सहायता Kaggle पर TensorFlow साथ ग्रेट बैरियर रीफ की रक्षा चैलेंज में शामिल हों

एमएल मेटाडेटा

एमएल मेटाडाटा (MLMD) रिकॉर्डिंग और एमएल डेवलपर और डेटा वैज्ञानिक कार्य प्रवाह के साथ जुड़ा मेटाडेटा पुन: प्राप्त करने के लिए एक पुस्तकालय है। MLMD का एक अभिन्न हिस्सा है TensorFlow विस्तारित (TFX) , लेकिन इतना है कि यह स्वतंत्र रूप से इस्तेमाल किया जा सकता बनाया गया है।

उत्पादन एमएल पाइपलाइन का प्रत्येक रन विभिन्न पाइपलाइन घटकों, उनके निष्पादन (जैसे प्रशिक्षण रन), और परिणामी कलाकृतियों (जैसे प्रशिक्षित मॉडल) के बारे में जानकारी युक्त मेटाडेटा उत्पन्न करता है। अप्रत्याशित पाइपलाइन व्यवहार या त्रुटियों की स्थिति में, इस मेटाडेटा का उपयोग पाइपलाइन घटकों और डीबग मुद्दों की वंशावली का विश्लेषण करने के लिए किया जा सकता है। इस मेटाडेटा को सॉफ़्टवेयर विकास में लॉगिंग के बराबर समझें।

MLMD आपको अपनी ML पाइपलाइन के सभी परस्पर जुड़े भागों को अलग-अलग विश्लेषण करने के बजाय समझने और उनका विश्लेषण करने में मदद करता है और आपकी ML पाइपलाइन के बारे में सवालों के जवाब देने में आपकी मदद कर सकता है जैसे:

  • मॉडल ने किस डेटासेट पर प्रशिक्षण लिया?
  • मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले हाइपरपैरामीटर क्या थे?
  • किस पाइपलाइन रन ने मॉडल बनाया?
  • इस मॉडल को किस प्रशिक्षण रन ने आगे बढ़ाया?
  • TensorFlow के किस संस्करण ने यह मॉडल बनाया है?
  • असफल मॉडल को कब धकेला गया?

मेटाडेटा स्टोर

MLMD मेटाडाटा के निम्नलिखित प्रकार पंजीकृत करता है एक डेटाबेस मेटाडाटा स्टोर बुलाया में।

  1. आपके एमएल पाइपलाइनों के घटकों/चरणों के माध्यम से उत्पन्न कलाकृतियों के बारे में मेटाडेटा
  2. इन घटकों/चरणों के निष्पादन के बारे में मेटाडेटा
  3. पाइपलाइनों और संबंधित वंशावली जानकारी के बारे में मेटाडेटा

मेटाडेटा स्टोर स्टोरेज बैकएंड से मेटाडेटा को रिकॉर्ड करने और पुनर्प्राप्त करने के लिए एपीआई प्रदान करता है। स्टोरेज बैकएंड प्लग करने योग्य है और इसे बढ़ाया जा सकता है। MLMD SQLite (जो इन-मेमोरी और डिस्क का समर्थन करता है) और MySQL आउट ऑफ द बॉक्स के लिए संदर्भ कार्यान्वयन प्रदान करता है।

यह ग्राफिक विभिन्न घटकों का एक उच्च-स्तरीय अवलोकन दिखाता है जो एमएलएमडी का हिस्सा हैं।

एमएल मेटाडेटा अवलोकन

मेटाडेटा स्टोरेज बैकएंड और स्टोर कनेक्शन कॉन्फ़िगरेशन

MetadataStore वस्तु एक कनेक्शन विन्यास कि भंडारण से मेल खाती इस्तेमाल किया बैकएंड प्राप्त करता है।

  • नकली डाटाबेस एक में स्मृति डीबी (SQLite का उपयोग) तेजी से प्रयोग और स्थानीय रन का प्रावधान है। स्टोर ऑब्जेक्ट नष्ट होने पर डेटाबेस हटा दिया जाता है।
import ml_metadata as mlmd
from ml_metadata.metadata_store import metadata_store
from ml_metadata.proto import metadata_store_pb2

connection_config = metadata_store_pb2.ConnectionConfig()
connection_config.fake_database.SetInParent() # Sets an empty fake database proto.
store = metadata_store.MetadataStore(connection_config)
  • SQLite पढ़ता है और डिस्क से फ़ाइलें लिखता है।
connection_config = metadata_store_pb2.ConnectionConfig()
connection_config.sqlite.filename_uri = '...'
connection_config.sqlite.connection_mode = 3 # READWRITE_OPENCREATE
store = metadata_store.MetadataStore(connection_config)
  • MySQL एक MySQL सर्वर से कनेक्ट।
connection_config = metadata_store_pb2.ConnectionConfig()
connection_config.mysql.host = '...'
connection_config.mysql.port = '...'
connection_config.mysql.database = '...'
connection_config.mysql.user = '...'
connection_config.mysql.password = '...'
store = metadata_store.MetadataStore(connection_config)

इसी प्रकार, जब गूगल CloudSQL (के साथ एक MySQL उदाहरण का उपयोग कर त्वरित प्रारंभ , कनेक्ट-सिंहावलोकन ), एक भी SSL विकल्प यदि लागू इस्तेमाल कर सकते हैं।

connection_config.mysql.ssl_options.key = '...'
connection_config.mysql.ssl_options.cert = '...'
connection_config.mysql.ssl_options.ca = '...'
connection_config.mysql.ssl_options.capath = '...'
connection_config.mysql.ssl_options.cipher = '...'
connection_config.mysql.ssl_options.verify_server_cert = '...'
store = metadata_store.MetadataStore(connection_config)

डेटा मॉडल

मेटाडेटा स्टोर स्टोरेज बैकएंड से मेटाडेटा रिकॉर्ड करने और पुनर्प्राप्त करने के लिए निम्न डेटा मॉडल का उपयोग करता है।

  • ArtifactType एक विरूपण साक्ष्य के प्रकार और उसके गुण है कि मेटाडाटा दुकान में जमा हो जाती है वर्णन करता है। आप कोड में मेटाडेटा स्टोर के साथ इन प्रकारों को ऑन-द-फ्लाई पंजीकृत कर सकते हैं, या आप उन्हें स्टोर में क्रमबद्ध प्रारूप से लोड कर सकते हैं। एक बार जब आप किसी प्रकार को पंजीकृत कर लेते हैं, तो उसकी परिभाषा स्टोर के पूरे जीवनकाल में उपलब्ध रहती है।
  • एक Artifact एक का एक विशिष्ट उदाहरण का वर्णन करता है ArtifactType , और उसके गुणों के मेटाडाटा दुकान के लिए लिखा जाता है।
  • एक ExecutionType एक कार्यप्रवाह में घटक या चरण के प्रकार का वर्णन करता है, और उसके क्रम मानकों।
  • एक Execution एक घटक रन के रिकार्ड या एक एमएल कार्यप्रवाह और क्रम मानकों में एक कदम है। एक निष्पादन एक का एक उदाहरण के रूप में सोचा जा सकता है ExecutionType । जब आप कोई ML पाइपलाइन या चरण चलाते हैं तो निष्पादन रिकॉर्ड किए जाते हैं।
  • एक Event कलाकृतियों और फांसी के बीच संबंधों का एक रिकार्ड है। जब कोई निष्पादन होता है, तो ईवेंट निष्पादन द्वारा उपयोग किए गए प्रत्येक आर्टिफैक्ट और उत्पादित किए गए प्रत्येक आर्टिफैक्ट को रिकॉर्ड करता है। ये रिकॉर्ड पूरे वर्कफ़्लो में वंश ट्रैकिंग की अनुमति देते हैं। सभी घटनाओं को देखकर, एमएलएमडी जानता है कि क्या निष्पादन हुआ और परिणामस्वरूप कौन सी कलाकृतियां बनाई गईं। एमएलएमडी फिर किसी भी आर्टिफैक्ट से अपने सभी अपस्ट्रीम इनपुट में वापस रिकर्स कर सकता है।
  • एक ContextType कलाकृतियों और एक कार्यप्रवाह में फांसी के वैचारिक समूह, और इसकी संरचनात्मक गुणों का एक प्रकार का वर्णन है। उदाहरण के लिए: परियोजनाएं, पाइपलाइन रन, प्रयोग, मालिक आदि।
  • एक Context एक का एक उदाहरण है ContextType । यह समूह के भीतर साझा की गई जानकारी को कैप्चर करता है। उदाहरण के लिए: परियोजना का नाम, परिवर्तन सूची आईडी प्रतिबद्ध, प्रयोग एनोटेशन आदि यह अपने भीतर एक उपयोगकर्ता परिभाषित अनन्य नाम है ContextType
  • एक Attribution कलाकृतियों और संदर्भों के बीच संबंधों का एक रिकार्ड है।
  • एक Association फांसी और संदर्भों के बीच संबंधों का एक रिकार्ड है।

एमएलएमडी कार्यक्षमता

एमएल वर्कफ़्लो में सभी घटकों / चरणों के इनपुट और आउटपुट को ट्रैक करना और उनकी वंशावली एमएल प्लेटफॉर्म को कई महत्वपूर्ण सुविधाओं को सक्षम करने की अनुमति देती है। निम्नलिखित सूची कुछ प्रमुख लाभों का एक गैर-विस्तृत अवलोकन प्रदान करती है।

  • एक विशिष्ट प्रकार की सभी कलाकृतियों की सूची बनाएं। उदाहरण: सभी मॉडल जिन्हें प्रशिक्षित किया गया है।
  • तुलना के लिए एक ही प्रकार की दो कलाकृतियों को लोड करें। उदाहरण: दो प्रयोगों के परिणामों की तुलना करें।
  • एक संदर्भ के सभी संबंधित निष्पादन और उनके इनपुट और आउटपुट कलाकृतियों का एक डीएजी दिखाएं। उदाहरण: डिबगिंग और खोज के लिए किसी प्रयोग के वर्कफ़्लो की कल्पना करें।
  • एक आर्टिफैक्ट कैसे बनाया गया था यह देखने के लिए सभी घटनाओं के माध्यम से वापस जाएं। उदाहरण: देखें कि मॉडल में कौन सा डेटा गया; डेटा प्रतिधारण योजनाओं को लागू करें।
  • किसी दिए गए आर्टिफैक्ट का उपयोग करके बनाए गए सभी कलाकृतियों की पहचान करें। उदाहरण: किसी विशिष्ट डेटासेट से प्रशिक्षित सभी मॉडल देखें; खराब डेटा के आधार पर मॉडल चिह्नित करें।
  • निर्धारित करें कि क्या निष्पादन पहले उसी इनपुट पर चलाया गया है। उदाहरण: निर्धारित करें कि क्या एक घटक/चरण ने पहले ही वही काम पूरा कर लिया है और पिछले आउटपुट का पुन: उपयोग किया जा सकता है।
  • वर्कफ़्लो का रिकॉर्ड और क्वेरी प्रसंग चलता है। उदाहरण: कार्यप्रवाह चलाने के लिए उपयोग किए गए स्वामी और परिवर्तनसूची को ट्रैक करें; प्रयोगों द्वारा वंश का समूह बनाना; परियोजनाओं द्वारा कलाकृतियों का प्रबंधन।
  • गुणों और 1-हॉप पड़ोस नोड्स पर घोषणात्मक नोड्स फ़िल्टरिंग क्षमताएं। उदाहरण: किसी प्रकार की और कुछ पाइपलाइन संदर्भ के तहत कलाकृतियों की तलाश करें; टाइप की गई कलाकृतियाँ लौटाएँ जहाँ दी गई संपत्ति का मूल्य एक सीमा के भीतर हो; एक ही इनपुट के साथ एक संदर्भ में पिछले निष्पादन खोजें।

देखें MLMD ट्यूटोरियल है कि पता चलता है आप वंश जानकारी प्राप्त कर सके MLMD एपीआई और मेटाडाटा स्टोर का उपयोग करने के लिए कैसे एक उदाहरण के लिए।

एमएल मेटाडेटा को अपने एमएल वर्कफ़्लो में एकीकृत करें

यदि आप अपने सिस्टम में एमएलएमडी को एकीकृत करने में रुचि रखने वाले प्लेटफॉर्म डेवलपर हैं, तो प्रशिक्षण कार्य के निष्पादन को ट्रैक करने के लिए निम्न-स्तरीय एमएलएमडी एपीआई का उपयोग करने के लिए नीचे दिए गए उदाहरण वर्कफ़्लो का उपयोग करें। आप प्रयोग मेटाडेटा को रिकॉर्ड करने के लिए नोटबुक वातावरण में उच्च-स्तरीय पायथन एपीआई का भी उपयोग कर सकते हैं।

एमएल मेटाडेटा उदाहरण प्रवाह

1) कलाकृतियों के प्रकार पंजीकृत करें

# Create ArtifactTypes, e.g., Data and Model
data_type = metadata_store_pb2.ArtifactType()
data_type.name = "DataSet"
data_type.properties["day"] = metadata_store_pb2.INT
data_type.properties["split"] = metadata_store_pb2.STRING
data_type_id = store.put_artifact_type(data_type)

model_type = metadata_store_pb2.ArtifactType()
model_type.name = "SavedModel"
model_type.properties["version"] = metadata_store_pb2.INT
model_type.properties["name"] = metadata_store_pb2.STRING
model_type_id = store.put_artifact_type(model_type)

# Query all registered Artifact types.
artifact_types = store.get_artifact_types()

2) एमएल वर्कफ़्लो में सभी चरणों के लिए निष्पादन प्रकार पंजीकृत करें

# Create an ExecutionType, e.g., Trainer
trainer_type = metadata_store_pb2.ExecutionType()
trainer_type.name = "Trainer"
trainer_type.properties["state"] = metadata_store_pb2.STRING
trainer_type_id = store.put_execution_type(trainer_type)

# Query a registered Execution type with the returned id
[registered_type] = store.get_execution_types_by_id([trainer_type_id])

3) डेटासेट आर्टिफैक्ट टाइप का एक आर्टिफैक्ट बनाएं

# Create an input artifact of type DataSet
data_artifact = metadata_store_pb2.Artifact()
data_artifact.uri = 'path/to/data'
data_artifact.properties["day"].int_value = 1
data_artifact.properties["split"].string_value = 'train'
data_artifact.type_id = data_type_id
[data_artifact_id] = store.put_artifacts([data_artifact])

# Query all registered Artifacts
artifacts = store.get_artifacts()

# Plus, there are many ways to query the same Artifact
[stored_data_artifact] = store.get_artifacts_by_id([data_artifact_id])
artifacts_with_uri = store.get_artifacts_by_uri(data_artifact.uri)
artifacts_with_conditions = store.get_artifacts(
      list_options=mlmd.ListOptions(
          filter_query='uri LIKE "%/data" AND properties.day.int_value > 0'))

4) ट्रेनर रन का निष्पादन बनाएं

# Register the Execution of a Trainer run
trainer_run = metadata_store_pb2.Execution()
trainer_run.type_id = trainer_type_id
trainer_run.properties["state"].string_value = "RUNNING"
[run_id] = store.put_executions([trainer_run])

# Query all registered Execution
executions = store.get_executions_by_id([run_id])
# Similarly, the same execution can be queried with conditions.
executions_with_conditions = store.get_executions(
    list_options = mlmd.ListOptions(
        filter_query='type = "Trainer" AND properties.state.string_value IS NOT NULL'))

5) इनपुट इवेंट को परिभाषित करें और डेटा पढ़ें

# Define the input event
input_event = metadata_store_pb2.Event()
input_event.artifact_id = data_artifact_id
input_event.execution_id = run_id
input_event.type = metadata_store_pb2.Event.DECLARED_INPUT

# Record the input event in the metadata store
store.put_events([input_event])

6) आउटपुट आर्टिफैक्ट घोषित करें

# Declare the output artifact of type SavedModel
model_artifact = metadata_store_pb2.Artifact()
model_artifact.uri = 'path/to/model/file'
model_artifact.properties["version"].int_value = 1
model_artifact.properties["name"].string_value = 'MNIST-v1'
model_artifact.type_id = model_type_id
[model_artifact_id] = store.put_artifacts([model_artifact])

7) आउटपुट इवेंट रिकॉर्ड करें

# Declare the output event
output_event = metadata_store_pb2.Event()
output_event.artifact_id = model_artifact_id
output_event.execution_id = run_id
output_event.type = metadata_store_pb2.Event.DECLARED_OUTPUT

# Submit output event to the Metadata Store
store.put_events([output_event])

8) निष्पादन को पूर्ण के रूप में चिह्नित करें

trainer_run.id = run_id
trainer_run.properties["state"].string_value = "COMPLETED"
store.put_executions([trainer_run])

9) एट्रिब्यूशन और अभिकथन कलाकृतियों का उपयोग करके एक संदर्भ के तहत समूह कलाकृतियों और निष्पादन

# Create a ContextType, e.g., Experiment with a note property
experiment_type = metadata_store_pb2.ContextType()
experiment_type.name = "Experiment"
experiment_type.properties["note"] = metadata_store_pb2.STRING
experiment_type_id = store.put_context_type(experiment_type)

# Group the model and the trainer run to an experiment.
my_experiment = metadata_store_pb2.Context()
my_experiment.type_id = experiment_type_id
# Give the experiment a name
my_experiment.name = "exp1"
my_experiment.properties["note"].string_value = "My first experiment."
[experiment_id] = store.put_contexts([my_experiment])

attribution = metadata_store_pb2.Attribution()
attribution.artifact_id = model_artifact_id
attribution.context_id = experiment_id

association = metadata_store_pb2.Association()
association.execution_id = run_id
association.context_id = experiment_id

store.put_attributions_and_associations([attribution], [association])

# Query the Artifacts and Executions that are linked to the Context.
experiment_artifacts = store.get_artifacts_by_context(experiment_id)
experiment_executions = store.get_executions_by_context(experiment_id)

# You can also use neighborhood queries to fetch these artifacts and executions
# with conditions.
experiment_artifacts_with_conditions = store.get_artifacts(
    list_options = mlmd.ListOptions(
        filter_query=('contexts_a.type = "Experiment" AND contexts_a.name = "exp1"')))
experiment_executions_with_conditions = store.get_executions(
    list_options = mlmd.ListOptions(
        filter_query=('contexts_a.id = {}'.format(experiment_id))))

दूरस्थ gRPC सर्वर के साथ MLMD का उपयोग करें

आप MLMD का उपयोग दूरस्थ gRPC सर्वर के साथ कर सकते हैं जैसा कि नीचे दिखाया गया है:

  • एक सर्वर शुरू करें
bazel run -c opt --define grpc_no_ares=true  //ml_metadata/metadata_store:metadata_store_server

डिफ़ॉल्ट रूप से, सर्वर प्रति अनुरोध एक नकली इन-मेमोरी डीबी का उपयोग करता है और कॉल के दौरान मेटाडेटा को जारी नहीं रखता है। यह भी एक MLMD साथ विन्यस्त किया जा सकता MetadataStoreServerConfig SQLite फाइल या MySQL उदाहरणों का उपयोग करें। Config एक पाठ Protobuf फ़ाइल में संग्रहीत और साथ बाइनरी में पारित किया जा सकता --metadata_store_server_config_file=path_to_the_config_file

एक उदाहरण MetadataStoreServerConfig पाठ Protobuf स्वरूप में फ़ाइल:

connection_config {
  sqlite {
    filename_uri: '/tmp/test_db'
    connection_mode: READWRITE_OPENCREATE
  }
}
  • क्लाइंट स्टब बनाएं और इसे पायथन में उपयोग करें
from grpc import insecure_channel
from ml_metadata.proto import metadata_store_pb2
from ml_metadata.proto import metadata_store_service_pb2
from ml_metadata.proto import metadata_store_service_pb2_grpc

channel = insecure_channel('localhost:8080')
stub = metadata_store_service_pb2_grpc.MetadataStoreServiceStub(channel)
  • आरपीसी कॉल के साथ एमएलएमडी का प्रयोग करें
# Create ArtifactTypes, e.g., Data and Model
data_type = metadata_store_pb2.ArtifactType()
data_type.name = "DataSet"
data_type.properties["day"] = metadata_store_pb2.INT
data_type.properties["split"] = metadata_store_pb2.STRING

request = metadata_store_service_pb2.PutArtifactTypeRequest()
request.all_fields_match = True
request.artifact_type.CopyFrom(data_type)
stub.PutArtifactType(request)

model_type = metadata_store_pb2.ArtifactType()
model_type.name = "SavedModel"
model_type.properties["version"] = metadata_store_pb2.INT
model_type.properties["name"] = metadata_store_pb2.STRING

request.artifact_type.CopyFrom(model_type)
stub.PutArtifactType(request)

साधन

MLMD लाइब्रेरी में एक उच्च-स्तरीय API है जिसे आप अपनी ML पाइपलाइनों के साथ आसानी से उपयोग कर सकते हैं। देखें MLMD API दस्तावेज़ अधिक जानकारी के लिए।

की जाँच करें MLMD घोषणात्मक नोड्स छनन कैसे MLMD कथात्मक गुण और 1-हॉप पड़ोस नोड्स पर क्षमताओं को छानने नोड्स उपयोग करने के लिए सीखने के लिए।

इसके अलावा बाहर की जाँच MLMD ट्यूटोरियल MLMD उपयोग करने के लिए कैसे अपने पाइपलाइन घटकों के वंश का पता लगाने में जानने के लिए।

MLMD सभी रिलीज़ में स्कीमा और डेटा माइग्रेशन को संभालने के लिए उपयोगिताएँ प्रदान करता है। MLMD देखें गाइड अधिक जानकारी के लिए।