Kubeflow 하이퍼파라미터 튜닝하기

카카오클라우드 Kubeflow와 Katib를 사용하여 MNIST 데이터세트에 대한 하이퍼파라미터 튜닝을 수행하는 과정을 단계별로 설명합니다.

기본 정보

• 예상 소요 시간: 10분
• 사용자 환경
  • 권장 운영 체제: MacOS, Ubuntu
  • Region: kr-central-2
• 사전 준비 사항
  • VM 접근용 키 페어
  • 액세스 키
• 참고 문서
  • Kubeflow를 이용한 Jupyter Notebook 환경 구성

시작하기 전에

Kubeflow와 Katib를 활용하여 하이퍼파라미터 튜닝을 수행하기 전에, MNIST 데이터세트와 실습에 필요한 최소 Kubeflow 환경 사양을 준비합니다. 이를 통해, 사용자는 모델의 성능을 향상시키기 위한 최적의 하이퍼파라미터 조합을 구성할 수 있습니다.

시나리오 소개

이 시나리오에서는 Katib를 활용하여 다음의 주요 내용을 다룹니다.

• 하이퍼파라미터 튜닝을 통한 모델 성능 최적화
• 자동화된 머신러닝 실험을 통한 최적의 하이퍼파라미터 조합 탐색
• MNIST 데이터세트를 사용한 하이퍼파라미터 튜닝 실습

지원 도구

도구	버전	설명
Katib	0.15.0	- 하이퍼파라미터를 조정해 모델 성능을 향상시킬 수 있는 오픈소스 프로젝트입니다. - 모델 성능 향상을 위한 다양한 하이퍼파라미터 조합 및 테스트할 수 있습니다.

안내

Katib에 대한 자세한 설명은 Kubeflow > Katib 공식 문서를 확인해 주세요.

사전 작업

1. 학습 데이터 준비

이 실습은 MNIST 데이터세트를 사용합니다. 별도의 다운로드 없이 아래의 실습 단계를 따르면 자동으로 데이터세트를 받을 수 있습니다.

MNIST 이미지 데이터세트

MNIST 데이터세트는 0부터 9까지 숫자의 손글씨 이미지를 모은 데이터세트로, 컴퓨터 비전 분야에서 널리 사용됩니다. 총 70,000개의 28x28 픽셀 회색조 이미지로 구성됩니다.

2. Kubeflow 환경 준비

Kubeflow에서 Katib을 사용하기 전에, 실습에 적합한 MIG 설정과 GPU 노드 풀 사양을 확인하세요. Kubeflow 환경이 준비되지 않았다면, Kubeflow를 이용한 Jupyter Notebook 환경 구성 문서를 참고하여 GPU 파이프라인 노드 풀이 설정된 Kubeflow 환경을 생성하세요.

필요 최소 사양

• MIG 설정 최소 사양 : 1g.10gb 인스턴스 3대 이상
• GPU 파이프라인 노드 풀 필수
• 노드 풀 크기: 100GB 이상

작업 순서

Katib를 사용한 MNIST 데이터세트에 대한 하이퍼파라미터 튜닝 과정의 구체적인 단계는 다음과 같습니다.

Step 1. 실습 예제로 새로운 실험 생성하기

1. Kubeflow 대시보드에 접속합니다.

2. 좌측에 위치한 Experiments (AutoML) 탭을 선택합니다.

3. 우측 상단에 위치한 [NEW EXPERIMENT] 버튼을 클릭합니다.

4. Create an Experiment 화면에서 [Edit and submit YAML]을 클릭 후, 아래 YAML 코드 예제를 복사하여 붙여넣고 [CREATE] 버튼을 클릭합니다.

   YAML 스크립트 코드 예제 삽입하기

   실습 예제. YAML 스크립트 코드 예제

   apiVersion: kubeflow.org/v1beta1
   kind: Experiment
   metadata:
     namespace: kubeflow
     name: test-automl2
   spec:
     objective:
       type: maximize
       goal: 0.99
       objectiveMetricName: accuracy
       additionalMetricNames:
         - loss
     metricsCollectorSpec:
       source:
         filter:
           metricsFormat:
             - "{metricName: ([\\w|-]+), metricValue: ((-?\\d+)(\\.\\d+)?)}"
         fileSystemPath:
           path: "/katib/mnist.log"
           kind: File
       collector:
         kind: File
     algorithm:
       algorithmName: random
     parallelTrialCount: 3
     maxTrialCount: 12
     maxFailedTrialCount: 3
     parameters:
       - name: lr
         parameterType: double
         feasibleSpace:
           min: "0.01"
           max: "0.03"
       - name: momentum
         parameterType: double
         feasibleSpace:
           min: "0.3"
           max: "0.7"
     trialTemplate:
       retain: true
       primaryContainerName: training-container
       trialParameters:
         - name: learningRate
           description: Learning rate for the training model
           reference: lr
         - name: momentum
           description: Momentum for the training model
           reference: momentum
       trialSpec:
         apiVersion: batch/v1
         kind: Job
         spec:
           template:
             metadata:
               annotations:
                 sidecar.istio.io/inject: 'false'
             spec:
               containers:
                 - name: training-container
                   image: bigdata-150.kr-central-2.kcr.dev/kc-kubeflow/katib-pytorch-mnist-gpu:v0.15.0.1a
                   command:
                     - "python3"
                     - "/opt/pytorch-mnist/mnist.py"
                     - "--epochs=1"
                     - "--log-path=/katib/mnist.log"
                     - "--lr=${trialParameters.learningRate}"
                     - "--momentum=${trialParameters.momentum}"
                   resources:
                     requests:
                       cpu: '1'
                       memory: 2Gi
                     limits:
                       nvidia.com/mig-1g.10gb: 1
               restartPolicy: Never
               affinity:
                 nodeAffinity:
                   requiredDuringSchedulingIgnoredDuringExecution:
                     nodeSelectorTerms:
                       - matchExpressions:
                           - key: kakaoi.io/kke-nodepool
                             operator: In
                             values:
                               - ${GPU_PIPELINE_NODEPOOL_NAME}

   환경변수	설명
   GPU_PIPELINE_NODEPOOL_NAME🖌︎	사용자의 GPU 파이프라인 노드 풀 이름 기입 ex. "gpu-node"

   위 예제 YAML 파일은 Katib 실험의 구성을 정의합니다. 이 파일에는 실험의 목적, 최적화할 메트릭, 사용할 알고리즘, 하이퍼파라미터의 검색 범위 등이 포함됩니다.

Step 2. 생성한 실습 실험 확인하기

1. 실험 실행 후, Kubeflow 대시보드에서 Experiments (AutoML) 탭으로 이동하여 실험 결과를 확인할 수 있습니다.

   실험 생성완료 확인하기

2. 실험이 성공적으로 실행었다면, 해당 실험을 클릭하여 자세한 정보와 함께 최적의 하이퍼파라미터 값을 볼 수 있습니다.

   생성한 실험 상세 내용 확인하기

   안내

   Katib에 대한 자세한 설명은 Kubeflow > Katib 공식 문서를 확인해 주세요.