评估器 TFX 管道组件

评估器 TFX 管道组件对模型的训练结果进行深入分析，以帮助您了解模型在数据子集上的表现。评估器还有助于验证您导出的模型，确保它们“足够好”以推送到生产环境中。

启用验证后，评估器会将新模型与基线（例如当前正在服务的模型）进行比较，以确定它们相对于基线是否“足够好”。它通过在评估数据集上评估两个模型并计算它们在指标（例如 AUC、损失）上的性能来做到这一点。如果新模型的指标相对于基线模型满足开发人员指定的标准（例如 AUC 不降低），则该模型将被“认可”（标记为良好），这表示可以将该模型推送到生产环境中。 Pusher。

  • 消耗
    • 来自 Examples 的评估拆分
    • 来自 Trainer 的训练模型
    • 以前认可的模型（如果要执行验证）
  • 发出

评估器和 TensorFlow 模型分析

评估器利用 TensorFlow 模型分析 库来执行分析，该库反过来使用 Apache Beam 进行可扩展的处理。

使用评估器组件

评估器管道组件通常非常易于部署，并且需要很少的自定义，因为大部分工作都是由评估器 TFX 组件完成的。

要设置评估器，需要以下信息

  • 要配置的指标（仅在模型保存的指标之外添加其他指标时才需要）。有关更多信息，请参阅 Tensorflow 模型分析指标。
  • 要配置的切片（如果没有给出切片，则默认情况下会添加一个“整体”切片）。有关更多信息，请参阅 Tensorflow 模型分析设置。

如果要包含验证，则需要以下其他信息

启用后，将针对所有已定义的指标和切片执行验证。

典型的代码如下所示

import tensorflow_model_analysis as tfma
...

# For TFMA evaluation

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. Note, if using a TFLite model, then you must set
        # model_type='tf_lite'.
        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'])
    ])

# The following component is experimental and may change in the future. This is
# required to specify the latest blessed model will be used as the baseline.
model_resolver = Resolver(
      strategy_class=dsl.experimental.LatestBlessedModelStrategy,
      model=Channel(type=Model),
      model_blessing=Channel(type=ModelBlessing)
).with_id('latest_blessed_model_resolver')

model_analyzer = 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)

评估器会生成一个 EvalResult（如果使用验证，则可以选择生成一个 ValidationResult），可以使用 TFMA 加载。以下是如何将结果加载到 Jupyter 笔记本中的示例

import tensorflow_model_analysis as tfma

output_path = evaluator.outputs['evaluation'].get()[0].uri

# Load the evaluation results.
eval_result = tfma.load_eval_result(output_path)

# Visualize the metrics and plots using tfma.view.render_slicing_metrics,
# tfma.view.render_plot, etc.
tfma.view.render_slicing_metrics(tfma_result)
...

# Load the validation results
validation_result = tfma.load_validation_result(output_path)
if not validation_result.validation_ok:
  ...

更多详细信息可在 Evaluator API 参考 中找到。