[python] 파이썬 PyTorch에서 모델의 학습 과정을 로깅하는 방법은?

22 Nov 2023

python

머신 러닝 모델을 학습할 때는 모델의 성능 및 진행 상황을 모니터링하고 로깅하는 것이 중요합니다. PyTorch에서는 다양한 방법을 사용하여 모델의 학습 과정을 로깅할 수 있습니다. 이번 포스트에서는 PyTorch에서 모델의 학습 과정을 로깅하는 방법을 알아보겠습니다.

1. 표준 출력을 이용한 로깅

가장 간단한 방법은 표준 출력을 이용하여 학습 과정을 로깅하는 것입니다. PyTorch의 학습 루프에서 학습 과정을 반복하며 중간 결과를 표준 출력으로 출력할 수 있습니다. 예를 들어, 각 에폭(epoch)마다 손실(loss)과 정확도(accuracy)를 출력하는 코드는 다음과 같습니다.

for epoch in range(num_epochs):
    # Training loop
    for batch in data_loader:
        # Forward pass
        # Backward pass
        # Update weights

    # Log training progress
    print(f"Epoch: {epoch+1}/{num_epochs}, Loss: {loss:.4f}, Accuracy: {accuracy:.2%}")

위 코드에서 loss와 accuracy는 각 에폭마다 계산된 손실과 정확도를 나타냅니다. 이를 표준 출력으로 출력하면 학습 과정을 실시간으로 모니터링할 수 있습니다.

2. 로깅 라이브러리 사용

더 다양한 기능을 제공하는 로깅 라이브러리를 사용하여 로깅할 수도 있습니다. 가장 많이 사용되는 로깅 라이브러리는 logging입니다. logging 라이브러리를 사용하면 로그 파일로 저장하거나 출력 형식을 지정하는 등 로깅에 관련된 다양한 설정을 할 수 있습니다.

아래는 logging 라이브러리를 사용하여 모델의 학습 과정을 로깅하는 예제입니다.

import logging

# Logging configuration
logging.basicConfig(level=logging.INFO, filename='training.log', filemode='w',
                    format='%(asctime)s %(levelname)s %(message)s')

for epoch in range(num_epochs):
    # Training loop
    for batch in data_loader:
        # Forward pass
        # Backward pass
        # Update weights

    # Log training progress
    logging.info(f"Epoch: {epoch+1}/{num_epochs}, Loss: {loss:.4f}, Accuracy: {accuracy:.2%}")

위 코드에서는 logging.basicConfig 함수를 사용하여 로그 파일의 이름 (filename)과 출력 형식 (format)을 설정하고 있습니다. 로그 파일로 저장하여 학습 과정을 쉽게 추적할 수 있습니다.

결론

PyTorch에서 모델의 학습 과정을 로깅하는 방법을 알아보았습니다. 표준 출력을 이용하거나 logging 라이브러리를 사용하는 등 다양한 방법으로 학습 과정을 모니터링하고 로깅할 수 있습니다. 로깅을 통해 모델의 학습 진행 상황을 파악하여 모델 개선과 디버깅에 도움을 받을 수 있습니다.

참고 자료

Python logging documentation