ML-Design-Pattern

• toc {:toc}

Pipeline Batch training pattern

머신러닝, 딥러닝 학습을 진행하는데 가장 기본이 되는 패턴이다. 머신러닝, 딥러닝에서의 학습은 다음과 같이 분류할 수 있다.

1. 데이터 수집
2. 데이터 전처리
3. 모델 학습
4. 모델 평가
5. 예측 서버에 모델 구축
6. 모델, 서버, 평가 기록

다음과 같이 머신러닝에서의 학습은 여러 과정으로 분할된다. 이 각 프로세스들을 순차적으로 실행하여 학습이 이루어지도록 만드는 패턴이 pipeline batch training pattern 이다. 프로세스들이 분할되어 있어, 학습 도중의 경과를 기록하고 재사용이나 부분적인 수정을 간편하게 하거나, 병렬 처리를 통해 성능을 향상시킬 수 있다. 또한, 각각의 프로세스에서 사용되는 라이브러리를 선택해 사용할 수 있고 파이프라인을 만들면서 학습 및 추론에 대한 자동화를 진행할 수 있다.

Pipeline batch training pattern 을 사용하는 경우 (장점)

• 파이프라인의 자원을 분할해 프로세스마다 라이브러리를 선정하는 경우
• 프로세스를 다른 용도로 함께 사용하려는 경우
• 프로세스마다 데이터의 상태, 진행 로그들을 기록하고 싶은 경우
• 프로세스 실험을 개별적으로 다루고 싶은 경우

단점

• 개별 작업을 진행하면서 독립성을 갖추나 확인해야 할 조건이 늘어나 코드 관리가 복잡해진다.
• 자원 선택에 대해 고려 사항이 늘어난다.

서비스의 전체적인 그림은 아래와 같고, 그 중 학습 파이프라인에서 Pipeline Batch training pattern 이 사용되었다.

출처 : https://medium.com/kubwa/ml-design-pattern-%EB%AA%A8%EB%8D%B8-%EC%83%9D%EC%84%B1-2-%ED%8C%8C%EC%9D%B4%ED%94%84%EB%9D%BC%EC%9D%B8-%EB%B0%B0%EC%B9%98-%ED%95%99%EC%8A%B5-%ED%8C%A8%ED%84%B4-a0163f9a5698

• 코드 전체적인 코드 구조는 pytorch tutorial 을 통해 이해할 수 있다. 데이터셋으로 Fashion-MNIST dataset 을 사용했다.

1. Fashion-MNIST Dataset 을 load 해 학습 데이터를 수집한다.

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt
 
 
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)
 
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

위 Fashion-MNIST 의 경우와 달리 각 task 에 따라 데이터셋을 제작하여 훈련을 진행하는 경우 학습에 사용할할 Custom Dataset 을 만든다.

import os
import pandas as pd
from torchvision.io import read_image
 
class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform
 
    def __len__(self):
        return len(self.img_labels)
 
    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

2. 위 Fashion-MNIST Dataset load 과정에서는 데이터를 불러오면서 transform 을 적용해 불러오도록 만들어져 있지만, 일반적으로 학습 데이터를 불러오는 경우 데이터를 불러오고, 학습 데이터를 훈련에 적합하도록 데이터 증강, 정규화 등 전처리를 진행한다.

from torchvision import transforms
 
train_df, val_df = train_test_split(training_data, 
									test_size=0.15, 
									random_state=42, 
									stratify=imageNet_df['label'])
 
transform = transforms.Compose([transforms.ToTensor(), 
								transforms.Normalize(
									mean=[0.485, 0.456, 0.406],
									std=[0.229, 0.224, 0.225])
								])
 
train_ds = Dataset(train_df,
						root_dir,
						transform=transform)
 
val_ds = ImageNetDataset(val_df,
						root_dir,
						transform=transform)
dataset = {'train' : train_ds, 'val' : val_ds}
 
train_loader = DataLoader(train_ds, batch_size = config['batch_size'], shuffle=True)
val_loader = DataLoader(val_ds, batch_size = config['batch_size'], shuffle=True)

3. 학습을 진행할 모델을 만들고 학습과 평가를 진행한다.

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )
 
    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits
 
 
def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    # Set the model to training mode - important for batch normalization and dropout layers
    # Unnecessary in this situation but added for best practices
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        # Compute prediction and loss
        pred = model(X)
        loss = loss_fn(pred, y)
 
        # Backpropagation
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
 
        if batch % 100 == 0:
            loss, current = loss.item(), (batch + 1) * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")
 
def test_loop(dataloader, model, loss_fn):
    # Set the model to evaluation mode - important for batch normalization and dropout layers
    # Unnecessary in this situation but added for best practices
    model.eval()
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    test_loss, correct = 0, 0
 
    # Evaluating the model with torch.no_grad() ensures that no gradients are computed during test mode
    # also serves to reduce unnecessary gradient computations and memory usage for tensors with requires_grad=True
    with torch.no_grad():
        for X, y in dataloader:
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
 
    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
 
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
 
epochs = 10
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train_loop(train_dataloader, model, loss_fn, optimizer)
    test_loop(test_dataloader, model, loss_fn)
print("Done!")

이후 예측 진행, 모델, 서버, 평가 기록의 경우 해당 환경에 따라 달라지게 된다. Pipeline batch training pattern 의 과정은 다음과 같고 각 서비스에 따라 구조가 달라진다.

참고문헌

1. pytorch 튜토리얼 : https://pytorch.org/tutorials/