RSVP per il tuo evento TensorFlow Everywhere locale oggi!
Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

Analisi del modello TensorFlow

TensorFlow Model Analysis (TFMA) è una libreria per la valutazione dei modelli TensorFlow. Consente agli utenti di valutare i propri modelli su grandi quantità di dati in modo distribuito, utilizzando le stesse metriche definite nel proprio trainer. Queste metriche possono essere calcolate su diversi segmenti di dati e visualizzate nei notebook Jupyter.

Browser metriche di sezionamento TFMA

Installazione

Il modo consigliato per installare TFMA è utilizzare il pacchetto PyPI :

pip install tensorflow-model-analysis

Crea TFMA dalla sorgente

Per creare dalla sorgente, segui i seguenti passaggi:

Installa il protocollo secondo il link menzionato: protoc

Crea un ambiente virtuale eseguendo i comandi

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

Questo costruirà la ruota TFMA nella directory dist. Per installare la ruota dalla directory dist eseguire i comandi

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

Pacchetti notturni

TFMA ospita anche pacchetti notturni su https://pypi-nightly.tensorflow.org su Google Cloud. Per installare l'ultimo pacchetto notturno, utilizza il seguente comando:

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

Questo installerà i pacchetti notturni per le principali dipendenze di TFMA come TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Attualmente, TFMA richiede che TensorFlow sia installato ma non ha una dipendenza esplicita dal pacchetto TensorFlow PyPI. Consulta le guide all'installazione di TensorFlow per istruzioni.

Per abilitare la visualizzazione TFMA in Jupyter Notebook:

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

Jupyter Lab

Al momento della scrittura, a causa di https://github.com/pypa/pip/issues/9187, l' pip install potrebbe non finire mai. In tal caso, dovresti ripristinare pip alla versione 19 anziché 20: pip install "pip<20" .

L'utilizzo di un'estensione JupyterLab richiede l'installazione delle dipendenze sulla riga di comando. Puoi farlo all'interno della console nell'interfaccia utente di JupyterLab o dalla riga di comando. Ciò include l'installazione separata di eventuali dipendenze del pacchetto pip e dipendenze del plug-in JupyterLab labextension, ei numeri di versione devono essere compatibili.

Gli esempi seguenti utilizzano 0.27.0. Controlla le versioni disponibili di seguito per utilizzare le ultime.

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

Risoluzione dei problemi

Controlla i pacchetti pip:

pip list

Controlla le estensioni:

jupyter labextension list

Notevoli dipendenze

TensorFlow è obbligatorio.

È richiesto Apache Beam ; è il modo in cui è supportato il calcolo distribuito efficiente. Per impostazione predefinita, Apache Beam viene eseguito in modalità locale ma può anche essere eseguito in modalità distribuita utilizzando Google Cloud Dataflow e altri runner Apache Beam.

È richiesto anche Apache Arrow . TFMA utilizza Arrow per rappresentare i dati internamente al fine di utilizzare le funzioni numpy vettorializzate.

Iniziare

Per istruzioni sull'utilizzo di TFMA, vedere la guida introduttiva.

Versioni compatibili

La tabella seguente mostra le versioni del pacchetto TFMA compatibili tra loro. Questo è determinato dal nostro framework di test, ma potrebbero funzionare anche altre combinazioni non testate .

tensorflow-model-analysis apache-beam [gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
GitHub master 2.28.0 2.0.0 ogni notte (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

Domande

Invia eventuali domande sull'utilizzo di TFMA a Stack Overflow utilizzando il tag tensorflow-model-analysis .