Les consignes de test et de débogage de ce cours peuvent être complexes. Vous pouvez mettre en œuvre certaines des directives à l'aide de TensorFlow et de TensorFlow Extended (TFX). TFX est un pipeline de ML de bout en bout basé sur TensorFlow. Pour voir une démonstration, consultez cet exemple de bout en bout de bout en bout. Pour compléter l'exemple de bout en bout, le tableau suivant répertorie les ressources disponibles en TF et TFX par guide. Seules les consignes compatibles avec TF ou TFX sont répertoriées.
| Consignes | Intégration de TF/TFX | Mise en œuvre interne à Google |
|---|---|---|
| Consignes de débogage de votre modèle de ML | ||
| Explorer vos données pour les comprendre | Explorez vos données à l'aide de Pandas ou de Facets.
|
|
| Valider des données d'entrée à l'aide d'un schéma de données | Utilisez TensorFlow Data Validation. |
|
| S'assurer que les divisions sont de bonne qualité | -- | TFX répartit les données de manière aléatoire. Toutefois, TFX ne permet actuellement pas de surveiller la qualité de vos divisions. |
| Tester les données d'ingénierie | -- | Écrire des tests unitaires pour le composant TFX Transform Consultez Tests unitaires pour les entrées tf.Transform. |
| Implémenter des tests pour le code de ML | Commencez par déboguer vos modèles TF avec Eager Execution. Rédigez ensuite vos tests avec TensorFlow Testing. | Consultez les pages Tests unitaires dans TFX et tfx.unit. |
| Optimisation | ||
| Régler les hyperparamètres | Utilisez les réglages d'hyperparamètres de Cloud ML. | Utilisez TFX Tuner pour régler les hyperparamètres en parallèle. Consultez la page Régler automatiquement les modèles. |
| Métriques | ||
| Générer des métriques de modèle | TensorBoard visualise votre graphique TF et représente les métriques. Consultez la page TensorBoard: Graph Visualisation. | Consultez l'aide de TensorBoard spécifique à Google. |
| Déploiement sur le pipeline | ||
| Surveiller les métriques globales du pipeline | -- | Consultez le tableau de bord des métriques de l'état de ML. |
| Tests d'intégration du pipeline | -- | Consultez Tests d'intégration TFX. |
| Tester la qualité du modèle en production | Utilisez TensorFlow Model Analysis. | Utiliser TFX ModelValidator |
| Valider la compatibilité de l'infrastructure de modèle avant l'inférence | -- | Utilisez TFX InfraValidator. |
| Recherche du décalage entraînement/inférence | Évitez les décalages de caractéristiques en partageant le code d'extraction de caractéristiques pour l'entraînement et la publication à l'aide de TFX Transform. | Consultez Détection des décalages entre l'entraînement et l'inférence TFX. |
| Suivre l'obsolescence du modèle | -- | Fonctionnalité non disponible. Consultez Bug de suivi des demandes de fonctionnalités. |