TensorFlow Model Analysis (TFMA) adalah perpustakaan untuk mengevaluasi model TensorFlow. Hal ini memungkinkan pengguna untuk mengevaluasi model mereka pada data dalam jumlah besar secara terdistribusi, menggunakan metrik yang sama yang ditentukan dalam pelatih mereka. Metrik ini dapat dihitung pada berbagai bagian data dan divisualisasikan dalam buku catatan Jupyter.
Instalasi
Cara yang disarankan untuk menginstal TFMA adalah menggunakan paket PyPI :
pip install tensorflow-model-analysis
Bangun TFMA dari sumber
Untuk membangun dari sumber ikuti langkah-langkah berikut:
Instal protoc sesuai tautan yang disebutkan: protoc
Buat lingkungan virtual dengan menjalankan perintah
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
Ini akan membangun roda TFMA di direktori dist. Untuk menginstal roda dari direktori dist jalankan perintah
cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl
Paket Malam
TFMA juga menyelenggarakan paket malam di https://pypi-nightly.tensorflow.org di Google Cloud. Untuk menginstal paket nightly terbaru, silakan gunakan perintah berikut:
pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis
Ini akan menginstal paket nightly untuk dependensi utama TFMA seperti TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).
Saat ini, TFMA mengharuskan TensorFlow diinstal tetapi tidak memiliki ketergantungan eksplisit pada paket TensorFlow PyPI. Lihat panduan penginstalan TensorFlow untuk mengetahui petunjuknya.
Untuk mengaktifkan visualisasi TFMA di Jupyter Notebook:
jupyter nbextension enable --py widgetsnbextensionjupyter nbextension enable --py tensorflow_model_analysis
Lab Jupyter
Saat tulisan ini dibuat, karena https://github.com/pypa/pip/issues/9187, pip install mungkin tidak akan pernah selesai. Dalam hal ini, Anda harus mengembalikan pip ke versi 19, bukan 20: pip install "pip<20" .
Menggunakan ekstensi JupyterLab memerlukan instalasi dependensi pada baris perintah. Anda dapat melakukan ini di dalam konsol di UI JupyterLab atau di baris perintah. Ini termasuk menginstal secara terpisah semua dependensi paket pip dan dependensi plugin labextension JupyterLab, dan nomor versinya harus kompatibel.
Contoh di bawah ini menggunakan 0.27.0. Periksa versi yang tersedia di bawah untuk menggunakan yang terbaru.
Lab Jupyter 1.2.x
pip install tensorflow_model_analysis==0.27.0jupyter labextension install tensorflow_model_analysis@0.27.0jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1
Lab Jupyter 2
pip install tensorflow_model_analysis==0.27.0jupyter labextension install tensorflow_model_analysis@0.27.0jupyter labextension install @jupyter-widgets/jupyterlab-manager@2
Pemecahan masalah
Periksa paket pip:
pip list
Periksa ekstensi:
jupyter labextension list
Ketergantungan Penting
TensorFlow diperlukan.
Apache Beam diperlukan; itulah cara komputasi terdistribusi yang efisien didukung. Secara default, Apache Beam berjalan dalam mode lokal tetapi juga dapat berjalan dalam mode terdistribusi menggunakan Google Cloud Dataflow dan runner Apache Beam lainnya.
Apache Arrow juga diperlukan. TFMA menggunakan Arrow untuk merepresentasikan data secara internal untuk memanfaatkan fungsi numpy yang divektorisasi.
Memulai
Untuk petunjuk penggunaan TFMA, lihat panduan memulai .
Versi yang Kompatibel
Tabel berikut adalah versi paket TFMA yang kompatibel satu sama lain. Hal ini ditentukan oleh kerangka pengujian kami, namun kombinasi lain yang belum teruji juga dapat berfungsi.
| analisis model tensorflow | apache-beam[gcp] | pyarrow | aliran tensor | tensorflow-metadata | tfx-bsl |
|---|---|---|---|---|---|
| master GitHub | 2.47.0 | 10.0.0 | setiap malam (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 | tidak ada | 0.15.1 |
| 0.15.3 | 2.16.0 | 0.15.0 | 1.15 / 2.0 | tidak ada | 0.15.1 |
| 0.15.2 | 2.16.0 | 0.15.0 | 1.15 / 2.0 | tidak ada | 0.15.1 |
| 0.15.1 | 2.16.0 | 0.15.0 | 1.15 / 2.0 | tidak ada | 0.15.0 |
| 0.15.0 | 2.16.0 | 0.15.0 | 1.15 | tidak ada | tidak ada |
| 0.14.0 | 2.14.0 | tidak ada | 1.14 | tidak ada | tidak ada |
| 0.13.1 | 2.11.0 | tidak ada | 1.13 | tidak ada | tidak ada |
| 0.13.0 | 2.11.0 | tidak ada | 1.13 | tidak ada | tidak ada |
| 0.12.1 | 2.10.0 | tidak ada | 1.12 | tidak ada | tidak ada |
| 0.12.0 | 2.10.0 | tidak ada | 1.12 | tidak ada | tidak ada |
| 0.11.0 | 2.8.0 | tidak ada | 1.11 | tidak ada | tidak ada |
| 0.9.2 | 2.6.0 | tidak ada | 1.9 | tidak ada | tidak ada |
| 0.9.1 | 2.6.0 | tidak ada | 1.10 | tidak ada | tidak ada |
| 0.9.0 | 2.5.0 | tidak ada | 1.9 | tidak ada | tidak ada |
| 0.6.0 | 2.4.0 | tidak ada | 1.6 | tidak ada | tidak ada |
Pertanyaan
Silakan ajukan pertanyaan apa pun tentang bekerja dengan TFMA ke Stack Overflow menggunakan tag analisis model tensorflow .