TFX के लिए TensorFlow मॉडलिंग कोड डिजाइन करना

TFX के लिए अपने TensorFlow मॉडलिंग कोड को डिज़ाइन करते समय कुछ बातों का ध्यान रखना चाहिए, जिसमें मॉडलिंग API का चुनाव भी शामिल है।

  • खपत: SavedModel से रूपांतरण , और से डेटा ExampleGen
  • उत्सर्जन: सहेजे गए मॉडल प्रारूप में प्रशिक्षित मॉडल

आपका मॉडल के इनपुट परत SavedModel कि एक द्वारा बनाया गया था से भस्म करना चाहिए रूपांतरण घटक है, और रूपांतरण मॉडल की परतों अपने मॉडल के साथ शामिल किया जाना चाहिए ताकि जब आप अपने SavedModel और EvalSavedModel निर्यात वे परिवर्तनों कि द्वारा बनाया गया था शामिल होंगे रूपांतरण अवयव।

TFX के लिए एक विशिष्ट TensorFlow मॉडल डिज़ाइन इस तरह दिखता है:

def _build_estimator(tf_transform_dir,
                     config,
                     hidden_units=None,
                     warm_start_from=None):
  """Build an estimator for predicting the tipping behavior of taxi riders.

  Args:
    tf_transform_dir: directory in which the tf-transform model was written
      during the preprocessing step.
    config: tf.contrib.learn.RunConfig defining the runtime environment for the
      estimator (including model_dir).
    hidden_units: [int], the layer sizes of the DNN (input layer first)
    warm_start_from: Optional directory to warm start from.

  Returns:
    Resulting DNNLinearCombinedClassifier.
  """
  metadata_dir = os.path.join(tf_transform_dir,
                              transform_fn_io.TRANSFORMED_METADATA_DIR)
  transformed_metadata = metadata_io.read_metadata(metadata_dir)
  transformed_feature_spec = transformed_metadata.schema.as_feature_spec()

  transformed_feature_spec.pop(_transformed_name(_LABEL_KEY))

  real_valued_columns = [
      tf.feature_column.numeric_column(key, shape=())
      for key in _transformed_names(_DENSE_FLOAT_FEATURE_KEYS)
  ]
  categorical_columns = [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=_VOCAB_SIZE + _OOV_SIZE, default_value=0)
      for key in _transformed_names(_VOCAB_FEATURE_KEYS)
  ]
  categorical_columns += [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=_FEATURE_BUCKET_COUNT, default_value=0)
      for key in _transformed_names(_BUCKET_FEATURE_KEYS)
  ]
  categorical_columns += [
      tf.feature_column.categorical_column_with_identity(
          key, num_buckets=num_buckets, default_value=0)
      for key, num_buckets in zip(
          _transformed_names(_CATEGORICAL_FEATURE_KEYS),  #
          _MAX_CATEGORICAL_FEATURE_VALUES)
  ]
  return tf.estimator.DNNLinearCombinedClassifier(
      config=config,
      linear_feature_columns=categorical_columns,
      dnn_feature_columns=real_valued_columns,
      dnn_hidden_units=hidden_units or [100, 70, 50, 25],
      warm_start_from=warm_start_from)