keras多输出模型下的TFX求值器问题

Question

我在TFX中使用了一个非常简单的keras模型来解决一个回归问题。看起来TFX希望你使用一个带命名输出的keras模型，所以我做了：

output = {key: tf.keras.layers.Dense(1, name = key)(x) 
          for key in _transformed_names(_LABEL_KEYS)} 

model(inputs, outputs) 

我不明白赋值器如何将我的数据集的标签名称映射到我的模型的输出名称。

在我的代码中，我用表单列表在tfma.ModelSpec中设置了label_keys and prediction_keys参数：

[["model output name", "Label key in my Dataset"]]

似乎proto消息是正确创建的，但是当我运行赋值器时，我得到了以下错误：

ValueError: unable to prepare labels and predictions because the labels and/or predictions are dicts with unrecognized keys. If a multi-output keras model (or estimator) was used check that an output_name was provided. If an estimator was used check that common prediction keys were provided (e.g. logistic, probabilities, etc)

如果我尝试使用label_key和prediction_key参数提供单个标签键和单个预测键，则会得到以下错误：

TypeError: update_state() takes from 2 to 3 positional arguments but 4 were given [while running 'ExtractEvaluateAndWriteResults/ExtractAndEvaluate/EvaluateMetricsAndPlots/ComputeMetricsAndPlots()/ComputePerSlice/ComputeUnsampledMetrics/CombinePerSliceKey/WindowIntoDiscarding']

我已经尝试了所有可能的方法，但一无所获。有没有办法使用没有命名输出的模型(具有多个节点的密集输出层)？或者是解决这个问题的方法？

附注:有多输出keras模型的TFX管道的教程吗？

谢谢。

Answer 1

在eval_config中，设置

options=Options(include_default_metrics=BoolValue(value=False))

例如：

  eval_config = tfma.EvalConfig(
      model_specs = [...],
      slicing_specs=[tfma.SlicingSpec(),...],
      metrics_specs=[...],
      options=Options(include_default_metrics=BoolValue(value=False))
      )
  evaluator = Evaluator(
      ...
      eval_config=eval_config
  )