मॉडलवैलिडेटर टीएफएक्स पाइपलाइन घटक (अस्वीकृत)

मॉडलवैलिडेटर का उपयोग यह जांचने के लिए किया गया था कि कोई मॉडल उत्पादन में उपयोग करने के लिए पर्याप्त अच्छा है या नहीं। हम अभी भी सोचते हैं कि सत्यापन उपयोगी है, लेकिन चूंकि मॉडल मूल्यांकनकर्ता ने पहले ही उन सभी मेट्रिक्स की गणना कर ली है जिन्हें आप सत्यापित करना चाहते हैं, इसलिए हमने दोनों को मिलाने का फैसला किया है ताकि आपको गणनाओं की नकल न करनी पड़े।

हालाँकि हमने मॉडलवैलिडेटर को अप्रचलित कर दिया है और इसके उपयोग की अनुशंसा नहीं करते हैं, यदि आपको मौजूदा मॉडलवैलिडेटर घटक को बनाए रखने की आवश्यकता है तो एक उदाहरण कॉन्फ़िगरेशन इस प्रकार है:

import tfx
import tensorflow_model_analysis as tfma
from tfx.components.model_validator.component import ModelValidator

...

model_validator = ModelValidator(
      examples=example_gen.outputs['output_data'],
      model=trainer.outputs['model'])

उन लोगों के लिए जो कॉन्फ़िगरेशन को मूल्यांकनकर्ता पर स्थानांतरित करना चाहते हैं, मूल्यांकनकर्ता के लिए एक समान कॉन्फ़िगरेशन इस प्रकार दिखेगा:

from tfx import components
import tensorflow_model_analysis as tfma

...

eval_config = tfma.EvalConfig(
    model_specs=[
        # This assumes a serving model with signature 'serving_default'. If
        # using estimator based EvalSavedModel, add signature_name: 'eval' and
        # remove the label_key.
        tfma.ModelSpec(label_key='<label_key>')
    ],
    metrics_specs=[
        tfma.MetricsSpec(
            # The metrics added here are in addition to those saved with the
            # model (assuming either a keras model or EvalSavedModel is used).
            # Any metrics added into the saved model (for example using
            # model.compile(..., metrics=[...]), etc) will be computed
            # automatically.
            metrics=[
                tfma.MetricConfig(class_name='ExampleCount'),
                tfma.MetricConfig(
                    class_name='BinaryAccuracy',
                    threshold=tfma.MetricThreshold(
                        value_threshold=tfma.GenericValueThreshold(
                            lower_bound={'value': 0.5}),
                        change_threshold=tfma.GenericChangeThreshold(
                            direction=tfma.MetricDirection.HIGHER_IS_BETTER,
                            absolute={'value': -1e-10})))
            ]
        )
    ],
    slicing_specs=[
        # An empty slice spec means the overall slice, i.e. the whole dataset.
        tfma.SlicingSpec(),
        # Data can be sliced along a feature column. In this case, data is
        # sliced along feature column trip_start_hour.
        tfma.SlicingSpec(feature_keys=['trip_start_hour'])
    ])

model_resolver = Resolver(
      strategy_class=latest_blessed_model_resolver.LatestBlessedModelResolver,
      model=Channel(type=Model),
      model_blessing=Channel(type=ModelBlessing)
).with_id('latest_blessed_model_resolver')

model_analyzer = components.Evaluator(
      examples=examples_gen.outputs['examples'],
      model=trainer.outputs['model'],
      baseline_model=model_resolver.outputs['model'],
      # Change threshold will be ignored if there is no baseline (first run).
      eval_config=eval_config)