이 과정의 테스트 및 디버깅 가이드라인은 복잡할 수 있습니다. TensorFlow 및 TensorFlow Extended (TFX)를 사용하여 일부 가이드라인을 구현할 수 있습니다. TFX는 TensorFlow를 기반으로 하는 엔드 투 엔드 ML 파이프라인입니다. 데모는 이 엔드 투 엔드 TFX 예시를 확인하세요. 엔드 투 엔드 예시를 보완하기 위해 다음 표에는 가이드라인으로 TF와 TFX에서 사용 가능한 리소스가 나와 있습니다. TF 또는 TFX에서 지원하는 가이드라인만 나열됩니다.
| 가이드라인 | TF/TFX 구현 | Google 내부 구현 |
|---|---|---|
| ML 모델 디버깅 가이드라인 | ||
| 데이터를 탐색하여 이해하기 | Pandas 또는 Facets를 사용하여 데이터 탐색
|
|
| 데이터 스키마를 사용하여 입력 데이터 검증 | TensorFlow Data Validation을 사용합니다. |
|
| 분할의 품질이 우수해야 함 | -- | TFX는 데이터를 무작위로 분할합니다. 그러나 현재 TFX는 분할의 품질을 모니터링할 수 있는 방법을 제공하지 않습니다. |
| 엔지니어링된 데이터 테스트 | -- | TFX 변환 구성요소의 단위 테스트를 작성합니다. tf.transform 입력의 단위 테스트를 참고하세요. |
| ML 코드 테스트 구현 | 먼저 Eager Execution으로 TF 모델을 디버깅합니다. 그런 다음 TensorFlow 테스팅으로 테스트를 작성합니다. | TFX의 단위 테스트 및 tfx.unit을 참고하세요. |
| 최적화 | ||
| 초매개변수 조정 | Cloud ML의 초매개변수 조정 사용 | TFX 튜너를 사용하여 초매개변수를 동시에 조정합니다. 모델 자동 조정을 참조하세요. |
| 측정항목 | ||
| 모델 측정항목 생성 | 텐서보드는 TF 그래프를 시각화하고 측정항목을 표시합니다. 텐서보드: 그래프 시각화를 참고하세요. | Google 관련 텐서보드 도움말을 참조하세요. |
| 파이프라인에 배포 | ||
| 전체 파이프라인 측정항목 모니터링 | -- | ML 상태 측정항목 대시보드를 참조하세요. |
| 파이프라인 통합 테스트 | -- | TFX 통합 테스트를 참고하세요. |
| 프로덕션 단계에서 모델 품질 테스트 | TensorFlow 모델 분석을 사용합니다. | TFX ModelValidator 사용 |
| 서빙 전에 모델 인프라 호환성 검증 | -- | TFX InfraValidator를 사용합니다. |
| 학습-제공 편향 확인 | TFX 변환을 사용해 학습 및 서빙 전반에 걸쳐 특성 추출 코드를 공유하여 특성 편향을 방지하세요. | TFX 학습-제공 편향 감지를 참고하세요. |
| 모델 비활성 추적 | -- | 구현되지 않았습니다. 기능 요청 추적 버그를 참조하세요. |