Las pautas de prueba y depuración en este curso pueden ser complejas de implementar. Puedes implementar algunos de los lineamientos con TensorFlow y TensorFlow Extended (TFX). TFX es una canalización de AA de extremo a extremo basada en TensorFlow. Para obtener una demostración, consulta este ejemplo de TFX de extremo a extremo. Para complementar el ejemplo de extremo a extremo, en la siguiente tabla, se enumeran los recursos disponibles en TF y TFX por guía. Solo se enumeran los lineamientos compatibles con TF o TFX.
Guideline | Implementación de TF/TFX | Implementación interna de Google |
---|---|---|
Lineamientos para depurar tu modelo de AA | ||
Explore sus datos para comprenderlos | Explora tus datos con Pandas o Facets.
|
|
Valida datos de entrada mediante un esquema de datos | Usa la Validación de datos de TensorFlow. |
|
Garantizar que las divisiones sean de buena calidad | -- | TFX divide los datos de forma aleatoria. Sin embargo, actualmente, TFX no proporciona una forma de supervisar la calidad de las divisiones. |
Cómo probar datos de ingeniería | -- | Escribir pruebas de unidades para el componente de transformación TFX Consulta Pruebas de unidades para entradas de tf.transform. |
Implementar pruebas para el código de AA | Primero, depura tus modelos de TF con Eager Execution. Luego, escriba pruebas con Tensorflow Testing. | Consulta Pruebas de unidades en TFX y tfx.unit. |
Optimización | ||
Ajusta hiperparámetros | Usa el ajuste de hiperparámetros de Cloud ML. | Usa TFX Tuner para ajustar los hiperparámetros en paralelo. Consulta Ajuste automático de modelos. |
Métricas | ||
Genera métricas del modelo | TensorBoard visualiza tu grafo de TF y traza métricas. Consulta Tensorboard: visualización de gráficos. | Consulta la ayuda de TensorBoard específica de Google. |
Implementación en canalización | ||
Supervisar las métricas generales de la canalización | -- | Consulta el panel de métricas del estado del AA. |
Pruebas de integración de la canalización | -- | Consulta Prueba de integración de TFX. |
Prueba la calidad del modelo en producción | Usa el análisis del modelo de TensorFlow. | Usa TFX ModelValidator |
Valida la compatibilidad de la infraestructura modelo antes de la entrega | -- | Usa TFX InfraValidator. |
Verifica la desviación entre el entrenamiento y la entrega | Para evitar el sesgo de atributos, comparte el código de ingeniería de atributos en el entrenamiento y la entrega mediante TFX Transform. | Consulta Detección de sesgos de entrenamiento y entrega de TFX. |
Seguimiento de la inactividad del modelo | -- | No se implementó. Consulta el error de seguimiento de solicitudes de funciones. |