README.md

Metadata Despegar 19: HostelNet

Este repositorio contiene el código fuente para reproducir los resultados enviados a la competencia.

Construcción del docker

Para entrenar los modelos y generar predicciones, descargar el repositorio y copiar los datos comprimidos a la carpeta "data/".

unzip hostelnet-master.zip 
mv train.tar.xz test.tar.xz train_labels.csv hostelnet-master/data

Y construir el docker

cd hostelnet-master/
docker build -t hostelnet .

El docker contiene todos los paquetes necesarios de python y el CUDA dev kit, pero requiere de los drivers de Nvidia en el host. De momento la solución más simple y con un rendimiento similar a usar el codigo directamente en el host parece ser instalar nvidia-docker2 (https://github.com/NVIDIA/nvidia-docker), que debería ser indiferente al la placa y driver instalado (compatible con CUDA9.0).

Entrenamiento y validación

Para entrenar el modelo final (validación y predicción en test incluido):

docker run --runtime=nvidia -it -v /ABSOLUTE_PATH/results:/home/user/results/ hostelnet python3 /home/user/src/main.py

En la carpeta "./results" (del host) se guardarán los logs de entrenamiento, los modelos entrenados y la prediccion sobre los datos de test.

Predicción con el modelo ya entrenado

Descargar los modelos de este link y copiarlos en la carpeta "/ABSOLUTE_PATH/results/model/" (la misma carpeta results donde aparecerá el .csv final) Se puede construir el docker con otros datos de test y realizar solo la predicción con:

docker run --runtime=nvidia -it -v /ABSOLUTE_PATH/results:/home/user/results/ hostelnet python3 /home/user/src/predict.py

Es importante aclarar que estas predicciones se corrieron en GPU; para correr en cpu, se puede cambiar "device=cuda" por "device=cpu" en el archivo "src/config", y correr el comando anterior sin la opción "--runtime=nvidia". Los resultados pueden variar un poco con este cambio pero deberían ser similares, aunque demoran mucho más tiempo.