MLOps

Gallery

List

<Table of Contents>
ML 기반 실험 관리의 어려움
여러분 오늘도 좋은 하루입니다! 
이번에는 ML 실험 설정을 간편하게 해주는 Hydra에 대해 다루어볼까 합니다 🦾
Hydra와 관련한 주제는 크게 세 가지 섹션으로 구성했어요🙂
이번 시간은 첫 번째 주제로서, 제가 Hydra를 사용하게 된 이유와 미니 프로젝트 개요에 대해 살펴보도록 할게요😄

Hydra를 이용한 설정 관리 프로젝트(1) - 개요

<Table of Contents>
개요
이번 포스팅의 주제는 MLflow를 클라우드 환경과 연동하는 것입니다.
이를 통해, ML 실험에 대한 아티팩트(artifact)와 여러 메타 데이터를 클라우드에서 저장하고 관리할 수 있습니다!
또한, 학습된 ML 모델을 Artifact store에서 불러와 추론(inference)을 안정적으로 수행할 수 있도록 도움을 줄 수 있어요.
연동 과정은 총 네 개의 포스팅에 걸쳐서 소개 드릴 예정입니다😄

MLflow와 Google Cloud Platform 연동(1) - 사전 준비

MLflow와 Google Cloud Platform 연동(2) - 코드

MLflow와 Google Cloud Platform 연동(3) - 연동

MLflow와 Google Cloud Platform 연동(4) - ML 실습

<Table of Contents>
train.py
안녕하세요 여러분!
이번 포스팅은 Hydra 시리즈의 마지막으로서, 간단한 ML 실험 실습 시간입니다 🦾
이전 포스팅에서 설명 드린 Hydra 설정을 기반으로 실습이 진행됩니다🙂
train.py
이미지 분류에 대한 Task, 즉 모델 학습은 train.py 을 통해 진행됩니다.

Hydra를 이용한 설정 관리 프로젝트(3) - ML 실험 실습

<Table of Contents>
설정 관리 개요
이번 포스팅에서는, Hydra 프레임워크를 이용하여 설정 파일을 어떻게 체계적으로 구성할 수 있는 지 확인하는 시간을 가져보도록 할게요😊 
 Hydra를 사용하게 된 이유 및 프로젝트 개요는 지난 포스팅을 확인해주세요!
프로젝트의 전체 코드는 아래 링크에서 확인하시면 됩니다 :)

Hydra를 이용한 설정 관리 프로젝트(2) - 설정 구현

GCP API를 활용한 인스턴스 그룹 생성