Hyperparameterjustering med DVC

CI/CD för maskininlärning

Ravi Bhadauria

Machine Learning Engineer

Arbetsflöde för hyperparameterjustering

Hyperparameterjustering
- Indata: Parameterintervall för sökning
- Utdata: Bästa parametrar
Träning
- Indata: Bästa parametrar
- Utdata: Mätvärden och diagram (redan behandlat)
Lös koppling för oberoende träning
- Hyperparameterjustering tillräcklig men inte nödvändig
Båda jobben är beroende av datamängden

# 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
}

Ändringar i träningskoden

Ändringar i Python-skriptet för hyperparameterjustering

# 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)

Hyperparameterjustering med 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)

Ändringar i DVC YAML

Hyperparameterjustering

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

Träning

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

Köra enskilda steg

Steg kan köras oberoende med dvc repro <stage_name>
Tvinga körning av hyperparameterjusteringssteget med dvc repro -f hp_tune
- Säkerställer att filen med bästa parametrar uppdateras
Träning kan köras med dvc repro train
Båda stegen utlöser förbearbetningssteget som ett beroende

Resultat från hyperparameterkörning

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

Ändringar i Python-skriptet för hyperparameterjustering

# 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)

Sammanfattning

Hyperparameterjusteringsvägen
- Grennamn hp_tune/<some-string>
- Gör ändringar i sökkonfigurationen
- Öppna en PR manuellt
  - Tvångskör DVC-pipelinen dvc repro -f hp_tune
  - Använder cml pr create för att skapa en ny tränings-PR med bästa parametrar
- Tvångspusha en commit till tränings-PR för att starta träningsjobbet
Manuell väg
- Grennamn train/<some-string>
- Redigera filen med bästa parametrar och committa ändringarna
- Öppna en PR manuellt för att starta träningsjobbet

Nu kör vi en övning!

CI/CD för maskininlärning