메인 콘텐츠로 건너뛰기
Colab에서 실행해 보기 Composer는 신경망을 더 좋고, 더 빠르고, 더 적은 비용으로 학습하기 위한 라이브러리입니다. 이 라이브러리는 신경망 학습을 가속하고 일반화 성능을 향상시키기 위한 최신 기법을 다수 포함하고 있으며, 여러 가지 향상 기법을 쉽게 조합(composing) 할 수 있는 선택적 Trainer API도 제공합니다. W&B는 ML 실험을 로깅하기 위한 가벼운 래퍼를 제공합니다. 하지만 둘을 직접 통합할 필요는 없습니다. W&B는 WandBLogger를 통해 Composer 라이브러리에 이미 직접 통합되어 있습니다.

​
W&B에 로깅 시작하기

from composer import Trainer
from composer.loggers import WandBLogger

trainer = Trainer(..., logger=WandBLogger())
인터랙티브 대시보드

​
Composer의 WandBLogger 사용

Composer 라이브러리는 Trainer에서 WandBLogger 클래스를 사용하여 메트릭을 W&B에 로깅합니다. 로거를 생성한 뒤 Trainer에 전달하기만 하면 됩니다. 
wandb_logger = WandBLogger(project="gpt-5", log_artifacts=True)
trainer = Trainer(logger=wandb_logger)

​
Logger arguments

아래는 WandbLogger의 파라미터입니다. 전체 목록과 자세한 설명은 Composer 문서를 참고하세요.
ParameterDescription
projectW&B Project 이름 (str, 선택 사항)
groupW&B 그룹 이름 (str, 선택 사항)
nameW&B 실행 이름. 지정하지 않으면 State.run_name이 사용됩니다 (str, 선택 사항)
entityW&B 엔터티 이름. 예: 사용자 이름 또는 W&B Team 이름 (str, 선택 사항)
tagsW&B 태그 (List[str], 선택 사항)
log_artifacts체크포인트를 wandb에 로깅할지 여부, 기본값: false (bool, 선택 사항)
rank_zero_onlyrank-zero 프로세스에서만 로깅할지 여부. 아티팩트를 로깅할 때는 모든 rank에서 로깅할 것을 강력히 권장합니다. rank ≥1의 아티팩트는 저장되지 않아 중요한 정보가 손실될 수 있습니다. 예를 들어 Deepspeed ZeRO를 사용할 때, 모든 rank의 아티팩트가 없으면 체크포인트에서 복원할 수 없습니다. 기본값: True (bool, 선택 사항)
init_kwargswandb config 등과 같이 wandb.init()에 전달할 파라미터. wandb.init()에서 사용할 수 있는 인자 목록은 wandb.init() parameters를 참고하세요.
일반적인 사용 예시는 다음과 같습니다: 
init_kwargs = {"notes":"Testing higher learning rate in this experiment", 
               "config":{"arch":"Llama",
                         "use_mixed_precision":True
                         }
               }

wandb_logger = WandBLogger(log_artifacts=True, init_kwargs=init_kwargs)

​
예측 샘플 로깅

Composer’s Callbacks 시스템을 사용해 WandBLogger를 통해 W&B에 로그를 남기는 시점을 제어할 수 있습니다. 이 예제에서는 검증 이미지와 해당 예측 결과의 일부가 로그로 기록됩니다. 
import wandb
from composer import Callback, State, Logger

class LogPredictions(Callback):
    def __init__(self, num_samples=100, seed=1234):
        super().__init__()
        self.num_samples = num_samples
        self.data = []
        
    def eval_batch_end(self, state: State, logger: Logger):
        """배치별 예측을 계산하고 self.data에 저장합니다"""
        
        if state.timer.epoch == state.max_duration: #마지막 검증 에포크에서
            if len(self.data) < self.num_samples:
                n = self.num_samples
                x, y = state.batch_pair
                outputs = state.outputs.argmax(-1)
                data = [[wandb.Image(x_i), y_i, y_pred] for x_i, y_i, y_pred in list(zip(x[:n], y[:n], outputs[:n]))]
                self.data += data
            
    def eval_end(self, state: State, logger: Logger):
        with wandb.init() as run:
            "wandb.Table을 생성하고 로그합니다"
            columns = ['image', 'ground truth', 'prediction']
            table = wandb.Table(columns=columns, data=self.data[:self.num_samples])
            run.log({'sample_table':table}, step=int(state.timer.batch))         
...

trainer = Trainer(
    ...
    loggers=[WandBLogger()],
    callbacks=[LogPredictions()]
)