Análise de modelo do TensorFlow

TensorFlow Model Analysis (TFMA) é uma biblioteca para avaliar modelos TensorFlow. Ele permite que os usuários avaliem seus modelos em grandes quantidades de dados de forma distribuída, usando as mesmas métricas definidas em seu treinador. Essas métricas podem ser calculadas em diferentes fatias de dados e visualizadas em notebooks Jupyter.

TFMA Slicing Metrics Browser

Instalação

A maneira recomendada de instalar o TFMA é usando o pacote PyPI :

pip install tensorflow-model-analysis

Pacotes noturnos

TFMA também hospeda pacotes noturnos em https://pypi-nightly.tensorflow.org no Google Cloud. Para instalar o pacote noturno mais recente, use o seguinte comando:

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

Isso instalará os pacotes noturnos para as principais dependências do TFMA, como TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Atualmente, o TFMA requer que o TensorFlow esteja instalado, mas não tem uma dependência explícita do pacote TensorFlow PyPI. Consulte os guias de instalação do TensorFlow para obter instruções.

Para habilitar a visualização TFMA no Jupyter Notebook:

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

Dependências Notáveis

O TensorFlow é obrigatório.

O Apache Beam é necessário; é a forma como a computação distribuída eficiente é suportada. Por padrão, o Apache feixe é executado em modo local, mas também pode ser executado em modo distribuído usando o Google Cloud Dataflow e outros Apache Feixe corredores .

Apache Arrow também é necessário. TFMA usa o Arrow para representar os dados internamente a fim de fazer uso das funções numpy vetorizadas.

Começando

Para obter instruções sobre como usar o TFMA, consulte o guia de primeiros passos.

Versões Compatíveis

A tabela a seguir mostra as versões do pacote TFMA que são compatíveis entre si. Isso é determinado por nossa estrutura de teste, mas outras combinações não testadas também podem funcionar.

tensorflow-model-analysis	Apache-beam [gcp]	pyarrow	tensorflow	tensorflow-metadata	tfx-bsl
Mestre GitHub	2.25.0	0,17,0	todas as noites (1.x / 2.x)	0,26,0	0,26,0
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 / D	0.15.1
0.15.3	2.16.0	0,15,0	1,15 / 2,0	n / D	0.15.1
0,15,2	2.16.0	0,15,0	1,15 / 2,0	n / D	0.15.1
0.15.1	2.16.0	0,15,0	1,15 / 2,0	n / D	0,15,0
0,15,0	2.16.0	0,15,0	1,15	n / D	n / D
0,14,0	2.14.0	n / D	1,14	n / D	n / D
0.13.1	2.11.0	n / D	1,13	n / D	n / D
0,13,0	2.11.0	n / D	1,13	n / D	n / D
0.12.1	2.10.0	n / D	1,12	n / D	n / D
0,12,0	2.10.0	n / D	1,12	n / D	n / D
0.11.0	2.8.0	n / D	1,11	n / D	n / D
0.9.2	2.6.0	n / D	1,9	n / D	n / D
0.9.1	2.6.0	n / D	1,10	n / D	n / D
0.9.0	2.5.0	n / D	1,9	n / D	n / D
0,6.0	2.4.0	n / D	1,6	n / D	n / D

Questões

Dirija todas as perguntas sobre como trabalhar com TFMA para Stack Overflow usando a tag tensorflow-model-analysis .