مفاهیم جعبه ابزار مدل کارت

مدل کارت

کارت‌های مدل اسناد یادگیری ماشینی هستند که زمینه و شفافیت را در توسعه و عملکرد یک مدل فراهم می‌کنند. می توان از آنها برای به اشتراک گذاشتن ابرداده ها و معیارهای مدل با محققان، توسعه دهندگان، گزارشگران و موارد دیگر استفاده کرد.

برخی از موارد استفاده از کارت های مدل عبارتند از:

  • تسهیل تبادل اطلاعات بین سازندگان مدل و توسعه دهندگان محصول.
  • اطلاع رسانی به کاربران از مدل های ML برای تصمیم گیری آگاهانه تر در مورد نحوه استفاده از آنها (یا نحوه استفاده نکردن از آنها).
  • ارائه اطلاعات مدل مورد نیاز برای نظارت عمومی و پاسخگویی موثر.

طرحواره

طرح کارت مدل پروتویی است که فیلدهای موجود کارت مدل را توصیف می کند. یک رابط JSON نیز موجود است. این اشیا می توانند با سیستم های دیگر برای ذخیره سازی، تجزیه و تحلیل یا تجسم ارتباط برقرار کنند.

امروزه طرح مدل کارت به شدت اجرا می شود. در Model Card Toolkit 2.0، این محدودیت طرحواره برداشته خواهد شد.

گرافیک

Model Card Toolkit به طور خودکار گرافیکی را برای مجموعه داده های TFX و نتایج ارزیابی تولید می کند. گرافیک ها همچنین می توانند به صورت دستی با استفاده از ابزاری مانند Matplotlib ایجاد شوند و در ModelCard نوشته شوند - برای جزئیات بیشتر به Model Card API مراجعه کنید.

در طرح کارت مدل، گرافیک ها در قسمت Graphic.image ذخیره می شوند و به صورت رشته های کدگذاری شده با base64 کدگذاری می شوند. جعبه ابزار مدل کارت می تواند به تولید تصاویر base64 کمک کند.

جعبه ابزار کارت مدل

جعبه ابزار Model Card به شما امکان می دهد اسناد کارت مدل ، و همچنین اشیاء Proto و JSON را با یک رابط ساده پایتون تولید کنید.

API کارت مدل

جعبه ابزار کارت مدل شامل یک API کارت مدل است که از کلاس پایتون تشکیل شده است. به روز رسانی های انجام شده برای یک شیء مدل کارت پایتون در یک شیء اولیه کارت مدل نوشته می شود.

گرافیک

تابع model_card_toolkit.utils.graphics.figure_to_base64str() می تواند برای تبدیل گرافیک ها، مانند شکل های Matplotlib، به رشته های base64 استفاده شود.

ذخیره و بارگیری کارت های مدل

اگر حاشیه نویسی کارت مدل خود را به پایان رسانده اید و می خواهید آن را در قالب JSON یا protobuf سریال کنید، از روش ModelCard.save() استفاده کنید.


import model_card_toolkit as mct

model_card = mct.ModelCard()
model_card.model_details.name = 'Fine-tuned MobileNetV2 Model for Cats vs. Dogs'
model_card.save('model_cards/cats_vs_dogs.json')

اگر می خواهید یک کارت مدل ذخیره شده را بازیابی و به روز کنید، از تابع model_card_toolkit.model_card.load_model_card() استفاده کنید.


import model_card_toolkit as mct

model_card = mct.load_model_card('model_cards/cats_vs_dogs.json')
model_card.model_details.licenses.append(mct.License(identifier='Apache-2.0'))

مدل مدارک کارت

به طور پیش فرض، سند کارت مدل تولید شده یک فایل HTML بر اساس default_template.html.jinja است. با این حال، شما همچنین می توانید قالب سفارشی Jinja خود را ارائه دهید. این فایل های قالب می توانند هر فرمت مبتنی بر متن (HTML، Markdown، LaTeX و غیره) باشند. یک الگوی Markdown به عنوان نمونه ارائه شده است.

ادغام TFX و MLMD

جعبه ابزار کارت مدل با ابزارهای TensorFlow Extended و ML Metadata ادغام می شود. یک فروشگاه فراداده می‌تواند در طول اولیه‌سازی Model Card Toolkit برای پر کردن بسیاری از فیلدهای کارت مدل و ایجاد نمودارهای آموزشی و ارزیابی استفاده شود.

مصنوعات استفاده شده توسط MCT:

اعدام های مورد استفاده توسط MCT:

  • ترینر : برای پر کردن نام و نسخه مدل استفاده می شود

مؤلفه ModelCardGenerator به کتابخانه TFX Addons منتقل شده است و دیگر در Model Card Toolkit از نسخه 2.0.0 بسته بندی نمی شود. قبل از اینکه بتوانید از کامپوننت استفاده کنید، باید بسته tfx-addons را نصب کنید:

pip install tfx-addons[model_card_generator]

راهنمای ModelCardGenerator را ببینید و دفترچه مطالعه موردی را اجرا کنید تا در مورد کامپوننت بیشتر بدانید.