การวิเคราะห์แบบจำลอง TensorFlow

จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ

ตัวอย่างส่วนประกอบหลักของ TensorFlow Extended (TFX)

TensorFlow รุ่นวิเคราะห์ (Tfma) เป็นห้องสมุดสำหรับการดำเนินการประเมินผลรูปแบบทั่วทั้งชิ้นที่แตกต่างกันของข้อมูล Tfma ดำเนินการคำนวณในลักษณะกระจายจำนวนมากในช่วงของข้อมูลโดยใช้ Apache Beam

ตัวอย่างสมุดบันทึก colab นี้แสดงให้เห็นว่า TFMA สามารถใช้เพื่อตรวจสอบและแสดงภาพประสิทธิภาพของแบบจำลองอย่างไรโดยคำนึงถึงลักษณะของชุดข้อมูล เราจะใช้โมเดลที่เราฝึกมาก่อนหน้านี้ และตอนนี้คุณก็ได้เล่นกับผลลัพธ์แล้ว! รูปแบบที่เราได้รับการฝึกฝนเป็นสำหรับ ชิคาโกแท็กซี่ตัวอย่าง ซึ่งใช้ รถแท็กซี่การเดินทางชุดข้อมูลที่ ปล่อยออกมาจากเมืองชิคาโก สำรวจชุดเต็มรูปแบบใน BigQuery UI

ในฐานะผู้สร้างโมเดลและนักพัฒนา ให้นึกถึงวิธีการใช้ข้อมูลนี้ รวมถึงประโยชน์และอันตรายที่อาจเกิดขึ้นจากการคาดคะเนของแบบจำลอง แบบจำลองเช่นนี้สามารถเสริมสร้างอคติและความเหลื่อมล้ำทางสังคมได้ คุณลักษณะที่เกี่ยวข้องกับปัญหาที่คุณต้องการแก้ไขหรือจะทำให้เกิดความลำเอียงหรือไม่? สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการอ่าน ML ความเป็นธรรม

คอลัมน์ในชุดข้อมูลคือ:

รถปิคอัพ_ชุมชน_พื้นที่ ค่าโดยสาร trip_start_month
trip_start_hour trip_start_day trip_start_timestamp
รถปิคอัพ_ละติจูด รถกระบะ_ลองจิจูด dropoff_latitude
dropoff_longitude trip_miles pickup_census_tract
dropoff_census_tract ประเภทการชำระเงิน บริษัท
trip_seconds dropoff_community_area เคล็ดลับ

ติดตั้ง Jupyter Extensions

jupyter nbextension enable --py widgetsnbextension --sys-prefix 
jupyter nbextension install --py --symlink tensorflow_model_analysis --sys-prefix 
jupyter nbextension enable --py tensorflow_model_analysis --sys-prefix 

ติดตั้ง TensorFlow Model Analysis (TFMA)

สิ่งนี้จะดึงการพึ่งพาทั้งหมดและจะใช้เวลาสักครู่

# Upgrade pip to the latest, and install TFMA.
pip install -U pip
pip install tensorflow-model-analysis

ตอนนี้ คุณต้องรีสตาร์ทรันไทม์ก่อนเรียกใช้เซลล์ด้านล่าง

# This setup was tested with TF 2.5 and TFMA 0.31 (using colab), but it should
# also work with the latest release.
import sys

# Confirm that we're using Python 3
assert sys.version_info.major==3, 'This notebook must be run using Python 3.'

import tensorflow as tf
print('TF version: {}'.format(tf.__version__))
import apache_beam as beam
print('Beam version: {}'.format(beam.__version__))
import tensorflow_model_analysis as tfma
print('TFMA version: {}'.format(tfma.__version__))
TF version: 2.4.4
Beam version: 2.34.0
TFMA version: 0.29.0

โหลดไฟล์

เราจะดาวน์โหลดไฟล์ tar ที่มีทุกอย่างที่เราต้องการ ซึ่งรวมถึง:

  • ชุดข้อมูลการฝึกอบรมและประเมินผล
  • สคีมาข้อมูล
  • การฝึกอบรมและการให้บริการแบบจำลองที่บันทึกไว้ (keras และตัวประมาณค่า) และแบบจำลองที่บันทึกไว้ของการประเมิน (ตัวประมาณค่า)
# Download the tar file from GCP and extract it
import io, os, tempfile
TAR_NAME = 'saved_models-2.2'
BASE_DIR = tempfile.mkdtemp()
DATA_DIR = os.path.join(BASE_DIR, TAR_NAME, 'data')
MODELS_DIR = os.path.join(BASE_DIR, TAR_NAME, 'models')
SCHEMA = os.path.join(BASE_DIR, TAR_NAME, 'schema.pbtxt')
OUTPUT_DIR = os.path.join(BASE_DIR, 'output')

!curl -O https://storage.googleapis.com/artifacts.tfx-oss-public.appspot.com/datasets/{TAR_NAME}.tar
!tar xf {TAR_NAME}.tar
!mv {TAR_NAME} {BASE_DIR}
!rm {TAR_NAME}.tar

print("Here's what we downloaded:")
!ls -R {BASE_DIR}
% Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100 6800k  100 6800k    0     0  28.2M      0 --:--:-- --:--:-- --:--:-- 28.2M
Here's what we downloaded:
/tmp/tmp_at9q62d:
saved_models-2.2

/tmp/tmp_at9q62d/saved_models-2.2:
data  models  schema.pbtxt

/tmp/tmp_at9q62d/saved_models-2.2/data:
eval  train

/tmp/tmp_at9q62d/saved_models-2.2/data/eval:
data.csv

/tmp/tmp_at9q62d/saved_models-2.2/data/train:
data.csv

/tmp/tmp_at9q62d/saved_models-2.2/models:
estimator  keras

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator:
eval_model_dir  serving_model_dir

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir:
1591221811

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811:
saved_model.pb  tmp.pbtxt  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir:
checkpoint
eval_chicago-taxi-eval
events.out.tfevents.1591221780.my-pipeline-b57vp-237544850
export
graph.pbtxt
model.ckpt-100.data-00000-of-00001
model.ckpt-100.index
model.ckpt-100.meta

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/eval_chicago-taxi-eval:
events.out.tfevents.1591221799.my-pipeline-b57vp-237544850

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export:
chicago-taxi

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi:
1591221801

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi/1591221801:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi/1591221801/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/keras:
0  1  2

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/0:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/0/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/1:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/1/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/2:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/2/variables:
variables.data-00000-of-00001  variables.index

แยกวิเคราะห์ Schema

ในสิ่งที่เราดาวน์โหลดมาเป็นสคีข้อมูลของเราที่ถูกสร้างขึ้นโดย TensorFlow การตรวจสอบข้อมูล มาแยกวิเคราะห์กันตอนนี้เพื่อที่เราจะใช้กับ TFMA ได้

import tensorflow as tf
from google.protobuf import text_format
from tensorflow.python.lib.io import file_io
from tensorflow_metadata.proto.v0 import schema_pb2
from tensorflow.core.example import example_pb2

schema = schema_pb2.Schema()
contents = file_io.read_file_to_string(SCHEMA)
schema = text_format.Parse(contents, schema)

ใช้สคีมาเพื่อสร้าง TFRecords

เราจำเป็นต้องให้ TFMA เข้าถึงชุดข้อมูลของเรา เรามาสร้างไฟล์ TFRecords กัน เราสามารถใช้สคีมาของเราเพื่อสร้างมันขึ้นมาได้ เนื่องจากมันทำให้เรามีประเภทที่ถูกต้องสำหรับแต่ละฟีเจอร์

import csv

datafile = os.path.join(DATA_DIR, 'eval', 'data.csv')
reader = csv.DictReader(open(datafile, 'r'))
examples = []
for line in reader:
  example = example_pb2.Example()
  for feature in schema.feature:
    key = feature.name
    if feature.type == schema_pb2.FLOAT:
      example.features.feature[key].float_list.value[:] = (
          [float(line[key])] if len(line[key]) > 0 else [])
    elif feature.type == schema_pb2.INT:
      example.features.feature[key].int64_list.value[:] = (
          [int(line[key])] if len(line[key]) > 0 else [])
    elif feature.type == schema_pb2.BYTES:
      example.features.feature[key].bytes_list.value[:] = (
          [line[key].encode('utf8')] if len(line[key]) > 0 else [])
  # Add a new column 'big_tipper' that indicates if tips was > 20% of the fare. 
  # TODO(b/157064428): Remove after label transformation is supported for Keras.
  big_tipper = float(line['tips']) > float(line['fare']) * 0.2
  example.features.feature['big_tipper'].float_list.value[:] = [big_tipper]
  examples.append(example)

tfrecord_file = os.path.join(BASE_DIR, 'train_data.rio')
with tf.io.TFRecordWriter(tfrecord_file) as writer:
  for example in examples:
    writer.write(example.SerializeToString())

!ls {tfrecord_file}
/tmp/tmp_at9q62d/train_data.rio

ตั้งค่าและเรียกใช้ TFMA

TFMA รองรับโมเดลประเภทต่างๆ มากมาย รวมถึงโมเดล TF keras โมเดลที่อิงตาม API ลายเซ็น TF2 ทั่วไป รวมถึงโมเดลที่อิงตาม TF estimator get_started คู่มือมีรายการเต็มรูปแบบของประเภทรูปแบบการสนับสนุนและข้อ จำกัด ใด ๆ สำหรับตัวอย่างนี้เราจะแสดงให้เห็นว่าการกำหนดค่า keras รูปแบบตามเช่นเดียวกับรูปแบบตามประมาณการที่ถูกบันทึกไว้ในฐานะที่เป็น EvalSavedModel ดู คำถามที่พบบ่อย สำหรับตัวอย่างของการกำหนดค่าอื่น ๆ

TFMA ให้การสนับสนุนสำหรับการคำนวณตัววัดที่ใช้ในเวลาฝึกอบรม (เช่น ตัววัดในตัว) รวมถึงตัววัดที่กำหนดหลังจากบันทึกแบบจำลองเป็นส่วนหนึ่งของการตั้งค่าการกำหนดค่า TFMA สำหรับเรา keras ติดตั้ง เราจะแสดงให้เห็นถึงการเพิ่มตัวชี้วัดและแผนการของเราด้วยตนเองเป็นส่วนหนึ่งของการกำหนดค่าของเรา (ดู ตัวชี้วัด คู่มือสำหรับข้อมูลเกี่ยวกับตัวชี้วัดและลงจุดที่ได้รับการสนับสนุน) สำหรับการตั้งค่าตัวประมาณ เราจะใช้ตัววัดในตัวที่บันทึกไว้พร้อมกับแบบจำลอง การตั้งค่าของเรายังรวมถึงข้อกำหนดการแบ่งส่วนจำนวนหนึ่ง ซึ่งจะกล่าวถึงในรายละเอียดเพิ่มเติมในส่วนต่อไปนี้

หลังจากสร้าง tfma.EvalConfig และ tfma.EvalSharedModel แล้วเราก็สามารถเรียกใช้ Tfma tfma.run_model_analysis นี้จะสร้าง tfma.EvalResult ที่เราสามารถใช้ในภายหลังสำหรับการแสดงผลตัวชี้วัดและแผนการของเรา

Keras

import tensorflow_model_analysis as tfma

# Setup tfma.EvalConfig settings
keras_eval_config = text_format.Parse("""
  ## Model information
  model_specs {
    # For keras (and serving models) we need to add a `label_key`.
    label_key: "big_tipper"
  }

  ## Post training metric information. These will be merged with any built-in
  ## metrics from training.
  metrics_specs {
    metrics { class_name: "ExampleCount" }
    metrics { class_name: "BinaryAccuracy" }
    metrics { class_name: "BinaryCrossentropy" }
    metrics { class_name: "AUC" }
    metrics { class_name: "AUCPrecisionRecall" }
    metrics { class_name: "Precision" }
    metrics { class_name: "Recall" }
    metrics { class_name: "MeanLabel" }
    metrics { class_name: "MeanPrediction" }
    metrics { class_name: "Calibration" }
    metrics { class_name: "CalibrationPlot" }
    metrics { class_name: "ConfusionMatrixPlot" }
    # ... add additional metrics and plots ...
  }

  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["trip_start_hour"]
  }
  slicing_specs {
    feature_keys: ["trip_start_day"]
  }
  slicing_specs {
    feature_values: {
      key: "trip_start_month"
      value: "1"
    }
  }
  slicing_specs {
    feature_keys: ["trip_start_hour", "trip_start_day"]
  }
""", tfma.EvalConfig())

# Create a tfma.EvalSharedModel that points at our keras model.
keras_model_path = os.path.join(MODELS_DIR, 'keras', '2')
keras_eval_shared_model = tfma.default_eval_shared_model(
    eval_saved_model_path=keras_model_path,
    eval_config=keras_eval_config)

keras_output_path = os.path.join(OUTPUT_DIR, 'keras')

# Run TFMA
keras_eval_result = tfma.run_model_analysis(
    eval_shared_model=keras_eval_shared_model,
    eval_config=keras_eval_config,
    data_location=tfrecord_file,
    output_path=keras_output_path)
2021-12-04 10:18:15.463173: W tensorflow/stream_executor/platform/default/dso_loader.cc:60] Could not load dynamic library 'libcusolver.so.10'; dlerror: libcusolver.so.10: cannot open shared object file: No such file or directory
2021-12-04 10:18:15.464249: W tensorflow/core/common_runtime/gpu/gpu_device.cc:1757] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
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.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:113: 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:113: 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)`

ประมาณการ

import tensorflow_model_analysis as tfma

# Setup tfma.EvalConfig settings
estimator_eval_config = text_format.Parse("""
  ## Model information
  model_specs {
    # To use EvalSavedModel set `signature_name` to "eval".
    signature_name: "eval"
  }

  ## Post training metric information. These will be merged with any built-in
  ## metrics from training.
  metrics_specs {
    metrics { class_name: "ConfusionMatrixPlot" }
    # ... add additional metrics and plots ...
  }

  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["trip_start_hour"]
  }
  slicing_specs {
    feature_keys: ["trip_start_day"]
  }
  slicing_specs {
    feature_values: {
      key: "trip_start_month"
      value: "1"
    }
  }
  slicing_specs {
    feature_keys: ["trip_start_hour", "trip_start_day"]
  }
""", tfma.EvalConfig())

# Create a tfma.EvalSharedModel that points at our eval saved model.
estimator_base_model_path = os.path.join(
    MODELS_DIR, 'estimator', 'eval_model_dir')
estimator_model_path = os.path.join(
    estimator_base_model_path, os.listdir(estimator_base_model_path)[0])
estimator_eval_shared_model = tfma.default_eval_shared_model(
    eval_saved_model_path=estimator_model_path,
    eval_config=estimator_eval_config)

estimator_output_path = os.path.join(OUTPUT_DIR, 'estimator')

# Run TFMA
estimator_eval_result = tfma.run_model_analysis(
    eval_shared_model=estimator_eval_shared_model,
    eval_config=estimator_eval_config,
    data_location=tfrecord_file,
    output_path=estimator_output_path)
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
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/eval_saved_model/load.py:169: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/eval_saved_model/load.py:169: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
INFO:tensorflow:Restoring parameters from /tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables/variables
INFO:tensorflow:Restoring parameters from /tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables/variables
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/eval_saved_model/graph_ref.py:189: get_tensor_from_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.get_tensor_from_tensor_info or tf.compat.v1.saved_model.get_tensor_from_tensor_info.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/eval_saved_model/graph_ref.py:189: get_tensor_from_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.get_tensor_from_tensor_info or tf.compat.v1.saved_model.get_tensor_from_tensor_info.

การแสดงภาพเมตริกและพล็อต

ตอนนี้เราได้ทำการประเมินแล้ว มาดูการแสดงภาพของเราโดยใช้ TFMA สำหรับตัวอย่างต่อไปนี้ เราจะเห็นภาพผลลัพธ์จากการรันการประเมินบนโมเดล keras เพื่อดูประมาณการตามการปรับปรุงรูปแบบ eval_result ไปยังจุดที่เรา estimator_eval_result ตัวแปร

eval_result = keras_eval_result
# eval_result = estimator_eval_result

เมตริกการแสดงผล

ตัวชี้วัดมุมมองที่คุณใช้ tfma.view.render_slicing_metrics

โดยค่าเริ่มต้นมุมมองที่จะแสดง Overall ชิ้น เพื่อดูชิ้นโดยเฉพาะอย่างยิ่งคุณสามารถใช้ชื่อของคอลัมน์ (โดยการตั้งค่า slicing_column ) หรือให้ tfma.SlicingSpec

การแสดงภาพเมทริกสนับสนุนการโต้ตอบต่อไปนี้:

  • คลิกแล้วลากเพื่อเลื่อน
  • เลื่อนเพื่อซูม
  • คลิกขวาเพื่อรีเซ็ตมุมมอง
  • วางเมาส์เหนือจุดข้อมูลที่ต้องการเพื่อดูรายละเอียดเพิ่มเติม
  • เลือกจากมุมมองที่แตกต่างกันสี่ประเภทโดยใช้การเลือกที่ด้านล่าง

ตัวอย่างเช่นเราจะได้รับการตั้งค่า slicing_column ไปดูที่ trip_start_hour คุณลักษณะจากก่อนหน้าของเรา slicing_specs

tfma.view.render_slicing_metrics(eval_result, slicing_column='trip_start_hour')
SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_hour:2', …

ภาพรวมสไลซ์

สร้างภาพเริ่มต้นคือภาพรวมชิ้นเมื่อจำนวนของชิ้นที่มีขนาดเล็ก มันแสดงค่าของตัวชี้วัดสำหรับแต่ละชิ้น เนื่องจากเราได้เลือก trip_start_hour ข้างต้นก็แสดงให้เราเห็นตัวชี้วัดเช่นความถูกต้องและ AUC สำหรับแต่ละชั่วโมงซึ่งช่วยให้เราสามารถมองหาประเด็นที่มีความเฉพาะเจาะจงกับชั่วโมงบางอย่างและไม่ได้คนอื่น ๆ

ในการแสดงภาพด้านบน:

  • ลองเรียงลำดับคอลัมน์คุณลักษณะซึ่งเป็นของเรา trip_start_hours มีโดยคลิกที่ส่วนหัวของคอลัมน์
  • ลองเรียงลำดับตามความแม่นยำและแจ้งให้ทราบว่ามีความแม่นยำสำหรับบางส่วนของชั่วโมงด้วยตัวอย่างเป็น 0 ซึ่งอาจบ่งบอกถึงปัญหา

แผนภูมิยังช่วยให้เราเลือกและแสดงเมตริกต่างๆ ในส่วนของเราได้

  • ลองเลือกเมตริกอื่นจากเมนู "แสดง"
  • ลองเลือกการเรียกคืนในเมนู "แสดง" และแจ้งให้ทราบว่าการเรียกคืนสำหรับบางส่วนของชั่วโมงด้วยตัวอย่างเป็น 0 ซึ่งอาจบ่งบอกถึงปัญหา

นอกจากนี้ยังสามารถกำหนดเกณฑ์เพื่อกรองการแบ่งส่วนที่มีจำนวนตัวอย่างน้อยลง หรือ "น้ำหนัก" คุณสามารถพิมพ์จำนวนตัวอย่างขั้นต่ำ หรือใช้แถบเลื่อน

ฮิสโตแกรมเมตริก

มุมมองนี้ยังสนับสนุนตัวชี้วัด Histogram เป็นการสร้างภาพทางเลือกซึ่งเป็นมุมมองเริ่มต้นเมื่อจำนวนของชิ้นที่มีขนาดใหญ่ ผลลัพธ์จะถูกแบ่งออกเป็นกลุ่มและจำนวนชิ้น / น้ำหนักรวม / ทั้งสองสามารถมองเห็นได้ สามารถจัดเรียงคอลัมน์ได้โดยคลิกที่ส่วนหัวของคอลัมน์ ชิ้นที่มีน้ำหนักน้อยสามารถกรองออกได้โดยการตั้งค่าเกณฑ์ สามารถใช้การกรองเพิ่มเติมได้โดยการลากแถบสีเทา หากต้องการรีเซ็ตช่วง ให้ดับเบิลคลิกที่แบนด์ การกรองยังสามารถใช้เพื่อลบค่าผิดปกติในการแสดงภาพและตารางตัวชี้วัด คลิกไอคอนรูปเฟืองเพื่อเปลี่ยนเป็นมาตราส่วนลอการิทึมแทนมาตราส่วนเชิงเส้น

  • ลองเลือก "เมตริกฮิสโตแกรม" ในเมนูการแสดงภาพ

ชิ้นเพิ่มเติม

ครั้งแรกของเรา tfma.EvalConfig สร้างรายชื่อทั้งหมดของ slicing_specs ซึ่งเราสามารถเห็นภาพข้อมูลการปรับปรุงชิ้นส่งผ่านไปยัง tfma.view.render_slicing_metrics ที่นี่เราจะเลือก trip_start_day ชิ้น (วันของสัปดาห์) ลองเปลี่ยน trip_start_day เพื่อ trip_start_month และการแสดงผลอีกครั้งเพื่อตรวจสอบชิ้นที่แตกต่างกัน

tfma.view.render_slicing_metrics(eval_result, slicing_column='trip_start_day')
SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_day:3', '…

TFMA ยังสนับสนุนการสร้างคุณลักษณะข้ามเพื่อวิเคราะห์การผสมผสานของคุณลักษณะต่างๆ การตั้งค่าเดิมของเราที่สร้างข้าม trip_start_hour และ trip_start_day :

tfma.view.render_slicing_metrics(
    eval_result,
    slicing_spec=tfma.SlicingSpec(
        feature_keys=['trip_start_hour', 'trip_start_day']))
SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_day_X_tri…

การข้ามสองคอลัมน์ทำให้เกิดชุดค่าผสมมากมาย! Let 's แคบลงข้ามของเราที่จะมองเฉพาะในการเดินทางที่เริ่มต้นที่เที่ยง แล้วให้เลือกของ binary_accuracy จากการสร้างภาพ:

tfma.view.render_slicing_metrics(
    eval_result,
    slicing_spec=tfma.SlicingSpec(
        feature_keys=['trip_start_day'], feature_values={'trip_start_hour': '12'}))
SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_day_X_tri…

การแสดงพล็อต

แปลงใด ๆ ที่ถูกเพิ่มเข้าไปใน tfma.EvalConfig การฝึกอบรมการโพสต์ metric_specs สามารถแสดงผลได้โดยใช้ tfma.view.render_plot

เช่นเดียวกับเมตริก แปลงสามารถดูได้โดยการแบ่งส่วน ซึ่งแตกต่างจากตัวชี้วัดเพียงแปลงสำหรับค่าชิ้นโดยเฉพาะอย่างยิ่งสามารถแสดงผลได้ดังนั้น tfma.SlicingSpec จะต้องใช้และจะต้องระบุทั้งชื่อคุณลักษณะชิ้นและความคุ้มค่า ถ้าไม่มีชิ้นมีให้แล้วแปลงสำหรับการ Overall ชิ้นถูกนำมาใช้

ในตัวอย่างด้านล่างเราจะแสดง CalibrationPlot และ ConfusionMatrixPlot แปลงที่ถูกคำนวณสำหรับ trip_start_hour:1 ชิ้น

tfma.view.render_plot(
    eval_result,
    tfma.SlicingSpec(feature_values={'trip_start_hour': '1'}))
PlotViewer(config={'sliceName': 'trip_start_hour:1', 'metricKeys': {'calibrationPlot': {'metricName': 'calibra…

การติดตามประสิทธิภาพของแบบจำลองเมื่อเวลาผ่านไป

ชุดข้อมูลการฝึกของคุณจะใช้สำหรับการฝึกโมเดลของคุณ และหวังว่าจะเป็นตัวแทนของชุดข้อมูลทดสอบของคุณ และข้อมูลที่จะถูกส่งไปยังแบบจำลองของคุณในการผลิต อย่างไรก็ตาม แม้ว่าข้อมูลในคำขออนุมานอาจยังคงเหมือนเดิมกับข้อมูลการฝึกของคุณ ในหลายกรณี ข้อมูลจะเริ่มเปลี่ยนแปลงมากพอที่ประสิทธิภาพของแบบจำลองของคุณจะเปลี่ยนไป

ซึ่งหมายความว่าคุณจำเป็นต้องตรวจสอบและวัดประสิทธิภาพของแบบจำลองของคุณอย่างต่อเนื่อง เพื่อที่คุณจะได้รับทราบและตอบสนองต่อการเปลี่ยนแปลง มาดูกันว่า TFMA สามารถช่วยได้อย่างไร

Let 's โหลด 3 ที่แตกต่างกันรูปแบบการทำงานและการใช้ Tfma เพื่อดูว่าพวกเขาเปรียบเทียบการใช้ render_time_series

# Note this re-uses the EvalConfig from the keras setup.

# Run eval on each saved model
output_paths = []
for i in range(3):
  # Create a tfma.EvalSharedModel that points at our saved model.
  eval_shared_model = tfma.default_eval_shared_model(
      eval_saved_model_path=os.path.join(MODELS_DIR, 'keras', str(i)),
      eval_config=keras_eval_config)

  output_path = os.path.join(OUTPUT_DIR, 'time_series', str(i))
  output_paths.append(output_path)

  # Run TFMA
  tfma.run_model_analysis(eval_shared_model=eval_shared_model,
                          eval_config=keras_eval_config,
                          data_location=tfrecord_file,
                          output_path=output_path)
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.

อย่างแรก เราจะจินตนาการว่าเราได้ฝึกและปรับใช้โมเดลของเราเมื่อวานนี้ และตอนนี้เราต้องการดูว่ามันเป็นอย่างไรกับข้อมูลใหม่ที่เข้ามาในวันนี้ การสร้างภาพข้อมูลจะเริ่มต้นด้วยการแสดง AUC จาก UI คุณสามารถ:

  • เพิ่มเมตริกอื่นๆ โดยใช้เมนู "เพิ่มชุดเมตริก"
  • ปิดกราฟที่ไม่ต้องการโดยคลิกที่ x
  • วางเมาส์เหนือจุดข้อมูล (จุดสิ้นสุดของส่วนของเส้นในกราฟ) เพื่อดูรายละเอียดเพิ่มเติม
eval_results_from_disk = tfma.load_eval_results(output_paths[:2])

tfma.view.render_time_series(eval_results_from_disk)
TimeSeriesViewer(config={'isModelCentric': True}, data=[{'metrics': {'': {'': {'binary_accuracy': {'doubleValu…

ตอนนี้ ลองจินตนาการว่าผ่านไปอีกวันแล้ว และเราต้องการดูว่าข้อมูลใหม่ที่เข้ามาในวันนี้เป็นอย่างไร เมื่อเทียบกับสองวันก่อนหน้า:

eval_results_from_disk = tfma.load_eval_results(output_paths)

tfma.view.render_time_series(eval_results_from_disk)
TimeSeriesViewer(config={'isModelCentric': True}, data=[{'metrics': {'': {'': {'binary_accuracy': {'doubleValu…

การตรวจสอบแบบจำลอง

TFMA สามารถกำหนดค่าให้ประเมินหลายรุ่นพร้อมกันได้ โดยทั่วไปจะทำเพื่อเปรียบเทียบรูปแบบใหม่กับเส้นฐาน (เช่น รูปแบบที่ให้บริการในปัจจุบัน) เพื่อกำหนดว่าความแตกต่างด้านประสิทธิภาพในตัวชี้วัด (เช่น AUC เป็นต้น) สัมพันธ์กับเส้นฐานอย่างไร เมื่อ เกณฑ์ มีการกำหนดค่า Tfma จะผลิต tfma.ValidationResult บันทึกระบุว่าประสิทธิภาพการทำงานที่ตรงกับ expecations

มากำหนดค่าการประเมิน keras ใหม่เพื่อเปรียบเทียบสองโมเดล: ผู้สมัครและบรรทัดฐาน นอกจากนี้เรายังจะตรวจสอบประสิทธิภาพการทำงานของผู้สมัครกับพื้นฐานโดยการตั้งค่า tmfa.MetricThreshold เมตริก AUC

# Setup tfma.EvalConfig setting
eval_config_with_thresholds = text_format.Parse("""
  ## Model information
  model_specs {
    name: "candidate"
    # For keras we need to add a `label_key`.
    label_key: "big_tipper"
  }
  model_specs {
    name: "baseline"
    # For keras we need to add a `label_key`.
    label_key: "big_tipper"
    is_baseline: true
  }

  ## Post training metric information
  metrics_specs {
    metrics { class_name: "ExampleCount" }
    metrics { class_name: "BinaryAccuracy" }
    metrics { class_name: "BinaryCrossentropy" }
    metrics {
      class_name: "AUC"
      threshold {
        # Ensure that AUC is always > 0.9
        value_threshold {
          lower_bound { value: 0.9 }
        }
        # Ensure that AUC does not drop by more than a small epsilon
        # e.g. (candidate - baseline) > -1e-10 or candidate > baseline - 1e-10
        change_threshold {
          direction: HIGHER_IS_BETTER
          absolute { value: -1e-10 }
        }
      }
    }
    metrics { class_name: "AUCPrecisionRecall" }
    metrics { class_name: "Precision" }
    metrics { class_name: "Recall" }
    metrics { class_name: "MeanLabel" }
    metrics { class_name: "MeanPrediction" }
    metrics { class_name: "Calibration" }
    metrics { class_name: "CalibrationPlot" }
    metrics { class_name: "ConfusionMatrixPlot" }
    # ... add additional metrics and plots ...
  }

  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["trip_start_hour"]
  }
  slicing_specs {
    feature_keys: ["trip_start_day"]
  }
  slicing_specs {
    feature_keys: ["trip_start_month"]
  }
  slicing_specs {
    feature_keys: ["trip_start_hour", "trip_start_day"]
  }
""", tfma.EvalConfig())

# Create tfma.EvalSharedModels that point at our keras models.
candidate_model_path = os.path.join(MODELS_DIR, 'keras', '2')
baseline_model_path = os.path.join(MODELS_DIR, 'keras', '1')
eval_shared_models = [
  tfma.default_eval_shared_model(
      model_name=tfma.CANDIDATE_KEY,
      eval_saved_model_path=candidate_model_path,
      eval_config=eval_config_with_thresholds),
  tfma.default_eval_shared_model(
      model_name=tfma.BASELINE_KEY,
      eval_saved_model_path=baseline_model_path,
      eval_config=eval_config_with_thresholds),
]

validation_output_path = os.path.join(OUTPUT_DIR, 'validation')

# Run TFMA
eval_result_with_validation = tfma.run_model_analysis(
    eval_shared_models,
    eval_config=eval_config_with_thresholds,
    data_location=tfrecord_file,
    output_path=validation_output_path)
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.

เมื่อทำการประเมินด้วยแบบจำลองตั้งแต่หนึ่งแบบจำลองขึ้นไปเทียบกับเส้นฐาน TFMA จะเพิ่มตัววัดส่วนต่างสำหรับตัววัดทั้งหมดที่คำนวณระหว่างการประเมินโดยอัตโนมัติ ตัวชี้วัดเหล่านี้จะถูกตั้งชื่อตามตัวชี้วัดที่สอดคล้องกัน แต่มี _diff ผนวกเข้ากับชื่อตัวชี้วัด

มาดูเมตริกที่เกิดจากการวิ่งของเรากัน:

tfma.view.render_time_series(eval_result_with_validation)
TimeSeriesViewer(config={'isModelCentric': True}, data=[{'metrics': {'': {'': {'binary_accuracy': {'doubleValu…

ทีนี้มาดูผลลัพธ์จากการตรวจสอบความถูกต้องของเรากัน เพื่อดูผลการตรวจสอบที่เราใช้ tfma.load_validator_result ตัวอย่างของเรา การตรวจสอบล้มเหลวเนื่องจาก AUC ต่ำกว่าเกณฑ์

validation_result = tfma.load_validation_result(validation_output_path)
print(validation_result.validation_ok)
False