✅Backend

1. Baseline 구축

• backend 폴더에 __main__.py 설정
• 기존 inference main.py 수정 및 inference 폴더에 설정
• uvicorn.run 에서 폴더 위치만 수정해주면 바로 실행 가능

2. 유저의 플레이정보를 인퍼런스 서버로 POST

• BSS get, post 고민하는 부분은 POST이지 않을까?
• why? get은 있는 부분을 얻고자 하는 것이고, POST는 정보를 요청하는 것 !
• User 정보를 받아 오는 것이니까

1. Login
2. Update User ▶ BSS Code 참고

✅Frontend

• Login → request id post 파트

data = { 'id' :76561198117856251 }

@app.get("/login2")
def login2(request: Request):
    steam_id=request.query_params['openid.identity'][-17:]
    response = request.post('http://localhost:8001/recom', json = data)
    title = response.json()["products"][0]["title"]
    images = response.json()["products"][0]["images"]
    
    return templates.TemplateResponse('login2.html', context={"request":request,"steam_id":steam_id})
    

✅Model

• 수정 사항

1. Inference 출력 형태 Dataframe → title, images ( + 추가 이외 요소 필요)

2. Model_load 함수

• why? inference server에서 get_model_rec에 넣어줘야 함

# Load Model
def get_model(model_path: str = "ml/best_model.pth") -> NeuMF:
    """Model을 가져옵니다"""
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    model = NeuMF(8735, 64, 1,0.05).to(device)
    model.load_state_dict(torch.load(model_path, map_location=device))
    return model

3. get_model_rec 함수

• Prototype에서는 Front에서 받아오는 데이터를 쓸 필요가 없어서 load_model를 통해서 가져온 모델만 input으로 넣어주면 됌

• 기존 main() 함수를 명칭만 변형
  → import해서 받아올 함수들 input 설정

def get_model_rec_prototype(get_user, model, inference):
    origin = pd.read_csv('useritem.csv')
    test_input = get_user(76561198117856251, origin)
    pred_list = inference(model, test_input, 8735)
    
    return pred_list

4. inference 함수

• input → model 추가 및 적용

def inference_(model, test, n_items):
    item_encoder = joblib.load('item_encoder.joblib')

    model = model(n_items, 64, 1,0.05).to('cuda')
    model.load_state_dict(torch.load('best_model.pth'))
    # TODO : 모델 파일 수정

    pred_list = []
    model.eval()
    
    query_user_ids = test['userid'].unique() # 추론할 모든 user array 집합
    full_item_ids = np.array([c for c in range(n_items)]) # 추론할 모든 item array 집합 
    for user_id in query_user_ids:
        with torch.no_grad():
            user_ids = np.full(n_items, user_id)
            
            user_ids = torch.LongTensor(user_ids).to('cuda')
            item_ids = torch.LongTensor(full_item_ids).to('cuda')
            
            
            eval_output = model.forward(user_ids, item_ids).detach().cpu().numpy()
            pred_u_score = eval_output.reshape(-1)   
        
        pred_u_idx = np.argsort(pred_u_score)[::-1]
        pred_u = full_item_ids[pred_u_idx]
        pred_list.append(list(pred_u[:50]))
    
    ######################################################################################################
    # 코드 수정 필요 
    df = pd.DataFrame()
    df['profile_id'] = query_user_ids
    df['predicted_list'] = pred_list
    # 어짜피 User 한 명씩 inference하니까 반복문 밖에서 코드 정의
    
    titles = {}
    posters = {}
    # top_k : 10 , 가져온 index를 기반으로 df상에서 title, image 가져와야 됌
    for col_index in range(
                10
            ):
            steam = df.iloc[col_index]
            titles[col_index] = steam["title"]
            posters[col_index] = steam["poster_link"] if steam["poster_link"] else Image.open("placeholder.png")
    
    title = [str(x) for x in titles.values()]
    poster = [str(x) for x in posters.values()]
    
    return title, poster 

🤔 코드 토의할 부분

1. inference 함수랑 inference_epoch 합치는게 혼동이 덜 할 것 같다는 생각에서 합침

• why? 코드가 별로 길지 않고, input이 item_encoder 역시 중복되기 때문에 굳이 따로 함수 구성하지 않아도 될 듯 !

2. CSV 파일 → inference_ 함수에 필요
3. 컬럼명 확인 (titles, images)