tensorflow/model-analysis

TensorFlow Model Analysis (TFMA)

它是什麼 – TFMA 是一個 Python 庫，可讓您在大型資料集上評估 TensorFlow 模型。它重複使用您在訓練時撰寫的指標定義，透過 Apache Beam 以分散方式執行評估，並允許您按任意資料切片（例如依國家、依年齡層）計算指標，然後在 Jupyter 筆記本中探索結果。

主要功能

• 可擴展的評估 – 可在本機或 Google Cloud Dataflow 等分散式執行器上運作。
• 基於切片的指標 – 無需額外程式碼即可對任意資料切片（例如依國家、依年齡層）計算指標。
• 可視化 – 內建 Jupyter 小工具與切片指標瀏覽器，可互動式檢視結果。
• 整合點 – 可與 TFX 流水線、Kubeflow Pipelines 整合，並可匯出自包含的 HTML 報告。

安裝

# 從 PyPI 標準安裝
pip install tensorflow-model-analysis

# 夜間建置版本（如需最新版）
pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

# 從倉儲直接安裝（例如特定標籤）
pip install git+https://github.com/tensorflow/model-analysis.git@v0.21.3#egg=tensorflow_model_analysis

TFMA 不會 自動拉取 TensorFlow；您必須已安裝相容的 TensorFlow 版本。

典型工作流程

1. 在訓練程式碼中定義指標（例如 tf.keras.metrics.AUC）。
2. 建立一個 EvalConfig，指向這些指標，並可選擇定義切片規格。
3. 執行 TFMA – 可透過 Python API（tfma.run_model_analysis）或作為 TFX 組件執行。其內部會建構 Apache Beam 流水線，讀取您的範例，套用模型，並聚合指標。
4. 探索結果 – 開啟產生的 tfma 筆記本，或在 JupyterLab 中使用 tfma 小工具瀏覽切片級的表格與圖表。

Jupyter 整合

• 安裝對應的 JupyterLab 延伸模組（例如 jupyter labextension install tensorflow_model_analysis@0.32.0）。
• 啟用經典 Jupyter 的筆記本延伸模組（jupyter nbextension enable --py tensorflow_model_analysis）。
• 使用提供的 tfma 小工具在筆記本中直接渲染互動式表格。

相依性

• TensorFlow – 核心機器學習框架。
• Apache Beam – 支援分散式運算（預設本地執行，可針對 Dataflow、Spark、Flink 等目標）。
• Apache Arrow – 用於高效處理記憶體中的欄式資料。

快速入門 – 請參閱倉儲的 get-started 指南： https://github.com/tensorflow/model-analysis/blob/master/g3doc/get_started.md。

版本相容性 – README 包含詳細矩陣，連結了 TFMA 發布版本與特定 TensorFlow、Apache Beam、PyArrow 及其他 TFX 組件版本之間的對應關係。請選擇與您整個技術堆疊相容的 TFMA 版本。

支援 – 問題可在 Stack Overflow 上透過 tensorflow-model-analysis 標籤獲得解答。