Hydra: конфигурация ML-экспериментов без боли

Hydra: конфигурация ML-экспериментов без боли

Типичная проблема: у вас ML-проект, конфиги размножились, и вы передаёте гиперпараметры через argparse или хардкодите в скриптах. Hydra решает это элегантно.

Главная идея: конфиги — это YAML-файлы которые можно составлять, наследовать и переопределять прямо из командной строки.

Запуск с разными параметрами без изменения кода:

python train.pydataset model=resnet =imagenet lr=0.001python train.pyaset model=vit dat=cifar10 lr=0.0001

Multirun — запуск сетки экспериментов одной командой:

python train.py.0001 mo -m lr=0.001,0del=resnet,vit# запустит 4 эксперимента автоматически

Конфиги можно композировать из отдельных файлов:

configs/  model/    resnet.yaml    vit.yaml  dataset/    imagenet.yaml    cifar10.yaml  train.yaml  ← собирает всё вместе

Популярные связки с Hydra:
— lightning-hydra-template — готовый шаблон PyTorch Lightning + Hydra для быстрого старта
— hydra-zen — Pythonic API для динамической генерации конфигов
— hydra-torch — type-safe конфиги для PyTorch компонентов

pip install hydra-core --upgrade

Если вы ещё управляете экспериментами через argparse или захардкоженные словари — Hydra стоит попробовать.

➡️ Github