 Zobacz na TensorFlow.org |  Uruchom w Google Colab |  Wyświetl źródło na GitHub |  Pobierz notatnik |
Załóżmy scenariusz, w którym konfigurujesz potok produkcyjnej ML do klasyfikowania pingwinów. Potok pozyskuje dane szkoleniowe, trenuje i ocenia model oraz wypycha go do środowiska produkcyjnego.
Jednak gdy później spróbujesz użyć tego modelu z większym zbiorem danych, który zawiera różne rodzaje pingwinów, zauważysz, że Twój model nie zachowuje się zgodnie z oczekiwaniami i zaczyna niepoprawnie klasyfikować gatunki.
W tym momencie chcesz wiedzieć:
- Jaki jest najskuteczniejszy sposób debugowania modelu, gdy jedynym dostępnym artefaktem jest model w produkcji?
- Który zestaw danych szkoleniowych został użyty do trenowania modelu?
- Które szkolenie doprowadziło do tego błędnego modelu?
- Gdzie są wyniki oceny modelu?
- Od czego zacząć debugowanie?
ML Metadane (MLMD) to biblioteka, która wykorzystuje metadane związane z modelami ML aby pomóc odpowiedzieć na te pytania i wiele innych. Pomocną analogią jest myślenie o tych metadanych jako o ekwiwalencie logowania do tworzenia oprogramowania. MLMD umożliwia niezawodne śledzenie artefaktów i linii powiązanych z różnymi komponentami potoku ML.
W tym samouczku skonfigurujesz potok TFX, aby stworzyć model, który klasyfikuje pingwiny na trzy gatunki na podstawie masy ciała oraz długości i głębokości ich czubków oraz długości płetw. Następnie używasz MLMD do śledzenia rodowodu składników potoku.
Rurociągi TFX w Colab
Colab to lekkie środowisko programistyczne, które znacznie różni się od środowiska produkcyjnego. W środowisku produkcyjnym możesz mieć różne komponenty potoku, takie jak pozyskiwanie danych, transformacja, uczenie modeli, historie uruchomień itp. w wielu rozproszonych systemach. W przypadku tego samouczka należy pamiętać, że istnieją znaczące różnice w zakresie orkiestracji i przechowywania metadanych — wszystko jest obsługiwane lokalnie w Colab. Dowiedz się więcej o TFX w Colab tutaj .
Ustawiać
Najpierw instalujemy i importujemy niezbędne pakiety, ustawiamy ścieżki i pobieramy dane.
Ulepsz Pip
Aby uniknąć aktualizacji Pip w systemie uruchomionym lokalnie, upewnij się, że działamy w Colab. Systemy lokalne można oczywiście aktualizować oddzielnie.
try:
import colab
!pip install --upgrade pip
except:
pass
Zainstaluj i zaimportuj TFX
pip install -q -U tfx
Importuj paczki
Czy uruchomiłeś ponownie środowisko wykonawcze?
Jeśli korzystasz z Google Colab, przy pierwszym uruchomieniu powyższej komórki musisz ponownie uruchomić środowisko wykonawcze, klikając powyżej przycisk „RESTART RUNTIME” lub korzystając z menu „Runtime > Restart runtime...”. Wynika to ze sposobu, w jaki Colab ładuje paczki.
import os
import tempfile
import urllib
import pandas as pd
import tensorflow_model_analysis as tfma
from tfx.orchestration.experimental.interactive.interactive_context import InteractiveContext
Sprawdź wersje TFX i MLMD.
from tfx import v1 as tfx
print('TFX version: {}'.format(tfx.__version__))
import ml_metadata as mlmd
print('MLMD version: {}'.format(mlmd.__version__))
TFX version: 1.4.0 MLMD version: 1.4.0
Pobierz zbiór danych
W tym colab używamy zestawu danych Palmer Penguins , który można znaleźć na Github . Mamy zbiór danych przetwarzanych przez pozostawiając żadnych niekompletne rekordy i krople island i sex kolumn i przekształcane etykiet int32 . Zbiór danych zawiera 334 rekordy masy ciała oraz długości i głębokości wąsów pingwinów, a także długości ich płetw. Używasz tych danych do klasyfikowania pingwinów do jednego z trzech gatunków.
DATA_PATH = 'https://raw.githubusercontent.com/tensorflow/tfx/master/tfx/examples/penguin/data/labelled/penguins_processed.csv'
_data_root = tempfile.mkdtemp(prefix='tfx-data')
_data_filepath = os.path.join(_data_root, "penguins_processed.csv")
urllib.request.urlretrieve(DATA_PATH, _data_filepath)
('/tmp/tfx-datal9104odr/penguins_processed.csv',
<http.client.HTTPMessage at 0x7f9c6d8d2290>)
Utwórz interaktywny kontekst
Aby uruchomić komponenty TFX interaktywnie w tym notebooku, utwórz InteractiveContext . InteractiveContext wykorzystuje tymczasowy katalog z efemeryczny MLMD instancji bazy danych. Należy pamiętać, że rozmowy do InteractiveContext są no-ops poza środowiskiem Colab.
Ogólnie rzecz biorąc, jest to dobra praktyka, aby grupy podobnych tras rurociągów pod Context .
interactive_context = InteractiveContext()
WARNING:absl:InteractiveContext pipeline_root argument not provided: using temporary directory /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8 as root for pipeline outputs. WARNING:absl:InteractiveContext metadata_connection_config not provided: using SQLite ML Metadata database at /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/metadata.sqlite.
Zbuduj potok TFX
Potok TFX składa się z kilku składników, które wykonują różne aspekty przepływu pracy ML. W tym notebooku, tworzyć i uruchamiać ExampleGen , StatisticsGen , SchemaGen i Trainer komponenty i używać Evaluator i Pusher komponent do oceny i wcisnąć wyszkolony model.
Zapoznaj się z samouczka składników , aby uzyskać więcej informacji na temat elementów rurociągowych TFX.
Utwórz wystąpienie i uruchom komponent ExampleGen
example_gen = tfx.components.CsvExampleGen(input_base=_data_root)
interactive_context.run(example_gen)
WARNING:apache_beam.runners.interactive.interactive_environment:Dependencies required for Interactive Beam PCollection visualization are not available, please use: `pip install apache-beam[interactive]` to install necessary dependencies to enable all data visualization features. WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter. WARNING:apache_beam.io.tfrecordio:Couldn't find python-snappy so the implementation of _TFRecordUtil._masked_crc32c is not as fast as it could be.
Utwórz instancję i uruchom komponent StatisticsGen
statistics_gen = tfx.components.StatisticsGen(
examples=example_gen.outputs['examples'])
interactive_context.run(statistics_gen)
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.
Utwórz instancję i uruchom komponent SchemaGen
infer_schema = tfx.components.SchemaGen(
statistics=statistics_gen.outputs['statistics'], infer_feature_shape=True)
interactive_context.run(infer_schema)
WARNING: Logging before InitGoogleLogging() is written to STDERR I1205 11:16:00.941947 6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type
Utwórz instancję i uruchom komponent trenera
# Define the module file for the Trainer component
trainer_module_file = 'penguin_trainer.py'
%%writefile {trainer_module_file}
# Define the training algorithm for the Trainer module file
import os
from typing import List, Text
import tensorflow as tf
from tensorflow import keras
from tfx import v1 as tfx
from tfx_bsl.public import tfxio
from tensorflow_metadata.proto.v0 import schema_pb2
# Features used for classification - culmen length and depth, flipper length,
# body mass, and species.
_LABEL_KEY = 'species'
_FEATURE_KEYS = [
'culmen_length_mm', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g'
]
def _input_fn(file_pattern: List[Text],
data_accessor: tfx.components.DataAccessor,
schema: schema_pb2.Schema, batch_size: int) -> tf.data.Dataset:
return data_accessor.tf_dataset_factory(
file_pattern,
tfxio.TensorFlowDatasetOptions(
batch_size=batch_size, label_key=_LABEL_KEY), schema).repeat()
def _build_keras_model():
inputs = [keras.layers.Input(shape=(1,), name=f) for f in _FEATURE_KEYS]
d = keras.layers.concatenate(inputs)
d = keras.layers.Dense(8, activation='relu')(d)
d = keras.layers.Dense(8, activation='relu')(d)
outputs = keras.layers.Dense(3)(d)
model = keras.Model(inputs=inputs, outputs=outputs)
model.compile(
optimizer=keras.optimizers.Adam(1e-2),
loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=[keras.metrics.SparseCategoricalAccuracy()])
return model
def run_fn(fn_args: tfx.components.FnArgs):
schema = schema_pb2.Schema()
tfx.utils.parse_pbtxt_file(fn_args.schema_path, schema)
train_dataset = _input_fn(
fn_args.train_files, fn_args.data_accessor, schema, batch_size=10)
eval_dataset = _input_fn(
fn_args.eval_files, fn_args.data_accessor, schema, batch_size=10)
model = _build_keras_model()
model.fit(
train_dataset,
epochs=int(fn_args.train_steps / 20),
steps_per_epoch=20,
validation_data=eval_dataset,
validation_steps=fn_args.eval_steps)
model.save(fn_args.serving_model_dir, save_format='tf')
Writing penguin_trainer.py
Uruchom Trainer komponent.
trainer = tfx.components.Trainer(
module_file=os.path.abspath(trainer_module_file),
examples=example_gen.outputs['examples'],
schema=infer_schema.outputs['schema'],
train_args=tfx.proto.TrainArgs(num_steps=100),
eval_args=tfx.proto.EvalArgs(num_steps=50))
interactive_context.run(trainer)
running bdist_wheel running build running build_py creating build creating build/lib copying penguin_trainer.py -> build/lib installing to /tmp/tmpum1crtxy running install running install_lib copying build/lib/penguin_trainer.py -> /tmp/tmpum1crtxy running install_egg_info running egg_info creating tfx_user_code_Trainer.egg-info writing tfx_user_code_Trainer.egg-info/PKG-INFO writing dependency_links to tfx_user_code_Trainer.egg-info/dependency_links.txt writing top-level names to tfx_user_code_Trainer.egg-info/top_level.txt writing manifest file 'tfx_user_code_Trainer.egg-info/SOURCES.txt' reading manifest file 'tfx_user_code_Trainer.egg-info/SOURCES.txt' writing manifest file 'tfx_user_code_Trainer.egg-info/SOURCES.txt' Copying tfx_user_code_Trainer.egg-info to /tmp/tmpum1crtxy/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4-py3.7.egg-info running install_scripts creating /tmp/tmpum1crtxy/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/WHEEL creating '/tmp/tmpo87nn6ey/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4-py3-none-any.whl' and adding '/tmp/tmpum1crtxy' to it adding 'penguin_trainer.py' adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/METADATA' adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/WHEEL' adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/top_level.txt' adding 'tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4.dist-info/RECORD' removing /tmp/tmpum1crtxy /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/setuptools/command/install.py:37: SetuptoolsDeprecationWarning: setup.py install is deprecated. Use build and pip and other standards-based tools. setuptools.SetuptoolsDeprecationWarning, listing git files failed - pretending there aren't any I1205 11:16:01.389324 6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type I1205 11:16:01.392832 6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type Processing /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/_wheels/tfx_user_code_Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4-py3-none-any.whl Installing collected packages: tfx-user-code-Trainer Successfully installed tfx-user-code-Trainer-0.0+fef7c4ed90dc336ca26daee59d65660cf8da5fa988b2ca0c89df2f558fda10f4 Epoch 1/5 20/20 [==============================] - 1s 11ms/step - loss: 0.9891 - sparse_categorical_accuracy: 0.4300 - val_loss: 0.9594 - val_sparse_categorical_accuracy: 0.4800 Epoch 2/5 20/20 [==============================] - 0s 6ms/step - loss: 0.8369 - sparse_categorical_accuracy: 0.6350 - val_loss: 0.7484 - val_sparse_categorical_accuracy: 0.8200 Epoch 3/5 20/20 [==============================] - 0s 6ms/step - loss: 0.5289 - sparse_categorical_accuracy: 0.8350 - val_loss: 0.5068 - val_sparse_categorical_accuracy: 0.7800 Epoch 4/5 20/20 [==============================] - 0s 6ms/step - loss: 0.4481 - sparse_categorical_accuracy: 0.7800 - val_loss: 0.4125 - val_sparse_categorical_accuracy: 0.8600 Epoch 5/5 20/20 [==============================] - 0s 6ms/step - loss: 0.3068 - sparse_categorical_accuracy: 0.8650 - val_loss: 0.3279 - val_sparse_categorical_accuracy: 0.8300 2021-12-05 11:16:06.493168: W tensorflow/python/util/util.cc:348] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them. INFO:tensorflow:Assets written to: /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/Trainer/model/4/Format-Serving/assets INFO:tensorflow:Assets written to: /tmp/tfx-interactive-2021-12-05T11_15_56.285625-5hcexlo8/Trainer/model/4/Format-Serving/assets
Oceń i popchnij model
Użyj Evaluator składnika ocenić i „błogosławić” modelu przed użyciem Pusher składnik push model do katalogu obsługującego.
_serving_model_dir = os.path.join(tempfile.mkdtemp(),
'serving_model/penguins_classification')
eval_config = tfma.EvalConfig(
model_specs=[
tfma.ModelSpec(label_key='species', signature_name='serving_default')
],
metrics_specs=[
tfma.MetricsSpec(metrics=[
tfma.MetricConfig(
class_name='SparseCategoricalAccuracy',
threshold=tfma.MetricThreshold(
value_threshold=tfma.GenericValueThreshold(
lower_bound={'value': 0.6})))
])
],
slicing_specs=[tfma.SlicingSpec()])
evaluator = tfx.components.Evaluator(
examples=example_gen.outputs['examples'],
model=trainer.outputs['model'],
schema=infer_schema.outputs['schema'],
eval_config=eval_config)
interactive_context.run(evaluator)
I1205 11:16:07.075275 6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type I1205 11:16:07.078761 6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter. WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:114: tf_record_iterator (from tensorflow.python.lib.io.tf_record) is deprecated and will be removed in a future version. Instructions for updating: Use eager execution and: `tf.data.TFRecordDataset(path)` WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:114: tf_record_iterator (from tensorflow.python.lib.io.tf_record) is deprecated and will be removed in a future version. Instructions for updating: Use eager execution and: `tf.data.TFRecordDataset(path)`
pusher = tfx.components.Pusher(
model=trainer.outputs['model'],
model_blessing=evaluator.outputs['blessing'],
push_destination=tfx.proto.PushDestination(
filesystem=tfx.proto.PushDestination.Filesystem(
base_directory=_serving_model_dir)))
interactive_context.run(pusher)
I1205 11:16:11.935312 6108 rdbms_metadata_access_object.cc:686] No property is defined for the Type
Uruchomienie potoku TFX wypełnia bazę danych MLMD. W następnej sekcji użyjesz interfejsu API MLMD do przeszukiwania tej bazy danych w celu uzyskania informacji o metadanych.
Przeszukuj bazę danych MLMD
Baza danych MLMD przechowuje trzy rodzaje metadanych:
- Metadane dotyczące potoku i informacji o pochodzeniu powiązanych z komponentami potoku
- Metadane dotyczące artefaktów, które zostały wygenerowane podczas działania potoku
- Metadane o wykonaniach potoku
Typowy potok środowiska produkcyjnego obsługuje wiele modeli w miarę napływania nowych danych. W przypadku napotkania błędnych wyników w obsługiwanych modelach można wykonać zapytanie do bazy danych MLMD w celu wyizolowania błędnych modeli. Następnie możesz prześledzić pochodzenie składników potoku, które odpowiadają tym modelom, aby debugować swoje modele
Konfigurowanie metadanych (MD) Sklep z InteractiveContext zdefiniowane wcześniej do przeszukiwania bazy danych MLMD.
connection_config = interactive_context.metadata_connection_config
store = mlmd.MetadataStore(connection_config)
# All TFX artifacts are stored in the base directory
base_dir = connection_config.sqlite.filename_uri.split('metadata.sqlite')[0]
Utwórz kilka funkcji pomocniczych, aby wyświetlić dane z magazynu MD.
def display_types(types):
# Helper function to render dataframes for the artifact and execution types
table = {'id': [], 'name': []}
for a_type in types:
table['id'].append(a_type.id)
table['name'].append(a_type.name)
return pd.DataFrame(data=table)
def display_artifacts(store, artifacts):
# Helper function to render dataframes for the input artifacts
table = {'artifact id': [], 'type': [], 'uri': []}
for a in artifacts:
table['artifact id'].append(a.id)
artifact_type = store.get_artifact_types_by_id([a.type_id])[0]
table['type'].append(artifact_type.name)
table['uri'].append(a.uri.replace(base_dir, './'))
return pd.DataFrame(data=table)
def display_properties(store, node):
# Helper function to render dataframes for artifact and execution properties
table = {'property': [], 'value': []}
for k, v in node.properties.items():
table['property'].append(k)
table['value'].append(
v.string_value if v.HasField('string_value') else v.int_value)
for k, v in node.custom_properties.items():
table['property'].append(k)
table['value'].append(
v.string_value if v.HasField('string_value') else v.int_value)
return pd.DataFrame(data=table)
Po pierwsze, zapytanie sklep MD do listy wszystkich przechowywanych ArtifactTypes .
display_types(store.get_artifact_types())
Następnie zapytania wszystkie PushedModel artefakty.
pushed_models = store.get_artifacts_by_type("PushedModel")
display_artifacts(store, pushed_models)
Zapytaj sklep MD o najnowszy wypchnięty model. Ten samouczek zawiera tylko jeden model wypchnięty.
pushed_model = pushed_models[-1]
display_properties(store, pushed_model)
Jednym z pierwszych kroków debugowania modelu wypchniętego jest sprawdzenie, który wyszkolony model jest wypychany, i sprawdzenie, które dane szkoleniowe są używane do trenowania tego modelu.
MLMD udostępnia interfejsy API przechodzenia do przechodzenia przez wykres pochodzenia, którego można użyć do analizy pochodzenia modelu.
def get_one_hop_parent_artifacts(store, artifacts):
# Get a list of artifacts within a 1-hop of the artifacts of interest
artifact_ids = [artifact.id for artifact in artifacts]
executions_ids = set(
event.execution_id
for event in store.get_events_by_artifact_ids(artifact_ids)
if event.type == mlmd.proto.Event.OUTPUT)
artifacts_ids = set(
event.artifact_id
for event in store.get_events_by_execution_ids(executions_ids)
if event.type == mlmd.proto.Event.INPUT)
return [artifact for artifact in store.get_artifacts_by_id(artifacts_ids)]
Zapytanie o artefakty nadrzędne dla wypchniętego modelu.
parent_artifacts = get_one_hop_parent_artifacts(store, [pushed_model])
display_artifacts(store, parent_artifacts)
Zapytaj o właściwości modelu.
exported_model = parent_artifacts[0]
display_properties(store, exported_model)
Zapytanie o artefakty nadrzędne dla modelu.
model_parents = get_one_hop_parent_artifacts(store, [exported_model])
display_artifacts(store, model_parents)
Pobierz dane szkoleniowe, z którymi trenowany jest model.
used_data = model_parents[0]
display_properties(store, used_data)
Teraz, gdy masz dane szkoleniowe, z których model został przeszkolony, ponownie przeprowadź zapytanie do bazy danych, aby znaleźć krok szkolenia (wykonywanie). Zapytaj magazyn MD o listę zarejestrowanych typów wykonania.
display_types(store.get_execution_types())
Etap szkolenia jest ExecutionType nazwie tfx.components.trainer.component.Trainer . Przemierz sklep MD, aby uzyskać bieg trenera, który odpowiada modelowi pchniętemu.
def find_producer_execution(store, artifact):
executions_ids = set(
event.execution_id
for event in store.get_events_by_artifact_ids([artifact.id])
if event.type == mlmd.proto.Event.OUTPUT)
return store.get_executions_by_id(executions_ids)[0]
trainer = find_producer_execution(store, exported_model)
display_properties(store, trainer)
Streszczenie
W tym samouczku dowiedziałeś się, jak wykorzystać MLMD do śledzenia pochodzenia składników potoku TFX i rozwiązywania problemów.
Aby dowiedzieć się więcej o tym, jak korzystać z MLMD, zapoznaj się z tymi dodatkowymi zasobami: