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 .