Graphsignal을 사용한 기계 학습 프로파일링

Graphsignal은 데이터 과학자와 ML 엔지니어가 모델 교육 및 추론을 이해, 벤치마킹 및 분석하여 더 빠르고 계산적으로 효율적으로 만드는 데 도움이 되는 머신 러닝 프로파일러입니다.

기계 학습 노트북, 스크립트 또는 애플리케이션에 몇 줄의 코드를 추가함으로써 Graphsignal은 TensorFlow, Keras, PyTorch, Hugging Face 및 기타 프레임워크를 자동으로 프로파일링합니다.

profiler을 추가하려면 Python 모듈을 설치하고 가져온 다음 API 키와 워크로드 이름을 제공하여 구성하면 됩니다. 무료 계정을 위해 signing up까지 API 키를 받으십시오. 마지막으로 프레임워크에 따라 프로파일러 콜백을 등록하거나 프로파일 기능을 사용합니다.

다음은 Keras 프레임워크에 대한 최소한의 예입니다.

# 1. Import Graphsignal modules
import graphsignal
from graphsignal.profilers.keras import GraphsignalCallback

# 2. Configure
graphsignal.configure(api_key='my_key', workload_name='training_example')

....

# 3. Add profiler callback
model.fit(..., callbacks=[GraphsignalCallback()])

Docs에서 다른 통합에 대한 자세한 정보를 찾을 수 있습니다.

실행을 시작하면 프로필이 자동으로 기록되고 각 실행 또는 실험에 대한 분석에 사용할 수 있습니다cloud dashboard. 여기에서 배치 시간, 배치 속도, GPU 메모리 및 사용률과 같은 일부 기본 통계를 비교할 수 있습니다.



프로필을 열면 실행의 특정 단계에 대한 훨씬 더 자세한 정보를 볼 수 있습니다.

프로필에는 성능 요약, 실행 환경에 대한 자세한 정보, 교육 또는 추론 속도가 포함됩니다.



컴퓨팅 리소스 활용도:



또한 가장 많은 시간과 컴퓨팅이 소비되는 위치를 정확히 파악하는 데 유용한 작업 및 커널 수준 통계입니다. 예를 들어, 이 경우 대부분의 시간이 데이터 입력 작업에 소요되므로 이를 최적화하면 속도가 크게 향상될 수 있습니다.



시간 경과에 따른 실행 성능을 확인하려면 지표 대시보드를 사용하십시오.



ML 파이프라인에서 수동으로 실행되거나 주기적으로 실행되는 모든 ML 워크로드에 Graphsignal을 추가하고 언제든지 자동으로 기록된 프로필 및 메트릭에 팀이 지속적으로 액세스할 수 있도록 합니다.

보시다시피 시도해 보는 것은 쉽습니다. 지침은 Quick Start Guide을 참조하거나 graphsignal.com에서 자세한 내용을 알아보십시오.