عمليات التحقق من نموذج تحليل نموذج Tensorflow

ملخص

TFMA يدعم المصادقة على نموذج من خلال إنشاء عتبات قيمة وعتبات التغيير على أساس المقاييس المدعومة .

ترتيب

GenericValueTtheshold

عتبة القيمة مفيدة في بوابة النموذج المرشح عن طريق التحقق مما إذا كانت المقاييس المقابلة أكبر من الحد الأدنى و / أو أصغر من الحد الأعلى. يمكن للمستخدم تعيين إما قيمة واحدة أو كلتا القيمتين السفليتين والعليا. يكون Lower_bound افتراضيًا على اللانهاية السالبة إذا لم يتم ضبطه ، ويكون الحد الأعلى للقيمة الافتراضية إلى ما لا نهاية إذا لم يتم ضبطه.

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))

تغيير عام

يعد التغيير الثلاثي مفيدًا لبوابة النموذج المرشح عن طريق التحقق مما إذا كان المقياس المقابل أكبر / أصغر من النموذج الأساسي. هناك طريقتان يمكن قياس التغيير بهما: التغيير المطلق والتغير النسبي. يتم احتساب Aboslute التغيير كما السالب قيمة بين المقاييس من طراز مرشح والأساس، وهي v_c - v_b حيث v_c يدل على قيمة متري المرشح وv_b يدل على قيمة خط الأساس. القيمة النسبية هي الفرق النسبي بين متري المرشح والأساس، وهي v_c / v_b. يمكن أن تتعايش العتبة المطلقة والنسبية مع نموذج البوابة بواسطة كلا المعيارين. إلى جانب إعداد قيم العتبة ، يحتاج المستخدم أيضًا إلى تكوين MetricDirection. بالنسبة للمقاييس ذات القيم الأعلى بشكل إيجابي (على سبيل المثال ، AUC) ، اضبط الاتجاه على HIGHER_IS_BETTER ، للمقاييس ذات القيم المنخفضة بشكل إيجابي (على سبيل المثال ، الخسارة) ، اضبط الاتجاه على LOWER_IS_BETTER. يتطلب تغيير الحدود تقييم نموذج أساسي مع النموذج المرشح. انظر دليل الخطوات الأولى للحصول على مثال.

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)

وضع الأشياء معًا

يجمع المثال التالي بين القيمة وحدود التغيير:

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)

قد يكون من الأسهل قراءة تدوين التكوين بتنسيق أولي:

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())

يمكن تعيين MetricThreshold على البوابة في كل من مقاييس وقت التدريب النموذجية (إما نموذج EvalSavedModel أو Keras المحفوظ) ومقاييس ما بعد التدريب (المحددة في تكوين TFMA). بالنسبة لمقاييس وقت التدريب ، يتم تحديد العتبات في tfma.MetricsSpec:

metrics_spec = tfma.MetricSpec(thresholds={'auc': auc_threshold})

لمقاييس ما بعد التدريب ، يتم تحديد العتبات مباشرة في tfma.

metric_config = tfma.MetricConfig(class_name='TotalWeightedExample',
                                  threshold=lower_bound)

فيما يلي مثال مع الإعدادات الأخرى في 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)

انتاج |

بالإضافة إلى إخراج ملف المقاييس بواسطة المقيم ، عند استخدام التحقق ، يتم أيضًا إخراج ملف "تحقق" إضافي. شكل الحمولة هو ValidationResult . سيتم تعيين "validation_ok" للإخراج على True في حالة عدم وجود إخفاقات. عند وجود حالات فشل ، يتم تقديم معلومات حول المقاييس المرتبطة والحدود والقيم المترية التي تمت ملاحظتها. فيما يلي مثال على فشل "weighted_examle_count" في حد القيمة (1.5 ليس أصغر من 1.0 ، وبالتالي الفشل):

  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 }
      }
    }
  }