aiauto-client 0.1.6__tar.gz → 0.1.7__tar.gz

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: aiauto-client
-Version: 0.1.6
+Version: 0.1.7
 Summary: AI Auto HPO (Hyperparameter Optimization) Client Library
 Author-email: AIAuto Team <ainode@zeroone.ai>
 Project-URL: Homepage, https://dashboard.aiauto.pangyo.ainode.ai
@@ -50,8 +50,8 @@ AIAuto는 Kubernetes 기반의 분산 HPO(Hyperparameter Optimization) 시스템
 - `parallelism` (int): 동시 실행 Pod 수 (기본값: 2)
 - `requirements_file` (str): requirements.txt 파일 경로 (requirements_list와 상호 배타적)
 - `requirements_list` (List[str]): 패키지 리스트 (requirements_file과 상호 배타적)
-- `resources_requests` (Dict[str, str]): K8s 리소스 요청 (기본값: {"cpu": "256m", "memory": "256Mi"})
-- `resources_limits` (Dict[str, str]): K8s 리소스 제한 (기본값: {"cpu": "256m", "memory": "256Mi"})
+- `resources_requests` (Dict[str, str]): 리소스 요청 (기본값: {"cpu": "256m", "memory": "256Mi"})
+- `resources_limits` (Dict[str, str]): 리소스 제한 (기본값: {"cpu": "256m", "memory": "256Mi"})
 - `runtime_image` (str): 커스텀 런타임 이미지 (None이면 자동 선택)
 - `use_gpu` (bool): GPU 사용 여부 (기본값: False)
 
@@ -95,6 +95,39 @@ study_wrapper.optimize(
 )
 ```
 
+## Jupyter Notebook 사용 시 주의사항
+
+Jupyter Notebook이나 Python REPL에서 정의한 함수는 Serialize 할 수 없습니다
+대신 `%%writefile` magic 울 사용하여 파일로 저장한 후 import 하세요.
+
+### Jupyter에서 objective 함수 작성 방법
+- objective 함수를 파일로 저장
+```python
+%%writefile my_objective.py
+import aiauto
+import optuna
+
+def objective(trial: optuna.trial.Trial):
+    """
+    이 함수는 외부 서버에서 실행됩니다.
+    모든 import는 함수 내부에 작성하세요.
+    """
+    import torch  # 함수 내부에서 import
+    
+    x = trial.suggest_float('x', -10, 10)
+    y = trial.suggest_float('y', -10, 10)
+    return (x - 2) ** 2 + (y - 3) ** 2
+```
+- 저장한 함수를 import해서 사용
+```python
+import aiauto
+from my_objective import objective
+
+ac = aiauto.AIAutoController('<token>')
+study = ac.create_study('test', 'minimize')
+study.optimize(objective, n_trials=10, parallelism=2)
+```
+
 ## 빠른 시작
 
 ### 1. 간단한 예제 (수학 함수 최적화)

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/README.md

@@ -23,8 +23,8 @@ AIAuto는 Kubernetes 기반의 분산 HPO(Hyperparameter Optimization) 시스템
 - `parallelism` (int): 동시 실행 Pod 수 (기본값: 2)
 - `requirements_file` (str): requirements.txt 파일 경로 (requirements_list와 상호 배타적)
 - `requirements_list` (List[str]): 패키지 리스트 (requirements_file과 상호 배타적)
-- `resources_requests` (Dict[str, str]): K8s 리소스 요청 (기본값: {"cpu": "256m", "memory": "256Mi"})
-- `resources_limits` (Dict[str, str]): K8s 리소스 제한 (기본값: {"cpu": "256m", "memory": "256Mi"})
+- `resources_requests` (Dict[str, str]): 리소스 요청 (기본값: {"cpu": "256m", "memory": "256Mi"})
+- `resources_limits` (Dict[str, str]): 리소스 제한 (기본값: {"cpu": "256m", "memory": "256Mi"})
 - `runtime_image` (str): 커스텀 런타임 이미지 (None이면 자동 선택)
 - `use_gpu` (bool): GPU 사용 여부 (기본값: False)
 
@@ -68,6 +68,39 @@ study_wrapper.optimize(
 )
 ```
 
+## Jupyter Notebook 사용 시 주의사항
+
+Jupyter Notebook이나 Python REPL에서 정의한 함수는 Serialize 할 수 없습니다
+대신 `%%writefile` magic 울 사용하여 파일로 저장한 후 import 하세요.
+
+### Jupyter에서 objective 함수 작성 방법
+- objective 함수를 파일로 저장
+```python
+%%writefile my_objective.py
+import aiauto
+import optuna
+
+def objective(trial: optuna.trial.Trial):
+    """
+    이 함수는 외부 서버에서 실행됩니다.
+    모든 import는 함수 내부에 작성하세요.
+    """
+    import torch  # 함수 내부에서 import
+    
+    x = trial.suggest_float('x', -10, 10)
+    y = trial.suggest_float('y', -10, 10)
+    return (x - 2) ** 2 + (y - 3) ** 2
+```
+- 저장한 함수를 import해서 사용
+```python
+import aiauto
+from my_objective import objective
+
+ac = aiauto.AIAutoController('<token>')
+study = ac.create_study('test', 'minimize')
+study.optimize(objective, n_trials=10, parallelism=2)
+```
+
 ## 빠른 시작
 
 ### 1. 간단한 예제 (수학 함수 최적화)

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/examples/example_torch_multiple_objective.py

@@ -5,7 +5,7 @@
 
 주의사항:
   - torch는 로컬에 설치하지 마세요
-  - objective 함수 내부의 모든 import 와 코드는 k8s 클러스터 서버의 Pod에서 실행됨
+  - objective 함수 내부의 모든 import 와 코드는 외부 서버에서 실행됨
   - Mac ARM 환경에서도 문제없이 실행 가능
 
 실행:
@@ -32,11 +32,11 @@ def objective_multi(trial: optuna.trial.Trial):
     다중 목적 함수: accuracy 최대화 + FLOPS 최소화
     hyper parameter tuning을 할 때는 데이터의 일부만 사용하여 빠르게 HPO를 한다
 
-    이 함수는 K8s 클러스터의 GPU Pod에서 실행됩니다.
+    이 함수는 외부 서버의 GPU 인스턴스에서 실행됩니다.
     모든 import 와 클래스 정의는 objective 함수 내부에 있어야 합니다.
     이 안에서 import 하는 lib 들은 optimize 를 호출할 때 requirements list 로 넘겨야 합니다
     """
-    # ====================== 클러스터에서만 실행되는 코드 시작 =========================
+    # ====================== 외부 서버에서만 실행되는 코드 시작 =========================
     from os.path import join
     from typing import List
 
@@ -240,14 +240,14 @@ def objective_multi(trial: optuna.trial.Trial):
 
     # objective 함수 리턴
     return accuracy, flops
-    # ====================== 클러스터에서만 실행되는 코드 끝 ===========================
+    # ====================== 외부 서버에서만 실행되는 코드 끝 ===========================
 
 
 def objective_detailed(trial):
     """
     best trial의 세팅으로 전체 데이터를 학습한다
     """
-    # ====================== 클러스터에서만 실행되는 코드 시작 =========================
+    # ====================== 외부 서버에서만 실행되는 코드 시작 =========================
     from typing import List
 
     import torch
@@ -420,7 +420,7 @@ def objective_detailed(trial):
     flops = FlopCountAnalysis(model, (dummy_input,)).total()
 
     return accuracy, flops
-    # ====================== 클러스터에서만 실행되는 코드 끝 ===========================
+    # ====================== 외부 서버에서만 실행되는 코드 끝 ===========================
 
 
 if __name__ == '__main__':
@@ -439,7 +439,7 @@ if __name__ == '__main__':
         parallelism=4,  # n_jobs 대신 parallelism 사용
         use_gpu=True,  # GPU 사용
         # runtime_image = "pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime",  # default image for use_gpu True
-        # requirements.txt 대신 리스트로 전달 (클러스터에서 설치)
+        # requirements.txt 대신 리스트로 전달 (외부 서버에서 설치)
         requirements_list=[
             'torch',
             'torchvision',

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/examples/example_torch_single_objective.py

@@ -5,7 +5,7 @@
 
 주의사항:
   - torch는 로컬에 설치하지 마세요
-  - objective 함수 내부의 모든 import 와 코드는 k8s 클러스터 서버의 Pod에서 실행됨
+  - objective 함수 내부의 모든 import 와 코드는 외부 서버에서 실행됨
   - Mac ARM 환경에서도 문제없이 실행 가능
 
 실행:
@@ -32,11 +32,11 @@ def objective_single(trial: optuna.trial.Trial):
     단일 목적 함수: accuracy 최대화
     hyper parameter tuning 할 때는 데이터의 일부만 사용하여 빠르게 HPO를 한다
 
-    이 함수는 K8s 클러스터의 GPU Pod에서 실행됩니다.
+    이 함수는 외부 서버의 GPU 인스턴스에서 실행됩니다.
     모든 import 와 클래스 정의는 objective 함수 내부에 있어야 합니다.
     이 안에서 import 하는 lib 들은 optimize 를 호출할 때 requirements list 로 넘겨야 합니다
     """
-    # ====================== 클러스터에서만 실행되는 코드 시작 =========================
+    # ====================== 외부 서버에서만 실행되는 코드 시작 =========================
     from os.path import join
     from typing import List
 
@@ -243,14 +243,14 @@ def objective_single(trial: optuna.trial.Trial):
 
     # objective 함수 리턴
     return accuracy
-    # ====================== 클러스터에서만 실행되는 코드 끝 ===========================
+    # ====================== 외부 서버에서만 실행되는 코드 끝 ===========================
 
 
 def objective_detailed(trial):
     """
     best trial의 세팅으로 전체 데이터를 학습한다
     """
-    # ====================== 클러스터에서만 실행되는 코드 시작 =========================
+    # ====================== 외부 서버에서만 실행되는 코드 시작 =========================
     from typing import List
 
     import torch
@@ -424,7 +424,7 @@ def objective_detailed(trial):
     tc.log(f'accuracy for test: {accuracy:.4f}')
 
     return accuracy
-    # ====================== 클러스터에서만 실행되는 코드 끝 ===========================
+    # ====================== 외부 서버에서만 실행되는 코드 끝 ===========================
 
 
 if __name__ == '__main__':

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/examples/simple_example.py

@@ -4,7 +4,7 @@
   # ac = aiauto.AIAutoController('<token>')
 
 주의사항:
-  - objective 함수 내부의 모든 import 와 코드는 k8s 클러스터 서버의 Pod에서 실행됨
+  - objective 함수 내부의 모든 import 와 코드는 외부 서버에서 실행됨
   - Mac ARM 환경에서도 문제없이 실행 가능
 
 실행:
@@ -31,11 +31,11 @@ def simple_objective(trial: optuna.trial.Trial):
     간단한 2차 함수 최적화
     (x - 2)^2 + (y - 3)^2 를 최소화
 
-    이 함수는 K8s 클러스터의 Pod에서 실행됩니다.
+    이 함수는 외부서버에서 실행됩니다.
     모든 import 와 클래스 정의는 objective 함수 내부에 있어야 합니다.
     이 안에서 import 하는 lib 들은 optimize 를 호출할 때 requirements list 로 넘겨야 합니다
     """
-    # ====================== 클러스터에서만 실행되는 코드 시작 =========================
+    # ====================== 외부 서버에서만 실행되는 코드 시작 =========================
     # objective 함수의 매개변수로 받아온 optuna 자체의 trial 을 aiauto 에서 사용하는 TrialController 로 Warpping Log 찍는 용도
     # log 는 optuna dashboard 에서 확인 가능
     # 하나의 trial objective 함수 안에서만 사용하는 trial 객체
@@ -52,7 +52,7 @@ def simple_objective(trial: optuna.trial.Trial):
     tc.log(f'Objective value: {value:.4f}')
 
     return value
-    # ====================== 클러스터에서만 실행되는 코드 끝 ===========================
+    # ====================== 외부 서버에서만 실행되는 코드 끝 ===========================
 
 
 if __name__ == '__main__':

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "setuptools.build_meta"
 
 [project]
 name = "aiauto-client"
-version = "0.1.6"
+version = "0.1.7"
 description = "AI Auto HPO (Hyperparameter Optimization) Client Library"
 readme = "README.md"
 requires-python = ">=3.8"

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/src/aiauto/serializer.py

@@ -6,14 +6,24 @@ from typing import Callable, Union, List, Optional
 def serialize(objective: Callable) -> str:
     try:
         return inspect.getsource(objective)
-    except Exception as e:
-        raise ValueError("objective는 모듈 최상위 def만 허용합니다(데코레이터/로컬/람다 불가)") from e
+    except (OSError, TypeError) as e:
+        raise ValueError(
+            "Serialize 실패 objective 함수는 파일로 저장되어야 합니다\n"
+            "REPL/Jupyter Notebook에서는 %%writefile magic을 사용해서 local 에 file 로 저장하세요\n\n"
+            "%%writefile objective.py\n"
+            "def objective(trial):\n"
+            "    # 함수 내용\n"
+            "    ...\n\n"
+            "그 다음:\n"
+            "from objective import objective\n"
+            "study.optimize(objective, ...)"
+        ) from e
 
 
 def build_requirements(file_path: Optional[str] = None, reqs: Optional[List[str]] = None) -> str:
     if file_path and reqs:
         raise ValueError("requirements_file과 requirements_list는 동시에 지정할 수 없습니다")
-    
+
     if file_path:
         with open(file_path, 'r') as f:
             return f.read()
@@ -26,20 +36,20 @@ def build_requirements(file_path: Optional[str] = None, reqs: Optional[List[str]
 def object_to_json(obj: Union[object, dict, None]) -> str:
     if obj is None:
         return ""
-    
+
     if isinstance(obj, dict):
         return json.dumps(obj)
-    
+
     cls = type(obj)
     module_name = cls.__module__
     class_name = cls.__name__
-    
+
     if not module_name.startswith('optuna.'):
         raise ValueError(f"optuna 코어 클래스만 지원합니다: {class_name}")
-    
+
     sig = inspect.signature(cls)
     kwargs = {}
-    
+
     for param_name, param in sig.parameters.items():
         if param_name == 'self':
             continue
@@ -47,9 +57,9 @@ def object_to_json(obj: Union[object, dict, None]) -> str:
             value = getattr(obj, param_name)
             if param.default != value:
                 kwargs[param_name] = value
-    
+
     return json.dumps({
         "module": module_name,
         "class": class_name,
         "kwargs": kwargs
-    })
+    })

{aiauto_client-0.1.6 → aiauto_client-0.1.7}/src/aiauto_client.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: aiauto-client
-Version: 0.1.6
+Version: 0.1.7
 Summary: AI Auto HPO (Hyperparameter Optimization) Client Library
 Author-email: AIAuto Team <ainode@zeroone.ai>
 Project-URL: Homepage, https://dashboard.aiauto.pangyo.ainode.ai
@@ -50,8 +50,8 @@ AIAuto는 Kubernetes 기반의 분산 HPO(Hyperparameter Optimization) 시스템
 - `parallelism` (int): 동시 실행 Pod 수 (기본값: 2)
 - `requirements_file` (str): requirements.txt 파일 경로 (requirements_list와 상호 배타적)
 - `requirements_list` (List[str]): 패키지 리스트 (requirements_file과 상호 배타적)
-- `resources_requests` (Dict[str, str]): K8s 리소스 요청 (기본값: {"cpu": "256m", "memory": "256Mi"})
-- `resources_limits` (Dict[str, str]): K8s 리소스 제한 (기본값: {"cpu": "256m", "memory": "256Mi"})
+- `resources_requests` (Dict[str, str]): 리소스 요청 (기본값: {"cpu": "256m", "memory": "256Mi"})
+- `resources_limits` (Dict[str, str]): 리소스 제한 (기본값: {"cpu": "256m", "memory": "256Mi"})
 - `runtime_image` (str): 커스텀 런타임 이미지 (None이면 자동 선택)
 - `use_gpu` (bool): GPU 사용 여부 (기본값: False)
 
@@ -95,6 +95,39 @@ study_wrapper.optimize(
 )
 ```
 
+## Jupyter Notebook 사용 시 주의사항
+
+Jupyter Notebook이나 Python REPL에서 정의한 함수는 Serialize 할 수 없습니다
+대신 `%%writefile` magic 울 사용하여 파일로 저장한 후 import 하세요.
+
+### Jupyter에서 objective 함수 작성 방법
+- objective 함수를 파일로 저장
+```python
+%%writefile my_objective.py
+import aiauto
+import optuna
+
+def objective(trial: optuna.trial.Trial):
+    """
+    이 함수는 외부 서버에서 실행됩니다.
+    모든 import는 함수 내부에 작성하세요.
+    """
+    import torch  # 함수 내부에서 import
+    
+    x = trial.suggest_float('x', -10, 10)
+    y = trial.suggest_float('y', -10, 10)
+    return (x - 2) ** 2 + (y - 3) ** 2
+```
+- 저장한 함수를 import해서 사용
+```python
+import aiauto
+from my_objective import objective
+
+ac = aiauto.AIAutoController('<token>')
+study = ac.create_study('test', 'minimize')
+study.optimize(objective, n_trials=10, parallelism=2)
+```
+
 ## 빠른 시작
 
 ### 1. 간단한 예제 (수학 함수 최적화)