การกำหนดค่าโมเดลที่บันทึกไว้ของ Eval

TensorFlow Model Analysis (TFMA) สามารถส่งออก กราฟการประเมิน ของโมเดลไปยัง SavedModel พิเศษที่เรียกว่า EvalSavedModel (โปรดทราบว่ากราฟการประเมินถูกใช้ ไม่ใช่กราฟสำหรับการฝึกอบรมหรือการอนุมาน) EvalSavedModel มีข้อมูลเพิ่มเติมที่ช่วยให้ TFMA คำนวณเมตริกการประเมินเดียวกันที่กำหนดไว้ในโมเดลในลักษณะแบบกระจายผ่านข้อมูลจำนวนมากและที่ผู้ใช้กำหนด ชิ้น

ปรับเปลี่ยนโมเดลที่มีอยู่

หากต้องการใช้โมเดลที่มีอยู่กับ TFMA ให้แก้ไขโมเดลเพื่อส่งออก EvalSavedModel ก่อน ซึ่งทำได้โดยเพิ่มการเรียกไปที่ tfma.export.export_eval_savedmodel และคล้ายกับ estimator.export_savedmodel ตัวอย่างเช่น:

# Define, train and export your estimator as usual
estimator = tf.estimator.DNNClassifier(...)
estimator.train(...)
estimator.export_savedmodel(...)

# Also export the EvalSavedModel
tfma.export.export_eval_savedmodel(
  estimator=estimator, export_dir_base=export_dir,
  eval_input_receiver_fn=eval_input_receiver_fn)

ต้องกำหนด eval_input_receiver_fn และคล้ายกับ serving_input_receiver_fn สำหรับ estimator.export_savedmodel เช่นเดียวกับ serving_input_receiver_fn ฟังก์ชัน eval_input_receiver_fn จะกำหนดตัวอย่างตัวยึดตำแหน่งอินพุต แยกวิเคราะห์คุณลักษณะจากตัวอย่าง และส่งคืนคุณลักษณะที่แยกวิเคราะห์ แยกวิเคราะห์และส่งคืนป้ายกำกับ

ตัวอย่างต่อไปนี้กำหนดตัวอย่าง eval_input_receiver_fn :

country = tf.feature_column.categorical_column_with_hash('country', 100)
language = tf.feature_column.categorical_column_with_hash('language', 100)
age = tf.feature_column.numeric_column('age')
label = tf.feature_column.numeric_column('label')

def eval_input_receiver_fn():
  serialized_tf_example = tf.compat.v1.placeholder(
      dtype=tf.string, shape=[None], name='input_example_placeholder')

  # This *must* be a dictionary containing a single key 'examples', which
  # points to the input placeholder.
  receiver_tensors = {'examples': serialized_tf_example}

  feature_spec =  tf.feature_column.make_parse_example_spec(
      [country, language, age, label])
  features = tf.io.parse_example(serialized_tf_example, feature_spec)

  return tfma.export.EvalInputReceiver(
    features=features,
    receiver_tensors=receiver_tensors,
    labels=features['label'])

ในตัวอย่างนี้ คุณจะเห็นว่า:

• labels ยังสามารถเป็นพจนานุกรมได้ มีประโยชน์สำหรับรุ่นหลายหัว
• ฟังก์ชัน eval_input_receiver_fn มักจะเหมือนกับฟังก์ชัน serving_input_receiver_fn ของคุณ แต่ในบางกรณี คุณอาจต้องการกำหนดคุณลักษณะเพิ่มเติมสำหรับการแบ่งส่วน ตัวอย่างเช่น คุณแนะนำฟีเจอร์ age_category ซึ่งแบ่งฟีเจอร์ age ออกเป็นหลายกลุ่ม จากนั้น คุณสามารถแบ่งส่วนคุณลักษณะนี้ใน TFMA เพื่อช่วยให้เข้าใจว่าประสิทธิภาพของโมเดลของคุณแตกต่างกันอย่างไรตามหมวดหมู่อายุต่างๆ

การเพิ่มเมตริกหลังการส่งออก

คุณสามารถเพิ่มเมตริกเพิ่มเติมที่ไม่รวมอยู่ในโมเดลได้โดยใช้ add_metrics_callbacks สำหรับรายละเอียดเพิ่มเติม โปรดดูวิธีใช้ Python สำหรับ run_model_analysis

ตัวอย่างตั้งแต่ต้นจนจบ

ลองใช้ ตัวอย่างตั้งแต่ต้นจนจบ ซึ่งมี TensorFlow Transform สำหรับการประมวลผลฟีเจอร์ล่วงหน้า, TensorFlow Estimators สำหรับการฝึก, การวิเคราะห์โมเดล TensorFlow และ Jupyter สำหรับการประเมินผล และ TensorFlow Serving สำหรับการให้บริการ

การเพิ่มเมตริกการส่งออกโพสต์ที่กำหนดเอง

หากคุณต้องการเพิ่มเมตริกหลังการส่งออกที่กำหนดเองใน TFMA โปรดอ่านเอกสารประกอบ ที่นี่