Ajustarea hiperparametrilor cu DVC

CI/CD pentru Machine Learning

Ravi Bhadauria

Machine Learning Engineer

Fluxul de ajustare a hiperparametrilor

Ajustarea hiperparametrilor
- Intrare: Intervale de căutare a parametrilor
- Ieșire: Cei mai buni parametri
Antrenare
- Intrare: Cei mai buni parametri
- Ieșire: Metrici și grafice (deja acoperite)
Cuplare slabă pentru antrenare independentă
- Ajustarea hiperparametrilor este suficientă, dar nu necesară
Ambele joburi depind de set de date

# 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
}

Modificări în codul de antrenare

Modificări în scriptul Python de ajustare a hiperparametrilor

# 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)

Ajustarea hiperparametrilor cu 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)

Modificări în fișierul YAML DVC

Ajustarea hiperparametrilor

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

Antrenare

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

Declanșarea etapelor individuale

Etapele pot fi declanșate independent dvc repro <stage_name>
Rulare forțată a etapei de ajustare dvc repro -f hp_tune
- Asigură actualizarea fișierului cu cei mai buni parametri
Antrenarea poate fi rulată cu dvc repro train
Ambele etape declanșează preprocesarea ca dependență

Rezultatul rulării ajustării hiperparametrilor

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

Modificări în scriptul Python de ajustare a hiperparametrilor

# 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)

Rezumat

Ruta de ajustare a hiperparametrilor
- Numele branch-ului hp_tune/<some-string>
- Modificați configurația de căutare
- Deschideți manual un PR
  - Rulare forțată a pipeline-ului DVC dvc repro -f hp_tune
  - Folosește cml pr create pentru a crea un nou PR de antrenare cu cei mai buni parametri
- Efectuați un commit forțat pe PR-ul de antrenare pentru a porni jobul de antrenare
Ruta manuală
- Numele branch-ului train/<some-string>
- Editați fișierul cu cei mai buni parametri și confirmați modificările
- Deschideți manual un PR pentru a porni jobul de antrenare

Să exersăm!

CI/CD pentru Machine Learning