RSVP สำหรับกิจกรรม TensorFlow Everywhere ในพื้นที่ของคุณวันนี้!
หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

การวิเคราะห์แบบจำลอง TensorFlow

TensorFlow Model Analysis (TFMA) คือไลบรารีสำหรับการประเมินโมเดล TensorFlow ช่วยให้ผู้ใช้ประเมินโมเดลของตนกับข้อมูลจำนวนมากในลักษณะกระจายโดยใช้เมตริกเดียวกับที่กำหนดไว้ในเทรนเนอร์ เมตริกเหล่านี้สามารถคำนวณได้จากข้อมูลส่วนต่างๆและแสดงภาพในสมุดบันทึก Jupyter

TFMA Slicing Metrics Browser

การติดตั้ง

วิธีที่แนะนำในการติดตั้ง TFMA คือการใช้ แพ็คเกจ PyPI :

pip install tensorflow-model-analysis

สร้าง TFMA จากแหล่งที่มา

ในการสร้างจากซอร์สให้ทำตามขั้นตอนต่อไปนี้:

ติดตั้ง protoc ตามลิงค์ที่กล่าวถึง: protoc

สร้างสภาพแวดล้อมเสมือนโดยรันคำสั่ง

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

สิ่งนี้จะสร้างวงล้อ TFMA ในไดเรกทอรี dist ในการติดตั้งวงล้อจากไดเร็กทอรี dist ให้รันคำสั่ง

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

แพ็คเกจต่อคืน

TFMA ยังโฮสต์แพ็คเกจทุกคืนที่ https://pypi-nightly.tensorflow.org บน Google Cloud ในการติดตั้งแพ็คเกจกลางคืนล่าสุดโปรดใช้คำสั่งต่อไปนี้:

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

สิ่งนี้จะติดตั้งแพ็คเกจทุกคืนสำหรับการอ้างอิงหลักของ TFMA เช่น TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL)

ปัจจุบัน TFMA ต้องการให้ติดตั้ง TensorFlow แต่ไม่มีการพึ่งพาอย่างชัดเจนบนแพ็คเกจ TensorFlow PyPI ดู คำแนะนำในการติดตั้ง TensorFlow

ในการเปิดใช้งานการแสดงภาพ TFMA ใน Jupyter Notebook:

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

Jupyter Lab

ในขณะที่เขียนเนื่องจาก https://github.com/pypa/pip/issues/9187 การ pip install อาจไม่เสร็จสิ้น ในกรณีนี้คุณควรเปลี่ยน pip เป็นเวอร์ชัน 19 แทนที่จะเป็น 20: pip install "pip<20"

การใช้ส่วนขยาย JupyterLab จำเป็นต้องติดตั้งการอ้างอิงบนบรรทัดคำสั่ง คุณสามารถทำได้ภายในคอนโซลใน JupyterLab UI หรือบนบรรทัดรับคำสั่ง ซึ่งรวมถึงการติดตั้งการพึ่งพาแพ็กเกจ pip และการอ้างอิงปลั๊กอิน JupyterLab labextension แยกต่างหากและหมายเลขเวอร์ชันต้องเข้ากันได้

ตัวอย่างด้านล่างใช้ 0.27.0 ตรวจสอบ เวอร์ชันที่ มีอยู่ด้านล่างเพื่อใช้เวอร์ชันล่าสุด

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

การแก้ไขปัญหา

ตรวจสอบแพ็คเกจ pip:

pip list

ตรวจสอบส่วนขยาย:

jupyter labextension list

การพึ่งพาที่โดดเด่น

ต้องมี TensorFlow

ต้องใช้ Apache Beam ; เป็นวิธีที่รองรับการคำนวณแบบกระจายที่มีประสิทธิภาพ ตามค่าเริ่มต้น Apache Beam จะทำงานในโหมดโลคัล แต่ยังสามารถทำงานในโหมดกระจายโดยใช้ Google Cloud Dataflow และ นักวิ่ง Apache Beam อื่น ๆ

ต้องใช้ Apache Arrow TFMA ใช้ Arrow เพื่อแสดงข้อมูลภายในเพื่อใช้ประโยชน์จากฟังก์ชัน vectorized numpy

เริ่มต้นใช้งาน

สำหรับคำแนะนำในการใช้ TFMA โปรดดู คู่มือเริ่มต้นใช้งาน

รุ่นที่เข้ากันได้

ตารางต่อไปนี้คือเวอร์ชันแพ็กเกจ TFMA ที่เข้ากันได้ สิ่งนี้กำหนดโดยกรอบการทดสอบของเรา แต่ชุดค่าผสมอื่น ๆ ที่ ยังไม่ผ่านการทดสอบ อาจใช้ได้เช่นกัน

การวิเคราะห์แบบจำลองเทนเซอร์โฟลว์ apache-beam [gcp] pyarrow เทนเซอร์โฟลว์ เทนเซอร์โฟลว์ - ข้อมูลเมตา tfx-bsl
GitHub ต้นแบบ 2.28.0 2.0.0 ทุกคืน (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 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

คำถาม

โปรดส่งคำถามเกี่ยวกับการทำงานกับ TFMA ไปยัง Stack Overflow โดยใช้แท็ก การวิเคราะห์แบบจำลองเทนเซอร์โฟลว์