本課程的測試和偵錯指南執行方式可能相當複雜。您可以使用 TensorFlow 和 TensorFlow Extended (TFX) 來實作一些指南。TFX 是依據 TensorFlow 打造的端對端機器學習管線。如需示範,請參閱此端對端 TFX 範例。為補充端對端範例,下表列有指南中 TF 和 TFX 可用資源。系統只會列出 TF 或 TFX 支援的規範。
規範 | TF/TFX 實作 | Google 內部導入 |
---|---|---|
機器學習模型偵錯指南 | ||
探索您的資料 | 使用 Pandas 或 Facet 探索資料。
|
|
使用資料結構定義驗證輸入資料 | 使用 TensorFlow 資料驗證。 |
|
分割分割內容品質良好 | -- | TFX 會隨機分割資料。不過,TFX 目前仍無法監控分割品質。 |
測試工程資料 | -- | 編寫 TFX Transform 元件的單元測試。請參閱 tf.transform 輸入內容的單元測試。 |
實作機器學習程式碼的測試 | 首先,使用 Eager Execution 對 TF 模型進行偵錯。 然後使用 Tensorflow Testing 撰寫測試。 | 請參閱 TFX 中的單元測試和 tfx.unit。 |
最佳化 | ||
調整超參數 | 使用 Cloud ML 的超參數調整。 | 使用 TFX Tuner 同時調整超參數。請參閱自動微調模型一文。 |
指標 | ||
產生模型指標 | TensorBoard 以視覺化方式呈現您的 TF 圖形並繪製指標。請參閱「TensorBoard:圖表視覺化」。 | 請參閱 Google 專屬 TensorBoard 說明。 |
部署至管道 | ||
監控整體管道指標 | -- | 請參閱「機器學習健康狀態指標」資訊主頁。 |
管道的整合測試 | -- | 請參閱 TFX 整合測試。 |
在實際工作環境中測試模型品質 | 使用 Tensorflow 模型分析。 | 使用 TFX ModelValidator |
在提供前驗證模型基礎架構相容性 | -- | 使用 TFX InfraValidator。 |
檢查訓練/應用偏差 | 使用 TFX Transform 來訓練訓練和提供特徵工程程式碼,藉此避免特徵偏差。 | 請參閱 TFX 訓練服務偏差偵測。 |
追蹤過時 | -- | 未執行。請參閱功能要求追蹤錯誤。 |