aiauto-client 0.1.10__py3-none-any.whl → 0.1.12__py3-none-any.whl

aiauto/http_client.py

@@ -35,10 +35,19 @@ class ConnectRPCClient:
         except requests.exceptions.HTTPError as e:
             # Connect RPC error format
             if e.response and e.response.headers.get('content-type', '').startswith('application/json'):
-                error_data = e.response.json()
-                error_msg = error_data.get('message', str(e))
-                raise RuntimeError(f"RPC error: {error_msg}") from e
-            raise RuntimeError(f"HTTP error: {e}") from e
+                try:
+                    error_data = e.response.json()
+                    # Connect RPC returns error in 'message' field
+                    error_msg = error_data.get('message', '')
+                    if error_msg:
+                        raise RuntimeError(f"Server error: {error_msg}") from e
+                    # Fallback to full error data if no message
+                    raise RuntimeError(f"Server error: {error_data}") from e
+                except ValueError:
+                    # JSON decode failed
+                    pass
+            # Fallback to basic HTTP error
+            raise RuntimeError(f"HTTP {e.response.status_code} error: {e.response.text if e.response else str(e)}") from e
         except requests.exceptions.RequestException as e:
             raise RuntimeError(f"Request failed: {e}") from e
 

{aiauto_client-0.1.10.dist-info → aiauto_client-0.1.12.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: aiauto-client
-Version: 0.1.10
+Version: 0.1.12
 Summary: AI Auto HPO (Hyperparameter Optimization) Client Library
 Author-email: AIAuto Team <ainode@zeroone.ai>
 Project-URL: Homepage, https://dashboard.common.aiauto.pangyo.ainode.ai
@@ -68,23 +68,25 @@ for image in aiauto.RUNTIME_IMAGES:
 
 ## 실행 흐름
 ### token 발급 # TODO
-- `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
-- `https://dashboard.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
+- `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
 - 아래 코드 처럼 발급한 token 을 넣어 AIAutoController singleton 객체를 초기화, OptunaWorkspace 를 활성화 시킨다
 ```python
 import aiauto
+import time
 
 ac = aiauto.AIAutoController('<token>')
 ```
-- `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
-- 아래 코드 처럼 study 를 생성하면 `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+- 아래 코드 처럼 study 를 생성하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
 ```python
 study_wrapper = ac.create_study(
     study_name='test',
     direction='maximize',  # or 'minimize'
 )
+time.sleep(5)
 ```
-- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
+- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
 ```python
 study_wrapper.optimize(
     objective=func_with_parameter_trial,
@@ -93,6 +95,7 @@ study_wrapper.optimize(
     use_gpu=False,
     runtime_image=aiauto.RUNTIME_IMAGES[0],
 )
+time.sleep(5)
 ```
 - 종료 됐는지 optuna-dashboard 가 아닌 코드로 확인하는 법
 ```python
@@ -132,11 +135,14 @@ def objective(trial: optuna.trial.Trial):
 - 저장한 함수를 import해서 사용
 ```python
 import aiauto
+import time
 from my_objective import objective
 
 ac = aiauto.AIAutoController('<token>')
 study = ac.create_study('test', 'minimize')
+time.sleep(5)
 study.optimize(objective, n_trials=10, parallelism=2)
+time.sleep(5)
 ```
 
 ## 빠른 시작
@@ -146,12 +152,13 @@ study.optimize(objective, n_trials=10, parallelism=2)
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -159,7 +166,8 @@ study_wrapper = ac.create_study(
     direction="minimize"
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 def objective(trial: optuna.trial.Trial):
@@ -174,7 +182,8 @@ study_wrapper.optimize(
     n_trials=100,
     parallelism=4  # 동시 실행 Pod 수
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 ### 2. PyTorch 모델 최적화 (Single Objective)
@@ -182,12 +191,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -199,7 +209,8 @@ study_wrapper = ac.create_study(
         patience=4,
     ),
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -306,6 +317,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 3. Multi-Objective 최적화 (Accuracy + FLOPS)
@@ -313,12 +325,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -326,7 +339,8 @@ study_wrapper = ac.create_study(
     direction=["minimize", "minimize"],  # loss minimize, FLOPS minimize
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -434,6 +448,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision', 'fvcore']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 4. Ask/Tell 패턴 및 Optuna 자체의 Study
@@ -441,11 +456,12 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
 
 # Study 생성
 study_wrapper = ac.create_study(
@@ -457,7 +473,8 @@ study_wrapper = ac.create_study(
     #     patience=4,
     # )
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # 실제 optuna.Study 객체 획득 (로컬에서 ask/tell 가능)
 study = study_wrapper.get_study()
@@ -474,7 +491,7 @@ ret = (x - 2) ** 2 + (y - 3) ** 2
 
 # 결과 보고
 study.tell(trial, ret)
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 # lib build
@@ -495,11 +512,11 @@ make build push
     2) `StudyWrapper.get_study()` → 실제 `optuna.Study` 로드 후 **ask/tell** 직접 사용
 
 ### 2) 네트워크/도메인 규칙 (필수)
-- **Connect RPC (HTTPS/443)**: `https://api.aiauto.pangyo.ainode.ai`
+- **Connect RPC (HTTPS/443)**: `https://api.common.aiauto.pangyo.ainode.ai`
 - **Optuna Storage (gRPC, 평문 h2c/13000)**:  
   `{userID}.journal-grpc-storage-proxy.aiauto.pangyo.ainode.ai:13000`  
   → **항상 평문(h2c)**. 443/TLS 시도 **금지**.
-- 대시보드(웹): `https://dashboard.aiauto.pangyo.ainode.ai`
+- 대시보드(웹): `https://dashboard.common.aiauto.pangyo.ainode.ai`
 
 ### 3) 호출 순서 (결정 트리)
 1) 컨트롤러 생성: `AIAutoController(token)` → 토큰 검증 & 워크스페이스/엔드포인트 획득
@@ -521,10 +538,11 @@ make build push
 
 #### (A) 분산 실행
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study('exp1', direction='minimize')
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -537,14 +555,16 @@ n_trials=64,
 parallelism=8,
 requirements_list=['numpy'],
 )
+time.sleep(5)
 ```
 
 #### (B) ask/tell (실제 optuna.Study 사용)
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 sw = controller.create_study('manual', direction='minimize')
+time.sleep(5)
 
 real = sw.get_study()           # 실제 optuna.Study 로드 (gRPC: h2c 13000)
 t = real.ask()
@@ -554,7 +574,7 @@ real.tell(t, (x - 2) ** 2)
 
 ### 6) 에러 응답 템플릿(자동 응답 가이드)
 - 초기화/토큰 문제 감지:
-    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.aiauto.pangyo.ainode.ai”
+    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.common.aiauto.pangyo.ainode.ai”
 - `get_study()` 연결 실패(스토리지 준비 전):
     - “Workspace/Storage가 아직 준비 중일 수 있어요. 잠시 후 다시 시도하거나 대시보드에서 상태를 확인해 주세요.”
 
@@ -576,7 +596,7 @@ real.tell(t, (x - 2) ** 2)
 
 #### 예시: Sampler/Pruner 그대로 사용
 ```python
-import optuna, aiauto
+import optuna, aiauto, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study(
@@ -585,6 +605,7 @@ direction='minimize',
 sampler=optuna.samplers.TPESampler(seed=42),
 pruner=optuna.pruners.MedianPruner(n_startup_trials=5),
 )
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -592,6 +613,7 @@ lr = trial.suggest_float('lr', 1e-5, 1e-1, log=True)
 return (np.log10(lr) + 2) ** 2
 
 study.optimize(objective, n_trials=50, parallelism=4)
+time.sleep(5)
 ```
 
 #### 예시: get_study() 후 Optuna API 그대로 사용

{aiauto_client-0.1.10.dist-info → aiauto_client-0.1.12.dist-info}/RECORD

@@ -2,9 +2,9 @@ aiauto/__init__.py,sha256=sF7sJaXg7-MqolSYLxsaXAir1dBzARhXLrHo7zLsupg,345
 aiauto/_config.py,sha256=hTFh2bH9m-HuX6QCpNtBC0j6rEB0S97hhPKjbEjv4Tg,89
 aiauto/constants.py,sha256=rBibGOQHHrdkwaai92-3I8-N0cu-B4CoCoQbG9-Cl8k,821
 aiauto/core.py,sha256=eEwit5oL8DIfglOVe2km_7MAtuZquEd5Xvkbq6EaW9o,9945
-aiauto/http_client.py,sha256=gVDlgnqjC6FcAbZ4rsjzZHfkusotixOShDCdWBdd-sk,2100
+aiauto/http_client.py,sha256=v_nPdb-2tIeH1XrOYqzMGvFfXLKEDbQoSaQYPsB0Hik,2587
 aiauto/serializer.py,sha256=KqQeH0xp4LQuZE6r8kzXQsWY6QgC3hqn8MSuWTt4QmU,1938
-aiauto_client-0.1.10.dist-info/METADATA,sha256=UQAtHz3UFAgqSYIIC3eusxBjRtmnaDuNLSyfQavj2BI,24554
-aiauto_client-0.1.10.dist-info/WHEEL,sha256=iAkIy5fosb7FzIOwONchHf19Qu7_1wCWyFNR5gu9nU0,91
-aiauto_client-0.1.10.dist-info/top_level.txt,sha256=Sk2ctO9_Bf_tAPwq1x6Vfl6OuL29XzwMTO4F_KG6oJE,7
-aiauto_client-0.1.10.dist-info/RECORD,,
+aiauto_client-0.1.12.dist-info/METADATA,sha256=img5CiPg0rAxfcRFZYWp_X65RQVJ5upSAaXXYZdsPa0,25022
+aiauto_client-0.1.12.dist-info/WHEEL,sha256=iAkIy5fosb7FzIOwONchHf19Qu7_1wCWyFNR5gu9nU0,91
+aiauto_client-0.1.12.dist-info/top_level.txt,sha256=Sk2ctO9_Bf_tAPwq1x6Vfl6OuL29XzwMTO4F_KG6oJE,7
+aiauto_client-0.1.12.dist-info/RECORD,,