SampleValidator TFX Ardışık Düzen Bileşeni
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
SampleValidator işlem hattı bileşeni, eğitim ve veri sunumundaki anormallikleri tanımlar. Verilerdeki farklı anormallik sınıflarını tespit edebilir. Örneğin şunları yapabilir:
- Veri istatistiklerini kullanıcının beklentilerini kodlayan bir şemayla karşılaştırarak geçerlilik kontrolleri yapın.
- Eğitim ve sunum verilerini karşılaştırarak eğitim-sunum çarpıklığını tespit edin.
- Bir dizi veriye bakarak veri kaymasını tespit edin.
- SQL tabanlı bir yapılandırma kullanarak özel doğrulamalar gerçekleştirin.
SampleValidator ardışık düzen bileşeni, İstatistikGen ardışık düzen bileşeni tarafından hesaplanan veri istatistiklerini bir şemayla karşılaştırarak örnek verilerdeki tüm anormallikleri tanımlar. Çıkarılan şema, giriş verilerinin karşılaması beklenen özellikleri kodlar ve geliştirici tarafından değiştirilebilir.
- Tüketim: Bir SchemaGen bileşeninden bir şema ve bir İstatistikGen bileşeninden istatistikler.
- Yayılanlar: Doğrulama sonuçları
SampleValidator ve TensorFlow Veri Doğrulaması
SampleValidator, giriş verilerinizi doğrulamak için TensorFlow Veri Doğrulama'yı kapsamlı bir şekilde kullanır.
SampleValidator Bileşenini Kullanma
Bir SampleValidator işlem hattı bileşeninin dağıtımı genellikle çok kolaydır ve çok az özelleştirme gerektirir. Tipik kod şuna benzer:
validate_stats = ExampleValidator(
statistics=statistics_gen.outputs['statistics'],
schema=schema_gen.outputs['schema']
)
Daha fazla ayrıntıyı SampleValidator API referansında bulabilirsiniz.
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-25 UTC.
[null,null,["Son güncelleme tarihi: 2025-07-25 UTC."],[],[],null,["# The ExampleValidator TFX Pipeline Component\n\n\u003cbr /\u003e\n\nThe ExampleValidator pipeline component identifies anomalies in training and serving\ndata. It can detect different classes of anomalies in the data. For example it\ncan:\n\n1. perform validity checks by comparing data statistics against a schema that codifies expectations of the user.\n2. detect training-serving skew by comparing training and serving data.\n3. detect data drift by looking at a series of data.\n4. perform [custom validations](https://github.com/tensorflow/data-validation/blob/master/g3doc/custom_data_validation.md) using a SQL-based configuration.\n\nThe ExampleValidator pipeline component identifies any anomalies in the example data\nby comparing data statistics computed by the StatisticsGen pipeline component against a\nschema. The inferred schema codifies properties which the input data is expected to\nsatisfy, and can be modified by the developer.\n\n- Consumes: A schema from a SchemaGen component, and statistics from a StatisticsGen component.\n- Emits: Validation results\n\nExampleValidator and TensorFlow Data Validation\n-----------------------------------------------\n\nExampleValidator makes extensive use of [TensorFlow Data Validation](/tfx/guide/tfdv)\nfor validating your input data.\n\nUsing the ExampleValidator Component\n------------------------------------\n\nAn ExampleValidator pipeline component is typically very easy to deploy and\nrequires little customization. Typical code looks like this: \n\n validate_stats = ExampleValidator(\n statistics=statistics_gen.outputs['statistics'],\n schema=schema_gen.outputs['schema']\n )\n\nMore details are available in the\n[ExampleValidator API reference](https://www.tensorflow.org/tfx/api_docs/python/tfx/v1/components/ExampleValidator)."]]
