Przegląd
TFMA obsługuje walidacji modelu poprzez ustanowienie progów wartości i progów zmiany na podstawie obsługiwanych metryk .
Konfiguracja
Ogólny próg wartości
Wartość progowa jest przydatna do bramkowania modelu kandydującego przez sprawdzenie, czy odpowiednie metryki są większe niż dolna granica i/lub mniejsza niż górna granica. Użytkownik może ustawić jedną lub obie wartości lower_bound i upper_bound. Dolna granica jest domyślnie ujemna nieskończoność, jeśli nie jest ustawiona, a górna granica jest domyślnie ustawiona na nieskończoność, jeśli nie jest ustawiona.
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))
Ogólny próg zmiany
Próg zmiany jest przydatny do bramkowania modelu kandydującego przez sprawdzenie, czy odpowiednia metryka jest większa/mniejsza niż model podstawowy. Istnieją dwa sposoby pomiaru zmiany: zmiana bezwzględna i zmiana względna. Aboslute zmiana jest obliczony jako wartość między diference danych modelu kandydat i odniesienia, a mianowicie v_c - v_b gdzie v_c oznacza wartość metryki kandydatem i v_b oznacza wartość wyjściową. Wartość względna względna różnica pomiędzy metryką kandydujących i wyjściowych, a mianowicie v_c / v_b. Próg bezwzględny i względny mogą współistnieć z modelem bramki według obu kryteriów. Oprócz ustawienia wartości progowych, użytkownik musi również skonfigurować MetricDirection. dla metryk o korzystnie wyższych wartościach (np. AUC) ustaw kierunek na HIGHER_IS_BETTER, dla metryk o korzystniej niższych wartościach (np. strata) ustaw kierunek na LOWER_IS_BETTER. Progi zmian wymagają oceny modelu podstawowego wraz z modelem kandydującym. Zobacz Przewodnik wprowadzający dla przykładu.
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)
Składanie rzeczy
Poniższy przykład łączy progi wartości i zmiany:
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)
Bardziej czytelne może być zapisanie konfiguracji w formacie proto:
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 można ustawić tak, aby bramkował zarówno metryki czasu uczenia modelu (albo model zapisany w modelu EvalSavedModel lub Keras), jak i metryki po uczeniu (zdefiniowane w konfiguracji TFMA). W przypadku metryk czasu uczenia progi są określone w tfma.MetricsSpec:
metrics_spec = tfma.MetricSpec(thresholds={'auc': auc_threshold})
W przypadku metryk po szkoleniu progi są definiowane bezpośrednio w tfma.MetricConfig:
metric_config = tfma.MetricConfig(class_name='TotalWeightedExample',
threshold=lower_bound)
Oto przykład wraz z innymi ustawieniami w 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)
Wyjście
Oprócz danych wyjściowych pliku metryk przez oceniającego, gdy używana jest walidacja, generowany jest również dodatkowy plik „walidacji”. Format ładowność jest ValidationResult . Dane wyjściowe będą miały „validation_ok” ustawione na True, gdy nie ma błędów. W przypadku awarii dostarczane są informacje o skojarzonych metrykach, progach i zaobserwowanych wartościach metryk. Poniżej znajduje się przykład, w którym „weighted_examle_count” nie spełnia progu wartości (1,5 jest nie mniejsze niż 1,0, a zatem niepowodzenie):
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 }
}
}
}