機器學習流水線實戰(zhàn)

本書贊譽 xiii
序　xv
前言　xvii
第　1 章 入門　1
1．1　為什么要用機器學習流水線　1
1．2　什么時候考慮使用機器學習流水線　2
1．3　機器學習流水線步驟概述　3
1．3．1　數(shù)據(jù)讀取和版本控制　4
1．3．2　數(shù)據(jù)校驗　4
1．3．3　數(shù)據(jù)預處理　4
1．3．4　模型訓練和模型調優(yōu)　5
1．3．5　模型分析　5
1．3．6　模型版本控制　5
1．3．7　模型部署　6
1．3．8　反饋循環(huán)　6
1．3．9　數(shù)據(jù)隱私　6
1．4　流水線編排　7
1．4．1　為什么使用流水線編排工具　7
1．4．2　有向無環(huán)圖　7
1．5　示例項目　8
1．5．1　項目結構　9
1．5．2　機器學習模型　9
1．5．3　示例項目的目標　10
1．6　小結　10
第　2 章 TensorFlow Extended入門　11
2．1　什么是TFX　12
2．2　安裝TFX　13
2．3　TFX組件概述　14
2．4　什么是機器學習元數(shù)據(jù)　15
2．5　交互式流水線　16
2．6　TFX的替代品　17
2．7　Apache Beam簡介　18
2．7．1　安裝　18
2．7．2　基本數(shù)據(jù)流水線　19
2．7．3　執(zhí)行流水線　22
2．8　小結　22
第　3 章 數(shù)據(jù)讀取　23
3．1　數(shù)據(jù)讀取的概念　23
3．1．1　讀取本地數(shù)據(jù)文件　24
3．1．2　讀取遠程數(shù)據(jù)文件　29
3．1．3　直接從數(shù)據(jù)庫中讀取數(shù)據(jù)　29
3．2　數(shù)據(jù)準備　31
3．2．1　拆分數(shù)據(jù)集　31
3．2．2　跨越數(shù)據(jù)集　33
3．2．3　對數(shù)據(jù)集進行版本控制　34
3．3　數(shù)據(jù)讀取策略　34
3．3．1　結構化數(shù)據(jù)　35
3．3．2　自然語言處理中的文本數(shù)據(jù)　35
3．3．3　用于計算機視覺問題的圖像數(shù)據(jù)　35
3．4　小結　36
第　4 章 數(shù)據(jù)校驗　37
4．1　為什么要進行數(shù)據(jù)校驗　38
4．2　TFDV　39
4．2．1　安裝　39
4．2．2　根據(jù)數(shù)據(jù)生成統(tǒng)計信息　40
4．2．3　從數(shù)據(jù)生成模式　41
4．3　識別數(shù)據(jù)中的問題　42
4．3．1　比較數(shù)據(jù)集　43
4．3．2　更新模式　44
4．3．3　數(shù)據(jù)偏斜和漂移　45
4．3．4　存在偏差的數(shù)據(jù)集　46
4．3．5　在TFDV中切分數(shù)據(jù)　47
4．4　使用GCP處理大型數(shù)據(jù)集　49
4．5　將TFDV集成到機器學習流水線中　51
4．6　小結　53
第　5 章 數(shù)據(jù)預處理　54
5．1　為什么要進行數(shù)據(jù)預處理　55
5．1．1　在整個數(shù)據(jù)集的上下文中預處理數(shù)據(jù)　55
5．1．2　擴展預處理步驟　55
5．1．3　避免訓練–服務偏斜　55
5．1．4　將預處理步驟和機器學習模型作為一個工件進行部署　56
5．1．5　檢查流水線中的預處理結果　56
5．2　使用TFT做數(shù)據(jù)預處理　57
5．2．1　安裝　58
5．2．2　預處理策略　58
5．2．3　最佳實踐　60
5．2．4　TFT函數(shù)　60
5．2．5　TFT的獨立執(zhí)行　63
5．2．6　將TFT集成到機器學習流水線中　64
5．3　小結　67
第　6 章 模型訓練　68
6．1　定義示例項目的模型　69
6．2　TFX Trainer組件　72
6．2．1　run_fn()函數(shù)　72
6．2．2　運行Trainer組件　76
6．2．3　其他關于Trainer組件的注意事項　77
6．3　在交互式流水線中使用TensorBoard　78
6．4　分布策略　80
6．5　模型調整　82
6．5．1　超參數(shù)調整的策略　82
6．5．2　TFX流水線中的超參數(shù)調整　83
6．6　小結　83
第　7 章 模型分析和模型驗證　84
7．1　如何分析模型　85
7．1．1　分類指標　85
7．1．2　回歸指標　87
7．2　TensorFlow模型分析　88
7．2．1　用TFMA分析單個模型　88
7．2．2　用TFMA分析多個模型　91
7．3　模型公平性分析　93
7．3．1　用TFMA劃分模型預測　94
7．3．2　用公平性指標檢查決策閾值　96
7．3．3　詳解假設分析工具　98
7．4　模型可解釋性　102
7．4．1　使用WIT生成模型解釋　103
7．4．2　其他模型解釋方法　105
7．5　用TFX進行分析和驗證　106
7．5．1　ResolverNode　106
7．5．2　Evaluator組件　107
7．5．3　用Evaluator組件進行驗證　107
7．5．4　TFX Pusher組件　108
7．6　小結　109
第　8 章 用TensorFlow Serving部署模型　110
8．1　簡單的模型服務器　111
8．2　基于Python API部署模型的缺點　112
8．2．1　缺少代碼隔離　112
8．2．2　缺少模型版本控制　112
8．2．3　低效的模型推算　112
8．3　TensorFlow Serving　113
8．4　TensorFlow Serving架構概述　113
8．5　為TensorFlow Serving導出模型　113
8．6　模型簽名　115
8．7　查看導出的模型　117
8．7．1　查看模型　118
8．7．2　測試模型　119
8．8　設置TensorFlow Serving　120
8．8．1　Docker安裝　120
8．8．2　原生Ubuntu安裝　120
8．8．3　從源碼編譯TensorFlow Serving　121
8．9　配置TensorFlow服務器　121
8．9．1　單一模型配置　121
8．9．2　多模型配置　124
8．10　REST與gRPC　126
8．10．1　REST　126
8．10．2　gRPC　126
8．11　用模型服務器預測　126
8．11．1　用REST獲得模型預測　126
8．11．2　通過gRPC使用TensorFlow Serving　128
8．12　用TensorFlow Serving進行模型A/B測試　131
8．13　從模型服務器獲取模型元數(shù)據(jù)　132
8．13．1　使用REST請求模型元數(shù)據(jù)　132
8．13．2　使用gRPC請求模型元數(shù)據(jù)　133
8．14　批量推算請求　134
8．15　配置批量預測　135
8．16　其他TensorFlow Serving優(yōu)化方法　136
8．17　TensorFlow Serving的替代品　137
8．17．1　BentoML　137
8．17．2　Seldon　138
8．17．3　GraphPipe　138
8．17．4　Simple TensorFlow Serving　138
8．17．5　MLflow　138
8．17．6　Ray Serve　139
8．18　在云端部署　139
8．18．1　用例　139
8．18．2　在GCP上進行示例部署　139
8．19　使用TFX流水線進行模型部署　144
8．20　小結　145
第　9 章 使用TensorFlow Serving進行進階模型部署　146
9．1　解耦部署環(huán)節(jié)　146
9．1．1　工作流概述　147
9．1．2　優(yōu)化遠程模型加載　149
9．2　為部署模型進行優(yōu)化　149
9．2．1　量化　149
9．2．2　剪枝　150
9．2．3　蒸餾　151
9．3　在TensorFlow Serving中使用TensorRT　151
9．4　TFLite　152
9．4．1　用TFLite優(yōu)化模型的步驟　152
9．4．2　使用TensorFlow Serving實例部署TFLite模型　153
9．5　監(jiān)測TensorFlow Serving實例　154
9．5．1　設置Prometheus　154
9．5．2　TensorFlow Serving配置　156
9．6　使用TensorFlow Serving和Kubernetes進行簡單的擴容　157
9．7　小結　159
第　10 章 TensorFlow Extended的高級功能　160
10．1　流水線的高級功能　160
10．1．1　同時訓練多個模型　161
10．1．2　導出TFLite模型　162
10．1．3　熱啟動模型訓練　164
10．2　人工審核　165
10．2．1　創(chuàng)建Slack組件　166
10．2．2　如何使用Slack組件　166
10．3　TFX自定義組件　167
10．3．1　自定義組件的應用場景　168
10．3．2　從零創(chuàng)建自定義組件　168
10．3．3　復用現(xiàn)有組件　176
10．4　小結　179
第　11 章 流水線第 一部分：Apache Beam和Apache Airflow　180
11．1　選擇哪種編排工具　181
11．1．1　Apache Beam　181
11．1．2　Apache Airflow　181
11．1．3　Kubeflow Pipelines　181
11．1．4　AI Platform上的Kubeflow Pipelines　182
11．2　將交互式TFX流水線轉換為生產(chǎn)流水線　182
11．3　Beam和Airflow的簡單交互式流水線轉換　184
11．4　Apache Beam簡介　185
11．5　使用Apache Beam編排TFX流水線　185
11．6　Apache Airflow簡介　187
11．6．1　安裝和初始設置　187
11．6．2　基本Airflow示例　188
11．7　使用Apache Airflow編排TFX流水線　191
11．7．1　流水線設置　192
11．7．2　運行流水線　193
11．8　小結　194
第　12 章 流水線第二部分：Kubeflow Pipelines　195
12．1　Kubeflow Pipelines概述　196
12．1．1　安裝和初始設置　198
12．1．2　訪問已安裝的Kubeflow Pipelines　199
12．2　使用Kubeflow Pipelines編排TFX流水線　200
12．2．1　流水線設置　202
12．2．2　運行流水線　206
12．2．3　Kubeflow Pipelines的有用功能　211
12．3　基于Google Cloud AI Platform的流水線　215
12．3．1　流水線設置　215
12．3．2　TFX流水線設置　218
12．3．3　運行流水線　221
12．4　小結　222
第　13 章 反饋循環(huán)　223
13．1　顯式反饋和隱式反饋　224
13．1．1　數(shù)據(jù)飛輪　224
13．1．2　現(xiàn)實世界中的反饋循環(huán)　225
13．2　收集反饋的設計模式　227
13．2．1　用戶根據(jù)預測采取了某些措施　227
13．2．2　用戶對預測的質量進行評分　228
13．2．3　用戶糾正預測　228
13．2．4　眾包打標　228
13．2．5　專家打標　229
13．2．6　自動產(chǎn)生反饋　229
13．3　如何跟蹤反饋循環(huán)　229
13．3．1　跟蹤顯式反饋　230
13．3．2　跟蹤隱式反饋　230
13．4　小結　231
第　14 章 機器學習的數(shù)據(jù)隱私　232
14．1　數(shù)據(jù)隱私問題　232
14．1．1　為什么關心數(shù)據(jù)隱私　232
14．1．2　最簡單的加強隱私保護的方法　233
14．1．3　哪些數(shù)據(jù)需要保密　233
14．2　差分隱私　234
14．2．1　局部差分隱私和全局差分隱私　235
14．2．2　epsilon、delta和隱私預算　235
14．2．3　機器學習的差分隱私　236
14．3　TensorFlow Privacy　236
14．3．1　使用差分隱私優(yōu)化器進行訓練　237
14．3．2　計算epsilon　238
14．4　聯(lián)邦學習　239
14．5　加密機器學習　241
14．5．1　加密模型訓練　241
14．5．2　將訓練好的模型轉換為加密的預測服務　242
14．6　其他數(shù)據(jù)保密方法　243
14．7　小結　243
第　15 章 流水線的未來和下一步　244
15．1　模型實驗跟蹤　244
15．2　關于模型發(fā)布管理的思考　245
15．3　未來的流水線能力　246
15．4　TFX與其他機器學習框架　246
15．5　測試機器學習模型　247
15．6　用于機器學習的CI/CD系統(tǒng)　247
15．7　機器學習工程社區(qū)　247
15．8　小結　247
附錄A　機器學習基礎架構簡介　249
附錄B　在Google Cloud上設置Kubernetes集群　262
附錄C　操作Kubeflow Pipelines的技巧　268
關于作者　276
關于封面　276