YAML 기반 딥러닝 모델 빌더 - AutoBuilder 파이썬 코드를 직접 수정하지 않고도 다양한 신경망 아키텍처를 설계, 학습, 공유할 수 있는 프레임워크입니다.

Python ≥ 3.8 및 NumPy 필요 (PyTorch 텐서 지원 선택적)

# 레포지토리 복제
git clone https://github.com/yourusername/flexozero.git
cd flexozero

# 가상환경 생성 및 활성화 (선택 사항)
python -m venv venv
.\venv\Scripts\activate  # Windows

# 의존성 설치
pip install -r requirements.txt

1. YAML 모델 설정파일 작성 (configs/ 디렉토리의 예제 참고)

2. 모델 생성 및 학습

   import flexo
   from flexo.autobuilder import YamlModel
   
   # YAML 파일에서 모델 생성
   model = YamlModel('configs/vgg16.yaml')
   
   # 데이터 준비
   train_loader = flexo.DataLoader(flexo.datasets.MNIST(train=True), batch_size=32)
   
   # 학습 루프
   for epoch in range(10):
       for x, t in train_loader:
           y = model(x)
           loss = F.softmax_cross_entropy(y, t)
           model.cleargrads()
           loss.backward()
           optimizer.update()

3. 학습 스크립트 실행

   # 예제 VGG16 모델로 MNIST 학습
   python vgg16_mnist.py

4. 모델 정보 확인

   # 모델 아키텍처 정보 출력
   python model_info.py

# vgg16.yaml - MNIST용 간소화된 VGG16 모델 예제

# 기본 설정
in_channels: 1          # 입력 채널 수 (MNIST는 흑백 이미지)
num_classes: 10         # 출력 클래스 수
input_size: [28, 28]    # 입력 이미지 크기

# 스케일링 인자
depth_multiple: 1.0     # 레이어 반복 횟수 배율
width_multiple: 0.5     # 채널 수 배율 (작은 모델)

# 레이어 정의 [from, repeat, block_type, out_channels, kernel_size, stride, {params}]
layers:
  # Block 1
  - [-1, 1, ConvBlock, 64, 3, 1, {act: relu, norm: bn}]   # Conv1_1
  - [-1, 1, ConvBlock, 64, 3, 1, {act: relu, norm: bn}]   # Conv1_2
  - [-1, 1, ConvBlock, 64, 2, 2, {act: relu}]             # MaxPool1

  # Block 2
  - [-1, 1, ConvBlock, 128, 3, 1, {act: relu, norm: bn}]  # Conv2_1
  
  # 특성 평탄화 (Flatten)
  - [-1, 1, GlobalAvgPool, 0]                           # 전역 평균 풀링
  
  # 완전 연결 레이어 (FC)
  - [-1, 1, LinearBlock, 512, 0, 0, {act: relu, drop: 0.5}]   # FC1
  - [-1, 1, LinearBlock, 10, 0, 0, {}]                        # 출력 레이어

relu, silu, sigmoid, tanh 등

bn (BatchNormalization), ln (LayerNormalization)

새로운 블록을 추가하려면 flexo/blocks.py에 클래스를 정의하고 레지스트리에 등록하세요:

class MyCustomBlock(Model):
    def __init__(self, in_features, out_features, **kwargs):
        super().__init__()
        # 블록 구현
        
    def forward(self, x):
        # 순전파 구현
        return output

# 레지스트리에 등록
BLOCK_REGISTRY['MyCustomBlock'] = MyCustomBlock

YAML 파일에서 새 블록 사용:

- [-1, 1, MyCustomBlock, 256, {custom_param: value}]

├─ flexo/                # 핵심 프레임워크 코드
│  ├─ autobuilder.py     # YAML 모델 빌더
│  ├─ blocks.py          # 블록 정의 및 레지스트리
│  ├─ core.py            # 변수, 함수, 역전파 등 핵심 기능
│  ├─ cuda.py            # GPU 지원 기능
│  ├─ functions.py       # 수학 함수 및 연산
│  ├─ layers.py          # 기본 레이어 정의
│  └─ models.py          # 모델 기본 클래스
├─ configs/              # YAML 모델 정의
├─ model_info.py         # 모델 정보 출력
└─ vgg16_mnist.py        # VGG16-MNIST 학습 예제

• VGG16: MNIST 데이터셋에 최적화된 VGG16 모델 (configs/vgg16.yaml)
• ResNet: 간소화된 ResNet 아키텍처 (configs/resnet.yaml)
• VAE: Variational Autoencoder 구현 (configs/vae.yaml)

이 프로젝트는 Chainer, PyTorch, YOLOv5에 영감을 받았습니다.