훈련 정확도와 시간 효율을 기반으로, 모델 학습에 가장 적절한 배치 사이즈를 자동으로 선택해주는 경량 유틸리티입니다.

이 도구는 √N 주변의 2의 거듭제곱 배치 크기들에 대해 훈련 효율을 측정한 후,
정확도 대비 시간 효율이 가장 좋은 배치 사이즈를 선택합니다.
다음과 같은 기능이 포함되어 있습니다:

• selectBatchSize: 어떤 모델과 데이터셋에도 사용할 수 있는 범용 함수
• getBatchSizeMNIST: PyTorch와 MNIST를 이용한 데모 함수

• 실험 기반 선택: 고정 규칙이나 추측 없이 선택
• √N 중심의 2의 거듭제곱 후보 비교 (기본: widen=2)
• 모델/훈련 루프 함수는 자유롭게 정의 가능
• 코드 통합이 쉽고 가벼움

사용자 정의 모델과 훈련 로직을 통해 가장 효율적인 배치 사이즈를 선택합니다.

매개변수:

• N (int): 전체 학습 데이터 수
• model_fn() (Callable): 새 모델을 반환하는 함수
• train_fn(model, batch_size) (Callable): 모델을 학습하고 (정확도, 시간) 반환
• widen (int): √N 기준으로 좌우 비교할 2n 후보 개수

반환값: int - 가장 효율적인 배치 사이즈

MNIST 데이터셋과 기본 모델을 사용한 내장 실험을 실행합니다.

반환값: int - 지정한 N에 대해 가장 적합한 배치 사이즈

from batch_selector import selectBatchSize, getBatchSizeMNIST
# 간편 데모: MNIST
best = getBatchSizeMNIST(N=3000)
print("Best batch size (MNIST):", best)
# 사용자 정의 모델 적용
def model_fn():
 return MyModel()
def train_fn(model, batch_size):
 # 모델 학습 및 평가
 return accuracy, time
best = selectBatchSize(N=10000, model_fn=model_fn, train_fn=train_fn)
print("Best batch size (custom):", best)

• Python 3.7 이상
• PyTorch (MNIST 데모용)
• NumPy (선택)
• CPU 또는 GPU에서 실행 가능

본 프로젝트는 MIT 라이선스 하에 배포됩니다.