Thiết lập phân tích mô hình Tensorflow

Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.

Cấu hình

TFMA lưu trữ cấu hình của nó trong một proto được đăng để JSON. Proto này hợp nhất cấu hình cần thiết cho dữ liệu đầu vào, dữ liệu đầu ra, thông số kỹ thuật mô hình, thông số kỹ thuật số liệu và thông số kỹ thuật cắt.

Tất cả các đường ống TFMA được liên kết với mô hình đường cơ sở (chính) và không hoặc nhiều mô hình ứng viên (phụ). Đường cơ sở và mô hình ứng viên được người dùng xác định khi bắt đầu quy trình và mỗi mô hình yêu cầu một tên duy nhất. Sau đây là các ví dụ về thiết lập cấu hình điển hình mà người dùng có thể sử dụng:

  • Đánh giá mô hình đơn:
    • N / A (tức là không có tên)
  • Đánh giá dựa trên xác thực:
    • baseline
    • candidate
  • Đánh giá so sánh mô hình:
    • my_model_a
    • my_model_b

Thông số mô hình

Mô hình thông số kỹ thuật của loại tfma.ModelSpec và được sử dụng để xác định vị trí của một mô hình cũng như các thông số mô hình cụ thể khác. Ví dụ, sau đây là các cài đặt điển hình cần được định cấu hình trước khi chạy đánh giá:

  • name - tên của mô hình (nếu có nhiều mô hình sử dụng)
  • signature_name - tên của chữ ký được sử dụng để dự đoán (mặc định là serving_default ). Sử dụng eval nếu sử dụng một EvalSavedModel.
  • label_key - tên của tính năng liên quan đến nhãn.
  • example_weight_key - tên của tính năng assocated với ví dụ cân.

Thông số kỹ thuật số liệu

Metrics thông số kỹ thuật của loại tfma.MetricsSpec và được sử dụng để cấu hình các số liệu sẽ được tính như một phần của việc đánh giá. Các vấn đề học máy khác nhau sử dụng các loại số liệu khác nhau và TFMA cung cấp rất nhiều tùy chọn để định cấu hình và tùy chỉnh các số liệu được tính toán. Kể từ khi số liệu là một phần rất lớn của TFMA, họ đang thảo luận chi tiết cách riêng biệt trong số liệu .

Thông số kỹ thuật cắt lát

Cắt lát thông số kỹ thuật của loại tfma.SlicingSpec và được sử dụng để cấu hình các tiêu chí lát sẽ được sử dụng trong việc đánh giá. Cắt có thể được thực hiện bằng cách feature_keys , feature_values , hoặc cả hai. Một số ví dụ về thông số kỹ thuật cắt như sau:

  • {}
    • Lát bao gồm dữ liệu tổng thể.
  • { feature_keys: ["country"] }
    • Lát cho tất cả các giá trị trong đối tượng địa lý "quốc gia". Ví dụ: chúng tôi có thể nhận được các lát "country: us", "country: jp", v.v.
  • { feature_values: [{key: "country", value: "us"}] }
    • Lát bao gồm "quốc gia: chúng tôi".
  • { feature_keys: ["country", "city"] }
    • Lát cho tất cả các giá trị trong đối tượng địa lý "quốc gia" được gạch chéo với tất cả các giá trị trong đối tượng địa lý "thành phố" (lưu ý rằng điều này có thể đắt).
  • { feature_keys: ["country"] feature_values: [{key: "age", value: "20"}] }
    • Lát cho tất cả các giá trị trong đối tượng địa lý "quốc gia" được gạch chéo với giá trị "tuổi: 20"

Lưu ý rằng các phím tính năng có thể là các tính năng đã được biến đổi hoặc các tính năng đầu vào thô. Xem tfma.SlicingSpec để biết thêm thông tin.

EvalSharedModel

Ngoài các thiết lập cấu hình, TFMA cũng yêu cầu một thể hiện của một tfma.EvalSharedModel được tạo ra để chia sẻ một mô hình giữa nhiều chủ đề trong quá trình tương tự. Phiên bản mô hình được chia sẻ bao gồm thông tin về loại mô hình (keras, v.v.) và cách tải và cấu hình mô hình từ vị trí đã lưu của nó trên đĩa (ví dụ: thẻ, v.v.). Các tfma.default_eval_shared_model API có thể được sử dụng để tạo một đối tượng mặc định được đưa ra một con đường và tập hợp các thẻ.