टीएफएक्स के लिए टेन्सरफ्लो मॉडलिंग कोड डिजाइन करना

TFX के लिए अपना TensorFlow मॉडलिंग कोड डिज़ाइन करते समय कुछ बातों का ध्यान रखना चाहिए, जिसमें मॉडलिंग API का चुनाव भी शामिल है।

आपके मॉडल की इनपुट परत को सेव्डमॉडल से उपभोग करना चाहिए जो ट्रांसफॉर्म घटक द्वारा बनाया गया था, और ट्रांसफॉर्म मॉडल की परतों को आपके मॉडल के साथ शामिल किया जाना चाहिए ताकि जब आप अपने सेव्डमॉडल और इवलसेव्डमॉडल को निर्यात करें तो उनमें वे परिवर्तन शामिल होंगे जो ट्रांसफॉर्म द्वारा बनाए गए थे। अवयव।

TFX के लिए एक विशिष्ट TensorFlow मॉडल डिज़ाइन इस तरह दिखता है:

def _build_estimator(tf_transform_dir,
                     config,
                     hidden_units=None,
                     warm_start_from=None):
  """Build an estimator for predicting the tipping behavior of taxi riders.

  Args:
    tf_transform_dir: directory in which the tf-transform model was written
      during the preprocessing step.
    config: tf.contrib.learn.RunConfig defining the runtime environment for the
      estimator (including model_dir).
    hidden_units: [int], the layer sizes of the DNN (input layer first)
    warm_start_from: Optional directory to warm start from.

  Returns:
    Resulting DNNLinearCombinedClassifier.
  """
  metadata_dir = os.path.join(tf_transform_dir,
                              transform_fn_io.TRANSFORMED_METADATA_DIR)
  transformed_metadata = metadata_io.read_metadata(metadata_dir)
  transformed_feature_spec = transformed_metadata.schema.as_feature_spec()

  transformed_feature_spec.pop(_transformed_name(_LABEL_KEY))

  real_valued_columns = [
      tf.feature_column.numeric_column(key, shape=())
      for key in _transformed_names(_DENSE_FLOAT_FEATURE_KEYS)
  ]
  categorical_columns = [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=_VOCAB_SIZE + _OOV_SIZE, default_value=0)
      for key in _transformed_names(_VOCAB_FEATURE_KEYS)
  ]
  categorical_columns += [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=_FEATURE_BUCKET_COUNT, default_value=0)
      for key in _transformed_names(_BUCKET_FEATURE_KEYS)
  ]
  categorical_columns += [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=num_buckets, default_value=0)
      for key, num_buckets in zip(
          _transformed_names(_CATEGORICAL_FEATURE_KEYS),  #
          _MAX_CATEGORICAL_FEATURE_VALUES)
  ]
  return tf.estimator.DNNLinearCombinedClassifier(
      config=config,
      linear_feature_columns=categorical_columns,
      dnn_feature_columns=real_valued_columns,
      dnn_hidden_units=hidden_units or [100, 70, 50, 25],
      warm_start_from=warm_start_from)