ML Metadata：ML 的版本控制

TensorFlow 社区

于 2021-07-16 09:27:23 发布

阅读量648

点赞数

分类专栏： TensorFlow 文章标签： TensorFlow TFX

本文链接：https://blog.youkuaiyun.com/tensorflowforum/article/details/118784716

版权

ML Metadata是一个用于追踪整个ML工作流的库，包括数据、模型、超参数和软件依赖的完整继承关系。它不仅在TensorFlow Extended(TFX)中集成，也在Google的多个内部MLOps解决方案中扮演关键角色。通过ML Metadata，工程师可以追溯不良模型到其数据集，或从数据集回溯到模型，同时支持流水线状态记录和优化。此外，AI Platform也利用ML Metadata服务来追踪和管理模型元数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文 / Ben Mathes 和 Neoklis Polyzotis，代表 TFX 团队发布

在编写代码时，您需要追踪代码进行追踪版本控制。那么 ML 的版本控制是什么？如果您正在构建生产 ML 系统，您需要能够回答如下问题：

模型是基于哪个数据集进行训练的？
使用了哪些超参数？
创建此模型时，使用了哪个流水线？
创建此模型时，使用了哪个版本的 TensorFlow（和其他库）？
是什么导致了此模型失败？
上次部署的模型版本是什么？

Google 工程师从多年来之不易的经验中得出，ML 工件的历史与继承关系要远比简单的线性日志复杂。您可以使用 Git（或类似工具）追踪代码；您还需要使用一些工具来追踪模型、数据集等。虽然 Git 可以在很大程度上简化一些工作，但归根结底，您仍需要一个包含了许多内容的图表！由于 ML 代码和工件（如模型、数据集等）的复杂性，您需要采用一种类似的方法。