Configurazione dell'analisi del modello Tensorflow

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Configurazione

TFMA memorizza la sua configurazione in un proto che viene serializzato a JSON. Questo prototipo consolida la configurazione richiesta per i dati di input, i dati di output, le specifiche del modello, le specifiche metriche e le specifiche di slicing.

Tutte le pipeline TFMA sono associate a un modello di base (primario) e zero o più modelli candidati (secondari). Il modello di base e il modello candidato sono definiti dall'utente all'inizio della pipeline e richiedono ciascuno un nome univoco. Di seguito sono riportati esempi di configurazioni di configurazione tipiche che un utente può utilizzare:

  • Valutazione del modello unico:
    • N/A (cioè nessun nome)
  • Valutazione basata sulla convalida:
    • baseline
    • candidate
  • Valutazione del confronto del modello:
    • my_model_a
    • my_model_b

Specifiche del modello

Caratteristiche del modello sono di tipo tfma.ModelSpec e vengono utilizzati per definire la posizione di un modello così come altri parametri modello specifici. Ad esempio, le seguenti sono impostazioni tipiche che dovrebbero essere configurate prima di eseguire una valutazione:

  • name - nome del modello (se più modelli utilizzati)
  • signature_name - nome della firma utilizzati per le previsioni (di default è serving_default ). Utilizzare eval se si utilizza un EvalSavedModel.
  • label_key - nome della funzione associata con l'etichetta.
  • example_weight_key - nome della funzione assocated con il peso esempio.

Specifiche metriche

Caratteristiche metriche sono di tipo tfma.MetricsSpec e vengono utilizzati per configurare le metriche che verranno calcolati come parte della valutazione. Diversi problemi di apprendimento automatico utilizzano diversi tipi di metriche e TFMA offre molte opzioni per la configurazione e la personalizzazione delle metriche calcolate. Poiché le metriche sono una parte molto grande di TFMA, sono discusse in dettaglio separatamente in metriche .

Specifiche per affettare

Spec Affettare sono di tipo tfma.SlicingSpec e vengono utilizzati per configurare i criteri di fette che verranno utilizzati durante la valutazione. Affettare può essere fatto sia da feature_keys , feature_values , o entrambi. Alcuni esempi di specifiche per affettare sono i seguenti:

  • {}
    • Fetta composta da dati complessivi.
  • { feature_keys: ["country"] }
    • Fette per tutti i valori nella funzione "paese". Ad esempio, potremmo ottenere sezioni "country:us", "country:jp", ecc.
  • { feature_values: [{key: "country", value: "us"}] }
    • Fetta composta da "country:us".
  • { feature_keys: ["country", "city"] }
    • Fette per tutti i valori nella funzione "paese" incrociate con tutti i valori nella funzione "città" (notare che potrebbe essere costoso).
  • { feature_keys: ["country"] feature_values: [{key: "age", value: "20"}] }
    • Fette per tutti i valori nella funzione "paese" incrociate con il valore "età:20"

Si noti che le chiavi di funzione possono essere funzioni trasformate o funzioni di input non elaborate. Vedere tfma.SlicingSpec per ulteriori informazioni.

Modello condiviso di valutazione

Oltre alle impostazioni di configurazione, TFMA richiede anche che un'istanza di un tfma.EvalSharedModel essere creato per la condivisione di un modello tra più thread nello stesso processo. L'istanza del modello condiviso include informazioni sul tipo di modello (keras, ecc.) e su come caricare e configurare il modello dalla sua posizione salvata su disco (ad es. tag, ecc.). Il tfma.default_eval_shared_model API può essere utilizzata per creare un'istanza predefinita dato un percorso e set di tag.