Присоединяйтесь к сообществу SIG TFX-Addons и помогите сделать TFX еще лучше! Присоединяйтесь к SIG TFX-Addons

Анализ модели TensorFlow

TensorFlow Модель анализ (TFMA) представляет собой библиотеку для оценки моделей TensorFlow. Это позволяет пользователям оценивать свои модели на больших объемах данных распределенным образом, используя те же метрики, которые определены в их обучающем модуле. Эти метрики могут быть вычислены для различных фрагментов данных и визуализированы в записных книжках Jupyter.

Браузер показателей среза TFMA

Установка

Рекомендуемый способ установки TFMA использует пакет PyPi :

pip install tensorflow-model-analysis

Сборка TFMA из исходников

Для сборки из исходного кода выполните следующие действия:

Установите protoc согласно ссылке , упомянутой: protoc

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 проводятся ночные пакеты на https://pypi-nightly.tensorflow.org на 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 метаданные TensorFlow (TFMD), базовые общие библиотеки TFX (TFX-BSL).

В настоящее время TFMA требует, чтобы был установлен TensorFlow, но не имеет явной зависимости от пакета TensorFlow PyPI. См TensorFlow установить направляющие для получения инструкций.

Чтобы включить визуализацию TFMA в Jupyter Notebook:

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

Jupyter Lab

Как писать, из - за https://github.com/pypa/pip/issues/9187, pip install может никогда не закончиться. В этом случае, вы должны вернуться пип до версии 19 , а не 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 версию.

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.

Апач луча требуется; 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 .

Apache Стрелка также требуется. 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 и другие непроверенные комбинации могут также работать.

тензорный поток-модель-анализ apache-beam [gcp] пиарроу тензорный поток тензорный поток-метаданные tfx-bsl
Мастер GitHub 2.32.0 2.0.0 по ночам (1.x / 2.x) 1.2.0 1.3.0
0,34,1 2.32.0 2.0.0 1,15 / 2,6 1.2.0 1.3.0
0,34,0 2.31.0 2.0.0 1,15 / 2,6 1.2.0 1.3.1
0,33,0 2.31.0 2.0.0 1,15 / 2,5 1.2.0 1.2.0
0,32,1 2.29.0 2.0.0 1,15 / 2,5 1.1.0 1.1.1
0,32,0 2.29.0 2.0.0 1,15 / 2,5 1.1.0 1.1.0
0,31,0 2.29.0 2.0.0 1,15 / 2,5 1.0.0 1.0.0
0,30,0 2.28.0 2.0.0 1,15 / 2,4 0,30,0 0,30,0
0,29,0 2.28.0 2.0.0 1,15 / 2,4 0,29,0 0,29,0
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
0,26,1 2.28.0 0,17,0 1,15 / 2,3 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 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

Все вопросы о работе с TFMA на переполнение стека , используя tensorflow-модель-анализ метку.