• 그래프 형식으로 그린 신경망을 파이썬 코드로 변환시키는 모듈.

• Optimizer 종류 추가

• Rescaling, Reshape 레이어 추가
• 모델 학습코드 파일 별도 생성하도록 수정

• Train을 Python 서버에서 실행.
  • CodeConverter으로 학습 요청이 들어오면 파이썬코드로 만들어진 모델을 save
  • save된 모델을 압축한 후 Python 서버로 Model config을 Body에 실어 Post요청
  • Python server 는 Codeconverter 서버에 압축된 모델을 받아온다.
  • Python server에서 압축된 모델을 압축 해제 후 load_model
  • body에 딸려온 Config에서 데이터셋 정보를 갖고 데이터 가공 후 학습.
• 데이터셋 정보를 Config에 탑재 (임시)

• Math 모듈 추가

• Python server 사이에 Message queue 추가
  • 각 Trainer (Worker) 마다 하나의 학습 요청만 처리하도록 설정
  • flask 프레임워크가 필요없어졌기 때문에 삭제

• 한 노드에 여러 입출력 처리 추가
  • 레이어 변수명 먼저 모두 선언 후 Input 레이어부터 BFS로 순회하며 각 레이어 연걸.

• Math 모듈 추가
  • add, subtract, log 추가

• 생성된 코드에 주석 추가
  • 추후 레이어에 대한 설명으로 변경 예정

• Dense
  • units - integer
• Conv2D
  • filters - integer
  • kernel_size - tuple (n, n)
  • strides - tuple (n, n)
  • padding - string (drop다운으로 선택하면 될듯)
• AveragePooling2D
  • pool_size - tuple (n, n)
  • strides - tuple (n, n)
  • padding - string
• MaxPool2D
  • pool_size - tuple (n, n)
  • strides - tuple (n, n)
  • padding -string
• Activation
  • activation - string
• Input
  • shape - tuple
• Dropout
  • rate - float 0 ~ 1
• BatchNormalization
  • axis - integer
  • momentum - float
  • epsilon - float
• Flatten
• Rescaling
  • scale - float
  • offset - float : default - 0.0
• Reshape
  • target_shape - integer tuple

• Abs
  • 텐서의 원소를 모두 절댓값으로 변환
• Ceil
  • 텐서의 원소를 올림
• Floor
  • 텐서의 원소를 내림
• Round
  • 텐서의 원소를 반올림
• Sqrt
  • 텐서의 원소를 Squre root
• Add
  • 두 텐서를 각 원소끼리 더함
  • 반드시 두 개의 레이어가 Add 레이어로 들어가야함
• Subtract
  • 두 텐서를 각 원소끼리 뺌
  • 반드시 두 개의 레이어가 Subtract 레이어로 들어가야함
• Log
  • 텐서의 원소에 Log

• Adadelta
  • learning_rate - float
  • weight_decay - float
  • epsilon - float
• Adagrad
  • learning_rate - float
  • initial_accumulator_value - float
  • epsilon - float
• Adam
  • learning_rate - float
  • beta_1 - float
  • beta_2 - float
  • epsilon - float
  • amsgrad - boolean : default - false
• Adamax
  • learning_rate - float
  • beta_1 - float
  • beta_2 - float
  • epsilon - float
• Nadam
  • learning_rate - float
  • beta_1 - float
  • beta_2 - float
  • epsilon - float
• RMSprop
  • learning_rate - float
  • decay - float
  • momentum - float
  • epsilon - float
  • centered - boolean : default - false
• SGD
  • learning_rate - float
  • momentum - float
  • nesterov - boolean : default - false
• AdamW
  • weight_decay - float
  • learning_rate - float
  • beta_1 - float
  • beta_2 - float
  • epsilon - float
  • amsgrad - boolean : default - false
• SGDW
  • weight_decay - float
  • learning_rate - float
  • momentum - float
  • nesterov - boolean : default - false

• 클라이언트로 부터 받은 신경망 정보 JSON 파일

{
  "config": {
    "optimizer_name": "Adam",
    "optimizer_config": {
      "learning_rate": 0.001,
      "beta_1": 0.9,
      "beta_2": 0.999,
      "epsilon": 1e-07,
      "amsgrad": false
    },
    "loss": "binary_crossentropy",
    "metrics": [
      "accuracy"
    ],
    "batch_size": 32,
    "epochs": 10,
    "early_stop": {
      "usage": true,
      "monitor": "loss",
      "patience": 2
    },
    "learning_rate_reduction": {
      "usage": true,
      "monitor": "val_accuracy",
      "patience": 2,
      "factor": 0.25,
      "min_lr": 0.0000003
    }
  },
  "data_set": {
    "train_uri": "https://dataset",
    "valid_uri": "",
    "shuffle": false,
    "label": "blue_win",
    "normalization": {
      "usage": true,
      "method": "MinMax"
    }
  },
  "content": {
    "output": "Activation_2",
    "input": "Input_1",
    "layers": [
      {
        "category": "Layer",
        "type": "Input",
        "name": "Input_1",
        "input": null,
        "output": [
          "Dense_1"
        ],
        "param": {
          "shape": [
            1,
            58
          ]
        }
      },
      {
        "category": "Layer",
        "type": "Dense",
        "name": "Dense_1",
        "input": [
          "Input_1"
        ],
        "output": [
          "Activation_1"
        ],
        "param": {
          "units": 256
        }
      },
      {
        "category": "Layer",
        "type": "Activation",
        "name": "Activation_1",
        "input": [
          "Dense_1"
        ],
        "output": [
          "Dense_2"
        ],
        "param": {
          "activation": "relu"
        }
      },
      {
        "category": "Layer",
        "type": "Dense",
        "name": "Dense_2",
        "input": [
          "Activation_1"
        ],
        "output": [
          "Activation_2"
        ],
        "param": {
          "units": 1
        }
      },
      {
        "category": "Layer",
        "type": "Activation",
        "name": "Activation_2",
        "input": [
          "Dense_2"
        ],
        "output": null,
        "param": {
          "activation": "sigmoid"
        }
      }
    ]
  }
}

• /make-python - model.py

import tensorflow as tf

import tensorflow_addons as tfa

Input_1 = tf.keras.layers.Input(shape=(1, 58))
Dense_1 = tf.keras.layers.Dense(units=256)
Activation_1 = tf.keras.layers.Activation(activation="relu")
Dense_2 = tf.keras.layers.Dense(units=1)
Activation_2 = tf.keras.layers.Activation(activation="sigmoid")

Dense_1 = Dense_1(Input_1)
Activation_1 = Activation_1(Dense_1)
Dense_2 = Dense_2(Activation_1)
Activation_2 = Activation_2(Dense_2)
model = tf.keras.Model(inputs=Input_1, outputs=Activation_2)

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-07, amsgrad=False), loss="binary_crossentropy", metrics=["accuracy"])

Requestbody로 넘어오는 레이어의 순서와 실제 순서가 다를 수 있기 때문에 서버에서 한 번 정렬해 준 후 코드로 변환된다.