इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

TensorFlow मॉडल विश्लेषण

TensorFlow विस्तारित (TFX) के प्रमुख घटक का एक उदाहरण

TensorFlow मॉडल विश्लेषण (TFMA) डेटा के विभिन्न स्लाइस में मॉडल मूल्यांकन करने के लिए एक पुस्तकालय है। टीएफएमए अपाचे बीम का उपयोग करके बड़ी मात्रा में डेटा पर वितरित तरीके से अपनी गणना करता है।

यह उदाहरण कोलाब नोटबुक दिखाता है कि किसी मॉडल के प्रदर्शन की जांच और कल्पना करने के लिए TFMA का उपयोग कैसे किया जा सकता है। हम एक मॉडल का उपयोग करेंगे जिसे हमने पहले प्रशिक्षित किया था, और अब आप परिणामों के साथ खेलते हैं! हमने जो मॉडल प्रशिक्षित किया वह शिकागो टैक्सी उदाहरण के लिए था, जो शिकागो शहर द्वारा जारी टैक्सी ट्रिप डेटासेट का उपयोग करता है। BigQuery UI में संपूर्ण डेटासेट देखें।

एक मॉडलर और डेवलपर के रूप में, यह सोचें कि इस डेटा का उपयोग कैसे किया जाता है और मॉडल की भविष्यवाणियों के संभावित लाभ और नुकसान का कारण बन सकता है। इस तरह का एक मॉडल सामाजिक पूर्वाग्रहों और विषमताओं पर लगाम लगा सकता है। क्या एक समस्या उस समस्या के लिए प्रासंगिक है जिसे आप हल करना चाहते हैं या यह पूर्वाग्रह का परिचय देगा? अधिक जानकारी के लिए, एमएल निष्पक्षता के बारे में पढ़ें।

डेटासेट में कॉलम हैं:

pickup_community_area किराया trip_start_month
trip_start_hour trip_start_day trip_start_timestamp
pickup_latitude pickup_longitude dropoff_latitude
dropoff_longitude trip_miles pickup_census_tract
dropoff_census_tract भुगतान के प्रकार कंपनी
trip_seconds dropoff_community_area युक्तियाँ

बृहस्पति एक्सटेंशन स्थापित करें

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 

TensorFlow मॉडल विश्लेषण (TFMA) स्थापित करें

यह सभी निर्भरता में खींच जाएगा, और एक मिनट लगेगा।

यह सुनिश्चित करने के लिए ध्यान दें कि सभी निर्भरताएं ठीक से स्थापित हैं, कोई त्रुटि नहीं होने से पहले आपको कई बार इस स्थापित चरण को फिर से चलाना पड़ सकता है।

# This setup was tested with TF 2.3 and TFMA 0.24 (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.'

print('Installing TensorFlow')
import tensorflow as tf
print('TF version: {}'.format(tf.__version__))

print('Installing Tensorflow Model Analysis and Dependencies')
!pip install -q tensorflow_model_analysis
import apache_beam as beam
print('Beam version: {}'.format(beam.__version__))
import tensorflow_model_analysis as tfma
print('TFMA version: {}'.format(tfma.__version__))
Installing TensorFlow
TF version: 2.3.1
Installing Tensorflow Model Analysis and Dependencies
ERROR: After October 2020 you may experience errors when installing or updating packages. This is because pip will change the way that it resolves dependency conflicts.

We recommend you use --use-feature=2020-resolver to test your packages with the new resolver before it becomes the default.

google-api-python-client 1.12.3 requires httplib2<1dev,>=0.15.0, but you'll have httplib2 0.9.2 which is incompatible.
Beam version: 2.24.0
TFMA version: 0.24.3

फ़ाइलें लोड करें

हम एक टार फाइल डाउनलोड करेंगे जिसमें वह सब कुछ है जो हमें चाहिए। इसमें शामिल है:

  • प्रशिक्षण और मूल्यांकन डेटासेट
  • डेटा स्कीमा
  • प्रशिक्षित मॉडल और सेव्ड मॉडल (केरस और एसेलेटर) और एवैल सेव्ड मॉडल (अनुमानक)।
# 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  25.4M      0 --:--:-- --:--:-- --:--:-- 25.3M
Here's what we downloaded:
/tmp/tmpj6t03cp6:
saved_models-2.2

/tmp/tmpj6t03cp6/saved_models-2.2:
data  models  schema.pbtxt

/tmp/tmpj6t03cp6/saved_models-2.2/data:
eval  train

/tmp/tmpj6t03cp6/saved_models-2.2/data/eval:
data.csv

/tmp/tmpj6t03cp6/saved_models-2.2/data/train:
data.csv

/tmp/tmpj6t03cp6/saved_models-2.2/models:
estimator  keras

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator:
eval_model_dir  serving_model_dir

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/eval_model_dir:
1591221811

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/eval_model_dir/1591221811:
saved_model.pb  tmp.pbtxt  variables

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmpj6t03cp6/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/tmpj6t03cp6/saved_models-2.2/models/estimator/serving_model_dir/eval_chicago-taxi-eval:
events.out.tfevents.1591221799.my-pipeline-b57vp-237544850

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/serving_model_dir/export:
chicago-taxi

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi:
1591221801

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi/1591221801:
saved_model.pb  variables

/tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi/1591221801/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmpj6t03cp6/saved_models-2.2/models/keras:
0  1  2

/tmp/tmpj6t03cp6/saved_models-2.2/models/keras/0:
saved_model.pb  variables

/tmp/tmpj6t03cp6/saved_models-2.2/models/keras/0/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmpj6t03cp6/saved_models-2.2/models/keras/1:
saved_model.pb  variables

/tmp/tmpj6t03cp6/saved_models-2.2/models/keras/1/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmpj6t03cp6/saved_models-2.2/models/keras/2:
saved_model.pb  variables

/tmp/tmpj6t03cp6/saved_models-2.2/models/keras/2/variables:
variables.data-00000-of-00001  variables.index

स्कीम को पार्स करें

हमारे द्वारा डाउनलोड की गई चीजों में से हमारे डेटा के लिए एक स्कीमा थी जो TensorFlow Data Validation द्वारा बनाई गई थी। आइए अब पार्स करें ताकि हम इसका उपयोग TFMA के साथ कर सकें।

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)

TFRecords बनाने के लिए स्कीमा का उपयोग करें

हमें अपने डेटासेट में TFMA का उपयोग करने की आवश्यकता है, तो चलिए TFRecords फाइल बनाते हैं। हम इसे बनाने के लिए अपने स्कीमा का उपयोग कर सकते हैं, क्योंकि यह हमें प्रत्येक सुविधा के लिए सही प्रकार देता है।

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/tmpj6t03cp6/train_data.rio

सेटअप और भागो TFMA

TFMA, TF keras मॉडल सहित कई विभिन्न प्रकार के मॉडल का समर्थन करता है, सामान्य TF2 हस्ताक्षर API पर आधारित मॉडल, साथ ही TF अनुमान आधारित मॉडल। Get_started गाइड में समर्थित मॉडल प्रकारों और किसी भी प्रतिबंध की पूरी सूची है। इस उदाहरण के लिए हम यह दिखाने जा रहे हैं कि कैसेर आधारित मॉडल और साथ ही एक अनुमानक आधारित मॉडल को कॉन्फ़िगर किया जाए जो कि एक EvalSavedModel रूप में सहेजा गया था। अन्य कॉन्फ़िगरेशन के उदाहरणों के लिए FAQ देखें।

TFMA उन मैट्रिक्स की गणना के लिए समर्थन प्रदान करता है जो प्रशिक्षण के समय (यानी बिल्ट-इन मेट्रिक्स) और साथ ही मॉडल को TFMA कॉन्फ़िगरेशन सेटिंग्स के भाग के रूप में सहेजे जाने के बाद परिभाषित किया गया था। हमारे केरस सेटअप के लिए हम अपने मेट्रिक्स और प्लॉट्स को मैन्युअल रूप से अपने कॉन्फ़िगरेशन के हिस्से के रूप में प्रदर्शित करेंगे (मेट्रिक्स और प्लॉट्स की जानकारी के लिए मेट्रिक्स गाइड देखें जो समर्थित हैं)। अनुमानक सेटअप के लिए हम अंतर्निहित मैट्रिक्स का उपयोग करेंगे जो मॉडल के साथ सहेजे गए थे। हमारे सेटअप में कई स्लाइसिंग स्पेक्स भी शामिल हैं जिनकी चर्चा निम्नलिखित वर्गों में अधिक विस्तार से की जाती है।

tfma.EvalConfig और tfma.EvalSharedModel बनाने के बाद हम tfma.run_model_analysis का उपयोग करके tfma.run_model_analysis चला सकते हैं। यह एक tfma.EvalResult जिसका उपयोग हम बाद में अपने मैट्रिक्स और भूखंडों को प्रस्तुत करने के लिए कर सकते हैं।

Keras

068294bd0 ​​
WARNING:absl:Tensorflow version (2.3.1) 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: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/python3.6/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:70: 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/python3.6/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:70: 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)`

क़ीमत लगानेवाला

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 (2.3.1) found. Note that TFMA support for TF 2.0 is currently in beta

Warning:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/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/python3.6/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/tmpj6t03cp6/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables/variables

INFO:tensorflow:Restoring parameters from /tmp/tmpj6t03cp6/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables/variables

Warning:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/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/python3.6/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.

विज़ुअलाइज़िंग मेट्रिक्स एंड प्लॉट्स

अब जब हमने मूल्यांकन चलाया है, तो टीएफएमए का उपयोग करके हमारे विज़ुअलाइज़ेशन पर एक नज़र डालें। निम्नलिखित उदाहरणों के लिए, हम केरस मॉडल पर मूल्यांकन चलाने से परिणामों की कल्पना करेंगे। आकलनकर्ता आधारित मॉडल अद्यतन देखने के लिए eval_result हमारे पर बात करने के लिए estimator_eval_result चर।

eval_result = keras_eval_result
# eval_result = estimator_eval_result

रेंडरिंग मेट्रिक्स

मैट्रिक्स देखने के लिए आप tfma.view.render_slicing_metrics उपयोग tfma.view.render_slicing_metrics

डिफ़ॉल्ट रूप से विचार Overall टुकड़ा प्रदर्शित करेगा। किसी विशेष स्लाइस को देखने के लिए आप या तो कॉलम के नाम का उपयोग कर सकते हैं ( slicing_column सेट slicing_column ) या एक tfma.SlicingSpec प्रदान करें।

मैट्रिक्स विज़ुअलाइज़ेशन निम्नलिखित इंटरैक्शन का समर्थन करता है:

  • क्लिक करें और पैन पर खींचें
  • ज़ूम करने के लिए स्क्रॉल करें
  • दृश्य रीसेट करने के लिए राइट क्लिक करें
  • अधिक विवरण देखने के लिए वांछित डेटा बिंदु पर होवर करें।
  • नीचे दिए गए चयनों का उपयोग करके चार अलग-अलग प्रकार के दृश्यों का चयन करें।

उदाहरण के लिए, हम अपने पिछले slicing_specs से trip_start_hour फ़ीचर को देखने के लिए slicing_column सेट करेंगे।

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

स्लाइस ओवरव्यू

स्लाइस की संख्या छोटी होने पर डिफ़ॉल्ट विज़ुअलाइज़ स्लाइस ओवरव्यू है। यह प्रत्येक स्लाइस के लिए मैट्रिक्स के मूल्यों को दर्शाता है। चूँकि हमने trip_start_hour चुना है, इसलिए यह हमें प्रत्येक घंटे के लिए सटीकता और एयूसी जैसी मैट्रिक्स दिखा रहा है, जो हमें उन मुद्दों की तलाश करने की अनुमति देता है जो कुछ घंटों के लिए विशिष्ट हैं और अन्य नहीं।

उपरोक्त दृश्य में:

  • स्तंभ शीर्षक पर क्लिक करके सुविधा स्तंभ, जो हमारी trip_start_hours सुविधा है, को सॉर्ट करने का प्रयास करें
  • परिशुद्धता के आधार पर छांटने की कोशिश करें, और ध्यान दें कि उदाहरणों के साथ कुछ घंटों के लिए परिशुद्धता 0 है, जो एक समस्या का संकेत हो सकता है

चार्ट हमें अपनी स्लाइस में विभिन्न मैट्रिक्स का चयन करने और प्रदर्शित करने की भी अनुमति देता है।

  • "शो" मेनू से विभिन्न मैट्रिक्स का चयन करने का प्रयास करें
  • "दिखाएँ" मेनू में याद करने का चयन करने का प्रयास करें, और ध्यान दें कि उदाहरण के साथ कुछ घंटों के लिए याद रखना 0 है, जो किसी समस्या का संकेत हो सकता है

उदाहरणों की छोटी संख्या या "भार" के साथ स्लाइस को फ़िल्टर करने के लिए एक दहलीज सेट करना भी संभव है। आप उदाहरणों की एक न्यूनतम संख्या टाइप कर सकते हैं, या स्लाइडर का उपयोग कर सकते हैं।

मेट्रिक्स हिस्टोग्राम

यह दृश्य एक वैकल्पिक विज़ुअलाइज़ेशन के रूप में मेट्रिक्स हिस्टोग्राम का भी समर्थन करता है, जो कि स्लाइस की संख्या बड़ी होने पर डिफ़ॉल्ट दृश्य भी है। परिणामों को बाल्टी में विभाजित किया जाएगा और स्लाइस / कुल वजन / दोनों की संख्या को कल्पना की जा सकती है। कॉलम हेडर पर क्लिक करके कॉलम को सॉर्ट किया जा सकता है। छोटे वजन वाले स्लाइस को थ्रेशोल्ड सेट करके फ़िल्टर किया जा सकता है। ग्रे बैंड को खींचकर आगे फ़िल्टरिंग लागू किया जा सकता है। सीमा को रीसेट करने के लिए, बैंड पर डबल क्लिक करें। विज़ुअलाइज़ेशन और मेट्रिक्स टेबल में आउटलेर्स को हटाने के लिए फ़िल्टरिंग का भी उपयोग किया जा सकता है। एक रेखीय पैमाने के बजाय लघुगणक पैमाने पर स्विच करने के लिए गियर आइकन पर क्लिक करें।

  • विज़ुअलाइज़ेशन मेनू में "मेट्रिक्स हिस्टोग्राम" का चयन करने का प्रयास करें

अधिक स्लाइस

हमारी प्रारंभिक tfma.EvalConfig की एक पूरी सूची बनाई slicing_specs है, जो हम करने के लिए पारित कर दिया अद्यतन करने टुकड़ा जानकारी से कल्पना कर सकते हैं tfma.view.render_slicing_metrics । यहाँ हम trip_start_day slice (सप्ताह के दिनों) का चयन करेंगे। trip_start_day को trip_start_month trip_start_day बदलने का प्रयास करें और विभिन्न स्लाइस की जांच करने के लिए फिर से प्रस्तुत करें।

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

TFMA सुविधाओं के संयोजन का विश्लेषण करने के लिए फीचर क्रॉस बनाने का भी समर्थन करता है। हमारी मूल सेटिंग्स ने एक क्रॉस trip_start_hour और 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…

दो स्तंभों को पार करने से बहुत सारे संयोजन बनते हैं! चलिए केवल दोपहर को शुरू होने वाली यात्राओं को देखने के लिए अपने क्रॉस को नीचे की ओर करें। तब दृश्य से binary_accuracy का चयन करें:

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…

भूखंडों का प्रतिपादन

किसी भी भूखंडों कि करने के लिए जोड़ा गया था tfma.EvalConfig पद प्रशिक्षण के रूप में metric_specs का उपयोग कर प्रदर्शित किया जा सकता tfma.view.render_plot

मैट्रिक्स के साथ, प्लॉट को स्लाइस द्वारा देखा जा सकता है। मैट्रिक्स के विपरीत, केवल एक विशेष स्लाइस मान के लिए प्लॉट प्रदर्शित किए जा सकते हैं इसलिए tfma.SlicingSpec का उपयोग किया जाना चाहिए और इसमें स्लाइस सुविधा का नाम और मान दोनों निर्दिष्ट होना चाहिए। यदि कोई स्लाइस प्रदान नहीं की जाती है, तो Overall स्लाइस के लिए भूखंडों का उपयोग किया जाता है।

नीचे दिए गए उदाहरण में हम CalibrationPlot और ConfusionMatrixPlot प्लॉट प्रदर्शित कर रहे हैं जो trip_start_hour:1 स्लाइस के लिए गणना की गई थीं।

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…

ट्रैकिंग मॉडल प्रदर्शन समय के साथ

आपके प्रशिक्षण डेटासेट का उपयोग आपके मॉडल के प्रशिक्षण के लिए किया जाएगा, और उम्मीद है कि आपके टेस्ट डेटासेट के प्रतिनिधि और उत्पादन में आपके मॉडल पर भेजे जाने वाले डेटा के प्रतिनिधि होंगे। हालाँकि, जबकि अनुमानों के अनुरोधों का डेटा आपके प्रशिक्षण डेटा के समान हो सकता है, कई मामलों में यह पर्याप्त रूप से बदलना शुरू हो जाएगा ताकि आपके मॉडल का प्रदर्शन बदल जाए।

इसका मतलब है कि आपको निरंतर आधार पर अपने मॉडल के प्रदर्शन की निगरानी और माप करने की आवश्यकता है, ताकि आप इसके बारे में जागरूक हो सकें और परिवर्तनों पर प्रतिक्रिया कर सकें। आइए एक नजर डालते हैं कि TFMA कैसे मदद कर सकता है।

आइए लोड 3 अलग मॉडल रन और उपयोग TFMA कि वे किस तरह का उपयोग कर की तुलना देखने के लिए 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 (2.3.1) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:absl:Tensorflow version (2.3.1) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:absl:Tensorflow version (2.3.1) found. Note that TFMA support for TF 2.0 is currently in beta

पहले, हम कल्पना करेंगे कि हमने कल अपने मॉडल को प्रशिक्षित और तैनात किया है, और अब हम यह देखना चाहते हैं कि यह आज आने वाले नए डेटा पर कैसा चल रहा है। AUC प्रदर्शित करने से दृश्य शुरू हो जाएगा। UI से आप यह कर सकते हैं:

  • "मीट्रिक श्रृंखला जोड़ें" मेनू का उपयोग करके अन्य मैट्रिक्स जोड़ें।
  • X पर क्लिक करके अवांछित रेखांकन बंद करें
  • अधिक जानकारी प्राप्त करने के लिए डेटा पॉइंट (ग्राफ़ में लाइन सेगमेंट के सिरों) पर होवर करें
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': {'': {'': {'calibration': {'doubleValue': …

अब हम सोचेंगे कि एक और दिन बीत चुका है और हम देखना चाहते हैं कि पिछले दो दिनों की तुलना में आज आने वाले नए आंकड़ों पर यह कैसा चल रहा है:

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': {'': {'': {'calibration': {'doubleValue': …

मॉडल सत्यापन

TFMA को एक ही समय में कई मॉडल का मूल्यांकन करने के लिए कॉन्फ़िगर किया जा सकता है। आमतौर पर यह आधार रेखा के सापेक्ष एक नए मॉडल की तुलना करने के लिए किया जाता है (जैसे वर्तमान में सेवारत मॉडल) यह निर्धारित करने के लिए कि मैट्रिक्स में प्रदर्शन अंतर (जैसे AUC, आदि) आधार रेखा के सापेक्ष क्या हैं। जब थ्रेसहोल्ड कॉन्फ़िगर किए जाते हैं, तो TFMA एक tfma.ValidationResult रिकॉर्ड का उत्पादन करेगा जो यह दर्शाता है कि प्रदर्शन मिलान से मेल खाता है या नहीं।

आइए एक उम्मीदवार और एक आधार रेखा: दो मॉडल की तुलना करने के लिए हमारे केरस मूल्यांकन को फिर से कॉन्फ़िगर करें। हम एयूसी मेट्रिक पर tmfa.MetricThreshold सेट करके बेसलाइन के खिलाफ उम्मीदवार के प्रदर्शन को भी मान्य करेंगे।

# 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 (2.3.1) found. Note that TFMA support for TF 2.0 is currently in beta
/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow_model_analysis/evaluators/metrics_validator.py:66: RuntimeWarning: invalid value encountered in true_divide
  ratio = diff / metrics[key.make_baseline_key(baseline_model_name)]

आधार रेखा के विरुद्ध एक या अधिक मॉडल के साथ मूल्यांकन चलाने पर, TFMA स्वचालित रूप से मूल्यांकन के दौरान गणना की गई सभी मीट्रिक के लिए अलग-अलग मीट्रिक जोड़ता है। इन मीट्रिक को संबंधित मीट्रिक के नाम पर रखा गया है, लेकिन _diff साथ मीट्रिक नाम में जोड़ा गया है।

आइए एक नज़र डालते हैं हमारे द्वारा उत्पादित मैट्रिक्स पर:

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

अब हमारे सत्यापन जांच से आउटपुट को देखते हैं। सत्यापन के परिणामों को देखने के लिए हमtfma.load_validator_result उपयोगtfma.load_validator_result । हमारे उदाहरण के लिए, सत्यापन विफल रहता है क्योंकि AUC सीमा से नीचे है।

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