잘되는 머신러닝 팀엔 이유가 있다

136

Part 2

엔지니어링

하를 재현했습니다

(표

3

-

1

)

. 두 경우 모두 파이썬

3

.

10

.

6

을 사용했습니다. 그러나 성능 분석

을 보면 주로 디스크에서 데이터를 읽는 때에 성능 저하가 발생했습니다. 데이터 처리 및 모

델 훈련 코드는 동일하거나 더 나은 성능을 보였습니다.

표

3-1

이 장에서 실행할 모델의 훈련 실행 시간을 벤치마킹한 결과

실행할 코드

10

회 실행 평균 시간 (초)

호스트에서의 실행 시간 컨테이너에서의 실행 시간

pd

.

read

_

csv

(…)

(

100

,

000

개의 데이터 행 로드)

0

.

6 1

.

75

(호스트보다 느림)

preprocess

_

data

(…)

1

.

1 1

.

1

fit

_

model

(…)

15

.

4 14

.

6

(호스트보다 빠름)

evaluate

_

model

(…)

0

.

4 0

.

4

17

.

5 17

.

85

최적화하기 전에 항상 측정하세요. 한 조건이 다른 조건보다 나쁠 것이라고 가정하지 말고

두 조건에서 성능을 측정하세요. 그렇지 않다면 어떤 이익을 얻었는지 알지 못한 채 컨테이

너의 사용 여부를 저울질하게 될 수 있습니다.

복잡한 상황: 다른

CPU

칩과 명령어 집합

한 번 빌드하고 어디서나 배포

라는 개념은 도커의

큰 장점입니다. 하지만 인텔 칩을 사용하는 맥과

M1

/

M2

14

의 칩을 사용하는 맥처럼 다른 칩

을 사용하는 팀원들과 협업해 본 사람이라면 항상 그렇지는 않다는 것을 ...