Hyperparametertuning met DVC

CI/CD voor Machine Learning

Ravi Bhadauria

Machine Learning Engineer

Workflow voor hyperparametertuning

Hyperparametertuning
- Input: Bereiken voor sweep
- Output: Beste parameters
Training
- Input: Beste parameters
- Output: Metrics en plots (al behandeld)
Losse koppeling voor onafhankelijk trainen
- Tuning is voldoende maar niet vereist
Beide jobs zijn datasetafhankelijk

# 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
}

Wijzigingen in trainingscode

# 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)

Hyperparametertuning met 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)

Wijzigingen in DVC YAML

Hyperparametertuning

stages:
  preprocess: ...
  train: ...
  hp_tune:
    cmd: python hp_tuning.py
    deps:
    - processed_dataset/weather.csv
    - hp_config.json
    - hp_tuning.py
    outs: # Best parameters niet tracken
      - hp_tuning_results.md:
          cache: false

Training

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

Losse stages starten

Stages kun je los starten met dvc repro <stage_name>
Forceer de tuning-stage dvc repro -f hp_tune
- Zorgt dat het bestand met beste parameters wordt geüpdatet
Training start je met dvc repro train
Beide stages triggeren preprocessing als dependency

Output van tuning-run

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

Wijzigingen in Python-script voor hyperparametertuning

# 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)

Samenvatting

Route hyperparametertuning
- Branched naam hp_tune/<some-string>
- Pas de zoekconfig aan
- Open handmatig een PR
  - Forceert DVC-pipeline dvc repro -f hp_tune
  - Gebruikt cml pr create om een nieuwe training-PR te maken met beste parameters
- Force-push een commit naar de training-PR om de trainingjob te starten
Handmatige route
- Branchnaam train/<some-string>
- Bewerk het bestand met beste parameters en commit
- Open handmatig een PR om de trainingjob te starten

Laten we oefenen!

CI/CD voor Machine Learning