วิศวกรรม ML ที่ดีขึ้นด้วย ML Metadata

จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ

ดู tensorflow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

สมมติสถานการณ์ที่คุณตั้งค่าไปป์ไลน์ ML ที่ใช้งานจริงเพื่อจัดประเภทนกเพนกวิน ไปป์ไลน์จะดึงข้อมูลการฝึกของคุณ ฝึกฝนและประเมินโมเดล และผลักดันไปสู่การผลิต

อย่างไรก็ตาม เมื่อคุณลองใช้โมเดลนี้กับชุดข้อมูลขนาดใหญ่ขึ้นซึ่งมีนกเพนกวินประเภทต่างๆ อยู่ คุณสังเกตเห็นว่าแบบจำลองของคุณไม่ทำงานตามที่คาดไว้และเริ่มจำแนกสายพันธุ์อย่างไม่ถูกต้อง

ณ จุดนี้คุณมีความสนใจในการรู้:

  • วิธีใดมีประสิทธิภาพมากที่สุดในการดีบักโมเดลเมื่ออาร์ติแฟกต์ที่มีอยู่เท่านั้นคือโมเดลในการผลิต
  • ชุดข้อมูลการฝึกอบรมใดที่ใช้ในการฝึกอบรมโมเดล
  • การฝึกอบรมใดที่วิ่งไปสู่รุ่นที่ผิดพลาดนี้
  • ผลการประเมินแบบจำลองอยู่ที่ไหน?
  • จะเริ่มการดีบักได้ที่ไหน

ML เมตาดาต้า (MLMD) เป็นห้องสมุดที่ใช้ประโยชน์จากข้อมูลเมตาที่เกี่ยวข้องกับรุ่น ML เพื่อช่วยให้คุณตอบคำถามเหล่านี้และอื่น ๆ การเปรียบเทียบที่เป็นประโยชน์คือการคิดว่าข้อมูลเมตานี้เทียบเท่ากับการบันทึกในการพัฒนาซอฟต์แวร์ MLMD ช่วยให้คุณสามารถติดตามสิ่งประดิษฐ์และสายเลือดที่เกี่ยวข้องกับส่วนประกอบต่างๆ ของไปป์ไลน์ ML ของคุณได้อย่างน่าเชื่อถือ

ในบทช่วยสอนนี้ คุณจะตั้งค่า TFX Pipeline เพื่อสร้างแบบจำลองที่จำแนกเพนกวินออกเป็นสามสายพันธุ์ตามมวลกาย ความยาวและความลึกของยอดของพวกมัน และความยาวของครีบของพวกมัน จากนั้นคุณใช้ MLMD เพื่อติดตามการสืบเชื้อสายของส่วนประกอบไปป์ไลน์

ท่อส่งสัญญาณ TFX ใน Colab

Colab เป็นสภาพแวดล้อมการพัฒนาที่มีน้ำหนักเบาซึ่งแตกต่างอย่างมากจากสภาพแวดล้อมการใช้งานจริง ในการผลิต คุณอาจมีส่วนประกอบไปป์ไลน์ต่างๆ เช่น การนำเข้าข้อมูล การแปลง การฝึกโมเดล ประวัติการรัน ฯลฯ ในระบบแบบกระจายหลายระบบ สำหรับบทช่วยสอนนี้ คุณควรทราบว่ามีความแตกต่างที่สำคัญในการจัดเก็บ Orchestration และ Metadata - ทั้งหมดนี้ได้รับการจัดการภายใน Colab เรียนรู้เพิ่มเติมเกี่ยว TFX ใน Colab ที่นี่

ติดตั้ง

ขั้นแรก เราติดตั้งและนำเข้าแพ็คเกจที่จำเป็น ตั้งค่าเส้นทาง และดาวน์โหลดข้อมูล

อัพเกรด Pip

เพื่อหลีกเลี่ยงการอัพเกรด Pip ในระบบเมื่อรันในเครื่อง ให้ตรวจสอบว่าเรากำลังทำงานใน Colab หลักสูตรท้องถิ่นสามารถอัพเกรดแยกต่างหากได้

try:
  import colab
  !pip install --upgrade pip
except:
  pass

ติดตั้งและนำเข้า TFX

pip install -q -U tfx

นำเข้าแพ็คเกจ

คุณรีสตาร์ทรันไทม์หรือไม่

หากคุณกำลังใช้ Google Colab ในครั้งแรกที่คุณเรียกใช้เซลล์ด้านบน คุณต้องรีสตาร์ทรันไทม์โดยคลิกที่ปุ่ม "RESTART RUNTIME" ด้านบน หรือใช้เมนู "Runtime > Restart runtime ..." นี่เป็นเพราะวิธีที่ Colab โหลดแพ็คเกจ

import os
import tempfile
import urllib
import pandas as pd

import tensorflow_model_analysis as tfma
from tfx.orchestration.experimental.interactive.interactive_context import InteractiveContext

ตรวจสอบรุ่น TFX และ MLMD

from tfx import v1 as tfx
print('TFX version: {}'.format(tfx.__version__))
import ml_metadata as mlmd
print('MLMD version: {}'.format(mlmd.__version__))
TFX version: 1.4.0
MLMD version: 1.4.0

ดาวน์โหลดชุดข้อมูล

ใน Colab นี้เราจะใช้ ชุดข้อมูลที่พาลเมอร์เพนกวิน ซึ่งสามารถพบได้บน Github เราได้ดำเนินการโดยชุดข้อมูลที่ออกจากบันทึกที่ไม่สมบูรณ์และลดลง island และ sex คอลัมน์และเปลี่ยนป้ายกำกับเพื่อ int32 ชุดข้อมูลประกอบด้วยข้อมูลมวลกาย 334 รายการ ความยาวและความลึกของยอดของนกเพนกวิน และความยาวของครีบของพวกมัน คุณใช้ข้อมูลนี้เพื่อจำแนกนกเพนกวินให้เป็นหนึ่งในสามสายพันธุ์

DATA_PATH = 'https://raw.githubusercontent.com/tensorflow/tfx/master/tfx/examples/penguin/data/labelled/penguins_processed.csv'
_data_root = tempfile.mkdtemp(prefix='tfx-data')
_data_filepath = os.path.join(_data_root, "penguins_processed.csv")
urllib.request.urlretrieve(DATA_PATH, _data_filepath)
('/tmp/tfx-datal9104odr/penguins_processed.csv',
 <http.client.HTTPMessage at 0x7f9c6d8d2290>)

สร้าง InteractiveContext

การใช้องค์ประกอบ TFX โต้ตอบในสมุดบันทึกนี้สร้าง InteractiveContext InteractiveContext ใช้ไดเรกทอรีชั่วคราวกับฐานข้อมูลเช่น MLMD ชั่วคราว โปรดทราบว่าการโทรไปยัง InteractiveContext นี้ไม่มี-Ops นอกสภาพแวดล้อม Colab

โดยทั่วไปจะเป็นวิธีที่ดีไปยังกลุ่มคล้ายท่อวิ่งภายใต้ Context

interactive_context = InteractiveContext()
WARNING:absl:InteractiveContext pipeline_root argument not provided: using temporary directory /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8 as root for pipeline outputs.
WARNING:absl:InteractiveContext metadata_connection_config not provided: using SQLite ML Metadata database at /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/metadata.sqlite.

สร้างท่อส่งท่อ TFX

ไปป์ไลน์ TFX ประกอบด้วยส่วนประกอบหลายอย่างที่ทำงานด้านต่างๆ ของเวิร์กโฟลว์ ML ในสมุดบันทึกนี้คุณจะสร้างและเรียกใช้ ExampleGen , StatisticsGen , SchemaGen และ Trainer ส่วนประกอบและใช้ Evaluator และ Pusher องค์ประกอบในการประเมินและผลักดันรูปแบบการฝึกอบรม

โปรดดูที่ ส่วนประกอบกวดวิชา สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ TFX ส่วนประกอบท่อ

ยกตัวอย่างและเรียกใช้คอมโพเนนต์ examplegen

example_gen = tfx.components.CsvExampleGen(input_base=_data_root)
interactive_context.run(example_gen)
WARNING:apache_beam.runners.interactive.interactive_environment:Dependencies required for Interactive Beam PCollection visualization are not available, please use: `pip install apache-beam[interactive]` to install necessary dependencies to enable all data visualization features.
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.
WARNING:apache_beam.io.tfrecordio:Couldn't find python-snappy so the implementation of _TFRecordUtil._masked_crc32c is not as fast as it could be.

ยกตัวอย่างและเรียกใช้องค์ประกอบสถิติ

statistics_gen = tfx.components.StatisticsGen(
    examples=example_gen.outputs['examples'])
interactive_context.run(statistics_gen)
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.

ยกตัวอย่างและเรียกใช้ส่วนประกอบ Schemagen

infer_schema = tfx.components.SchemaGen(
    statistics=statistics_gen.outputs['statistics'], infer_feature_shape=True)
interactive_context.run(infer_schema)
WARNING: Logging before InitGoogleLogging() is written to STDERR
I1205 11:16:00.941947  6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type

ยกตัวอย่างและเรียกใช้องค์ประกอบเทรนเนอร์

# Define the module file for the Trainer component
trainer_module_file = 'penguin_trainer.py'
%%writefile {trainer_module_file}

# Define the training algorithm for the Trainer module file
import os
from typing import List, Text

import tensorflow as tf
from tensorflow import keras

from tfx import v1 as tfx
from tfx_bsl.public import tfxio

from tensorflow_metadata.proto.v0 import schema_pb2

# Features used for classification - culmen length and depth, flipper length,
# body mass, and species.

_LABEL_KEY = 'species'

_FEATURE_KEYS = [
    'culmen_length_mm', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g'
]


def _input_fn(file_pattern: List[Text],
              data_accessor: tfx.components.DataAccessor,
              schema: schema_pb2.Schema, batch_size: int) -> tf.data.Dataset:
  return data_accessor.tf_dataset_factory(
      file_pattern,
      tfxio.TensorFlowDatasetOptions(
          batch_size=batch_size, label_key=_LABEL_KEY), schema).repeat()


def _build_keras_model():
  inputs = [keras.layers.Input(shape=(1,), name=f) for f in _FEATURE_KEYS]
  d = keras.layers.concatenate(inputs)
  d = keras.layers.Dense(8, activation='relu')(d)
  d = keras.layers.Dense(8, activation='relu')(d)
  outputs = keras.layers.Dense(3)(d)
  model = keras.Model(inputs=inputs, outputs=outputs)
  model.compile(
      optimizer=keras.optimizers.Adam(1e-2),
      loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
      metrics=[keras.metrics.SparseCategoricalAccuracy()])
  return model


def run_fn(fn_args: tfx.components.FnArgs):
  schema = schema_pb2.Schema()
  tfx.utils.parse_pbtxt_file(fn_args.schema_path, schema)
  train_dataset = _input_fn(
      fn_args.train_files, fn_args.data_accessor, schema, batch_size=10)
  eval_dataset = _input_fn(
      fn_args.eval_files, fn_args.data_accessor, schema, batch_size=10)
  model = _build_keras_model()
  model.fit(
      train_dataset,
      epochs=int(fn_args.train_steps / 20),
      steps_per_epoch=20,
      validation_data=eval_dataset,
      validation_steps=fn_args.eval_steps)
  model.save(fn_args.serving_model_dir, save_format='tf')
Writing penguin_trainer.py

เรียกใช้ Trainer ส่วนประกอบ

trainer = tfx.components.Trainer(
    module_file=os.path.abspath(trainer_module_file),
    examples=example_gen.outputs['examples'],
    schema=infer_schema.outputs['schema'],
    train_args=tfx.proto.TrainArgs(num_steps=100),
    eval_args=tfx.proto.EvalArgs(num_steps=50))
interactive_context.run(trainer)
running bdist_wheel
running build
running build_py
creating build
creating build/lib
copying penguin_trainer.py -> build/lib
installing to /tmp/tmpum1crtxy
running install
running install_lib
copying build/lib/penguin_trainer.py -> /tmp/tmpum1crtxy
running install_egg_info
running egg_info
creating tfx_user_code_Trainer.egg-info
writing tfx_user_code_Trainer.egg-info/PKG-INFO
writing dependency_links to tfx_user_code_Trainer.egg-info/dependency_links.txt
writing top-level names to tfx_user_code_Trainer.egg-info/top_level.txt
writing manifest file 'tfx_user_code_Trainer.egg-info/SOURCES.txt'
reading manifest file 'tfx_user_code_Trainer.egg-info/SOURCES.txt'
writing manifest file 'tfx_user_code_Trainer.egg-info/SOURCES.txt'
Copying tfx_user_code_Trainer.egg-info to /tmp/tmpum1crtxy/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4-py3.7.egg-info
running install_scripts
creating /tmp/tmpum1crtxy/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/WHEEL
creating '/tmp/tmpo87nn6ey/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4-py3-none-any.whl' and adding '/tmp/tmpum1crtxy' to it
adding 'penguin_trainer.py'
adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/METADATA'
adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/WHEEL'
adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/top_level.txt'
adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/RECORD'
removing /tmp/tmpum1crtxy
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/setuptools/command/install.py:37: SetuptoolsDeprecationWarning: setup.py install is deprecated. Use build and pip and other standards-based tools.
  setuptools.SetuptoolsDeprecationWarning,
listing git files failed - pretending there aren't any
I1205 11:16:01.389324  6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type
I1205 11:16:01.392832  6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type
Processing /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/_wheels/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4-py3-none-any.whl
Installing collected packages: tfx-user-code-Trainer
Successfully installed tfx-user-code-Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4
Epoch 1/5
20/20 [==============================] - 1s 11ms/step - loss: 0.9891 - sparse_categorical_accuracy: 0.4300 - val_loss: 0.9594 - val_sparse_categorical_accuracy: 0.4800
Epoch 2/5
20/20 [==============================] - 0s 6ms/step - loss: 0.8369 - sparse_categorical_accuracy: 0.6350 - val_loss: 0.7484 - val_sparse_categorical_accuracy: 0.8200
Epoch 3/5
20/20 [==============================] - 0s 6ms/step - loss: 0.5289 - sparse_categorical_accuracy: 0.8350 - val_loss: 0.5068 - val_sparse_categorical_accuracy: 0.7800
Epoch 4/5
20/20 [==============================] - 0s 6ms/step - loss: 0.4481 - sparse_categorical_accuracy: 0.7800 - val_loss: 0.4125 - val_sparse_categorical_accuracy: 0.8600
Epoch 5/5
20/20 [==============================] - 0s 6ms/step - loss: 0.3068 - sparse_categorical_accuracy: 0.8650 - val_loss: 0.3279 - val_sparse_categorical_accuracy: 0.8300
2021-12-05 11:16:06.493168: W tensorflow/python/util/util.cc:348] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
INFO:tensorflow:Assets written to: /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/Trainer/model/4/Format-Serving/assets
INFO:tensorflow:Assets written to: /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/Trainer/model/4/Format-Serving/assets

ประเมินและผลักดันแบบจำลอง

ใช้ Evaluator องค์ประกอบในการประเมินและ 'อวยพร' รุ่นก่อนใช้ Pusher องค์ประกอบที่จะผลักดันรูปแบบไปยังไดเรกทอรีที่ให้บริการ

_serving_model_dir = os.path.join(tempfile.mkdtemp(),
                                  'serving_model/penguins_classification')
eval_config = tfma.EvalConfig(
    model_specs=[
        tfma.ModelSpec(label_key='species', signature_name='serving_default')
    ],
    metrics_specs=[
        tfma.MetricsSpec(metrics=[
            tfma.MetricConfig(
                class_name='SparseCategoricalAccuracy',
                threshold=tfma.MetricThreshold(
                    value_threshold=tfma.GenericValueThreshold(
                        lower_bound={'value': 0.6})))
        ])
    ],
    slicing_specs=[tfma.SlicingSpec()])
evaluator = tfx.components.Evaluator(
    examples=example_gen.outputs['examples'],
    model=trainer.outputs['model'],
    schema=infer_schema.outputs['schema'],
    eval_config=eval_config)
interactive_context.run(evaluator)
I1205 11:16:07.075275  6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type
I1205 11:16:07.078761  6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:114: tf_record_iterator (from tensorflow.python.lib.io.tf_record) is deprecated and will be removed in a future version.
Instructions for updating:
Use eager execution and: 
`tf.data.TFRecordDataset(path)`
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:114: tf_record_iterator (from tensorflow.python.lib.io.tf_record) is deprecated and will be removed in a future version.
Instructions for updating:
Use eager execution and: 
`tf.data.TFRecordDataset(path)`
pusher = tfx.components.Pusher(
    model=trainer.outputs['model'],
    model_blessing=evaluator.outputs['blessing'],
    push_destination=tfx.proto.PushDestination(
        filesystem=tfx.proto.PushDestination.Filesystem(
            base_directory=_serving_model_dir)))
interactive_context.run(pusher)
I1205 11:16:11.935312  6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type

การใช้ Pipeline TFX เติมฐานข้อมูล MLMD ในส่วนถัดไป คุณใช้ MLMD API เพื่อสืบค้นฐานข้อมูลนี้สำหรับข้อมูลเมตาดาต้า

สืบค้นฐานข้อมูล MLMD

ฐานข้อมูล MLMD เก็บข้อมูลเมทาดาทาสามประเภท:

  • ข้อมูลเมตาเกี่ยวกับไปป์ไลน์และข้อมูลเชื้อสายที่เกี่ยวข้องกับส่วนประกอบไปป์ไลน์
  • ข้อมูลเมตาเกี่ยวกับสิ่งประดิษฐ์ที่สร้างขึ้นในระหว่างการดำเนินการไปป์ไลน์
  • ข้อมูลเมตาเกี่ยวกับการประหารชีวิตของท่อส่ง

ไปป์ไลน์สภาพแวดล้อมการผลิตทั่วไปให้บริการหลายรุ่นเมื่อมีข้อมูลใหม่มาถึง เมื่อคุณพบผลลัพธ์ที่ผิดพลาดในแบบจำลองที่ให้บริการ คุณสามารถสืบค้นฐานข้อมูล MLMD เพื่อแยกแบบจำลองที่ผิดพลาด จากนั้นคุณสามารถติดตามสายเลือดของส่วนประกอบไปป์ไลน์ที่สอดคล้องกับโมเดลเหล่านี้เพื่อดีบักโมเดลของคุณ

ตั้งค่าข้อมูลเมตา (MD) ร้านด้วย InteractiveContext กำหนดไว้ก่อนหน้าในการค้นหาฐานข้อมูล MLMD

connection_config = interactive_context.metadata_connection_config
store = mlmd.MetadataStore(connection_config)

# All TFX artifacts are stored in the base directory
base_dir = connection_config.sqlite.filename_uri.split('metadata.sqlite')[0]

สร้างฟังก์ชันตัวช่วยเพื่อดูข้อมูลจากร้านค้า MD

def display_types(types):
  # Helper function to render dataframes for the artifact and execution types
  table = {'id': [], 'name': []}
  for a_type in types:
    table['id'].append(a_type.id)
    table['name'].append(a_type.name)
  return pd.DataFrame(data=table)
def display_artifacts(store, artifacts):
  # Helper function to render dataframes for the input artifacts
  table = {'artifact id': [], 'type': [], 'uri': []}
  for a in artifacts:
    table['artifact id'].append(a.id)
    artifact_type = store.get_artifact_types_by_id([a.type_id])[0]
    table['type'].append(artifact_type.name)
    table['uri'].append(a.uri.replace(base_dir, './'))
  return pd.DataFrame(data=table)
def display_properties(store, node):
  # Helper function to render dataframes for artifact and execution properties
  table = {'property': [], 'value': []}
  for k, v in node.properties.items():
    table['property'].append(k)
    table['value'].append(
        v.string_value if v.HasField('string_value') else v.int_value)
  for k, v in node.custom_properties.items():
    table['property'].append(k)
    table['value'].append(
        v.string_value if v.HasField('string_value') else v.int_value)
  return pd.DataFrame(data=table)

แรกแบบสอบถามร้าน MD สำหรับรายชื่อของที่เก็บไว้ทั้งหมดของ ArtifactTypes

display_types(store.get_artifact_types())

ถัดไปแบบสอบถามทั้งหมด PushedModel สิ่งประดิษฐ์

pushed_models = store.get_artifacts_by_type("PushedModel")
display_artifacts(store, pushed_models)

แบบสอบถามร้าน MD สำหรับรุ่นที่ถูกผลักล่าสุด บทช่วยสอนนี้มีเพียงหนึ่งรุ่นที่ผลักดัน

pushed_model = pushed_models[-1]
display_properties(store, pushed_model)

ขั้นตอนแรกในการดีบักโมเดลที่พุชคือการดูว่ามีการพุชโมเดลที่ได้รับการฝึกใดบ้าง และดูว่าข้อมูลการฝึกใดที่ใช้ในการฝึกโมเดลนั้น

MLMD จัดเตรียม API การแวะผ่านเพื่อดูกราฟที่มา ซึ่งคุณสามารถใช้วิเคราะห์ที่มาของแบบจำลองได้

def get_one_hop_parent_artifacts(store, artifacts):
  # Get a list of artifacts within a 1-hop of the artifacts of interest
  artifact_ids = [artifact.id for artifact in artifacts]
  executions_ids = set(
      event.execution_id
      for event in store.get_events_by_artifact_ids(artifact_ids)
      if event.type == mlmd.proto.Event.OUTPUT)
  artifacts_ids = set(
      event.artifact_id
      for event in store.get_events_by_execution_ids(executions_ids)
      if event.type == mlmd.proto.Event.INPUT)
  return [artifact for artifact in store.get_artifacts_by_id(artifacts_ids)]

แบบสอบถามสิ่งประดิษฐ์ผู้ปกครองสำหรับรุ่นที่ถูกผลัก

parent_artifacts = get_one_hop_parent_artifacts(store, [pushed_model])
display_artifacts(store, parent_artifacts)

สืบค้นคุณสมบัติสำหรับรุ่น

exported_model = parent_artifacts[0]
display_properties(store, exported_model)

แบบสอบถามสิ่งประดิษฐ์ต้นน้ำสำหรับโมเดล

model_parents = get_one_hop_parent_artifacts(store, [exported_model])
display_artifacts(store, model_parents)

รับข้อมูลการฝึกอบรมรุ่นที่ผ่านการฝึกอบรมด้วย

used_data = model_parents[0]
display_properties(store, used_data)

ตอนนี้ คุณมีข้อมูลการฝึกที่โมเดลฝึกด้วยแล้ว ให้สอบถามฐานข้อมูลอีกครั้งเพื่อค้นหาขั้นตอนการฝึก (การดำเนินการ) สอบถามร้านค้า MD สำหรับรายการประเภทการดำเนินการที่ลงทะเบียน

display_types(store.get_execution_types())

ขั้นตอนการฝึกอบรมเป็น ExecutionType ชื่อ tfx.components.trainer.component.Trainer สำรวจร้าน MD เพื่อเรียกใช้ผู้ฝึกสอนที่สอดคล้องกับโมเดลที่ผลัก

def find_producer_execution(store, artifact):
  executions_ids = set(
      event.execution_id
      for event in store.get_events_by_artifact_ids([artifact.id])
      if event.type == mlmd.proto.Event.OUTPUT)
  return store.get_executions_by_id(executions_ids)[0]

trainer = find_producer_execution(store, exported_model)
display_properties(store, trainer)

สรุป

ในบทช่วยสอนนี้ คุณได้เรียนรู้เกี่ยวกับวิธีการใช้ประโยชน์จาก MLMD เพื่อติดตามเชื้อสายของส่วนประกอบไปป์ไลน์ TFX ของคุณและแก้ไขปัญหา

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีใช้ MLMD โปรดดูแหล่งข้อมูลเพิ่มเติมเหล่านี้: