Menggunakan Alat Simulasi

Anda dapat menggunakan What-If Tool (WIT) dalam lingkungan notebook untuk memeriksa model AI Platform Prediction melalui dasbor interaktif. Alat What-If terintegrasi dengan TensorBoard, notebook Jupyter, notebook Colab, dan JupyterHub. Paket ini juga sudah diinstal sebelumnya di instance TensorFlow notebook yang dikelola pengguna Vertex AI Workbench.

Halaman ini menjelaskan cara menggunakan Alat What-If dengan model terlatih yang sudah di-deploy di AI Platform. Pelajari cara men-deploy model.

Menginstal Alat Percobaan

Ini menunjukkan cara menginstal witwidget di berbagai lingkungan notebook:

Notebook yang dikelola pengguna

witwidget sudah diinstal di instance notebook yang dikelola pengguna.

Anda dapat memuat tutorial Alat Perbandingan ke instance notebook dengan meng-clone repo tutorial WIT ke instance Anda. Lihat cara meng-clone repo GitHub ke instance notebook yang dikelola pengguna.

Notebook Jupyter

Instal dan aktifkan WIT untuk Jupyter melalui perintah berikut:

pip install witwidget
jupyter nbextension install --py --symlink --sys-prefix witwidget
jupyter nbextension enable --py --sys-prefix witwidget

Untuk menggunakan TensorFlow dengan dukungan GPU (tensorflow-gpu), instal witwidget versi yang kompatibel dengan GPU:

pip install witwidget-gpu
jupyter nbextension install --py --symlink --sys-prefix witwidget
jupyter nbextension enable --py --sys-prefix witwidget

Anda hanya perlu menjalankan perintah penginstalan ini sekali di lingkungan Jupyter. Selanjutnya, setiap kali Anda menampilkan kernel Jupyter, Alat What-If akan tersedia.

notebook Colab

Instal widget ke runtime kernel notebook dengan menjalankan sel yang berisi:

!pip install witwidget

Untuk menggunakan TensorFlow dengan dukungan GPU (tensorflow-gpu), instal witwidget versi yang kompatibel dengan GPU:

!pip install witwidget-gpu

JupyterLab

Ikuti petunjuk berikut untuk JupyterLab di luar notebook yang dikelola pengguna.

Instal dan aktifkan WIT untuk JupyterLab dengan menjalankan sel yang berisi:

!pip install witwidget
!jupyter labextension install wit-widget
!jupyter labextension install @jupyter-widgets/jupyterlab-manager

Untuk dukungan GPU TensorFlow, gunakan paket witwidget-gpu:

!pip install witwidget-gpu
!jupyter labextension install wit-widget
!jupyter labextension install @jupyter-widgets/jupyterlab-manager

Perhatikan bahwa Anda mungkin perlu menjalankan perintah !sudo jupyter labextension ... bergantung pada penyiapan notebook Anda.

Menyesuaikan output prediksi untuk Alat Perbandingan

Untuk model apa pun yang output-nya tidak cocok dengan yang diperlukan Alat Percobaan, Anda perlu menentukan fungsi penyesuaian prediksi dalam kode Anda.

Alat What-If memerlukan format input berikut:

  • Model klasifikasi: Daftar skor kelas
  • Model regresi: Skor regresi

Misalnya, model klasifikasi biner XGBoost hanya menampilkan skor untuk class positif. Karena Alat Perbandingan mengharapkan skor untuk setiap class, Anda akan menggunakan fungsi penyesuaian prediksi berikut untuk mendapatkan daftar dengan skor negatif dan positif:

def adjust_prediction(pred):
  return [1 - pred, pred]

Tentukan fungsi penyesuaian prediksi dalam sel kode notebook sebelum Anda mengonfigurasi Alat Perbandingan.

Mengonfigurasi What-If Tool

Anda dapat menggunakan What-If Tool untuk memeriksa satu model, atau membandingkan dua model. Di WitConfigBuilder, isi nilai yang sesuai untuk project Google Cloud Anda sendiri, model dan versi AI Platform Prediction, serta nilai lainnya yang sesuai untuk model Anda.

  1. Impor witwidget:

    import witwidget

  2. Buat WitConfigBuilder untuk meneruskan berbagai parameter tentang model dan project AI Platform Prediction Anda ke Alat What-If. Anda dapat menggunakan Alat What-If untuk memeriksa satu model, atau membandingkan dua model. Isi nilai yang sesuai untuk project Google Cloud Anda sendiri, model dan versi AI Platform Prediction, serta nilai lainnya yang sesuai untuk model Anda.

    Memeriksa model

    Builder konfigurasi ini menunjukkan cara menggunakan Alat What-If untuk memeriksa satu model. Lihat notebook contoh lengkap dengan model XGBoost yang di-deploy.

    Lihat kode untuk WitConfigBuilder untuk mengetahui detail selengkapnya tentang setiap metode.

    PROJECT_ID = 'YOUR_PROJECT_ID'
MODEL_NAME = 'YOUR_MODEL_NAME'
VERSION_NAME = 'YOUR_VERSION_NAME'
TARGET_FEATURE = 'mortgage_status'
LABEL_VOCAB = ['denied', 'approved']

config_builder = (WitConfigBuilder(test_examples.tolist(), features.columns.tolist() + ['mortgage_status'])
  .set_ai_platform_model(PROJECT_ID, MODEL_NAME, VERSION_NAME, adjust_prediction=adjust_prediction)
  .set_target_feature(TARGET_FEATURE)
  .set_label_vocab(LABEL_VOCAB))

    Membandingkan model

    Builder konfigurasi ini menunjukkan cara menggunakan Alat What-If untuk memeriksa dan membandingkan dua model. Lihat notebook contoh lengkap yang membandingkan model Keras dan scikit-learn yang di-deploy.

    Lihat kode untuk WitConfigBuilder untuk mengetahui detail selengkapnya tentang setiap metode.

    PROJECT_ID = 'YOUR_PROJECT_ID'
KERAS_MODEL_NAME = 'YOUR_KERAS_MODEL_NAME'
KERAS_VERSION_NAME = 'VERSION_NAME_OF_YOUR_KERAS_MODEL'
SKLEARN_MODEL_NAME = 'YOUR_SKLEARN_MODEL_NAME'
SKLEARN_VERSION_NAME = 'VERSION_NAME_OF_YOUR_SKLEARN_MODEL'
TARGET_FEATURE = 'quality'

config_builder = (WitConfigBuilder(test_examples.tolist(), features.columns.tolist() + [TARGET_FEATURE])
 .set_ai_platform_model(PROJECT_ID, KERAS_MODEL_NAME, KERAS_VERSION_NAME)
 .set_predict_output_tensor('sequential').set_uses_predict_api(True)
 .set_target_feature(TARGET_FEATURE)
 .set_model_type('regression')
 .set_compare_ai_platform_model(PROJECT_ID, SKLEARN_MODEL_NAME, SKLEARN_VERSION_NAME))

  3. Teruskan builder konfigurasi ke WitWidget, dan tetapkan tinggi tampilan. Alat What-If ditampilkan sebagai visualisasi interaktif dalam notebook Anda.

    WitWidget(config_builder, height=800)

Langkah selanjutnya