Walidacja modelu analizy modelu Tensorflow

Przegląd

TFMA wspiera walidację modelu poprzez ustawienie progów wartości i progów zmian w oparciu o obsługiwane metryki .

Konfiguracja

Próg wartości ogólnej

Próg wartości jest przydatny do bramkowania modelu kandydującego poprzez sprawdzenie, czy odpowiednie metryki są większe niż dolna granica i/lub mniejsze niż górna granica. Użytkownik może ustawić jedną lub obie wartości dolnej granicy i górnej granicy. Dolna granica jest domyślnie ustawiona na ujemną nieskończoność, jeśli nie jest ustawiona, a górna granica ma domyślnie nieskończoność, jeśli nie jest ustawiona.

import tensorflow_model_analysis as tfma

lower_bound = tfma.GenericValueThreshold(lower_bound={'value':0})
upper_bound = tfma.GenericValueThreshold(upper_bound={'value':1})
lower_upper_bound = tfma.GenericValueThreshold(lower_bound={'value':0},
                                               upper_bound={'value':1))

Próg zmiany ogólnej

Próg zmiany jest przydatny do bramkowania modelu kandydującego poprzez sprawdzenie, czy odpowiednia metryka jest większa/mniejsza niż w modelu bazowym. Zmianę można mierzyć na dwa sposoby: zmianę bezwzględną i zmianę względną. Bezwzględną zmianę oblicza się jako różnicę wartości pomiędzy metrykami modelu kandydującego i modelu bazowego, mianowicie v_c - v_b , gdzie v_c oznacza wartość metryki kandydującej, a v_b oznacza wartość bazową. Wartość względna to względna różnica między metryką kandydata a wartością bazową, a mianowicie v_c/v_b . Próg bezwzględny i względny mogą współistnieć w modelu bramkowym według obu kryteriów. Oprócz ustawienia wartości progowych użytkownik musi także skonfigurować MetricDirection. dla metryk o korzystnie wyższych wartościach (np. AUC) ustaw kierunek na HIGHER_IS_BETTER, dla metryk o korzystnie niższych wartościach (np. strata) ustaw kierunek na LOWER_IS_BETTER. Progi zmian wymagają oceny modelu bazowego wraz z modelem kandydującym. Aby zapoznać się z przykładem, zobacz Przewodnik wprowadzający .

import tensorflow_model_analysis as tfma

absolute_higher_is_better = tfma.GenericChangeThreshold(absolute={'value':1},
                                                        direction=tfma.MetricDirection.HIGHER_IS_BETTER)
absolute_lower_is_better = tfma.GenericChangeThreshold(absolute={'value':1},
                                                       direction=tfma.MetricDirection.LOWER_IS_BETTER)
relative_higher_is_better = tfma.GenericChangeThreshold(relative={'value':1},
                                                        direction=tfma.MetricDirection.HIGHER_IS_BETTER)
relative_lower_is_better = tfma.GenericChangeThreshold(relative={'value':1},
                                                       direction=tfma.MetricDirection.LOWER_IS_BETTER)
absolute_and_relative = tfma.GenericChangeThreshold(relative={'value':1},
                                                    absolute={'value':0.2},
                                                    direction=tfma.MetricDirection.LOWER_IS_BETTER)

Składanie rzeczy w całość

Poniższy przykład łączy progi wartości i zmiany:

import tensorflow_model_analysis as tfma

lower_bound = tfma.GenericValueThreshold(lower_bound={'value':0.7})
relative_higher_is_better =
    tfma.GenericChangeThreshold(relative={'value':1.01},
                                direction=tfma.MetricDirection.HIGHER_IS_BETTER)
auc_threshold = tfma.MetricThreshold(value_threshold=lower_bound,
                                     change_threshold=relative_higher_is_better)

Bardziej czytelne może być zapisanie konfiguracji w formacie proto:

from google.protobuf import text_format

auc_threshold = text_format.Parse("""
  value_threshold { lower_bound { value: 0.6 } }
  change_threshold { relative { value: 1.01 } }
""", tfma.MetricThreshold())

Wartość MetricThreshold można ustawić na bramkę zarówno dla metryk czasu treningu modelu (model zapisany w EvalSavedModel lub Keras), jak i metryk po szkoleniu (zdefiniowanych w konfiguracji TFMA). W przypadku metryk czasu szkolenia progi są określone w pliku tfma.MetricsSpec:

metrics_spec = tfma.MetricSpec(thresholds={'auc': auc_threshold})

W przypadku metryk poszkoleniowych progi są definiowane bezpośrednio w pliku tfma.MetricConfig:

metric_config = tfma.MetricConfig(class_name='TotalWeightedExample',
                                  threshold=lower_bound)

Oto przykład wraz z innymi ustawieniami w EvalConfig:

# Run in a Jupyter Notebook.
from google.protobuf import text_format

eval_config = text_format.Parse("""
  model_specs {
    # This assumes a serving model with a "serving_default" signature.
    label_key: "label"
    example_weight_key: "weight"
  }
  metrics_spec {
    # Training Time metric thresholds
    thresholds {
      key: "auc"
      value: {
        value_threshold {
          lower_bound { value: 0.7 }
        }
        change_threshold {
          direction: HIGHER_IS_BETTER
          absolute { value: -1e-10 }
        }
      }
    }
    # Post Training metrics and their thesholds.
    metrics {
      # This assumes a binary classification model.
      class_name: "AUC"
      threshold {
        value_threshold {
          lower_bound { value: 0 }
        }
      }
    }
  }
  slicing_specs {}
  slicing_specs {
    feature_keys: ["age"]
  }
""", tfma.EvalConfig())

eval_shared_models = [
  tfma.default_eval_shared_model(
      model_name=tfma.CANDIDATE_KEY,
      eval_saved_model_path='/path/to/saved/candiate/model',
      eval_config=eval_config),
  tfma.default_eval_shared_model(
      model_name=tfma.BASELINE_KEY,
      eval_saved_model_path='/path/to/saved/baseline/model',
      eval_config=eval_config),
]

eval_result = tfma.run_model_analysis(
    eval_shared_models,
    eval_config=eval_config,
    # This assumes your data is a TFRecords file containing records in the
    # tf.train.Example format.
    data_location="/path/to/file/containing/tfrecords",
    output_path="/path/for/output")

tfma.view.render_slicing_metrics(eval_result)
tfma.load_validation_result(output_path)

Wyjście

Oprócz pliku metryk generowanego przez oceniającego, gdy używana jest walidacja, wyprowadzany jest również dodatkowy plik „walidacji”. Format ładunku to ValidationResult . Jeśli nie wystąpią żadne błędy, dane wyjściowe będą miały wartość „validation_ok” ustawioną na True. W przypadku awarii udostępniane są informacje o powiązanych metrykach, progach i zaobserwowanych wartościach metryki. Poniżej znajduje się przykład, w którym „weighted_examle_count” nie przekracza progu wartości (1,5 nie jest mniejsze niż 1,0, a zatem błąd):

  validation_ok: False
  metric_validations_per_slice {
    failures {
      metric_key {
        name: "weighted_example_count"
        model_name: "candidate"
      }
      metric_threshold {
        value_threshold {
          upper_bound { value: 1.0 }
        }
      }
      metric_value {
        double_value { value: 1.5 }
      }
    }
  }