RSVP для вашего местного мероприятия TensorFlow Everywhere сегодня!
Эта страница переведена с помощью Cloud Translation API.
Switch to English

Анализ модели TensorFlow

TensorFlow Model Analysis (TFMA) - это библиотека для оценки моделей TensorFlow. Это позволяет пользователям оценивать свои модели на больших объемах данных распределенным образом, используя те же метрики, которые определены в их инструкторе. Эти метрики могут быть вычислены для разных фрагментов данных и визуализированы в записных книжках Jupyter.

Браузер показателей нарезки TFMA

Установка

Рекомендуемый способ установки TFMA - использование пакета PyPI :

pip install tensorflow-model-analysis

Сборка TFMA из исходников

Для сборки из исходного кода выполните следующие действия:

Установите протокол по указанной ссылке: протокол

Создайте виртуальную среду, выполнив команды

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

Это создаст колесо TFMA в каталоге dist. Чтобы установить колесо из каталога dist, выполните команды

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

Ночные пакеты

TFMA также размещает ночные пакеты на https://pypi-nightly.tensorflow.org в Google Cloud. Чтобы установить последний ночной пакет, используйте следующую команду:

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

Это установит ночные пакеты для основных зависимостей TFMA, таких как TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

В настоящее время TFMA требует, чтобы был установлен TensorFlow, но не имеет явной зависимости от пакета TensorFlow PyPI. См. Инструкции в руководствах по установке TensorFlow .

Чтобы включить визуализацию TFMA в Jupyter Notebook:

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

Jupyter Lab

На момент написания из-за https://github.com/pypa/pip/issues/9187 pip install может никогда не завершиться. В этом случае вам следует вернуть pip к версии 19 вместо 20: pip install "pip<20" .

Использование расширения JupyterLab требует установки зависимостей в командной строке. Вы можете сделать это в консоли в пользовательском интерфейсе JupyterLab или в командной строке. Это включает в себя отдельную установку всех зависимостей пакетов pip и зависимостей плагина JupyterLab labextension, а номера версий должны быть совместимы.

В приведенных ниже примерах используется версия 0.27.0. Проверьте доступные версии ниже, чтобы использовать последнюю.

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

Исправление проблем

Проверьте пакеты pip:

pip list

Проверить расширения:

jupyter labextension list

Известные зависимости

Требуется TensorFlow.

Требуется Apache Beam ; так поддерживаются эффективные распределенные вычисления. По умолчанию Apache Beam работает в локальном режиме , но также может работать в распределенном режиме с помощью Google Cloud DataFlow и других Apache Beam бегунов .

Также требуется Apache Arrow . TFMA использует Arrow для внутреннего представления данных, чтобы использовать векторизованные функции numpy.

Начиная

Инструкции по использованию TFMA см Руководство по началу работы .

Совместимые версии

В следующей таблице представлены версии пакетов TFMA, которые совместимы друг с другом. Это определяется нашей системой тестирования, но могут также работать и другие непроверенные комбинации.

тензор-модель-анализ apache-beam [gcp] пиарроу тензорный поток tenorflow-метаданные tfx-bsl
Мастер GitHub 2.28.0 2.0.0 по ночам (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 н / д 0,15,1
0,15,3 2.16.0 0,15,0 1,15 / 2,0 н / д 0,15,1
0,15,2 2.16.0 0,15,0 1,15 / 2,0 н / д 0,15,1
0,15,1 2.16.0 0,15,0 1,15 / 2,0 н / д 0,15,0
0,15,0 2.16.0 0,15,0 1,15 н / д н / д
0,14,0 2.14.0 н / д 1.14 н / д н / д
0,13,1 2.11.0 н / д 1.13 н / д н / д
0,13,0 2.11.0 н / д 1.13 н / д н / д
0.12.1 2.10.0 н / д 1,12 н / д н / д
0.12.0 2.10.0 н / д 1,12 н / д н / д
0.11.0 2.8.0 н / д 1.11 н / д н / д
0.9.2 2.6.0 н / д 1.9 н / д н / д
0.9.1 2.6.0 н / д 1,10 н / д н / д
0.9.0 2.5.0 н / д 1.9 н / д н / д
0.6.0 2.4.0 н / д 1.6 н / д н / д

Вопросов

По всем вопросам о работе с TFMA направляйте Stack Overflow с помощью тега tensorflow-model-analysis .