تنظیم تحلیل مدل تنسورفلو

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

پیکربندی

TFMA پیکربندی آن در یک ذخیره پروتو است که به JSON سریال. این پروتو پیکربندی مورد نیاز برای داده های ورودی، داده های خروجی، مشخصات مدل، مشخصات متریک، و مشخصات برش را یکپارچه می کند.

تمام خطوط لوله TFMA با یک مدل پایه (اولیه) و مدل های کاندید صفر یا بیشتر (ثانویه) مرتبط هستند. خط مبنا و مدل کاندید توسط کاربر در ابتدای خط لوله تعریف می شود و هر یک به یک نام منحصر به فرد نیاز دارند. موارد زیر نمونه‌هایی از تنظیمات پیکربندی معمولی است که کاربر ممکن است از آن استفاده کند:

  • ارزیابی تک مدل:
    • N/A (یعنی بدون نام)
  • ارزیابی مبتنی بر اعتبارسنجی:
    • baseline
    • candidate
  • ارزیابی مقایسه مدل:
    • my_model_a
    • my_model_b

مشخصات مدل

مشخصات مدل از نوع هستند tfma.ModelSpec و به تعریف محل از یک مدل و همچنین سایر پارامترهای مدل خاص استفاده می شود. برای مثال موارد زیر تنظیمات معمولی هستند که باید قبل از اجرای ارزیابی پیکربندی شوند:

  • name - نام مدل (اگر مدل های متعدد استفاده می شود)
  • signature_name - نام امضا استفاده می شود برای پیش بینی (به طور پیش فرض است serving_default ). استفاده از eval اگر با استفاده از EvalSavedModel.
  • label_key - نام ویژگی مرتبط با برچسب.
  • example_weight_key - نام ویژگی assocated با وزن عنوان مثال.

مشخصات متریک

مشخصات متریک از نوع هستند tfma.MetricsSpec و به پیکربندی معیارهای است که به عنوان بخشی از ارزیابی محاسبه خواهد استفاده می شود. مشکلات مختلف یادگیری ماشین از انواع مختلفی از معیارها استفاده می کنند و TFMA گزینه های زیادی را برای پیکربندی و سفارشی کردن معیارهای محاسبه شده ارائه می دهد. از آنجا که معیارهای یک بخش بسیار زیادی از TFMA، آنها را در جزئیات به طور جداگانه در مورد بحث معیارهای .

مشخصات برش

مشخصات برش از نوع هستند tfma.SlicingSpec و به پیکربندی معیارهای برش خواهد شد که در طول ارزیابی استفاده می شود استفاده می شود. برش می توان یا با انجام feature_keys ، feature_values ، یا هر دو. چند نمونه از مشخصات برش به شرح زیر است:

  • {}
    • برش متشکل از داده های کلی.
  • { feature_keys: ["country"] }
    • برش برای همه مقادیر در ویژگی "کشور". به عنوان مثال، ممکن است برش های "country:us"، "country:jp"، و غیره را دریافت کنیم.
  • { feature_values: [{key: "country", value: "us"}] }
    • برشی متشکل از "country:us".
  • { feature_keys: ["country", "city"] }
    • برش‌هایی برای همه مقادیر در ویژگی "کشور" با همه مقادیر در ویژگی "شهر" تلاقی داده شده است (توجه داشته باشید که ممکن است گران باشد).
  • { feature_keys: ["country"] feature_values: [{key: "age", value: "20"}] }
    • برش‌ها برای همه مقادیر در ویژگی "country" با مقدار "age:20" تلاقی داده شده است

توجه داشته باشید که کلیدهای ویژگی ممکن است ویژگی های تبدیل شده یا ویژگی های ورودی خام باشند. مشاهده tfma.SlicingSpec برای اطلاعات بیشتر.

EvalSharedModel

علاوه بر تنظیمات پیکربندی، TFMA نیز نیاز است که یک نمونه از یک tfma.EvalSharedModel برای به اشتراک گذاری یک مدل بین موضوعات مختلف در همان پروسه ایجاد می شود. نمونه مدل مشترک شامل اطلاعاتی در مورد نوع مدل (keras و غیره) و نحوه بارگیری و پیکربندی مدل از مکان ذخیره شده آن روی دیسک (به عنوان مثال برچسب ها و غیره) است. tfma.default_eval_shared_model API را می توان مورد استفاده قرار گیرد برای ایجاد یک نمونه به طور پیش فرض یک مسیر و مجموعه ای از برچسب ها.