Optimisation des hyperparamètres avec DVC

CI/CD pour le Machine Learning

Ravi Bhadauria

Machine Learning Engineer

Flux de travail d'optimisation des hyperparamètres

Optimisation des hyperparamètres
- Entrée : plages de recherche de paramètres
- Sortie : meilleurs paramètres
Entraînement
- Entrée : meilleurs paramètres
- Sortie : métriques et graphiques (déjà vus)
Faible couplage pour un entraînement indépendant
- L'optimisation des hyperparamètres est suffisante mais pas nécessaire
Les deux tâches dépendent du jeu de données

# Contents of hp configuration
{
    "n_estimators": [2, 4, 5],
    "max_depth": [10, 20, 50],
    "random_state": [1993]
}

# Contents of best parameters
{
    "n_estimators": 5,
    "max_depth": 20,
    "random_state": 1993
}

Modifications du code d'entraînement

Modifications dans le script Python d'optimisation des hyperparamètres

# Load hyperparameters from the JSON file
with open("rfc_best_params.json", "r") as params_file:
  rfc_params = json.load(params_file)


# Define and train model
model = RandomForestClassifier(**rfc_params)
model.fit(X_train, y_train)

Optimisation des hyperparamètres avec GridSearch

# Define the model and hyperparameter search space
model = RandomForestClassifier()
param_grid = json.load(open("hp_config.json", "r"))


# Perform GridSearch with five fold CV
grid_search = GridSearchCV(model, param_grid, cv=5)
grid_search.fit(X_train, y_train)


# Get the best hyperparameters
best_params = grid_search.best_params_
with open("rfc_best_params.json", "w") as outfile:
        json.dump(best_params, outfile)

Modifications YAML DVC

Optimisation des hyperparamètres

stages:
  preprocess: ...
  train: ...
  hp_tune:
    cmd: python hp_tuning.py
    deps:
    - processed_dataset/weather.csv
    - hp_config.json
    - hp_tuning.py
    outs: # Pas de suivi des meilleurs paramètres
      - hp_tuning_results.md:
          cache: false

Entraînement

stages:
  preprocess: ...
  hp_tune: ...
  train:
    cmd: python train.py
    deps:
    - processed_dataset/weather.csv
    - rfc_best_params.json # Meilleurs paramètres
    - train.py
    metrics:
      - metrics.json:
          cache: false

Déclencher des étapes individuelles

Les étapes peuvent être déclenchées indépendamment : dvc repro <stage_name>
Forcer l'exécution de l'étape d'optimisation : dvc repro -f hp_tune
- Garantit la mise à jour du fichier des meilleurs paramètres
L'entraînement peut être lancé avec dvc repro train
Les deux étapes déclenchent le prétraitement comme dépendance

Sortie de l'exécution d'optimisation

mean_test_score	std_test_score	max_depth	n_estimators	random_state
0.999733	0.000413118	20	5	1993
0.999307	0.000574418	50	5	1993
0.99888	0.000617378	10	5	1993
0.997813	0.00117333	10	4	1993

Modifications dans le script Python d'optimisation des hyperparamètres

# Save the results of hyperparameter tuning
cv_results = pd.DataFrame(grid_search.cv_results_)
markdown_table = cv_results.to_markdown(index=False)
with open("hp_tuning_results.md", "w") as markdown_file:
  markdown_file.write(markdown_table)

Récapitulatif

Parcours d'optimisation des hyperparamètres
- Nom de branche hp_tune/<some-string>
- Modifier la configuration de recherche
- Ouvrir manuellement une PR
  - Force l'exécution du pipeline DVC : dvc repro -f hp_tune
  - Utilise cml pr create pour créer une nouvelle PR d'entraînement avec les meilleurs paramètres
- Pousser de force un commit sur la PR d'entraînement pour lancer le job d'entraînement du modèle
Parcours manuel
- Nom de branche train/<some-string>
- Éditer le fichier des meilleurs paramètres et valider les changements
- Ouvrir manuellement une PR pour lancer le job d'entraînement du modèle

Passons à la pratique !

CI/CD pour le Machine Learning