model-analysis

GitHub
1.3k 282 简单 2 次阅读 6天前Apache-2.0开发框架其他
AI 解读 由 AI 自动生成，仅供参考

TensorFlow Model Analysis（TFMA）是 TensorFlow 官方推出的模型评估与分析库。它旨在帮助开发者在大规模数据集上高效验证模型性能，解决了传统评估方式难以应对海量数据且缺乏细粒度洞察的痛点。

TFMA 的核心优势在于支持分布式计算，能够直接复用训练阶段定义的指标，无需重复编写评估逻辑。更独特的是，它支持“切片”分析，允许用户从不同维度（如时间、类别、地域等）拆解数据，精准定位模型在特定子群体中的表现差异，并通过 Jupyter Notebook 提供直观的可视化界面。这种能力让模型诊断变得更加透明和可控。

TFMA 非常适合机器学习工程师、算法研究员以及负责模型上线运维的团队。如果你正在寻找一种标准化方式来监控模型在生产环境中的表现，或者需要排查模型在不同数据分布下的公平性与准确性问题，TFMA 能提供强有力的支持。此外，它还能与 TFX 管道无缝集成，进一步简化机器学习工作流。不过需注意，当前版本在 1.0 发布前可能会存在不兼容变更，使用时建议关注更新日志。

使用场景

某电商风控团队正在评估新上线的信用评分模型，需要验证其在不同用户群体中的表现是否公平且稳定。

没有 model-analysis 时

  • 需编写大量自定义 Python 代码手动拆分数据并计算各分组的 AUC 与精确率，流程繁琐且容易引入人为错误。
  • 难以快速定位模型在特定人群（如新用户或特定地区）上的性能偏差，缺乏直观的切片分析视图。
  • 评估脚本与训练代码逻辑分离，导致线上评估指标与训练阶段定义的指标不一致，影响信任度。
  • 面对亿级日志数据时，单机处理效率低下，无法有效利用集群资源进行大规模并行计算。

使用 model-analysis 后

  • 通过内置 slicing 功能自动按用户属性划分数据，一键生成多维度指标对比报告，大幅减少编码工作量。
  • 集成 Jupyter Notebook 可视化界面，直观展示不同切片下的模型性能差异，帮助快速发现潜在风险。
  • 复用训练阶段的度量定义，确保评估结果与模型训练目标完全对齐，消除逻辑差异带来的误差。
  • 支持分布式计算架构，轻松应对海量离线数据的高效评估任务，显著提升数据处理吞吐量。

核心价值在于让复杂的多维度模型评估变得自动化、可视化且高效可靠，加速模型迭代周期。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes1. 版本 1.0 前可能存在向后不兼容的变更；2. 需手动安装 TensorFlow 且无显式 PyPI 依赖；3. 源码构建需正确安装 protobuf；4. JupyterLab 扩展需版本兼容；5. 支持通过 Apache Beam 进行分布式计算。
python3.9 | 3.10 | 3.11
tensorflow
apache-beam
pyarrow
protobuf
tensorflow-metadata
tfx-bsl
jupyterlab
jupyter-widgets
model-analysis hero image

快速开始

TensorFlow 模型分析

Python PyPI 文档

TensorFlow 模型分析 (TFMA) 是一个用于评估 TensorFlow 模型的库。它允许用户使用其训练器中定义的相同指标，以分布式方式在大量数据上评估模型。这些指标可以针对不同的数据切片进行计算，并在 Jupyter notebooks 中进行可视化。

TFMA 切片指标浏览器

注意：在 1.0 版本之前，TFMA 可能会引入不向后兼容的更改。

安装

推荐安装 TFMA 的方式是使用 PyPI 包：

pip install tensorflow-model-analysis

从 https://pypi-nightly.tensorflow.org 安装

pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis

从 git 的 HEAD 安装：

pip install git+https://github.com/tensorflow/model-analysis.git#egg=tensorflow_model_analysis

直接从 git 安装已发布的版本：

pip install git+https://github.com/tensorflow/model-analysis.git@v0.21.3#egg=tensorflow_model_analysis

如果你已经在本地克隆了仓库，并且想要测试你的本地更改，请从本地文件夹安装。

pip install -e $FOLDER_OF_THE_LOCAL_LOCATION

注意，protobuf 必须正确安装，因为上述选项是从源代码构建 TFMA，并且需要 protoc 及其所有包含文件可引用。请参阅 protobuf 安装说明 以查看最新的安装说明。

目前，TFMA 要求已安装 TensorFlow，但对 TensorFlow PyPI 包没有明确的依赖。请参阅 TensorFlow 安装指南 获取说明。

从源代码构建 TFMA

要从源代码构建，请遵循以下步骤：

按照提到的链接安装 protoc： protoc

通过运行以下命令创建虚拟环境

python3 -m venv <virtualenv_name>
source <virtualenv_name>/bin/activate
pip3 install setuptools wheel
git clone https://github.com/tensorflow/model-analysis.git
cd model-analysis
python3 setup.py bdist_wheel

这将在 dist 目录中构建 TFMA wheel。要安装来自 dist 目录的 wheel，请运行以下命令

cd dist
pip3 install tensorflow_model_analysis-<version>-py3-none-any.whl

运行测试

要运行测试，请运行

python -m unittest discover -p *_test.py

从项目根目录。

Jupyter Lab

截至撰写本文时，由于 https://github.com/pypa/pip/issues/9187，`pip install 可能永远不会完成。在这种情况下，你应该将 pip 回退到 19 版本而不是 20：pip install "pip<20"`。

使用 JupyterLab 扩展需要在命令行上安装依赖项。你可以在 JupyterLab UI 的控制台中或在命令行上执行此操作。这包括单独安装任何 pip 包依赖项和 JupyterLab labextension 插件依赖项，且版本号必须兼容。JupyterLab labextension 包指的是 npm 包（例如，tensorflow_model_analysis。

下面的示例使用 0.32.0。检查下面可用的 版本 以使用最新版本。

Jupyter Lab 3.0.x

pip install tensorflow_model_analysis==0.32.0
jupyter labextension install tensorflow_model_analysis@0.32.0
pip install jupyterlab_widgets==1.0.0

Jupyter Lab 2.2.x

pip install tensorflow_model_analysis==0.32.0
jupyter labextension install tensorflow_model_analysis@0.32.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@2

Jupyter Lab 1.2.x

pip install tensorflow_model_analysis==0.32.0
jupyter labextension install tensorflow_model_analysis@0.32.0
jupyter labextension install @jupyter-widgets/jupyterlab-manager@1.1

经典版 Jupyter Notebook

要在经典版 Jupyter Notebook 中启用 TFMA 可视化（无论是通过 jupyter notebook 还是 通过 JupyterLab UI），你还需要运行：

jupyter nbextension enable --py widgetsnbextension
jupyter nbextension enable --py tensorflow_model_analysis

注意：如果 Jupyter notebook 已安装在你的主目录中，请将这些命令添加 --user。如果 Jupyter 是作为 root 安装的，或使用虚拟环境，可能需要参数 --sys-prefix。

从源代码构建 TFMA

如果你想从源代码构建 TFMA 并在 JupyterLab 中使用 UI，你需要确保源代码中包含有效的版本号。检查 Python 包版本号和 npm 包版本号是否完全相同，并且两者都是有效的版本号（例如，移除 -dev 后缀）。

故障排除

检查 pip 包：

pip list

检查 JupyterLab 扩展：

jupyter labextension list  # for JupyterLab
jupyter nbextension list  # for classic Jupyter Notebook

带有 embed_minimal_html 的独立 HTML 页面

TFMA notebook 扩展可以构建为独立的 HTML 文件，该文件也将数据捆绑到 HTML 文件中。有关详细信息，请参阅 Jupyter Widgets 文档中的 embed_minimal_html。

Kubeflow 管道

Kubeflow 管道 包含集成，这些集成嵌入了 TFMA notebook 扩展（代码）。此集成依赖于运行时访问网络以加载发布在 unpkg.com 上的 JavaScript 构建变体（参见 配置 和 加载器代码）。

重要依赖项

需要 TensorFlow。

需要 Apache Beam；它是支持高效分布式计算的方式。默认情况下，Apache Beam 在本地模式运行，但也可以使用 Google Cloud Dataflow 和其他 Apache Beam 运行器（Runner） 以分布式模式运行。

还需要 Apache Arrow。TFMA (TensorFlow Model Analysis) 使用 Arrow 在内部表示数据，以便利用向量化 NumPy 函数。

入门指南

关于使用 TFMA 的说明，请参阅 入门指南。

兼容版本

下表列出了相互兼容的 TFMA 包版本。这是由我们的测试框架确定的，但其他未经测试的组合也可能有效。

tensorflow-model-analysis apache-beam[gcp] pyarrow tensorflow tensorflow-metadata tfx-bsl
GitHub 主分支 2.65.0 10.0.1 nightly (2.x) 1.17.1 1.17.1
0.48.0 2.65.0 10.0.1 2.17 1.17.1 1.17.1
0.47.1 2.60.0 10.0.1 2.16 1.16.1 1.16.1
0.47.0 2.60.0 10.0.1 2.16 1.16.1 1.16.1
0.46.0 2.47.0 10.0.0 2.15 1.15.0 1.15.1
0.45.0 2.47.0 10.0.0 2.13 1.14.0 1.14.0
0.44.0 2.40.0 6.0.0 2.12 1.13.1 1.13.0
0.43.0 2.40.0 6.0.0 2.11 1.12.0 1.12.0
0.42.0 2.40.0 6.0.0 1.15.5 / 2.10 1.11.0 1.11.1
0.41.0 2.40.0 6.0.0 1.15.5 / 2.9 1.10.0 1.10.1
0.40.0 2.38.0 5.0.0 1.15.5 / 2.9 1.9.0 1.9.0
0.39.0 2.38.0 5.0.0 1.15.5 / 2.8 1.8.0 1.8.0
0.38.0 2.36.0 5.0.0 1.15.5 / 2.8 1.7.0 1.7.0
0.37.0 2.35.0 5.0.0 1.15.5 / 2.7 1.6.0 1.6.0
0.36.0 2.34.0 5.0.0 1.15.5 / 2.7 1.5.0 1.5.0
0.35.0 2.33.0 5.0.0 1.15 / 2.6 1.4.0 1.4.0
0.34.1 2.32.0 2.0.0 1.15 / 2.6 1.2.0 1.3.0
0.34.0 2.31.0 2.0.0 1.15 / 2.6 1.2.0 1.3.1
0.33.0 2.31.0 2.0.0 1.15 / 2.5 1.2.0 1.2.0
0.32.1 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.1
0.32.0 2.29.0 2.0.0 1.15 / 2.5 1.1.0 1.1.0
0.31.0 2.29.0 2.0.0 1.15 / 2.5 1.0.0 1.0.0
0.30.0 2.28.0 2.0.0 1.15 / 2.4 0.30.0 0.30.0
0.29.0 2.28.0 2.0.0 1.15 / 2.4 0.29.0 0.29.0
0.28.0 2.28.0 2.0.0 1.15 / 2.4 0.28.0 0.28.0
0.27.0 2.27.0 2.0.0 1.15 / 2.4 0.27.0 0.27.0
0.26.1 2.28.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.26.0 2.25.0 0.17.0 1.15 / 2.3 0.26.0 0.26.0
0.25.0 2.25.0 0.17.0 1.15 / 2.3 0.25.0 0.25.0
0.24.3 2.24.0 0.17.0 1.15 / 2.3 0.24.0 0.24.1
0.24.2 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.1 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.24.0 2.23.0 0.17.0 1.15 / 2.3 0.24.0 0.24.0
0.23.0 2.23.0 0.17.0 1.15 / 2.3 0.23.0 0.23.0
0.22.2 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.1 2.20.0 0.16.0 1.15 / 2.2 0.22.2 0.22.0
0.22.0 2.20.0 0.16.0 1.15 / 2.2 0.22.0 0.22.0
0.21.6 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.5 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.4 2.19.0 0.15.0 1.15 / 2.1 0.21.0 0.21.3
0.21.3 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.2 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.1 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.21.0 2.17.0 0.15.0 1.15 / 2.1 0.21.0 0.21.0
0.15.4 2.16.0 0.15.0 1.15 / 2.0 n/a 0.15.1
0.15.3 2.16.0 0.15.0 1.15 / 2.0 n/a 0.15.1
0.15.2 2.16.0 0.15.0 1.15 / 2.0 n/a 0.15.1
0.15.1 2.16.0 0.15.0 1.15 / 2.0 n/a 0.15.0
0.15.0 2.16.0 0.15.0 1.15 n/a n/a
0.14.0 2.14.0 n/a 1.14 n/a n/a
0.13.1 2.11.0 n/a 1.13 n/a n/a
0.13.0 2.11.0 n/a 1.13 n/a n/a
0.12.1 2.10.0 n/a 1.12 n/a n/a
0.12.0 2.10.0 n/a 1.12 n/a n/a
0.11.0 2.8.0 n/a 1.11 n/a n/a
0.9.2 2.6.0 n/a 1.9 n/a n/a
0.9.1 2.6.0 n/a 1.10 n/a n/a
0.9.0 2.5.0 n/a 1.9 n/a n/a
0.6.0 2.4.0 n/a 1.6 n/a n/a

问题

如有任何关于使用 TFMA（TensorFlow 模型分析）的问题，请向 Stack Overflow 提问，并使用 tensorflow-model-analysis 标签。

版本历史

v0.48.02025/06/23
v0.47.12024/11/27
v0.47.02024/11/05
v0.46.02024/04/25
v0.45.02023/08/14
v0.44.02023/04/14
v0.43.02022/12/09
v0.42.02022/11/16
v0.41.12022/10/07
v0.41.02022/09/09
v0.40.02022/07/01
v0.39.02022/05/16
v0.38.02022/03/04
v0.37.02022/01/24
v0.36.02021/12/02
v0.35.02021/11/02
v0.34.12021/09/20
v0.34.02021/08/30
v0.33.02021/07/28
v0.32.12021/07/16

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。

★ 87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

★ 85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

★ 77.1k|★★★☆☆|昨天
Agent图像开发框架