tensorflow/model-analysis

TensorFlow Model Analysis (TFMA)

是什么 – TFMA 是一个 Python 库，可让您在大规模数据集上评估 TensorFlow 模型。它重用您在训练时编写的度量标准定义，通过 Apache Beam 以分布式方式运行评估，并允许您按任意数据切片（例如按国家、按年龄组）计算度量标准，然后在 Jupyter 笔记本中探索结果。

核心功能

• 可扩展的评估 – 可在本地机器或 Google Cloud Dataflow 等分布式运行器上运行。
• 基于切片的度量标准 – 无需额外代码即可对任意数据切片（例如按国家、按年龄组）计算度量标准。
• 可视化 – 内置 Jupyter 小部件和切片度量浏览器，可交互式检查结果。
• 集成点 – 与 TFX 流水线、Kubeflow 流水线兼容，并可导出自包含的 HTML 报告。

安装

# 从 PyPI 标准安装
pip install tensorflow-model-analysis

# 夜间构建版本（如需最新版）
pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

# 从仓库直接安装（例如特定标签）
pip install git+https://github.com/tensorflow/model-analysis.git@v0.21.3#egg=tensorflow_model_analysis

TFMA 不会 自动拉取 TensorFlow；您必须已安装兼容的 TensorFlow 版本。

典型工作流程

1. 在训练代码中定义度量标准（例如 tf.keras.metrics.AUC）。
2. 创建一个 EvalConfig，指向这些度量标准，并可选择定义切片规范。
3. 运行 TFMA – 可通过 Python API（tfma.run_model_analysis）或作为 TFX 组件运行。其内部会构建一个 Apache Beam 流水线，读取您的样本，应用模型，并聚合度量标准。
4. 探索结果 – 打开生成的 tfma 笔记本，或在 JupyterLab 中使用 tfma 小部件浏览切片级表格和图表。

Jupyter 集成

• 安装匹配的 JupyterLab 扩展（例如 jupyter labextension install tensorflow_model_analysis@0.32.0）。
• 为经典 Jupyter 启用笔记本扩展（jupyter nbextension enable --py tensorflow_model_analysis）。
• 使用提供的 tfma 小部件在笔记本中直接渲染交互式表格。

依赖项

• TensorFlow – 核心机器学习框架。
• Apache Beam – 支持分布式计算（默认本地运行，可针对 Dataflow、Spark、Flink 等目标）。
• Apache Arrow – 用于高效处理内存中的列式数据。

快速入门 – 请参阅仓库的 get-started 指南： https://github.com/tensorflow/model-analysis/blob/master/g3doc/get_started.md。

版本兼容性 – README 包含详细的矩阵，链接了 TFMA 发布版本与特定 TensorFlow、Apache Beam、PyArrow 及其他 TFX 组件版本之间的对应关系。请选择与您整个技术栈匹配的 TFMA 版本。

支持 – 问题可在 Stack Overflow 上通过 tensorflow-model-analysis 标签获得解答。