TensorFlow मॉडल विश्लेषण

TensorFlow.org पर देखें

Google Colab में चलाएं

GitHub पर स्रोत देखें

नोटबुक डाउनलोड करें

TensorFlow विस्तारित (TFX) के एक प्रमुख घटक का एक उदाहरण

TensorFlow मॉडल विश्लेषण (TFMA) डेटा के विभिन्न स्लाइस भर में मॉडल मूल्यांकन के प्रदर्शन के लिए एक पुस्तकालय है। TFMA का उपयोग कर डेटा की बड़ी मात्रा के ऊपर एक वितरित तरीके से अपने संगणना प्रदर्शन अपाचे बीम ।

यह उदाहरण कोलाब नोटबुक दिखाता है कि कैसे TFMA का उपयोग डेटासेट की विशेषताओं के संबंध में किसी मॉडल के प्रदर्शन की जांच और कल्पना करने के लिए किया जा सकता है। हम उस मॉडल का उपयोग करेंगे जिसे हमने पहले प्रशिक्षित किया था, और अब आप परिणामों के साथ खेल सकते हैं! मॉडल हम प्रशिक्षित लिए किया गया था शिकागो टैक्सी उदाहरण है, जो का उपयोग करता टैक्सी डाटासेट Trips शिकागो शहर के द्वारा जारी किया। में पूर्ण डाटासेट अन्वेषण BigQuery यूआई ।

एक मॉडलर और डेवलपर के रूप में, इस बारे में सोचें कि इस डेटा का उपयोग कैसे किया जाता है और मॉडल के पूर्वानुमानों से संभावित लाभ और हानि हो सकती है। इस तरह का एक मॉडल सामाजिक पूर्वाग्रहों और असमानताओं को मजबूत कर सकता है। क्या कोई विशेषता उस समस्या के लिए प्रासंगिक है जिसे आप हल करना चाहते हैं या यह पूर्वाग्रह का परिचय देगी? अधिक जानकारी के लिए के बारे में पढ़ा एमएल निष्पक्षता ।

डेटासेट में कॉलम हैं:

जुपिटर एक्सटेंशन स्थापित करें

jupyter nbextension enable --py widgetsnbextension --sys-prefix 
jupyter nbextension install --py --symlink tensorflow_model_analysis --sys-prefix 
jupyter nbextension enable --py tensorflow_model_analysis --sys-prefix 

TensorFlow मॉडल विश्लेषण (TFMA) स्थापित करें

यह सभी निर्भरताओं को खींच लेगा, और इसमें एक मिनट का समय लगेगा।

# Upgrade pip to the latest, and install TFMA.
pip install -U pip
pip install tensorflow-model-analysis

अब आपको नीचे की कोशिकाओं को चलाने से पहले रनटाइम को पुनरारंभ करना होगा।

# This setup was tested with TF 2.5 and TFMA 0.31 (using colab), but it should
# also work with the latest release.
import sys

# Confirm that we're using Python 3
assert sys.version_info.major==3, 'This notebook must be run using Python 3.'

import tensorflow as tf
print('TF version: {}'.format(tf.__version__))
import apache_beam as beam
print('Beam version: {}'.format(beam.__version__))
import tensorflow_model_analysis as tfma
print('TFMA version: {}'.format(tfma.__version__))

TF version: 2.4.4
Beam version: 2.34.0
TFMA version: 0.29.0

फ़ाइलें लोड करें

हम एक टार फाइल डाउनलोड करेंगे जिसमें वह सब कुछ होगा जो हमें चाहिए। जिसमें शामिल है:

• प्रशिक्षण और मूल्यांकन डेटासेट
• डेटा स्कीमा
• सहेजे गए मॉडल (केरस और अनुमानक) और eval सहेजे गए मॉडल (अनुमानकर्ता) को प्रशिक्षण और सेवा देना।

# Download the tar file from GCP and extract it
import io, os, tempfile
TAR_NAME = 'saved_models-2.2'
BASE_DIR = tempfile.mkdtemp()
DATA_DIR = os.path.join(BASE_DIR, TAR_NAME, 'data')
MODELS_DIR = os.path.join(BASE_DIR, TAR_NAME, 'models')
SCHEMA = os.path.join(BASE_DIR, TAR_NAME, 'schema.pbtxt')
OUTPUT_DIR = os.path.join(BASE_DIR, 'output')

!curl -O https://storage.googleapis.com/artifacts.tfx-oss-public.appspot.com/datasets/{TAR_NAME}.tar
!tar xf {TAR_NAME}.tar
!mv {TAR_NAME} {BASE_DIR}
!rm {TAR_NAME}.tar

print("Here's what we downloaded:")
!ls -R {BASE_DIR}

% Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100 6800k  100 6800k    0     0  28.2M      0 --:--:-- --:--:-- --:--:-- 28.2M
Here's what we downloaded:
/tmp/tmp_at9q62d:
saved_models-2.2

/tmp/tmp_at9q62d/saved_models-2.2:
data  models  schema.pbtxt

/tmp/tmp_at9q62d/saved_models-2.2/data:
eval  train

/tmp/tmp_at9q62d/saved_models-2.2/data/eval:
data.csv

/tmp/tmp_at9q62d/saved_models-2.2/data/train:
data.csv

/tmp/tmp_at9q62d/saved_models-2.2/models:
estimator  keras

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator:
eval_model_dir  serving_model_dir

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir:
1591221811

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811:
saved_model.pb  tmp.pbtxt  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir:
checkpoint
eval_chicago-taxi-eval
events.out.tfevents.1591221780.my-pipeline-b57vp-237544850
export
graph.pbtxt
model.ckpt-100.data-00000-of-00001
model.ckpt-100.index
model.ckpt-100.meta

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/eval_chicago-taxi-eval:
events.out.tfevents.1591221799.my-pipeline-b57vp-237544850

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export:
chicago-taxi

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi:
1591221801

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi/1591221801:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/estimator/serving_model_dir/export/chicago-taxi/1591221801/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/keras:
0  1  2

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/0:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/0/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/1:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/1/variables:
variables.data-00000-of-00001  variables.index

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/2:
saved_model.pb  variables

/tmp/tmp_at9q62d/saved_models-2.2/models/keras/2/variables:
variables.data-00000-of-00001  variables.index

स्कीमा पार्स करें

बातें हम डाउनलोड किया अलावा हमारे डेटा है कि द्वारा बनाया गया था के लिए एक स्कीमा था TensorFlow डेटा मान्यता । आइए अब इसका विश्लेषण करें ताकि हम इसे TFMA के साथ उपयोग कर सकें।

import tensorflow as tf
from google.protobuf import text_format
from tensorflow.python.lib.io import file_io
from tensorflow_metadata.proto.v0 import schema_pb2
from tensorflow.core.example import example_pb2

schema = schema_pb2.Schema()
contents = file_io.read_file_to_string(SCHEMA)
schema = text_format.Parse(contents, schema)

TFRecords बनाने के लिए स्कीमा का उपयोग करें

हमें TFMA को अपने डेटासेट तक पहुंच प्रदान करने की आवश्यकता है, तो चलिए एक TFRecords फ़ाइल बनाते हैं। हम इसे बनाने के लिए अपने स्कीमा का उपयोग कर सकते हैं, क्योंकि यह हमें प्रत्येक सुविधा के लिए सही प्रकार देता है।

import csv

datafile = os.path.join(DATA_DIR, 'eval', 'data.csv')
reader = csv.DictReader(open(datafile, 'r'))
examples = []
for line in reader:
  example = example_pb2.Example()
  for feature in schema.feature:
    key = feature.name
    if feature.type == schema_pb2.FLOAT:
      example.features.feature[key].float_list.value[:] = (
          [float(line[key])] if len(line[key]) > 0 else [])
    elif feature.type == schema_pb2.INT:
      example.features.feature[key].int64_list.value[:] = (
          [int(line[key])] if len(line[key]) > 0 else [])
    elif feature.type == schema_pb2.BYTES:
      example.features.feature[key].bytes_list.value[:] = (
          [line[key].encode('utf8')] if len(line[key]) > 0 else [])
  # Add a new column 'big_tipper' that indicates if tips was > 20% of the fare. 
  # TODO(b/157064428): Remove after label transformation is supported for Keras.
  big_tipper = float(line['tips']) > float(line['fare']) * 0.2
  example.features.feature['big_tipper'].float_list.value[:] = [big_tipper]
  examples.append(example)

tfrecord_file = os.path.join(BASE_DIR, 'train_data.rio')
with tf.io.TFRecordWriter(tfrecord_file) as writer:
  for example in examples:
    writer.write(example.SerializeToString())

!ls {tfrecord_file}

/tmp/tmp_at9q62d/train_data.rio

टीएफएमए सेटअप और रन करें

TFMA TF केरस मॉडल, जेनेरिक TF2 हस्ताक्षर API पर आधारित मॉडल, साथ ही TF अनुमानक आधारित मॉडल सहित कई विभिन्न मॉडल प्रकारों का समर्थन करता है। Get_started गाइड मॉडल प्रकार समर्थित है और किसी भी प्रतिबंध की पूरी सूची है। इस उदाहरण के लिए हम एक keras एक आकलनकर्ता आधारित मॉडल है कि एक के रूप में बचा लिया गया था और साथ ही आधारित मॉडल को कॉन्फ़िगर कैसे दिखाने के लिए जा रहे हैं EvalSavedModel । देखें पूछे जाने वाले प्रश्न अन्य विन्यास के उदाहरण के लिए।

TFMA प्रशिक्षण समय (यानी अंतर्निर्मित मीट्रिक) में उपयोग किए गए मीट्रिक की गणना के लिए समर्थन प्रदान करता है और साथ ही TFMA कॉन्फ़िगरेशन सेटिंग्स के भाग के रूप में मॉडल को सहेजे जाने के बाद परिभाषित मीट्रिक भी। हमारे keras के लिए सेटअप हम अपने विन्यास के भाग के रूप मैन्युअल हमारे मैट्रिक्स और भूखंडों जोड़ने (देखें प्रदर्शन करेंगे मैट्रिक्स कि समर्थन कर रहे मैट्रिक्स और भूखंडों के बारे में जानकारी के लिए गाइड)। अनुमानक सेटअप के लिए हम मॉडल के साथ सहेजे गए अंतर्निर्मित मीट्रिक का उपयोग करेंगे। हमारे सेटअप में कई स्लाइसिंग स्पेक्स भी शामिल हैं जिनकी चर्चा निम्नलिखित अनुभागों में अधिक विस्तार से की गई है।

एक बनाने के बाद tfma.EvalConfig और tfma.EvalSharedModel हम तो का उपयोग कर TFMA चला सकते हैं tfma.run_model_analysis । यह एक पैदा करेगा tfma.EvalResult जो हम अपने मैट्रिक्स और भूखंडों प्रतिपादन के लिए बाद में उपयोग कर सकते हैं।

केरासो

import tensorflow_model_analysis as tfma

# Setup tfma.EvalConfig settings
keras_eval_config = text_format.Parse("""
  ## Model information
  model_specs {
    # For keras (and serving models) we need to add a `label_key`.
    label_key: "big_tipper"
  }

  ## Post training metric information. These will be merged with any built-in
  ## metrics from training.
  metrics_specs {
    metrics { class_name: "ExampleCount" }
    metrics { class_name: "BinaryAccuracy" }
    metrics { class_name: "BinaryCrossentropy" }
    metrics { class_name: "AUC" }
    metrics { class_name: "AUCPrecisionRecall" }
    metrics { class_name: "Precision" }
    metrics { class_name: "Recall" }
    metrics { class_name: "MeanLabel" }
    metrics { class_name: "MeanPrediction" }
    metrics { class_name: "Calibration" }
    metrics { class_name: "CalibrationPlot" }
    metrics { class_name: "ConfusionMatrixPlot" }
    # ... add additional metrics and plots ...
  }

  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["trip_start_hour"]
  }
  slicing_specs {
    feature_keys: ["trip_start_day"]
  }
  slicing_specs {
    feature_values: {
      key: "trip_start_month"
      value: "1"
    }
  }
  slicing_specs {
    feature_keys: ["trip_start_hour", "trip_start_day"]
  }
""", tfma.EvalConfig())

# Create a tfma.EvalSharedModel that points at our keras model.
keras_model_path = os.path.join(MODELS_DIR, 'keras', '2')
keras_eval_shared_model = tfma.default_eval_shared_model(
    eval_saved_model_path=keras_model_path,
    eval_config=keras_eval_config)

keras_output_path = os.path.join(OUTPUT_DIR, 'keras')

# Run TFMA
keras_eval_result = tfma.run_model_analysis(
    eval_shared_model=keras_eval_shared_model,
    eval_config=keras_eval_config,
    data_location=tfrecord_file,
    output_path=keras_output_path)

2021-12-04 10:18:15.463173: W tensorflow/stream_executor/platform/default/dso_loader.cc:60] Could not load dynamic library 'libcusolver.so.10'; dlerror: libcusolver.so.10: cannot open shared object file: No such file or directory
2021-12-04 10:18:15.464249: W tensorflow/core/common_runtime/gpu/gpu_device.cc:1757] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
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.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/writers/metrics_plots_and_validations_writer.py:113: 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:113: 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)`

क़ीमत लगानेवाला

import tensorflow_model_analysis as tfma

# Setup tfma.EvalConfig settings
estimator_eval_config = text_format.Parse("""
  ## Model information
  model_specs {
    # To use EvalSavedModel set `signature_name` to "eval".
    signature_name: "eval"
  }

  ## Post training metric information. These will be merged with any built-in
  ## metrics from training.
  metrics_specs {
    metrics { class_name: "ConfusionMatrixPlot" }
    # ... add additional metrics and plots ...
  }

  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["trip_start_hour"]
  }
  slicing_specs {
    feature_keys: ["trip_start_day"]
  }
  slicing_specs {
    feature_values: {
      key: "trip_start_month"
      value: "1"
    }
  }
  slicing_specs {
    feature_keys: ["trip_start_hour", "trip_start_day"]
  }
""", tfma.EvalConfig())

# Create a tfma.EvalSharedModel that points at our eval saved model.
estimator_base_model_path = os.path.join(
    MODELS_DIR, 'estimator', 'eval_model_dir')
estimator_model_path = os.path.join(
    estimator_base_model_path, os.listdir(estimator_base_model_path)[0])
estimator_eval_shared_model = tfma.default_eval_shared_model(
    eval_saved_model_path=estimator_model_path,
    eval_config=estimator_eval_config)

estimator_output_path = os.path.join(OUTPUT_DIR, 'estimator')

# Run TFMA
estimator_eval_result = tfma.run_model_analysis(
    eval_shared_model=estimator_eval_shared_model,
    eval_config=estimator_eval_config,
    data_location=tfrecord_file,
    output_path=estimator_output_path)

WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
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/eval_saved_model/load.py:169: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/eval_saved_model/load.py:169: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
INFO:tensorflow:Restoring parameters from /tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables/variables
INFO:tensorflow:Restoring parameters from /tmp/tmp_at9q62d/saved_models-2.2/models/estimator/eval_model_dir/1591221811/variables/variables
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/eval_saved_model/graph_ref.py:189: get_tensor_from_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.get_tensor_from_tensor_info or tf.compat.v1.saved_model.get_tensor_from_tensor_info.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_model_analysis/eval_saved_model/graph_ref.py:189: get_tensor_from_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.get_tensor_from_tensor_info or tf.compat.v1.saved_model.get_tensor_from_tensor_info.

विज़ुअलाइज़िंग मेट्रिक्स और प्लॉट

अब जब हमने मूल्यांकन पूरा कर लिया है, तो आइए TFMA का उपयोग करके अपने विज़ुअलाइज़ेशन पर एक नज़र डालें। निम्नलिखित उदाहरणों के लिए, हम केरस मॉडल पर मूल्यांकन चलाने के परिणामों की कल्पना करेंगे। आकलनकर्ता आधारित मॉडल अद्यतन देखने के लिए eval_result हमारे पर बात करने के लिए estimator_eval_result चर।

eval_result = keras_eval_result
# eval_result = estimator_eval_result

रेंडरिंग मेट्रिक्स

दृश्य मीट्रिक करने के लिए आप का उपयोग tfma.view.render_slicing_metrics

डिफ़ॉल्ट रूप से विचारों को प्रदर्शित करेगा Overall टुकड़ा। किसी विशिष्ट भाग को देखने के लिए आप या तो स्तंभ (सेटिंग से के नाम का उपयोग कर सकते हैं slicing_column ) या एक प्रदान tfma.SlicingSpec ।

मेट्रिक्स विज़ुअलाइज़ेशन निम्नलिखित इंटरैक्शन का समर्थन करता है:

• पैन करने के लिए क्लिक करें और खींचें
• ज़ूम करने के लिए स्क्रॉल करें
• दृश्य को रीसेट करने के लिए राइट क्लिक करें
• अधिक विवरण देखने के लिए वांछित डेटा बिंदु पर होवर करें।
• नीचे दिए गए चयनों का उपयोग करके चार अलग-अलग प्रकार के दृश्यों में से चयन करें।

उदाहरण के लिए, हम सेट करेंगे slicing_column को देखने के लिए trip_start_hour हमारे पिछले से सुविधा slicing_specs ।

tfma.view.render_slicing_metrics(eval_result, slicing_column='trip_start_hour')

SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_hour:2', …

स्लाइस अवलोकन

जब स्लाइस की संख्या छोटा है डिफ़ॉल्ट दृश्य स्लाइस अवलोकन है। यह प्रत्येक स्लाइस के लिए मीट्रिक के मान दिखाता है। जब से हम का चयन किया है trip_start_hour से ऊपर, यह हमारे सटीकता और एयूसी प्रत्येक घंटे, जो हमें मुद्दों है कि कुछ घंटे और नहीं दूसरों के लिए विशिष्ट हैं देखने के लिए अनुमति देता है के लिए जैसे मैट्रिक दिखा रहा है।

उपरोक्त दृश्य में:

• सुविधा स्तंभ है, जो हमारे है छँटाई का प्रयास करें trip_start_hours स्तंभ शीर्ष पर, सुविधा क्लिक करके
• परिशुद्धता द्वारा छँटाई प्रयास करें, और सूचना है कि उदाहरण के साथ घंटे से कुछ के लिए सटीक 0 है, कोई समस्या हो सकती है, जिसमें

चार्ट हमें अपने स्लाइस में विभिन्न मीट्रिक चुनने और प्रदर्शित करने की भी अनुमति देता है।

• "दिखाएँ" मेनू से विभिन्न मीट्रिक चुनने का प्रयास करें
• "दिखाएं" मेनू में याद करते हैं का चयन करके देखें, और नोटिस उदाहरण के साथ घंटे से कुछ के लिए याद करते हैं 0 है, जो एक समस्या का संकेत हो सकता है कि

कम संख्या में उदाहरणों या "वजन" के साथ स्लाइस को फ़िल्टर करने के लिए एक सीमा निर्धारित करना भी संभव है। आप न्यूनतम संख्या में उदाहरण टाइप कर सकते हैं, या स्लाइडर का उपयोग कर सकते हैं।

मेट्रिक्स हिस्टोग्राम

यही नजरिया एक वैकल्पिक दृश्य है, जो भी डिफ़ॉल्ट दृश्य है जब स्लाइस की संख्या बड़ी है के रूप में एक मेट्रिक्स हिस्टोग्राम का समर्थन करता है। परिणामों को बाल्टियों में विभाजित किया जाएगा और स्लाइस की संख्या / कुल वजन / दोनों की कल्पना की जा सकती है। कॉलम हेडर पर क्लिक करके कॉलम को सॉर्ट किया जा सकता है। थ्रेशोल्ड सेट करके छोटे वज़न वाले स्लाइस को फ़िल्टर किया जा सकता है। ग्रे बैंड को खींचकर आगे की फ़िल्टरिंग लागू की जा सकती है। सीमा को रीसेट करने के लिए, बैंड पर डबल क्लिक करें। फ़िल्टरिंग का उपयोग विज़ुअलाइज़ेशन और मीट्रिक तालिकाओं में बाहरी कारकों को हटाने के लिए भी किया जा सकता है। रेखीय पैमाने के बजाय लघुगणकीय पैमाने पर स्विच करने के लिए गियर आइकन पर क्लिक करें।

• विज़ुअलाइज़ेशन मेनू में "मैट्रिक्स हिस्टोग्राम" का चयन करने का प्रयास करें

अधिक स्लाइस

हमारी प्रारंभिक tfma.EvalConfig की एक पूरी सूची बनाई slicing_specs है, जो हम करने के लिए पारित कर दिया अद्यतन करने टुकड़ा जानकारी से कल्पना कर सकते हैं tfma.view.render_slicing_metrics । यहाँ हम चुनेंगे trip_start_day टुकड़ा (सप्ताह के दिन)। बदलने का प्रयास करें trip_start_day को trip_start_month और फिर प्रतिपादन अलग स्लाइस जांच करने के लिए।

tfma.view.render_slicing_metrics(eval_result, slicing_column='trip_start_day')

SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_day:3', '…

TFMA सुविधाओं के संयोजन का विश्लेषण करने के लिए फीचर क्रॉस बनाने का भी समर्थन करता है। हमारी मूल सेटिंग्स एक क्रॉस बनाया trip_start_hour और trip_start_day :

tfma.view.render_slicing_metrics(
    eval_result,
    slicing_spec=tfma.SlicingSpec(
        feature_keys=['trip_start_hour', 'trip_start_day']))

SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_day_X_tri…

दो स्तंभों को पार करने से बहुत सारे संयोजन बनते हैं! चलो यात्राएं कि दोपहर में शुरू में केवल देखने के लिए हमारे पार को कम। तब के चयन करते हैं binary_accuracy दृश्य से:

tfma.view.render_slicing_metrics(
    eval_result,
    slicing_spec=tfma.SlicingSpec(
        feature_keys=['trip_start_day'], feature_values={'trip_start_hour': '12'}))

SlicingMetricsViewer(config={'weightedExamplesColumn': 'example_count'}, data=[{'slice': 'trip_start_day_X_tri…

रेंडरिंग प्लॉट

किसी भी भूखंडों कि करने के लिए जोड़ा गया था tfma.EvalConfig पद प्रशिक्षण के रूप में metric_specs का उपयोग कर प्रदर्शित किया जा सकता tfma.view.render_plot ।

मेट्रिक्स की तरह, प्लॉट्स को स्लाइस द्वारा देखा जा सकता है। मैट्रिक्स के विपरीत, केवल किसी विशिष्ट भाग के मूल्य के लिए भूखंडों तो प्रदर्शित किया जा सकता tfma.SlicingSpec इस्तेमाल किया जाना चाहिए और यह दोनों एक टुकड़ा सुविधा नाम और मान निर्दिष्ट करना होगा। कोई टुकड़ा तो प्रदान की जाती है के लिए भूखंडों Overall टुकड़ा प्रयोग किया जाता है।

उदाहरण में हम दिखा रहे हैं जो नीचे CalibrationPlot और ConfusionMatrixPlot भूखंडों कि गणना कर रहे थे trip_start_hour:1 टुकड़ा।

tfma.view.render_plot(
    eval_result,
    tfma.SlicingSpec(feature_values={'trip_start_hour': '1'}))

PlotViewer(config={'sliceName': 'trip_start_hour:1', 'metricKeys': {'calibrationPlot': {'metricName': 'calibra…

समय के साथ ट्रैकिंग मॉडल प्रदर्शन

आपके प्रशिक्षण डेटासेट का उपयोग आपके मॉडल को प्रशिक्षित करने के लिए किया जाएगा, और उम्मीद है कि यह आपके परीक्षण डेटासेट और उत्पादन में आपके मॉडल को भेजे जाने वाले डेटा का प्रतिनिधि होगा। हालाँकि, जबकि अनुमान अनुरोधों में डेटा आपके प्रशिक्षण डेटा के समान ही रह सकता है, कई मामलों में यह पर्याप्त रूप से बदलना शुरू हो जाएगा ताकि आपके मॉडल का प्रदर्शन बदल जाए।

इसका मतलब है कि आपको निरंतर आधार पर अपने मॉडल के प्रदर्शन की निगरानी और मूल्यांकन करने की आवश्यकता है, ताकि आप परिवर्तनों से अवगत हो सकें और उन पर प्रतिक्रिया कर सकें। आइए देखें कि TFMA कैसे मदद कर सकता है।

आइए लोड 3 अलग मॉडल रन और उपयोग TFMA कि वे किस तरह का उपयोग कर की तुलना देखने के लिए render_time_series ।

# Note this re-uses the EvalConfig from the keras setup.

# Run eval on each saved model
output_paths = []
for i in range(3):
  # Create a tfma.EvalSharedModel that points at our saved model.
  eval_shared_model = tfma.default_eval_shared_model(
      eval_saved_model_path=os.path.join(MODELS_DIR, 'keras', str(i)),
      eval_config=keras_eval_config)

  output_path = os.path.join(OUTPUT_DIR, 'time_series', str(i))
  output_paths.append(output_path)

  # Run TFMA
  tfma.run_model_analysis(eval_shared_model=eval_shared_model,
                          eval_config=keras_eval_config,
                          data_location=tfrecord_file,
                          output_path=output_path)

WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.
WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.

सबसे पहले, हम कल्पना करेंगे कि हमने कल अपने मॉडल को प्रशिक्षित और तैनात किया है, और अब हम देखना चाहते हैं कि यह आज आने वाले नए डेटा पर कैसा प्रदर्शन कर रहा है। विज़ुअलाइज़ेशन AUC प्रदर्शित करके शुरू होगा। यूआई से आप यह कर सकते हैं:

• "मीट्रिक श्रृंखला जोड़ें" मेनू का उपयोग करके अन्य मीट्रिक जोड़ें।
• x . पर क्लिक करके अवांछित रेखांकन बंद करें
• अधिक विवरण प्राप्त करने के लिए डेटा बिंदुओं (ग्राफ़ में रेखा खंडों के सिरे) पर होवर करें

eval_results_from_disk = tfma.load_eval_results(output_paths[:2])

tfma.view.render_time_series(eval_results_from_disk)

TimeSeriesViewer(config={'isModelCentric': True}, data=[{'metrics': {'': {'': {'binary_accuracy': {'doubleValu…

अब हम कल्पना करेंगे कि एक और दिन बीत चुका है और हम देखना चाहते हैं कि यह पिछले दो दिनों की तुलना में आज आने वाले नए डेटा पर कैसा प्रदर्शन कर रहा है:

eval_results_from_disk = tfma.load_eval_results(output_paths)

tfma.view.render_time_series(eval_results_from_disk)

TimeSeriesViewer(config={'isModelCentric': True}, data=[{'metrics': {'': {'': {'binary_accuracy': {'doubleValu…

मॉडल सत्यापन

TFMA को एक ही समय में कई मॉडलों का मूल्यांकन करने के लिए कॉन्फ़िगर किया जा सकता है। आमतौर पर यह एक नए मॉडल की तुलना बेसलाइन (जैसे कि वर्तमान में सेवारत मॉडल) से करने के लिए किया जाता है ताकि यह निर्धारित किया जा सके कि मेट्रिक्स (जैसे एयूसी, आदि) में प्रदर्शन अंतर बेसलाइन के सापेक्ष क्या हैं। जब थ्रेसहोल्ड कॉन्फ़िगर किया गया है, TFMA एक का उत्पादन करेगा tfma.ValidationResult यह बताते हैं कि प्रदर्शन expecations से मेल खाता है रिकॉर्ड।

आइए दो मॉडलों की तुलना करने के लिए अपने केरस मूल्यांकन को फिर से कॉन्फ़िगर करें: एक उम्मीदवार और एक आधार रेखा। हम यह भी एक निर्धारित करके आधारभूत के खिलाफ उम्मीदवार के प्रदर्शन को मान्य होगा tmfa.MetricThreshold एयूसी मीट्रिक पर।

# Setup tfma.EvalConfig setting
eval_config_with_thresholds = text_format.Parse("""
  ## Model information
  model_specs {
    name: "candidate"
    # For keras we need to add a `label_key`.
    label_key: "big_tipper"
  }
  model_specs {
    name: "baseline"
    # For keras we need to add a `label_key`.
    label_key: "big_tipper"
    is_baseline: true
  }

  ## Post training metric information
  metrics_specs {
    metrics { class_name: "ExampleCount" }
    metrics { class_name: "BinaryAccuracy" }
    metrics { class_name: "BinaryCrossentropy" }
    metrics {
      class_name: "AUC"
      threshold {
        # Ensure that AUC is always > 0.9
        value_threshold {
          lower_bound { value: 0.9 }
        }
        # Ensure that AUC does not drop by more than a small epsilon
        # e.g. (candidate - baseline) > -1e-10 or candidate > baseline - 1e-10
        change_threshold {
          direction: HIGHER_IS_BETTER
          absolute { value: -1e-10 }
        }
      }
    }
    metrics { class_name: "AUCPrecisionRecall" }
    metrics { class_name: "Precision" }
    metrics { class_name: "Recall" }
    metrics { class_name: "MeanLabel" }
    metrics { class_name: "MeanPrediction" }
    metrics { class_name: "Calibration" }
    metrics { class_name: "CalibrationPlot" }
    metrics { class_name: "ConfusionMatrixPlot" }
    # ... add additional metrics and plots ...
  }

  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["trip_start_hour"]
  }
  slicing_specs {
    feature_keys: ["trip_start_day"]
  }
  slicing_specs {
    feature_keys: ["trip_start_month"]
  }
  slicing_specs {
    feature_keys: ["trip_start_hour", "trip_start_day"]
  }
""", tfma.EvalConfig())

# Create tfma.EvalSharedModels that point at our keras models.
candidate_model_path = os.path.join(MODELS_DIR, 'keras', '2')
baseline_model_path = os.path.join(MODELS_DIR, 'keras', '1')
eval_shared_models = [
  tfma.default_eval_shared_model(
      model_name=tfma.CANDIDATE_KEY,
      eval_saved_model_path=candidate_model_path,
      eval_config=eval_config_with_thresholds),
  tfma.default_eval_shared_model(
      model_name=tfma.BASELINE_KEY,
      eval_saved_model_path=baseline_model_path,
      eval_config=eval_config_with_thresholds),
]

validation_output_path = os.path.join(OUTPUT_DIR, 'validation')

# Run TFMA
eval_result_with_validation = tfma.run_model_analysis(
    eval_shared_models,
    eval_config=eval_config_with_thresholds,
    data_location=tfrecord_file,
    output_path=validation_output_path)

WARNING:absl:Tensorflow version (2.4.4) found. Note that TFMA support for TF 2.0 is currently in beta
WARNING:root:Make sure that locally built Python SDK docker image has Python 3.7 interpreter.

बेसलाइन के विरुद्ध एक या अधिक मॉडलों के साथ मूल्यांकन चलाते समय, TFMA स्वचालित रूप से मूल्यांकन के दौरान परिकलित सभी मीट्रिक के लिए भिन्न मीट्रिक जोड़ता है। इन मेट्रिक्स इसी मीट्रिक लेकिन साथ के नाम पर कर रहे हैं _diff मीट्रिक नाम के साथ जोड़ दिया।

आइए हमारे रन द्वारा उत्पादित मेट्रिक्स पर एक नज़र डालें:

tfma.view.render_time_series(eval_result_with_validation)

TimeSeriesViewer(config={'isModelCentric': True}, data=[{'metrics': {'': {'': {'binary_accuracy': {'doubleValu…

अब आइए हमारे सत्यापन जांच से आउटपुट देखें। मान्यता परिणाम उपयोग हम को देखने के लिए tfma.load_validator_result । हमारे उदाहरण के लिए, सत्यापन विफल हो जाता है क्योंकि AUC सीमा से नीचे है।

validation_result = tfma.load_validation_result(validation_output_path)
print(validation_result.validation_ok)

False