[P4] Day 89 (21.06.07)

(9강) Model Serving

Reference

Project

오늘의 목표 및 진척상황

직면했던 문제와 학습한 내용

추가로 진행 할 사항

---

(9강) Model Serving

💡

모델의 서빙을 위해 웹 서버와 관련 Tool에 대해 알아본다.

---

Reference

• Flask 공식 홈페이지

• MLflow 공식 홈페이지

• [파이토치 한국 사용자 모임] Flask로 배포하기

• [Medium] MLflow and PyTorch — Where Cutting Edge AI meets MLOps

---

Project

오늘의 목표 및 진척상황

• GRU Model 구현 및 실험

• Feature Engineering Code 정리 및 공유

직면했던 문제와 학습한 내용

1. GRU Model 구현 및 실험

   Data의 Sequence를 늘리는 방법은 생각보다 성능 개선에 영향을 주지 못했다. Sequence 자체의 길이를 늘릴 필요가 없다고 판단 되었고, 무엇보다 학습 곡선을 봤을 때, Train Dataset에 Overfitting 되는 현상이 심해보였다. 위와 같은 이슈를 한번에 해결하고자 GRU Model을 구상했다.

   Model을 조금 더 가볍게 만들었고, Dropout Layer를 추가하는 등으로 일반화 성능의 향상을 도모했다. Validation 상에서 더 나은 모습을 보여주었으나, 실제 제출 시의 Score는 매우 상이했다. 아무래도, Validation 전략에 큰 문제가 있는 것 같아 팀과 상의하여 이를 조율했다.

2. Feature Engineering Code 정리 및 공유

   Peer Session간 각 팀원이 그 동안 만들었던 Feature를 공유하고, 설명하는 시간을 가졌다. 서로 유용해보이는 것을 가져다 쓸 수 있도록 생성 Code를 함수화하여 공유하기로 했다.

   그동안 그때그때 만들어서 csv File로 사용하는게 마음에 안들었었는데, 이참에 싸그리 정리하는 시간을 가졌다. 또, 여태껏은 Pandas 함수를 쓰기보다는, 그냥 순회하는 식으로 파생변수를 만들었었는데, 이 부분도 Pandas를 활용해서 만드는 것으로 구성했다.

   생각보다 시간이 오래 걸렸고, Team Github에 해당 Code를 구현해 공유했다.

추가로 진행 할 사항

• Validation 전략 재고

Uploaded by Notion2Tistory v1.1.0