Pytorch로 CLI 학습하기

Kakao i Machine Learning을 처음 사용하시는 분들을 위해, MNIST(Modified National Institute of Standards and Technology) 데이터세트와 Python 학습 스크립트를 활용한 학습 튜토리얼을 제공하고 있습니다. 이 문서는 KiML CLI로 모델을 학습하는 방법을 안내합니다.

CLI는 Shell 환경에서 Kakao i Machine Learning 플랫폼을 사용하는 인터페이스입니다.
kiml 명령어를 사용하며, --help 로 인자값을 확인할 수 있습니다.

Step 1. Kakao i Machine Learning 로그인하기

KiML CLI에 로그인하는 방법은 다음과 같습니다.

로그인하기

코드예제CLI 로그인 Syntax

Shell

kiml login
ApplicationID : {사용자 액세스 키 ID}
ApplicationSecret : {사용자 액세스 보안 키}

표CLI 로그인 Parameters

파라미터	설명
{사용자 액세스 키 ID}	KakaoCloud 사용자 액세스 키 ID
{사용자 액세스 보안 키}	KakaoCloud 사용자 액세스 보안 키

Step 2. 워크스페이스 생성하기

다음 단계는 워크스페이스(Workspace)를 설정하는 작업입니다.

안내

공공 클라우드 환경에는 워크스페이스 생성 기능을 제공하지 않습니다.

워크스페이스에 대한 자세한 설명은 워크스페이스 문서를 참고하시기 바랍니다.

리소스 할당 및 제한에 대한 자세한 설명은 리소스 할당 및 제한 문서를 참고하시기 바랍니다.

워크스페이스 CLI 명령어 kiml workspace에 대한 자세한 설명은 CLI 명령어 참조 문서를 참고하시기 바랍니다.

아래 명령어를 실행하여 워크스페이스를 생성합니다.

코드예제워크스페이스 생성

Shell

kiml workspace create {workspace-name}

Step 3. 명령어를 실행할 워크스페이스 지정하기

KiML CLI 명령어를 실행할 워크스페이스를 지정합니다. 지정한 기본 워크스페이스로 CLI 명령어가 실행됩니다. 기본 워크스페이스가 설정된 경우, Step 3을 생략할 수 있습니다.

코드예제기본 워크스페이스 설정

BASH

kiml workspace set {workspace-name}

Step 4. 스토리지에 데이터 업로드하기

AI 모델 학습에 사용되는 데이터는 Kakao i Machine Learning 원격 저장소인 스토리지에 업로드해야 합니다. 본 튜토리얼에서는 MNIST 데이터를 업로드하여 학습을 진행합니다.

MNIST 데이터 파일(data_mnist.zip)을 다운받습니다.

mnist_data.zip 파일
다운받은 MNIST 데이터 파일(data_mnist.zip)의 압축을 해제합니다.
압축 해제한 MNIST 데이터 파일(data_mnist.zip)이 저장된 위치로 working directory를 변경합니다.
다음 명령을 실행하여 mnist_dataset 디렉토리를 디폴트 스토리지에 업로드합니다.

코드예제mnist_dataset 디렉토리 업로드
Shell
```
kiml data upload mnist_dataset default/mnist_dataset
```
원격 저장소에 mnist_dataset 데이터세트가 정상적으로 업로드되었는지 확인합니다.

코드예제mnist_dataset 업로드 확인
Shell
```
kiml data list default/mnist_dataset
```

Step 5. 데이터세트 만들기

해당 단계는 데이터세트를 만드는 작업입니다. 앞서 스토리지에 업로드한 MNIST 데이터를 데이터세트로 지정하여, 학습에서 활용할 수 있도록 합니다.

kiml dataset create를 사용하여 데이터세트를 생성합니다.

튜토리얼 Tip
본 튜토리얼에서는 방금 스토리지에 업로드한 데이터세트를 등록하므로, --path 옵션의 값을 /default/mnist_dataset으로 지정했습니다. 일반적으로는 /{storage-name}/path 형태로 사용자가 등록하기 원하는 스토리지 경로를 지정할 수 있습니다.

코드예제데이터세트 생성
Shell
```
kiml dataset create mnist-dataset --path /default/mnist_dataset
```
kiml dataset list를 사용하여 등록된 데이터세트 정보를 확인합니다.

코드예제데이터세트 정보 확인
Shell
```
kiml dataset list
```

Step 6. 학습 실행하기

Kakao i Machine Learning에서 머신 러닝 모델 학습을 실행하기 위해 학습 코드를 준비하고, 이어서 실험과 실행을 생성합니다.

학습 코드 준비하기

MNIST 소스 코드를 저장할 src 폴더를 만듭니다.
아래 mnist.py 파일을 다운받아 src 폴더에 저장합니다.

mnist.py 파일
CLI의 작업 디렉토리를 src로 변경합니다.

실험 생성하기

실험(Experiment)을 생성한 후, 해당 실험 하위에 학습을 위한 실행(Run)을 생성할 수 있습니다. 실험은 하나의 학습 과제에 대한 다양한 학습 파라미터와 데이터의 적용 결과를 비교하기 위해 만들어진 개념입니다. 실험은 지정된 스크립트인 실행의 묶음으로, 다양한 실행 기록을 담고 있는 실행 집합입니다. 실험은 워크스페이스별로 저장되며, 실행 정보는 지정한 실험 하위에 자동 저장됩니다.

코드예제실험 생성

Shell

kiml experiment create mnist-experiment

실행 생성하기

실행(Run)은 기계학습 모델 학습을 위한 스크립트의 단일 작업으로, 학습을 실행합니다.
실행을 생성하는 방법은 다음과 같습니다.kiml run submit으로 실행을 생성합니다. CLI에서는 tar.gz 파일로 압축하지 않고 업로드할 수 있습니다. 학습 코드는 실행할 위치를 기준으로 업로드하지 않고, 업로드할 경로를 옵션으로 지정할 수 있습니다. 실행할 엔트리포인트는 km run submit 마지막 인자로 전달합니다. 아래 예시에서 엔트리포인트는 mnist.py이며, 이 스크립트의 Argument는 -- 다음에 전달됩니다.

튜토리얼 Tip!
공공 클라우드 환경 인스턴스 타입은 1A100-16-MO, 인스턴스 개수는 1로 설정하였습니다.
또한 이전 단계에서 생성한 mnist.py 파일을 제출하도록 하였습니다.

코드예제실행 생성

Shell

kiml run submit --dataset mnist-dataset --experiment mnist-experiment --image cosmos-pytorch1.10.0-cuda11.3-cudnn8-py3.7-ubuntu18.04 --instance-type 1A100-16-MO --num-replica 1 "python mnist.py --data_dir /app/input/dataset/mnist-dataset --output_dir /app/outputs"

표실행 생성 Parameters

파라미터	설명
--dataset	학습에 사용할 데이터셋 명칭 - 튜토리얼: `mnist-dataset` - 지정된 데이터셋은 `/app/input/dataset/{데이터세트 이름}`으로 마운트됨
--experiment	실행을 묶어서 관리할 실험 이름 입력 - 생성된 실험 이름 입력 - 튜토리얼: 이전 단계에서 만든 `mnist-experiment` 입력
--image	학습에 사용될 이미지 이름 - 본 튜토리얼에서는 기본 이미지(base-image)로 제공되는 `cosmos-pytorch1.10.0-cuda11.3-cudnn8-py3.7-ubuntu18.04` 이미지 사용
--instance-type	학습에 사용될 리소스 유형 지정 - 공공 클라우드 환경: `1A100-16-MO` 입력 - 환경별 인스턴스 타입 전체 목록: `kiml instance-type` 명령어로 조회 가능
--num-replica	분산학습 시 사용할 인스턴스의 개수 - 리소스 유형을 4GPU 유형을 선택하고 인스턴스 개수를 3으로 지정한 경우에는 총 12장의 GPU를 사용
--source-directory	모델을 학습할 소스 코드 디렉토리 - 튜토리얼에서는 생략 - 기본값: `pwd`
SCRIPT	실행을 수행하기 위한 스크립트 - 스크립트에 argument를 전달할 경우에는 `--` 문자를 삽입한 뒤 기입 - `python` 또는 `torchrun`으로 시작 - 입력 불가 특수문자 : `&`, `\`, `;`, `\|` - 튜토리얼: `"python mnist.py --data_dir /app/input/dataset/mnist-dataset --output_dir /app/outputs"`

안내

Kakao i Machine Learning에서 제공하는 인스턴스 종류는 인스턴스 타입 문서를 참고하시기 바랍니다.

분산학습 실행에 대한 설명은 분산 학습하기(CLI) 문서를 참고하시기 바랍니다.

실행 로그 조회하기

실행(Run) 목록에서 방금 생성한 실행의 이름을 확인합니다. 실행 이름은 자동으로 생성됩니다.

코드예제실행 이름 확인
Shell
```
kiml run list
```
확인한 실행 이름을 입력하고 실행 로그를 확인합니다. -f, –follow 옵션은 로그를 실시간으로 조회하도록 유지합니다.

코드예제실행 로그 확인
Shell
```
kiml run log mnist-run --follow
```

실험 결과 확인하기

Kakao i Machine Learning는 텐서보드(Tensorboard)를 통하여 실험 결과를 실시간으로 조회하는 기능을 제공합니다. 또한 원격 저장소에 접근하여 생성된 모델 파일 및 로그 내용을 확인할 수 있습니다.

주의
학습 코드에서 텐서보드 로그를 output으로 생성해야만 텐서보드에서 결과를 조회할 수 있습니다.

코드예제텐서보드 로그 output으로 생성

Shell

# Parameters
    log_dir = os.path.join(args.output_dir, 'log')
    summary_writer = SummaryWriter(log_dir=log_dir)

아래 명령을 실행하여 텐서보드를 실행합니다.

코드예제텐서보드 실행
Shell
```
kiml experiment tensorboard mnist-experiment
```
학습이 완료되면, 생성된 모델 파일과 로그 내용은 원격 저장소에 실험 및 실행 별로 생성된 outputs 디렉터리에서 확인할 수 있습니다.

코드예제디렉터리 확인
Shell
```
kiml data list default/experiments/<experiment-id>/runs/mnist-run/outputs
```
아래 명령을 실행하면 앞에서 조회한 outputs 폴더를 다운로드 받을 수 있습니다.

코드예제outputs 폴더 다운로드
Shell
```
kiml data download default/experiments/<experiment-id>/runs/mnist-run/outputs ./
```

미지원 기능 안내
공공 클라우드 환경에서는 모델 추론 및 배포 기능은 지원하지 않습니다. 자세한 내용은 공공 환경 주의사항 문서를 참고하시기 바랍니다.

Step 7. 모델 등록하기

모델은 ML 모델의 수명 주기를 관리할 수 있는 모델 저장소입니다. Kakao i Machine Learning 플랫폼에서 학습한 실행을 모델로 등록하거나, 외부에서 학습한 모델을 불러올 수 있습니다. 이 단계에서 Step 5에서 생성하고 학습 완료된 실행을 모델로 등록합니다.
아래 명령을 실행하면 앞에서 생성한 실행을 모델로 등록합니다.

코드예제생성한 실행 모델로 등록

Shell

kiml model create mnist-model \
--experiment mnist-experiment \
--run mnist-run

Step 8. 엔드포인트 생성하기

모델을 배포하기 위해서는 모델이 요청받을 엔드포인트를 생성하고, 이어서 엔드포인트에 배포를 생성해야 합니다.

아래 명령을 실행해 먼저 엔드포인트를 생성합니다.

코드예제엔드포인트 생성
Shell
```
kiml endpoint create mnist-endpoint
```
생성한 엔드포인트의 정보를 조회할 수 있습니다.

코드예제엔드포인트 정보 조회
Shell
```
kiml endpoint describe mnist-endpoint
```

Step 9. 배포 생성하기

이 단계에서는 Step 6에서 등록한 모델을 Step 7에서 생성한 엔드포인트에 배포합니다.

안내
본 튜토리얼에서는 Pytorch 모델을 위한 Triton 사용 방법을 안내합니다. Tensorflow 모델은 Tensorflow Serving을 사용합니다.

Tensorflow 모델에 대한 자세한 설명은 TensorFlow로 학습하기 > CLI 문서를 참고하시기 바랍니다.

아래 명령을 실행하여 작업 폴더에 config.pbtxt 파일을 생성합니다.

코드예제config.pbtxt 파일 생성

Shell

cat << EOF > config.pbtxt
platform: "pytorch_libtorch"
input [
  {
    name: "input__0"
    data_type: TYPE_FP32
    dims: [ 1, 1, 28, 28 ]
  }
]
output [
  {
    name: "output__0"
    data_type: TYPE_FP32
    dims: [ 1, 10 ]
  }
]
EOF

아래 명령을 실행하여 배포를 생성합니다.

안내
config.pbtxt 파일은 터미널 작업 폴더에 넣어두면 자동으로 업로드됩니다.

코드예제Triton 배포 생성

Shell

kiml deployment create mnist-deployment \
--endpoint mnist-endpoint \
--serving-framework triton \
--instance-type ${instance_type} \
--num-replica 1 \
--image cosmos-tritonserver-22.06-py3 \
--cluster ${cluster_name} \
--model-spec name=mnist-model \
--triton config=config.pbtxt

표Triton 배포 생성 Parameters

파라미터	설명
{cluster_name}	배포가 생성될 클러스터 환경 이름 - Testbed 환경: `testbed` 입력
{instance_type}	배포를 구성할 인스턴스 타입 이름 - Testbed 환경: `1V100-12-MO` 지정

Step 10. 배포된 모델 테스트하기

배포한 모델의 테스트를 원하는 경우, 테스트 방법은 아래와 같습니다.

아래 명령을 실행하여 엔드포인트 상세 정보를 조회한 후, 엔드포인트 URL과 API Key를 확인합니다.

코드예제엔드포인트 상세 정보 조회

Shell

kiml endpoint describe mnist-endpoint

코드예제결과 화면

Shell

* ID             | ac9457b6-a9f3-4d41-bc47-40208e1e7378
* Name           | mnist-endpoint
* Deployments    | mnist-deployment
* URL            | f166ca98-d0e6-43bb-8dfa-bc30d1587aa2.endpoint.production.ml.k9etool.io/latest/api
* API Key        |    fe06b3ba-a7e8-419c-af31-f6e84a81c034-ac9457b6-a9f3-4d41-bc47-40208e1e737834aa0e2c761ddf5a253df30529dac41bb128e735af4d8afd   f2571sdfss94a
* Description    |
* Tags           |
* Created At     | 2022-10-21T19:55:28+09:00

위 결과에서 확인한 {api_key}, {endpoint_url}을 기입하여, 터미널에서 아래 테스트 코드를 실행합니다.

코드예제테스트

Shell

curl -X POST ${엔드포인트 주소}/v2/models/model/infer \
-H "Authorization: Bearer ${API Key}" \
--data-raw '{
  "inputs" : [
    {
      "name" : "input__0",
      "datatype":"FP32",
      "shape" : [ 1, 1, 28, 28 ],
      "data" : [[[[0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]   , [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.07058823853731155, 0.16862745583057404, 0.   30588236451148987, 0.6117647290229797, 0.9921568632125854, 0.9921568632125854, 0.   8235294222831726, 0.8549019694328308, 0.11764705926179886, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.2235294133424759, 0.7803921699523926, 0.   9921568632125854, 0.9882352948188782, 0.9882352948188782, 0.9882352948188782, 0.   9882352948188782, 0.9921568632125854, 0.9882352948188782, 0.8666666746139526, 0.   24705882370471954, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0,    0.0, 0.4941176474094391, 0.9647058844566345, 0.9882352948188782, 0.8392156958580017, 0.   4941176474094391, 0.2862745225429535, 0.08235294371843338, 0.08235294371843338, 0.   08235294371843338, 0.529411792755127, 0.9843137264251709, 0.5333333611488342, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.08627451211214066, 0.   929411768913269, 0.9254902005195618, 0.5686274766921997, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   7019608020782471, 0.9058823585510254, 0.21568627655506134, 0.250980406999588, 0.   16862745583057404, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.   3333333432674408, 0.9882352948188782, 0.3960784375667572, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.08627451211214066, 0.9882352948188782, 0.9215686321258545, 0.9921568632125854, 0.   9372549057006836, 0.06666667014360428, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0,    0.3333333432674408, 0.9921568632125854, 0.3294117748737335, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.6627451181411743, 0.9921568632125854, 0.9019607901573181, 0.4156862795352936, 0.   03529411926865578, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.3333333432674408,    0.9882352948188782, 0.3294117748737335, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   6627451181411743, 0.9882352948188782, 0.5137255191802979, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]   , [0.0, 0.0, 0.0, 0.0, 0.0, 0.3333333432674408, 0.9882352948188782, 0.5568627715110779, 0.   01568627543747425, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.04313725605607033, 0.8274509906768799, 0.   9882352948188782, 0.45098039507865906, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0,    0.0, 0.0, 0.10980392247438431, 0.9372549057006836, 0.9882352948188782, 0.5411764979362488, 0.   250980406999588, 0.16862745583057404, 0.0, 0.0, 0.0, 0.0, 0.0, 0.08627451211214066, 0.   9882352948188782, 0.9882352948188782, 0.8274509906768799, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]   , [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.21960784494876862, 0.9882352948188782, 0.9882352948188782, 0.   9921568632125854, 0.9372549057006836, 0.8274509906768799, 0.8274509906768799, 0.   8274509906768799, 0.1764705926179886, 0.0, 0.08627451211214066, 0.9882352948188782, 0.   9882352948188782, 0.8274509906768799, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.3490196168422699, 0.41960784792900085, 0.7254902124404907, 0.   45098039507865906, 0.4156862795352936, 0.07058823853731155, 0.0, 0.0, 0.08627451211214066, 0.   9921568632125854, 0.9921568632125854, 0.8313725590705872, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]   , [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   08627451211214066, 0.9882352948188782, 0.9882352948188782, 0.9529411792755127, 0.   1882352977991104, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.007843137718737125, 0.686274528503418, 0.   9882352948188782, 0.9921568632125854, 0.2823529541492462, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   6627451181411743, 0.9882352948188782, 0.9921568632125854, 0.658823549747467, 0.0, 0.0, 0.0, 0.0,    0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,    0.0, 0.4941176474094391, 0.9882352948188782, 0.9921568632125854, 0.7960784435272217, 0.   03529411926865578, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,    0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.10588235408067703, 0.8980392217636108, 1.0, 0.   9921568632125854, 0.08235294371843338, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0,    0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.5137255191802979, 0.   9921568632125854, 0.9882352948188782, 0.08235294371843338, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0,    0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   3803921639919281, 0.9921568632125854, 0.9882352948188782, 0.29019609093666077, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.7176470756530762, 0.9882352948188782, 0.5960784554481506, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.16470588743686676, 0.886274516582489, 0.38823530077934265, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.   0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]]]]
    }
  ]
}'

표배포 모델 테스트 호출 방식

메서드	요청 URL
POST	`{엔드포인트 주소}/v2/models/model/infer`

표테스트 코드 Path Parameters

파라미터	설명
{엔드포인트 주소}	엔드포인트 정보의 엔드포인트
{API Key}	엔드포인트 정보의 API Key

정상적으로 실행된다면 아래와 같이 응답을 확인할 수 있습니다.

코드예제성공 응답

Shell

{"model_name":"model","model_version":"1","outputs":[{"name":"output__0","datatype":"FP32","shape":[1,10],"data":[-7.412685394287109,-11.19141674041748,-2.4548983573913576,-4.434718132019043,-5.006168365478516,-5.374503135681152,-11.610991477966309,0.5824547410011292,-4.415952205657959,3.276334524154663]}]}%

kakaoIdocumentation

Kakao i Machine Learning::튜토리얼::PyTorch로 학습하기::CLI

페이지 이동경로

Pytorch로 CLI 학습하기

Step 1. Kakao i Machine Learning 로그인하기

로그인하기

Step 2. 워크스페이스 생성하기

Step 3. 명령어를 실행할 워크스페이스 지정하기

Step 4. 스토리지에 데이터 업로드하기

Step 5. 데이터세트 만들기

Step 6. 학습 실행하기

학습 코드 준비하기

실험 생성하기

실행 생성하기

실행 로그 조회하기

실험 결과 확인하기

Step 7. 모델 등록하기

Step 8. 엔드포인트 생성하기

Step 9. 배포 생성하기

Step 10. 배포된 모델 테스트하기