Обзор
TFMA поддерживает проверку модели путем установки пороговых значений значений и изменения пороговых значений на основе поддерживаемых показателей .
Конфигурация
GenericValueThreshold
Порог значения полезен для проверки модели-кандидата путем проверки того, превышают ли соответствующие метрики нижнюю границу и/или меньше верхнюю границу. Пользователь может установить одно или оба значения Lower_bound и Upper_bound. Lower_bound по умолчанию имеет значение отрицательной бесконечности, если не установлено, а Upper_bound по умолчанию равно бесконечности, если не установлено.
import tensorflow_model_analysis as tfma
lower_bound = tfma.GenericValueThreshold(lower_bound={'value':0})
upper_bound = tfma.GenericValueThreshold(upper_bound={'value':1})
lower_upper_bound = tfma.GenericValueThreshold(lower_bound={'value':0},
upper_bound={'value':1))
GenericChangeThreshold
Порог изменения полезен для проверки модели-кандидата, проверяя, является ли соответствующая метрика больше/меньше, чем у базовой модели. Есть два способа измерения изменений: абсолютное изменение и относительное изменение. Абсолютное изменение рассчитывается как разница значений между метриками кандидата и базовой модели, а именно, v_c - v_b , где v_c обозначает значение метрики кандидата, а v_b обозначает базовое значение. Относительное значение — это относительная разница между метрикой кандидата и базовой линией, а именно v_c/v_b . Абсолютный и относительный порог могут сосуществовать в модели вентиля по обоим критериям. Помимо настройки пороговых значений, пользователю также необходимо настроить MetricDirection. для метрик с благоприятно более высокими значениями (например, AUC) установите направление на HIGHER_IS_BETTER, для метрик с благоприятно более низкими значениями (например, потери) установите направление на LOWER_IS_BETTER. Пороги изменения требуют оценки базовой модели вместе с моделью-кандидатом. Пример см. в руководстве по началу работы .
import tensorflow_model_analysis as tfma
absolute_higher_is_better = tfma.GenericChangeThreshold(absolute={'value':1},
direction=tfma.MetricDirection.HIGHER_IS_BETTER)
absolute_lower_is_better = tfma.GenericChangeThreshold(absolute={'value':1},
direction=tfma.MetricDirection.LOWER_IS_BETTER)
relative_higher_is_better = tfma.GenericChangeThreshold(relative={'value':1},
direction=tfma.MetricDirection.HIGHER_IS_BETTER)
relative_lower_is_better = tfma.GenericChangeThreshold(relative={'value':1},
direction=tfma.MetricDirection.LOWER_IS_BETTER)
absolute_and_relative = tfma.GenericChangeThreshold(relative={'value':1},
absolute={'value':0.2},
direction=tfma.MetricDirection.LOWER_IS_BETTER)
Собираем вещи вместе
В следующем примере сочетаются пороговые значения значений и изменений:
import tensorflow_model_analysis as tfma
lower_bound = tfma.GenericValueThreshold(lower_bound={'value':0.7})
relative_higher_is_better =
tfma.GenericChangeThreshold(relative={'value':1.01},
direction=tfma.MetricDirection.HIGHER_IS_BETTER)
auc_threshold = tfma.MetricThreshold(value_threshold=lower_bound,
change_threshold=relative_higher_is_better)
Возможно, будет удобнее записать конфигурацию в формате прототипа:
from google.protobuf import text_format
auc_threshold = text_format.Parse("""
value_threshold { lower_bound { value: 0.6 } }
change_threshold { relative { value: 1.01 } }
""", tfma.MetricThreshold())
MetricThreshold можно настроить для контроля как метрик времени обучения модели (либо EvalSavedModel, либо сохраненной модели Keras), а также метрик постобучения (определенных в конфигурации TFMA). Для метрик «Время обучения» пороговые значения указаны в tfma.MetricsSpec:
metrics_spec = tfma.MetricSpec(thresholds={'auc': auc_threshold})
Для метрик после обучения пороговые значения определяются непосредственно в tfma.MetricConfig:
metric_config = tfma.MetricConfig(class_name='TotalWeightedExample',
threshold=lower_bound)
Вот пример вместе с другими настройками в EvalConfig:
# Run in a Jupyter Notebook.
from google.protobuf import text_format
eval_config = text_format.Parse("""
model_specs {
# This assumes a serving model with a "serving_default" signature.
label_key: "label"
example_weight_key: "weight"
}
metrics_spec {
# Training Time metric thresholds
thresholds {
key: "auc"
value: {
value_threshold {
lower_bound { value: 0.7 }
}
change_threshold {
direction: HIGHER_IS_BETTER
absolute { value: -1e-10 }
}
}
}
# Post Training metrics and their thesholds.
metrics {
# This assumes a binary classification model.
class_name: "AUC"
threshold {
value_threshold {
lower_bound { value: 0 }
}
}
}
}
slicing_specs {}
slicing_specs {
feature_keys: ["age"]
}
""", tfma.EvalConfig())
eval_shared_models = [
tfma.default_eval_shared_model(
model_name=tfma.CANDIDATE_KEY,
eval_saved_model_path='/path/to/saved/candiate/model',
eval_config=eval_config),
tfma.default_eval_shared_model(
model_name=tfma.BASELINE_KEY,
eval_saved_model_path='/path/to/saved/baseline/model',
eval_config=eval_config),
]
eval_result = tfma.run_model_analysis(
eval_shared_models,
eval_config=eval_config,
# This assumes your data is a TFRecords file containing records in the
# tf.train.Example format.
data_location="/path/to/file/containing/tfrecords",
output_path="/path/for/output")
tfma.view.render_slicing_metrics(eval_result)
tfma.load_validation_result(output_path)
Выход
В дополнение к файлу показателей, выводимому оценщиком, при использовании проверки также выводится дополнительный файл «проверок». Формат полезных данных — ValidationResult . В выходных данных для параметра «validation_ok» будет установлено значение «Истина», если сбоев нет. При возникновении сбоев предоставляется информация о связанных метриках, пороговых значениях и наблюдаемых значениях метрик. Ниже приведен пример, когда «weighted_examle_count» не достигает порогового значения (1,5 не меньше 1,0, что означает сбой):
validation_ok: False
metric_validations_per_slice {
failures {
metric_key {
name: "weighted_example_count"
model_name: "candidate"
}
metric_threshold {
value_threshold {
upper_bound { value: 1.0 }
}
}
metric_value {
double_value { value: 1.5 }
}
}
}