknya.

Untuk mengaktifkan visualisasi TFMA di Notebook Jupyter:

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

Lab Jupyter

Saat penulisan, karena https://github.com/pypa/pip/issues/9187, pip install mungkin tidak akan pernah selesai. Dalam kasus tersebut, Anda harus mengembalikan pip ke versi 19, bukan 20: pip install "pip<20" .

Penggunaan ekstensi JupyterLab memerlukan penginstalan dependensi pada baris perintah. Anda dapat melakukan ini di dalam konsol di JupyterLab UI atau di baris perintah. Ini termasuk menginstal secara terpisah semua dependensi paket pip dan dependensi plugin labextension JupyterLab, dan nomor versinya harus kompatibel.

Contoh di bawah ini menggunakan 0.27.0. Periksa versi yang tersedia di bawah untuk menggunakan yang terbaru.

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

Lab 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

Penyelesaian masalah

Periksa paket pip:

pip list

Periksa ekstensi:

jupyter labextension list

Dependensi Terkemuka

TensorFlow diperlukan.

Apache Beam diperlukan; itulah cara komputasi terdistribusi yang efisien didukung. Secara default, Apache Beam berjalan dalam mode lokal tetapi juga dapat berjalan dalam mode terdistribusi menggunakan Google Cloud Dataflow dan runner Apache Beam lainnya.

Apache Arrow juga diperlukan. TFMA menggunakan Panah untuk merepresentasikan data secara internal untuk menggunakan fungsi numpy vektor.

Mulai

Untuk instruksi tentang menggunakan TFMA, lihat panduan memulai .

Versi yang Kompatibel

Tabel berikut adalah versi paket TFMA yang kompatibel satu sama lain. Ini ditentukan oleh kerangka pengujian kami, tetapi kombinasi lain yang belum teruji juga dapat berfungsi.

tensorflow-model-analysis apache-beam [gcp] pyarrow.dll tensorflow tensorflow-metadata tfx-bsl
Master GitHub 2.28.0 2.0.0 nightly (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 t / a 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 t / a 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 t / a 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 t / a 0.15.0
0.15.0 2.16.0 0.15.0 1.15 t / a t / a
0.14.0 2.14.0 t / a 1.14 t / a t / a
0.13.1 2.11.0 t / a 1.13 t / a t / a
0.13.0 2.11.0 t / a 1.13 t / a t / a
0.12.1 2.10.0 t / a 1.12 t / a t / a
0.12.0 2.10.0 t / a 1.12 t / a t / a
0.11.0 2.8.0 t / a 1.11 t / a t / a
0.9.2 2.6.0 t / a 1.9 t / a t / a
0.9.1 2.6.0 t / a 1.10 t / a t / a
0.9.0 2.5.0 t / a 1.9 t / a t / a
0.6.0 2.4.0 t / a 1.6 t / a t / a

Pertanyaan

Ajukan pertanyaan apa pun tentang bekerja dengan TFMA ke Stack Overflow menggunakan tag analisis model tensorflow .