PytorchとWandbを使ったモデル学習の基本

チュートリアル

機械学習のモデル開発において、実験管理は非常に重要です。この記事では、Pytorchを用いたモデル学習の基本的な流れと、実験管理ツールであるWandbの使い方について解説します。

必要なライブラリのインストール

まず、必要なライブラリをインストールします。

!pip install torch>=1.9 torchvision wandb -qqq

モデルの定義

次に、学習させるモデルを定義します。ここでは、シンプルなCNNを例として使用します。

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = torch.flatten(x, 1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

データの準備

モデルに入力するデータを準備します。ここでは、CIFAR10データセットを使用します。

import torchvision
import torchvision.transforms as transforms

def get_transforms(norm=0.5):
    return transforms.Compose([transforms.ToTensor(),
                               transforms.Normalize((norm, norm, norm), (norm, norm, norm))])

def get_data(transforms, batch_size=4):
    trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                            download=True, transform=transforms)
    trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,
                                            shuffle=True, num_workers=2)
    return trainloader

モデルの学習

定義したモデルを学習させます。

import torch.optim as optim

def get_predictions(model, inputs, optimizer):
    optimizer.zero_grad()
    return model(inputs)

def update_model(data, model, criterion, optimizer):
    inputs, labels = data
    preds = get_predictions(model, inputs, optimizer)
    loss = criterion(preds, labels)
    loss.backward()
    optimizer.step()
    return loss.item()

def save_model(model, path):
    torch.save(model.state_dict(), path)

Wandbの設定

実験管理ツールであるWandbを使用するための設定を行います。

import wandb
from google.colab import userdata
wandb_api_key = userdata.get('WANDB_API_KEY')
!wandb login $wandb_api_key

学習の実行とログの記録

最後に、学習を実行し、Wandbを用いてログを記録します。

def train(config):
  # setup training 
  with wandb.init(project='get_started1', config=config) as run:
    config = run.config

    transforms = get_transforms(config.norm)
    data = get_data(transforms, config.batch_size)
    model = Net()
    criterion = nn.CrossEntropyLoss()
    optimizer = optim.SGD(model.parameters(), lr=config.lr, momentum=config.momentum)

    # train model
    for epoch in range(config.epochs):
        for i, batch in enumerate(data, 0):
            loss = update_model(batch, model, criterion, optimizer)

            # log results  
            run.log({'epoch': epoch, 'loss': loss, "lr":config.lr})
    path = './cifar_net.pth'
    save_model(model, path)

config = {
    'norm': 0.9, 
    'batch_size': 8,
    'lr': 0.1,
    'momentum': 0.8,
    'epochs': 1
}
train(config)

注意点として、with wandb.init(...)を使用することで、エラーが発生した場合でも確実にwandb.finish()が呼び出されるようにしています。これにより、必要な情報が確実にアップロードされます。

以上が、PytorchとWandbを使ったモデル学習の基本的な流れです。実験管理を適切に行うことで、モデル開発の効率化を図ることができます。

file

ノートブック

Google Colaboratory

参考サイト

Hugging Faceトランスフォーマー | Weights & Biases 선적 서류 비치
Hugging Faceトランスフォーマー ライブラリは、BERTのような最先端のNLPモデルや、混合精度演算や勾配チェックポイントのようなトレーニング手法を簡単に利用できるようにしています。W&Bインテグレーションは、使いやすさを損なうことなく、インタラクティブな中央集約ダッシュボードに豊富で柔軟な実験トラッキングと...

コメント

タイトルとURLをコピーしました