时间:2021-07-15 | 标签: | 作者:Q8 | 来源:喜欢打酱油的老鸟网络
小提示:您能找到这篇{如何在谷歌云平台上部署可解释性模型}绝对不是偶然,我们能帮您找到潜在客户,解决您的困扰。如果您对本页介绍的如何在谷歌云平台上部署可解释性模型内容感兴趣,有相关需求意向欢迎拨打我们的服务热线,或留言咨询,我们将第一时间联系您! |
< font-size: 16px;">现代机器学习和人工智能在解决复杂的问题方面取得了令人印象深刻的成果。然而,复杂的问题往往意味着复杂的数据,这必然导致更复杂的模型。真正理解一个模型为什么会做出某种预测,可能会和原来的问题本身一样复杂! < font-size: 16px;">这可能是有问题的,因为这些 ML 系统中已经影响到从医疗、交通运输、刑事司法、风险管理和市场营销推广方法其他社会生活领域。在许多情况下,这些人工智能系统的有用性和公平性受到我们理解、解释和控制它们的能力的限制。因此,相当大的努力被投入到打开强大而复杂的 ML 模型的黑匣子,比如深度神经网络的工作中。 < font-size: 16px;">可解释的人工智能是指一系列使人们能够理解为什么一个模型会给出特定的结果的方法和技术。模型可解释性是我们在 Google 云高级解决方案实验室教给客户的一个关键话题,在本文中,我们将展示如何使用 Google 云的可解释性人工智能来部署可解释和包容的机器学习模型。 < font-size: 16px;">本文中使用的所有代码都可以在这里找到:https://github.com/GoogleCloudPlatform/training-data-analyst/tree/master/blogs/explainable_ai 。 可解释性方法分类 < font-size: 16px;">模型可解释性方法概述和不同技术的示例 < font-size: 16px;">大多数可解释性方法可以分为下面三类:
< font-size: 16px;">后组织方法包括使用经过训练的模型和数据来理解为什么要进行某些预测。在某些情况下,后组织方法也可以应用于具有内在可解释性的模型。 < font-size: 16px;">在这篇文章中,我们将重点讨论后自组织模型的可解释性,因为许多先进的方法,如梯度增强和神经网络,都是用这种方法最容易理解。
在 Google 云上部署可解释模型 < font-size: 16px;">你可以使用可解释的 AI 在 GCP 上部署可解释模型,并使用 gcloud beta ai-platform explain 命令进行预测。 < font-size: 16px;">训练、预测的步骤如下:
< font-size: 16px;">下面我们将更详细地展示这些步骤。 < font-size: 16px;">首先,你需要一个在 Google 云 AI 平台(CAIP)上经过训练和部署的模型。我们将查看纽约市出租车数据集(< font-size: 16px;">)。你可以看看这篇博文(https://towardsdatascience.com/how-to-train-machine-learning-models-in-the-cloud-using-cloud-ml-engine-3f0d935294b3),看看如何在 CAIP 上轻松地训练一个模型。在编写本文时,AI 的解释性只支持 T怎么写软文推广步骤ensorFlow 1.x,因此无论你构建什么模型,请确保使用 TensorFlow 1.x。一旦你的模型采用 SavedModel 格式(< font-size: 16px;">),我们将在 CAIP 上创建一个新模型:
< font-size: 16px;">在部署我们的模型之前,我们必须配置一个 explanations_metadata.json 文件并将其复制到模型目录。在这个 JSON 文件中,我们需要告诉 AI 解释我们的模型期望的输入和输出张量的名称。 < font-size: 16px;">另外,在这个文件中,我们需要设置 input_baselines,它的作用是告诉解释服务模型的基线,输入应该是什么。了解基线对于有效使用许多模型解释技术非常重要。这两种支持技术——Shapley 采样和梯度综合,将预测结果与基线特征值进行比较。选择适当的基线是很重要的,因为本质上,你是在对比模型的预测与基线值的比较方式。要了解更多关于基线的信息,请查看可解释的 AI 白皮书(< font-size: 16px;">)。 < font-size: 16px;">一般来说,对于数字形式的数据,我们建议选择一个简单的基线,例如平均值或中值。在本例中,我们将使用每个特征的中值——这意味着此模型的预测基线将是我们的模型使用数据集中,每个特征的中值预测的出租车费用。
< font-size: 16px;">我们可以将此 Python 字典写入 JSON 文件:
< font-size: 16px;">然后在 bash 中,我们使用 gsutil 将 JSON 文件复制到模型目录中。
< font-size: 16px;">现在我们已经创建了 explaintations_metadata.json 文件,我们将部署新版本的模型。此代码与使用 gcloud 创建模型版本的一般过程非常相似,但有一些附加标志:
< font-size: 16px;">使用「explanation method」标志指定解释方法——当前支持综合梯度和 Shapley 采样。 < font-size: 16px;">注:当在综合梯度和 Shapley 采样之间进行取舍时,我们引用白皮书上的内容:
< font-size: 16px;">此外,对于那些想知道 Shapley 抽样方法与流行的 SHAP 库有何不同的人,白皮书中有如下内容:
< font-size: 16px;">现在我们的模型已经部署,我们可以从 Jupyter notebook 获取本地属性:
< font-size: 16px;">我们可以将这些内容加载到 Pandas DataFrame 中,并为各个示例绘制属性:
< font-size: 16px;">最后,我们可以通过聚合本地属性来获得全局模型的可解释性:
< font-size: 16px;">有关使用 Shapley 抽样全局属性的更多信息,请参阅这篇文章:< font-size: 16px;">。 结论 < font-size: 16px;">就到这里了!在本文中,我们展示了如何使用可解释的人工智能在 Google 云平台上部署可解释模型。可解释的人工智能工具允许用户从已部署的模型中获取本地解释。这些解释可以结合在一起,以提供全局解释性。除了上述步骤之外,你还可以查看 What-If 工具(< font-size: 16px;">)来检查和解释你的模型。 < font-size: 16px;">via: < font-size: 16px;">版权声明:本文为博主原创文章,遵循< font-size: 16px;">版权协议,转载请附上原文出处链接和本声明。 < font-size: 16px;">本文链接:< font-size: 16px;">https://blog.csdn.net/weixin_42137700/article/details/104569444 |
上一篇:如何通过LinkedIn群组开发客户
下一篇:Ins营销爆单5大脏手段,偷偷告诉瓶颈期的你
基于对传统行业渠道的理解,对互联网行业的渠道我们可以下这样一个定义:一切...
小米应用商店的后台操作和苹果是比较相似的,因为都能填写100字符关键词,允许...
小米的规则目前是在变更中的,但是根据经验小米的搜索排名评分的高低是个很重...
为了恰饭,有时候是要接入一些广告的,所以FB也专门有一个广告的SDK,这就是A...
在 2018 年于旧金山举行的游戏开发者大会上,Amazon Web Services (AWS) 曾宣布,目前世...
关于Facebook Audience Network如何收款的问题,其实官方已经给了详细的步骤。本文主要...
本文介绍了Audience Network对广告载体的质量检查,以及它重点广告形式需要注意的问...
随着iOS开发,作为开发者或公司需要针对iOS App开发涉及的方方面面作出对应的信息...
Facebook和谷歌对出海企业广告渠道都很熟悉,但事实上,在国外还有一些渠道也很...
卖家从做号的第1分钟开始,就一定要想好变现路径是什么?一定要以变现为目的去...
小提示:您应该对本页介绍的“如何在谷歌云平台上部署可解释性模型”相关内容感兴趣,若您有相关需求欢迎拨打我们的服务热线或留言咨询,我们尽快与您联系沟通如何在谷歌云平台上部署可解释性模型的相关事宜。
关键词:如何在谷歌云平台上部署