การวิเคราะห์แบบจำลอง TensorFlow

TensorFlow Model Analysis (TFMA) เป็นไลบรารีสำหรับประเมินโมเดล TensorFlow ช่วยให้ผู้ใช้สามารถประเมินแบบจำลองของตนกับข้อมูลจำนวนมากในลักษณะแบบกระจาย โดยใช้หน่วยเมตริกเดียวกันที่กำหนดไว้ในโปรแกรมฝึกสอน หน่วยวัดเหล่านี้สามารถคำนวณบนส่วนข้อมูลต่างๆ และแสดงเป็นภาพในสมุดบันทึก Jupyter

เบราว์เซอร์เมตริก TFMA Slicing

การติดตั้ง

วิธีที่แนะนำในการติดตั้ง TFMA คือการใช้ แพ็คเกจ PyPI :

pip install tensorflow-model-analysis

สร้าง TFMA จากแหล่งที่มา

หากต้องการสร้างจากแหล่งที่มา ให้ทำตามขั้นตอนต่อไปนี้:

ติดตั้ง protoc ตามลิงค์ที่กล่าวถึง: protoc

สร้างสภาพแวดล้อมเสมือนโดยการรันคำสั่ง

python3 -m venv <virtualenv_name>
source <virtualenv_name>/bin/activate
pip3 install setuptools wheel
git clone https://github.com/tensorflow/model-analysis.git
cd model-analysis
python3 setup.py bdist_wheel

สิ่งนี้จะสร้างวงล้อ TFMA ในไดเร็กทอรี dist ในการติดตั้งวงล้อจากไดเร็กทอรี dist ให้รันคำสั่ง

cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl

แพ็คเกจกลางคืน

TFMA ยังโฮสต์แพ็คเกจรายคืนที่ https://pypi-nightly.tensorflow.org บน Google Cloud หากต้องการติดตั้งแพ็คเกจกลางคืนล่าสุด โปรดใช้คำสั่งต่อไปนี้:

pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

สิ่งนี้จะติดตั้งแพ็คเกจกลางคืนสำหรับการขึ้นต่อกันที่สำคัญของ TFMA เช่น TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL)

ปัจจุบัน TFMA กำหนดให้ติดตั้ง TensorFlow แต่ไม่มีการขึ้นต่อกันอย่างชัดเจนในแพ็คเกจ TensorFlow PyPI ดู คำแนะนำในการติดตั้ง TensorFlow

หากต้องการเปิดใช้งานการแสดงภาพ TFMA ใน Jupyter Notebook:

  jupyter nbextension enable --py widgetsnbextension
  jupyter nbextension enable --py tensorflow_model_analysis

จูปีเตอร์ แล็บ

ในขณะที่เขียน เนื่องจาก https://github.com/pypa/pip/issues/9187 pip install อาจไม่เสร็จสิ้น ในกรณีนั้น คุณควรเปลี่ยน pip กลับเป็นเวอร์ชัน 19 แทนที่จะเป็น 20: pip install "pip<20"

การใช้ส่วนขยาย JupyterLab จำเป็นต้องติดตั้งการพึ่งพาบนบรรทัดคำสั่ง คุณสามารถทำได้ภายในคอนโซลใน JupyterLab UI หรือบนบรรทัดคำสั่ง ซึ่งรวมถึงการติดตั้งการขึ้นต่อกันของแพ็คเกจ pip และการขึ้นต่อกันของปลั๊กอิน JupyterLab labextension แยกต่างหาก และหมายเลขเวอร์ชันจะต้องเข้ากันได้

ตัวอย่างด้านล่างใช้ 0.27.0 ตรวจสอบ เวอร์ชัน ที่มีอยู่ด้านล่างเพื่อใช้เวอร์ชันล่าสุด

Jupyter Lab 1.2.x 

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1

จูปิเตอร์แล็บ 2 

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@2

การแก้ไขปัญหา

ตรวจสอบแพ็คเกจ pip:

pip list

ตรวจสอบส่วนขยาย:

jupyter labextension list

การพึ่งพาอาศัยกันที่โดดเด่น

ต้องใช้ TensorFlow

จำเป็นต้องมี Apache Beam เป็นวิธีการสนับสนุนการคำนวณแบบกระจายที่มีประสิทธิภาพ ตามค่าเริ่มต้น Apache Beam จะทำงานในโหมดภายในเครื่อง แต่ยังสามารถทำงานในโหมดกระจายโดยใช้ Google Cloud Dataflow และ Apache Beam runners อื่นๆ ได้ด้วย

จำเป็นต้องมี Apache Arrow ด้วย TFMA ใช้ Arrow เพื่อแสดงข้อมูลภายในเพื่อใช้ฟังก์ชันตัวเลขแบบเวกเตอร์

เริ่มต้นใช้งาน

สำหรับคำแนะนำในการใช้ TFMA โปรดดู คู่มือเริ่มต้นใช้งาน

เวอร์ชันที่เข้ากันได้

ตารางต่อไปนี้คือเวอร์ชันแพ็คเกจ TFMA ที่เข้ากันได้ สิ่งนี้กำหนดโดยกรอบการทดสอบของเรา แต่ชุดค่าผสม ที่ยังไม่ทดสอบ อื่นๆ อาจใช้งานได้เช่นกัน

การวิเคราะห์แบบจำลองเทนเซอร์โฟลว์ apache-คาน [gcp] เปียร์โรว์ เทนเซอร์โฟลว์ เมตาดาต้าเทนเซอร์โฟลว์ tfx-bsl
ต้นแบบ GitHub 2.47.0 10.0.0 ทุกคืน (2.x) 1.15.0 1.15.1
0.46.0 2.47.0 10.0.0 2.15 1.15.0 1.15.1
0.45.0 2.47.0 10.0.0 2.13 1.14.0 1.14.0
0.44.0 2.40.0 6.0.0 2.12 1.13.1 1.13.0
0.43.0 2.40.0 6.0.0 2.11 1.12.0 1.12.0
0.42.0 2.40.0 6.0.0 1.15 / 2.10 1.11.0 1.11.0
0.41.1 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.41.0 2.40.0 6.0.0 1.15 / 2.9 1.10.0 1.10.1
0.40.0 2.38.0 5.0.0 1.15 / 2.9 1.9.0 1.9.0
0.39.0 2.38.0 5.0.0 1.15 / 2.8 1.8.0 1.8.0
0.38.0 2.36.0 5.0.0 1.15 / 2.8 1.7.0 1.7.0
0.37.0 2.35.0 5.0.0 1.15 / 2.7 1.6.0 1.6.0
0.36.0 2.34.0 5.0.0 1.15 / 2.7 1.5.0 1.5.0
0.35.0 2.33.0 5.0.0 1.15 / 2.6 1.4.0 1.4.0
0.34.1 2.32.0 2.0.0 1.15 / 2.6 1.2.0 1.3.0
0.34.0 2.31.0 2.0.0 1.15 / 2.6 1.2.0 1.3.1
0.33.0 2.31.0 2.0.0 1.15 / 2.5 1.2.0 1.2.0
0.32.1 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.1
0.32.0 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.0
0.31.0 2.29.0 2.0.0 1.15 / 2.5 1.0.0 1.0.0
0.30.0 2.28.0 2.0.0 1.15 / 2.4 0.30.0 0.30.0
0.29.0 2.28.0 2.0.0 1.15 / 2.4 0.29.0 0.29.0
0.28.0 2.28.0 2.0.0 1.15 / 2.4 0.28.0 0.28.0
0.27.0 2.27.0 2.0.0 1.15 / 2.4 0.27.0 0.27.0
0.26.1 2.28.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.26.0 2.25.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.25.0 2.25.0 0.17.0 1.15 / 2.3 0.25.0 0.25.0
0.24.3 2.24.0 0.17.0 1.15 / 2.3 0.24.0 0.24.1
0.24.2 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.1 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.0 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.23.0 2.23.0 0.17.0 1.15 / 2.3 0.23.0 0.23.0
0.22.2 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.1 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.0 2.20.0 0.16.0 1.15 / 2.2 0.22.0 0.22.0
0.21.6 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.5 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.4 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.3 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.2 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.1 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.0 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.15.4 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 ไม่มี 0.15.0
0.15.0 2.16.0 0.15.0 1.15 ไม่มี ไม่มี
0.14.0 2.14.0 ไม่มี 1.14 ไม่มี ไม่มี
0.13.1 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.13.0 2.11.0 ไม่มี 1.13 ไม่มี ไม่มี
0.12.1 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.12.0 2.10.0 ไม่มี 1.12 ไม่มี ไม่มี
0.11.0 2.8.0 ไม่มี 1.11 ไม่มี ไม่มี
0.9.2 2.6.0 ไม่มี 1.9 ไม่มี ไม่มี
0.9.1 2.6.0 ไม่มี 1.10 ไม่มี ไม่มี
0.9.0 2.5.0 ไม่มี 1.9 ไม่มี ไม่มี
0.6.0 2.4.0 ไม่มี 1.6 ไม่มี ไม่มี

คำถาม

โปรดส่งคำถามเกี่ยวกับการทำงานกับ TFMA ไปยัง Stack Overflow โดยใช้แท็ก tensorflow-model-analysis