Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Analiza modelu TensorFlow

TensorFlow Model Analysis (TFMA) to biblioteka do oceny modeli TensorFlow. Umożliwia użytkownikom ocenę swoich modeli na dużych ilościach danych w sposób rozproszony, przy użyciu tych samych metryk zdefiniowanych w ich trenerze. Te metryki mogą być obliczane na różnych wycinkach danych i wizualizowane w notatnikach Jupyter.

Przeglądarka metryk krojenia TFMA

Instalacja

Zalecanym sposobem instalacji TFMA jest użycie pakietu PyPI :

pip install tensorflow-model-analysis

Pakiety nocne

TFMA obsługuje również nocne pakiety pod adresem https://pypi-nightly.tensorflow.org w Google Cloud. Aby zainstalować najnowszy pakiet nightly, użyj następującego polecenia:

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

Spowoduje to zainstalowanie nocnych pakietów dla głównych zależności TFMA, takich jak TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Obecnie TFMA wymaga zainstalowania TensorFlow, ale nie ma jawnej zależności od pakietu TensorFlow PyPI. Instrukcje znajdują się w instrukcjach instalacji TensorFlow .

Aby włączyć wizualizację TFMA w Jupyter Notebook:

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

Godne uwagi zależności

Wymagany jest TensorFlow.

Wymagany jest Apache Beam ; jest to sposób, w jaki obsługiwane są wydajne obliczenia rozproszone. Domyślnie Apache Beam działa w trybie lokalnym, ale może również pracować w trybie rozproszonym za pomocą Google Cloud przepływ danych i innych Apache Beam biegaczy .

Wymagana jest również Apache Arrow . TFMA używa Arrow do wewnętrznej reprezentacji danych w celu wykorzystania wektoryzowanych funkcji numpy.

Pierwsze kroki

Instrukcje dotyczące korzystania z TFMA można znaleźć w przewodniku dla początkujących .

Zgodne wersje

W poniższej tabeli przedstawiono wersje pakietów TFMA, które są ze sobą zgodne. Jest to określane przez naszą platformę testową, ale inne niesprawdzone kombinacje również mogą działać.

analiza modelu tensorflow wiązka apache [gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
Mistrz GitHub 2.25.0 0,17,0 co noc (1.x / 2.x) 0,25,0 0,25,0
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

pytania

Wszelkie pytania dotyczące pracy z TFMA prosimy kierować do Stack Overflow, używając tagu tensorflow-model-analysis .