Analisis Model TensorFlow

TensorFlow Model Analysis (TFMA) adalah perpustakaan untuk mengevaluasi model TensorFlow. Hal ini memungkinkan pengguna untuk mengevaluasi model mereka pada data dalam jumlah besar secara terdistribusi, menggunakan metrik yang sama yang ditentukan dalam pelatih mereka. Metrik ini dapat dihitung pada berbagai bagian data dan divisualisasikan dalam buku catatan Jupyter.

Perhatian: TFMA mungkin memperkenalkan perubahan yang tidak kompatibel sebelum versi 1.0.

Instalasi

Cara yang disarankan untuk menginstal TFMA adalah menggunakan paket PyPI :

pip install tensorflow-model-analysis

Bangun TFMA dari sumber

Untuk membangun dari sumber ikuti langkah-langkah berikut:

Instal protoc sesuai tautan yang disebutkan: protoc

Buat lingkungan virtual dengan menjalankan perintah

python3 -m venv <virtualenv_name>
source <virtualenv_name>/bin/activate
pip3 install setuptools wheel
git clone https://github.com/tensorflow/model-analysis.git
cd model-analysis
python3 setup.py bdist_wheel

Ini akan membangun roda TFMA di direktori dist. Untuk menginstal roda dari direktori dist jalankan perintah

cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl

Paket Malam

TFMA juga menyelenggarakan paket malam di https://pypi-nightly.tensorflow.org di Google Cloud. Untuk menginstal paket nightly terbaru, silakan gunakan perintah berikut:

pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

Ini akan menginstal paket nightly untuk dependensi utama TFMA seperti TensorFlow Metadata (TFMD), TFX Basic Shared Libraries (TFX-BSL).

Catatan: Paket per malam ini tidak stabil dan kemungkinan besar akan terjadi kerusakan. Perbaikannya seringkali memakan waktu seminggu atau lebih tergantung pada kerumitannya.

Saat ini, TFMA mengharuskan TensorFlow diinstal tetapi tidak memiliki ketergantungan eksplisit pada paket TensorFlow PyPI. Lihat panduan penginstalan TensorFlow untuk mengetahui petunjuknya.

Untuk mengaktifkan visualisasi TFMA di Jupyter Notebook:

  jupyter nbextension enable --py widgetsnbextension
  jupyter nbextension enable --py tensorflow_model_analysis

Catatan: Jika notebook Jupyter sudah terinstal di direktori home Anda, tambahkan --user ke perintah ini. Jika Jupyter diinstal sebagai root, atau menggunakan lingkungan virtual, parameter --sys-prefix mungkin diperlukan.

Lab Jupyter

Saat tulisan ini dibuat, karena https://github.com/pypa/pip/issues/9187, pip install mungkin tidak akan pernah selesai. Dalam hal ini, Anda harus mengembalikan pip ke versi 19, bukan 20: pip install "pip<20" .

Menggunakan ekstensi JupyterLab memerlukan instalasi dependensi pada baris perintah. Anda dapat melakukan ini di dalam konsol di UI JupyterLab atau di baris perintah. Ini termasuk menginstal secara terpisah semua dependensi paket pip dan dependensi plugin labextension JupyterLab, dan nomor versinya harus kompatibel.

Contoh di bawah ini menggunakan 0.27.0. Periksa versi yang tersedia di bawah untuk menggunakan yang terbaru.

Lab Jupyter 1.2.x

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1

Lab Jupyter 2

pip install tensorflow_model_analysis==0.27.0
jupyter labextension install tensorflow_model_analysis@0.27.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@2

Pemecahan masalah

Periksa paket pip:

pip list

Periksa ekstensi:

jupyter labextension list

Ketergantungan Penting

TensorFlow diperlukan.

Apache Beam diperlukan; itulah cara komputasi terdistribusi yang efisien didukung. Secara default, Apache Beam berjalan dalam mode lokal tetapi juga dapat berjalan dalam mode terdistribusi menggunakan Google Cloud Dataflow dan runner Apache Beam lainnya.

Apache Arrow juga diperlukan. TFMA menggunakan Arrow untuk merepresentasikan data secara internal untuk memanfaatkan fungsi numpy yang divektorisasi.

Memulai

Untuk petunjuk penggunaan TFMA, lihat panduan memulai .

Versi yang Kompatibel

Tabel berikut adalah versi paket TFMA yang kompatibel satu sama lain. Hal ini ditentukan oleh kerangka pengujian kami, namun kombinasi lain yang belum teruji juga dapat berfungsi.

analisis model tensorflow	apache-beam[gcp]	pyarrow	aliran tensor	tensorflow-metadata	tfx-bsl
master GitHub	2.47.0	10.0.0	setiap malam (2.x)	1.15.0	1.15.1
0.46.0	2.47.0	10.0.0	2.15	1.15.0	1.15.1
0.45.0	2.47.0	10.0.0	2.13	1.14.0	1.14.0
0.44.0	2.40.0	6.0.0	2.12	1.13.1	1.13.0
0.43.0	2.40.0	6.0.0	2.11	1.12.0	1.12.0
0.42.0	2.40.0	6.0.0	1.15 / 2.10	1.11.0	1.11.0
0.41.1	2.40.0	6.0.0	1.15 / 2.9	1.10.0	1.10.1
0.41.0	2.40.0	6.0.0	1.15 / 2.9	1.10.0	1.10.1
0.40.0	2.38.0	5.0.0	1.15 / 2.9	1.9.0	1.9.0
0.39.0	2.38.0	5.0.0	1.15 / 2.8	1.8.0	1.8.0
0.38.0	2.36.0	5.0.0	1.15 / 2.8	1.7.0	1.7.0
0.37.0	2.35.0	5.0.0	1.15 / 2.7	1.6.0	1.6.0
0.36.0	2.34.0	5.0.0	1.15 / 2.7	1.5.0	1.5.0
0.35.0	2.33.0	5.0.0	1.15 / 2.6	1.4.0	1.4.0
0.34.1	2.32.0	2.0.0	1.15 / 2.6	1.2.0	1.3.0
0.34.0	2.31.0	2.0.0	1.15 / 2.6	1.2.0	1.3.1
0.33.0	2.31.0	2.0.0	1,15 / 2,5	1.2.0	1.2.0
0.32.1	2.29.0	2.0.0	1,15 / 2,5	1.1.0	1.1.1
0.32.0	2.29.0	2.0.0	1,15 / 2,5	1.1.0	1.1.0
0.31.0	2.29.0	2.0.0	1,15 / 2,5	1.0.0	1.0.0
0.30.0	2.28.0	2.0.0	1.15 / 2.4	0.30.0	0.30.0
0.29.0	2.28.0	2.0.0	1.15 / 2.4	0.29.0	0.29.0
0.28.0	2.28.0	2.0.0	1.15 / 2.4	0.28.0	0.28.0
0.27.0	2.27.0	2.0.0	1.15 / 2.4	0.27.0	0.27.0
0.26.1	2.28.0	0.17.0	1.15 / 2.3	0.26.0	0.26.0
0.26.0	2.25.0	0.17.0	1.15 / 2.3	0.26.0	0.26.0
0.25.0	2.25.0	0.17.0	1.15 / 2.3	0.25.0	0.25.0
0.24.3	2.24.0	0.17.0	1.15 / 2.3	0.24.0	0.24.1
0.24.2	2.23.0	0.17.0	1.15 / 2.3	0.24.0	0.24.0
0.24.1	2.23.0	0.17.0	1.15 / 2.3	0.24.0	0.24.0
0.24.0	2.23.0	0.17.0	1.15 / 2.3	0.24.0	0.24.0
0.23.0	2.23.0	0.17.0	1.15 / 2.3	0.23.0	0.23.0
0.22.2	2.20.0	0.16.0	1.15 / 2.2	0.22.2	0.22.0
0.22.1	2.20.0	0.16.0	1.15 / 2.2	0.22.2	0.22.0
0.22.0	2.20.0	0.16.0	1.15 / 2.2	0.22.0	0.22.0
0.21.6	2.19.0	0.15.0	1.15 / 2.1	0.21.0	0.21.3
0.21.5	2.19.0	0.15.0	1.15 / 2.1	0.21.0	0.21.3
0.21.4	2.19.0	0.15.0	1.15 / 2.1	0.21.0	0.21.3
0.21.3	2.17.0	0.15.0	1.15 / 2.1	0.21.0	0.21.0
0.21.2	2.17.0	0.15.0	1.15 / 2.1	0.21.0	0.21.0
0.21.1	2.17.0	0.15.0	1.15 / 2.1	0.21.0	0.21.0
0.21.0	2.17.0	0.15.0	1.15 / 2.1	0.21.0	0.21.0
0.15.4	2.16.0	0.15.0	1.15 / 2.0	tidak ada	0.15.1
0.15.3	2.16.0	0.15.0	1.15 / 2.0	tidak ada	0.15.1
0.15.2	2.16.0	0.15.0	1.15 / 2.0	tidak ada	0.15.1
0.15.1	2.16.0	0.15.0	1.15 / 2.0	tidak ada	0.15.0
0.15.0	2.16.0	0.15.0	1.15	tidak ada	tidak ada
0.14.0	2.14.0	tidak ada	1.14	tidak ada	tidak ada
0.13.1	2.11.0	tidak ada	1.13	tidak ada	tidak ada
0.13.0	2.11.0	tidak ada	1.13	tidak ada	tidak ada
0.12.1	2.10.0	tidak ada	1.12	tidak ada	tidak ada
0.12.0	2.10.0	tidak ada	1.12	tidak ada	tidak ada
0.11.0	2.8.0	tidak ada	1.11	tidak ada	tidak ada
0.9.2	2.6.0	tidak ada	1.9	tidak ada	tidak ada
0.9.1	2.6.0	tidak ada	1.10	tidak ada	tidak ada
0.9.0	2.5.0	tidak ada	1.9	tidak ada	tidak ada
0.6.0	2.4.0	tidak ada	1.6	tidak ada	tidak ada

Pertanyaan

Silakan ajukan pertanyaan apa pun tentang bekerja dengan TFMA ke Stack Overflow menggunakan tag analisis model tensorflow .