deeptool

CI PyPI

주피터 노트북에서 PyTorch 모델을 객체지향으로 다루기 위한 얇은 보조 라이브러리.

모델은 유저가 PyTorch로 직접 작성한다. 이 라이브러리는 그 주변만 담당한다 — 하이퍼파라미터 자동 저장, 셀 간 메서드 추가, 학습 중 손실 곡선 라이브 렌더링, 디바이스 자동 선택, 체크포인트.

설치

pip install deeptool

import deeptool as dt

이 저장소에서 직접 개발하려면:

uv sync

퀵스타트

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())

trainer.save_checkpoint("linreg.pt")

전체 예제는 examples/quickstart.ipynb 참고.

조기 종료와 최적 가중치

개선이 멈출 때까지 돌리고 가장 좋았던 가중치를 쓴다.

trainer = dt.Trainer(max_epochs=100, patience=5)
trainer.fit(model, data)

len(trainer.history["val_loss"])             # 24 — 100까지 안 감
trainer.best_epoch, trainer.best_val_loss    # (18, 0.2913)

trainer.restore_best()                       # 18 을 반환

fit() 은 가중치를 자동으로 되돌리지 않는다. restore_best() 를 부르기 전까지는 마지막 epoch 상태이므로 두 시점의 성능을 비교할 수 있다.

기본은 메모리 스냅샷이다. 파일로 남기려면:

dt.Trainer(max_epochs=100, patience=5, best_path="best.pt")

파일에는 모델 가중치만 들어간다. optimizer 상태는 restore_best() 가 읽지 않는데 Adam 기준 모델의 2배라 매 epoch 쓰면 낭비다. 최저점부터 학습을 재개할 계획이면 best_with_optim=True 로 전체 체크포인트를 남긴다.

인자 기본 의미
snapshot_best True 스냅샷을 만들 것인가
best_path None None 이면 메모리, 경로면 파일
best_with_optim False 파일에 optimizer 상태도 넣을 것인가
patience None 몇 epoch 개선이 없으면 멈출 것인가

학습 후 평가

p = trainer.predict(data)        # 검증셋 전체 추론

p.accuracy                       # 0.8837
p.preds                          # 샘플별 예측 클래스
p.confidence                     # 예측 확신도
p.correct                        # 맞췄는지 여부 (bool 텐서)

p = trainer.predict(data, keep_inputs=True)
p.inputs[~p.correct]             # 틀린 샘플의 입력 — 시각화에 쓴다

preds·probs·confidence·correct·accuracy 는 분류 전용이다. 회귀 모델이면 p.outputs 를 직접 쓴다.

API

이름 역할
dt.add_to_class(Class) 데코레이트한 함수를 Class 의 메서드로 등록
dt.HyperParameters save_hyperparameters() 로 __init__ 인자를 속성 + hparams 로 저장
dt.DataModule get_dataloader(train) 하나만 구현하면 되는 데이터 규약
dt.Module forward/loss/configure_optimizers 를 채우는 모델 규약
dt.Trainer fit(model, data), predict(data), restore_best(), save_checkpoint, load_checkpoint, history, best_epoch, best_val_loss
dt.predict 모델과 dataloader 를 받아 데이터셋 전체 예측을 모은다
dt.Predictions 예측 결과. preds·probs·confidence·correct·accuracy
dt.ProgressBoard 라이브 손실 곡선. Trainer(plot=True) 가 자동으로 만든다
dt.default_device() cuda → mps → cpu

개발

uv run pytest

라이센스

MIT. LICENSE 참고.

설계는 d2l-ai/d2l-en의 d2l/torch.py를 참고했다. 해당 샘플 코드는 modified MIT(LICENSE-SAMPLECODE)로 배포된다.

Project links

Data verified by PyPI on Aug 2, 2026
Data provided by the project maintainers, verified at the time the release was uploaded to PyPI.

Key dates

PyPI data
Data sourced directly from PyPI's database.
  • Released:
Newer release available (0.4.0)

1 maintainer

PyPI data
Data sourced directly from PyPI's database.
Avatar for sciencemj from gravatar.com sciencemj

Credits

Author: sciencemj

GitHub Statistics

Data verified by PyPI on Aug 2, 2026
The GitHub source repository was provided by the project maintainers and verified by PyPI at the time of upload. Stars, forks, and open issues/PRs are derived from that repository and have not been independently verified.

License expression

MIT
View SPDX License List

Requires

Python >=3.11

Tags

deep-learning education jupyter object-oriented pytorch

Classifiers

Report project as malware

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

deeptool-0.2.0.tar.gz (83.7 kB view details)

Uploaded Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

deeptool-0.2.0-py3-none-any.whl (15.5 kB view details)

Uploaded Python 3

File details

Details for the file deeptool-0.2.0.tar.gz.

File metadata

  • Download URL: deeptool-0.2.0.tar.gz
  • Upload date:
  • Size: 83.7 kB
  • Tags: Source
  • Uploaded using Trusted Publishing? Yes
  • Uploaded via: twine/7.0.0 CPython/3.13.14

File hashes

Hashes for deeptool-0.2.0.tar.gz
Algorithm Hash digest
SHA256 702d1d7fd23429ed83fdd62f55d95dca07d6cb4e2c67998596d02ca043d9ca99
MD5 8eada8aa7bd9d51f608d2a5274d4e67e
BLAKE2b-256 e1e7d43ae51a42b40fa3a624ec3bf23f54c6a5750187cafada0e3db4051740d6

See more details on using hashes here.

Provenance

The following attestation bundles were made for deeptool-0.2.0.tar.gz:

Publisher: publish.yml on sciencemj/deeptool

Attestations: Values shown here reflect the state when the release was signed and may no longer be current.

File details

Details for the file deeptool-0.2.0-py3-none-any.whl.

File metadata

  • Download URL: deeptool-0.2.0-py3-none-any.whl
  • Upload date:
  • Size: 15.5 kB
  • Tags: Python 3
  • Uploaded using Trusted Publishing? Yes
  • Uploaded via: twine/7.0.0 CPython/3.13.14

File hashes

Hashes for deeptool-0.2.0-py3-none-any.whl
Algorithm Hash digest
SHA256 ea899eb4154a5058ae95dc8420beb1a5b532454716b2ff697018ea63dedb0257
MD5 7a57621838fbea4cf18a6b4b4ac687ea
BLAKE2b-256 65c18d89ab4f568dd58fbbb9e5c01410e8637e80bdce73a5fe34bc2549831d2e

See more details on using hashes here.

Provenance

The following attestation bundles were made for deeptool-0.2.0-py3-none-any.whl:

Publisher: publish.yml on sciencemj/deeptool

Attestations: Values shown here reflect the state when the release was signed and may no longer be current.

Release history Release notifications | RSS feed

0.4.0

2 files

0.3.0

2 files

This release

0.2.0 This release

2 files

Supported by

AWS Cloud computing and Security Sponsor Datadog Monitoring Depot Continuous Integration Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page