การตรวจสอบแบบจำลองการวิเคราะห์แบบจำลองเทนเซอร์โฟลว์

ภาพรวม

Tfma สนับสนุนการตรวจสอบรูปแบบโดยการตั้งค่าเกณฑ์มูลค่าและการเปลี่ยนแปลงเกณฑ์ขึ้นอยู่กับ ตัวชี้วัดที่ได้รับการสนับสนุน

การกำหนดค่า

GenericValueThreshold

เกณฑ์ค่ามีประโยชน์ในการเกทโมเดลตัวเลือกโดยตรวจสอบว่าตัวชี้วัดที่สอดคล้องกันมีขนาดใหญ่กว่าขอบเขตล่างและ/หรือเล็กกว่าขอบเขตบนหรือไม่ ผู้ใช้สามารถตั้งค่าค่าขอบเขตล่างและค่าสูงสุดอย่างใดอย่างหนึ่งหรือทั้งสองค่า lower_bound มีค่าเริ่มต้นเป็นค่าอินฟินิตี้เชิงลบหากไม่ได้ตั้งค่า และค่าดีฟอลต์ upper_bound เป็นค่าอนันต์หากไม่ได้ตั้งค่า

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))

เกณฑ์การเปลี่ยนแปลงทั่วไป

เกณฑ์การเปลี่ยนแปลงมีประโยชน์ในการเกทโมเดลตัวเลือกโดยตรวจสอบว่าเมทริกที่เกี่ยวข้องมีขนาดใหญ่/เล็กกว่าตัวแบบพื้นฐานหรือไม่ มีสองวิธีที่สามารถวัดการเปลี่ยนแปลงได้: การเปลี่ยนแปลงแบบสัมบูรณ์และการเปลี่ยนแปลงสัมพัทธ์ การเปลี่ยนแปลง Aboslute จะถูกคำนวณเป็น diference ค่าระหว่างตัวชี้วัดของผู้สมัครและพื้นฐานรูปแบบคือ v_c - การ v_b ที่ v_c หมายถึงผู้สมัครที่ค่าตัวชี้วัดและ v_b หมายถึงมูลค่าพื้นฐาน ค่าสัมพัทธ์คือความแตกต่างความสัมพันธ์ระหว่างตัวชี้วัดของผู้สมัครและพื้นฐานคือ v_c / v_b เกณฑ์สัมบูรณ์และเกณฑ์สัมพัทธ์สามารถอยู่ร่วมกับแบบจำลองเกตตามเกณฑ์ทั้งสอง นอกจากการตั้งค่าเกณฑ์ ผู้ใช้ยังต้องกำหนดค่า MetricDirection สำหรับตัวชี้วัดที่มีค่าสูงกว่าในเกณฑ์ดี (เช่น AUC) ให้กำหนดทิศทางเป็น HIGHER_IS_BETTER สำหรับตัวชี้วัดที่มีค่าต่ำกว่าในเกณฑ์ดี (เช่น การสูญเสีย) ให้กำหนดทิศทางเป็น LOWER_IS_BETTER เกณฑ์การเปลี่ยนแปลงจำเป็นต้องมีแบบจำลองพื้นฐานเพื่อประเมินพร้อมกับแบบจำลองของผู้สมัคร ดู คู่มือการเริ่มต้น เช่น

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)

วางของกัน

ตัวอย่างต่อไปนี้รวมค่าและเกณฑ์การเปลี่ยนแปลง:

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)

การเขียนการกำหนดค่าในรูปแบบโปรโตอาจอ่านง่ายกว่า:

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 สามารถตั้งค่าให้เกตบนทั้งตัววัดเวลาการฝึกแบบจำลอง (แบบจำลอง EvalSavedModel หรือ Keras ที่บันทึกไว้) และตัววัดหลังการฝึก (กำหนดในการกำหนดค่า TFMA) สำหรับเมทริก Training Time ขีดจำกัดจะถูกระบุใน tfma.MetricsSpec:

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

สำหรับเมทริกหลังการฝึก ขีดจำกัดถูกกำหนดโดยตรงใน tfma.MetricConfig:

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

ต่อไปนี้คือตัวอย่างร่วมกับการตั้งค่าอื่นๆ ในEvalConfig:

# 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)

เอาท์พุต

นอกเหนือจากเอาต์พุตไฟล์เมทริกโดยผู้ประเมิน เมื่อใช้การตรวจสอบความถูกต้อง ไฟล์ "การตรวจสอบความถูกต้อง" เพิ่มเติมก็จะถูกส่งออกด้วย รูปแบบคือน้ำหนักบรรทุก ValidationResult ผลลัพธ์จะมีการตั้งค่า "validation_ok" เป็น True เมื่อไม่มีข้อผิดพลาด เมื่อมีความล้มเหลว ข้อมูลเกี่ยวกับเมตริกที่เกี่ยวข้อง เกณฑ์ และค่าเมตริกที่สังเกตพบ ต่อไปนี้คือตัวอย่างที่ "weighted_examle_count" ไม่ผ่านเกณฑ์ค่า (1.5 ไม่เล็กกว่า 1.0 ดังนั้น ความล้มเหลว):

  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 }
      }
    }
  }