הטמעה באמצעות TF ו-TFX

במסלול הזה, יכול להיות שהטמעה של הנחיות הבדיקה וניפוי הבאגים תהיה מורכבת. אפשר ליישם חלק מההנחיות בעזרת TensorFlow ו-TensorFlow Extended (TFX) . TFX הוא צינור עיבוד נתונים מקצה לקצה המבוסס על TensorFlow. להדגמה, תוכלו לצפות בדוגמה הכוללת מקצה לקצה. כדי להשלים את הדוגמה מקצה לקצה, הטבלה הבאה מפרטת את המשאבים הזמינים ב-TF וב-TFX לפי הנחיה. רק ההנחיות הנתמכות על ידי TF או TFX מופיעות ברשימה.

הנחיה הטמעת TF/TFX הטמעה פנימית של Google
הנחיות לניפוי באגים במודל למידת המכונה (ML)
בחינת הנתונים שלך כדי להבין אותם מעיינים בנתונים באמצעות Pandas או Facets.
אימות נתוני קלט באמצעות סכימת נתונים משתמשים באימות נתונים של TensorFlow.
הבטחת האיכות של הפיצולים -- TFX מפצל את הנתונים באופן אקראי. עם זאת, בשלב זה, TFX לא מאפשר לעקוב אחר איכות הפיצולים.
בדיקת נתונים מהונדסים -- כתיבה של בדיקות יחידה עבור רכיב ה-TFX Transform. יש לעיין בקטע בדיקות יחידה עבור כניסות tf.transform.
הטמעת בדיקות לקוד ML תחילה, אתם צריכים לנפות באגים במודלים של TF באמצעות ביצוע נלהב. לאחר מכן, נסחו את הבדיקות באמצעות בדיקת Tensorflow. אפשר לעיין בבדיקת יחידה ב-TFX וב-tfx.unit.
אופטימיזציה
היפר-פרמטרים לכוונון יש להשתמש בכוונון ההיפר-פרמטר של Cloud ML. השתמשו ב טיונר ה-TFX כדי לכוון היפר-פרמטרים במקביל. כדאי לעיין במאמר כוונון אוטומטי של מודלים.
מדדים
יצירת מדדי המודל מתבצעת TensorBoard מציג את תרשים ה-TF ואת מדדי המשבצות שלך. אפשר לראות Tenororboard: הצגת גרף. עיינו בעזרה של TensorBoard ספציפית ל-Google.
פריסה לצינור עיבוד נתונים
מעקב אחר המדדים הכוללים של צינור עיבוד הנתונים -- מידע נוסף זמין במרכז השליטה מדדי בריאות ללמידת מכונה.
בדיקה של צינור עיבוד הנתונים -- עיינו בבדיקת שילוב של TFX.
בדיקת איכות המודל בסביבת הייצור משתמשים בניתוח מודלים של Tensorflow. שימוש ב-TFX Modelvalidator
אימות תאימות בין דגמים לתשתית לפני ההצגה -- צריך להשתמש ב-TFX Infravalidator.
בדיקת הטיה לאימון אפשר להשתמש בתכונה TFX Transform כדי למנוע שיבושים בתכונות על ידי שיתוף הקוד של הנדסת התכונות. עיינו בזיהוי נטייה להטיה של הדרכת TFX.
מודל המעקב לא פעיל -- לא מיושמת. מידע נוסף מופיע במאמר בנושא באג מעקב אחר בקשות לתכונות.