Настройка сохраненной модели Eval

TensorFlow Model Analysis (TFMA) может экспортировать график оценки модели в специальную SavedModel , называемую EvalSavedModel . (Обратите внимание, что для обучения или вывода используется график оценки, а не график.) EvalSavedModel содержит дополнительную информацию, которая позволяет TFMA вычислять одни и те же метрики оценки, определенные в модели, распределенным образом по большому объему данных и определяемым пользователем. ломтики.

Изменить существующую модель

Чтобы использовать существующую модель с TFMA, сначала измените модель для экспорта EvalSavedModel . Это делается путем добавления вызова tfma.export.export_eval_savedmodel и аналогично estimator.export_savedmodel . Например:

# 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)

eval_input_receiver_fn должен быть определен и аналогичен serving_input_receiver_fn для estimator.export_savedmodel . Подобно serving_input_receiver_fn , функция eval_input_receiver_fn определяет пример входного заполнителя, анализирует объекты из примера и возвращает проанализированные объекты. Он анализирует и возвращает метку.

Следующий фрагмент определяет пример 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'])

В этом примере вы можете увидеть это:

• labels также могут быть словарем. Полезно для многоголовой модели.
• Функция eval_input_receiver_fn , скорее всего, будет такой же, как ваша serving_input_receiver_fn . Но в некоторых случаях вам может потребоваться определить дополнительные функции для нарезки. Например, вы вводите функцию age_category , которая делит функцию age на несколько сегментов. Затем вы можете использовать эту функцию в TFMA, чтобы понять, как производительность вашей модели различается в разных возрастных категориях.

Добавление метрик пост-экспорта

Дополнительные метрики, не включенные в модель, можно добавить с помощью add_metrics_callbacks . Дополнительные сведения см. в справке Python для run_model_analysis .

Комплексные примеры

Попробуйте обширный комплексный пример, включающий преобразование TensorFlow для предварительной обработки функций, оценщики TensorFlow для обучения, анализ модели TensorFlow и Jupyter для оценки и обслуживание TensorFlow для обслуживания.

Добавление пользовательской метрики экспорта сообщений

Если вы хотите добавить свою собственную метрику экспорта постов в TFMA, ознакомьтесь с документацией здесь .