deeptool

주피터 노트북에서 PyTorch 모델을 객체지향으로 다루기 위한 얇은 보조 라이브러리.

모델은 당신이 PyTorch로 직접 쓴다. deeptool은 그 주변만 담당한다.

uv add deeptool     # uv 프로젝트에
pip install deeptool

30초 예제

import torch
from torch import nn
from torch.nn import functional as F

import deeptool as dt


class SyntheticRegression(dt.DataModule):
    def __init__(self, n=200, batch_size=32):
        super().__init__()
        self.save_hyperparameters()
        torch.manual_seed(0)
        self.X = torch.randn(n, 2)
        self.y = self.X @ torch.tensor([[2.0], [-3.4]]) + 4.2

    def get_dataloader(self, train):
        idx = slice(0, 160) if train else slice(160, None)
        return self.get_tensorloader((self.X, self.y), train, idx)


class LinearRegression(dt.Module):
    def __init__(self, lr=0.03):
        super().__init__()
        self.save_hyperparameters()
        self.net = nn.LazyLinear(1)

다음 셀에서 메서드를 덧붙인다. 클래스를 다시 정의할 필요가 없다.

@dt.add_to_class(LinearRegression)
def loss(self, y_hat, y):
    return F.mse_loss(y_hat, y)


@dt.add_to_class(LinearRegression)
def configure_optimizers(self):
    return torch.optim.SGD(self.parameters(), lr=self.lr)

학습을 돌리면 손실 곡선이 셀 출력에 실시간으로 갱신된다.

trainer = dt.Trainer(max_epochs=20)
trainer.fit(LinearRegression(), SyntheticRegression())

담당하는 것

하이퍼파라미터 저장	save_hyperparameters() 가 __init__ 인자를 속성과 hparams 로
셀 간 메서드 추가	@add_to_class 로 클래스 재정의 없이
라이브 손실 곡선	학습 중 셀 안에서 제자리 갱신
실행 기록 · 대시보드	JSONL 영속화, 실행별 토글 비교, SSH 원격 보기
디바이스 자동 선택	cuda → mps → cpu
최적 가중치 · 조기 종료	val_loss 또는 custom monitor 스냅샷, patience
사후 평가	trainer.predict(data) 로 샘플별 예측 수집
체크포인트	저장 · 복원

담당하지 않는 것

모델 zoo, 데이터셋 번들, 분산 학습, 이미지 시각화, 로깅 백엔드 연동.

런타임 의존성은 torch, matplotlib, ipython 셋뿐이다. 이 목록은 늘리지 않는다.

어디서 시작할까

• 퀵스타트 — 선형회귀 전체 흐름
• 모델 — Module 과 add_to_class
• 데이터 — DataModule
• 학습기 — Trainer, 디바이스, history
• 실행 대시보드 — 라이브 실행 비교와 SSH tunnel
• 최적 가중치와 조기 종료 — restore_best, patience
• 사후 평가 — predict, Predictions
• API — 전체 레퍼런스

라이센스

MIT. 설계는 d2l-ai/d2l-en의 d2l/torch.py를 참고했다.