Ladění hyperparametrů pomocí DVC

CI/CD pro Machine Learning

Ravi Bhadauria

Machine Learning Engineer

Postup ladění hyperparametrů

Ladění hyperparametrů
- Vstup: rozsahy prohledávání parametrů
- Výstup: nejlepší parametry
Trénování
- Vstup: nejlepší parametry
- Výstup: metriky a grafy (již probráno)
Volné propojení pro nezávislé trénování
- Ladění hyperparametrů je dostačující, nikoli povinné
Obě úlohy závisí na datasetu

# 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
}

Změny v tréninkovém kódu

Změny ve skriptu pro ladění hyperparametrů

# 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)

Ladění hyperparametrů pomocí 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)

Změny v DVC YAML

Ladění hyperparametrů

stages:
  preprocess: ...
  train: ...
  hp_tune:
    cmd: python hp_tuning.py
    deps:
    - processed_dataset/weather.csv
    - hp_config.json
    - hp_tuning.py
    outs: # Not tracking best parameters
      - hp_tuning_results.md:
          cache: false

Trénování

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

Spouštění jednotlivých fází

Fáze lze spouštět samostatně: dvc repro <stage_name>
Vynucené spuštění fáze ladění: dvc repro -f hp_tune
- Zajistí aktualizaci souboru s nejlepšími parametry
Trénování lze spustit pomocí dvc repro train
Obě fáze závisí na kroku předzpracování

Výstup ladění hyperparametrů

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

Změny ve skriptu pro ladění hyperparametrů

# 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)

Shrnutí

Postup přes ladění hyperparametrů
- Název větve: hp_tune/<some-string>
- Úprava konfigurace prohledávání
- Ruční otevření PR
  - Vynucené spuštění pipeline: dvc repro -f hp_tune
  - Vytvoření nového tréninkového PR s nejlepšími parametry pomocí cml pr create
- Vynucený push do tréninkového PR pro spuštění trénování
Ruční postup
- Název větve: train/<some-string>
- Úprava souboru s nejlepšími parametry a commit
- Ruční otevření PR pro spuštění trénování

Pojďme si procvičit!

CI/CD pro Machine Learning