메인 콘텐츠로 건너뛰기
wandb.init()으로 W&B 실행을 초기화합니다. 기본적으로 W&B는 각 Python 프로세스에 동시에 하나의 활성 실행만 존재한다고 가정합니다. wandb.init()을 호출하면 활성 실행이 생성됩니다. 동일한 프로세스에서 wandb.init()을 다시 호출하면, W&B는 동일한 실행을 반환하거나 이전 실행을 종료한 뒤 새 실행을 시작합니다. 동일한 프로세스에서 wandb.init()을 여러 번 호출할 때 W&B가 이를 처리하는 방식은 환경(노트북 vs 비노트북)과 reinit 설정에 따라 달라집니다. 하나의 프로세스에서 여러 개의 활성 실행을 관리하려면 하나의 프로세스에서 여러 실행을 참조하세요.
wandb.init()을 호출할 때는 with 블록을 사용하는 것을 권장합니다. 이렇게 하면 블록이 종료될 때 W&B가 실행을 올바르게 종료하고 모든 데이터를 업로드하도록 보장됩니다.

​
프로세스당 하나의 실행

다음 코드 예제는 W&B Python SDK를 임포트하고 실행을 초기화하는 방법을 보여줍니다.
basic.py
import wandb

with wandb.init(entity="nico", project="awesome-project") as run:
    # 여기에 학습 로직을 작성하세요
다음은 이 코드 스니펫이 출력하는 결과입니다. 
🚀 View run exalted-darkness-6 at: 
https://wandb.ai/nico/awesome-project/runs/pgbn9y21
Find logs at: wandb/run-20241106_090747-pgbn9y21/logs
출력 결과를 보면 W&B가 엔터티 nico의 프로젝트 awesome-project에 실행 exalted-darkness-6을(를) 로그한 것을 알 수 있습니다. pgbn9y21은(는) W&B가 이 실행에 대해 생성한 고유 실행 ID입니다.

​
하나의 프로세스에서 여러 실행 관리하기

하나의 Python 프로세스에서 여러 실행을 관리할 수 있습니다. 이는 기본 프로세스를 계속 유지하면서, 하위 작업을 위해 수명이 짧은 보조 프로세스를 생성해야 할 때 유용합니다. 예시는 다음과 같습니다:
  • 스크립트 전체에서 하나의 “기본(primary)” 실행을 유지하면서, 평가나 하위 작업을 위해 수명이 짧은 “보조(secondary)” 실행을 추가로 생성하는 경우
  • 하나의 파일 안에서 하위 실험들을 조율하는 경우
  • 하나의 “메인” 프로세스에서 서로 다른 작업이나 시간 구간을 나타내는 여러 실행에 로깅하는 경우
기본적으로 W&B는 wandb.init()을 호출할 때 각 Python 프로세스에 동시에 하나의 활성 실행만 존재한다고 가정합니다. wandb.init()을 다시 호출하면, 설정에 따라 W&B는 동일한 실행을 반환하거나, 이전 실행을 종료한 뒤 새 실행을 시작합니다. 이 가이드에서는 reinit을 사용하여 wandb.init() 동작을 변경해, 하나의 Python 프로세스에서 여러 실행을 사용할 수 있도록 하는 방법을 설명합니다.
요구사항하나의 Python 프로세스에서 여러 실행을 관리하려면 W&B Python SDK 버전 v0.19.10 이상이 필요합니다.

​
reinit 옵션

reinit 매개변수를 사용하여 W&B가 여러 번의 wandb.init() 호출을 어떻게 처리할지 설정할 수 있습니다. 다음 표는 사용할 수 있는 인자와 그 효과를 설명합니다:
설명실행을 생성하나요?예시 사용 사례
create_new기존의 활성 실행을 종료하지 않고 wandb.init()으로 새 실행을 생성합니다. W&B는 전역 wandb.Run을 새 실행으로 자동 전환하지 않습니다. 각 실행 객체는 직접 보관해야 합니다. 자세한 내용은 아래의 하나의 프로세스에서 여러 실행 예시를 참조하세요.예동시에 수행되는 프로세스를 생성하고 관리할 때 적합합니다. 예를 들어, “기본” 실행은 계속 활성 상태로 두면서 “보조” 실행들을 시작하거나 종료하는 경우에 유용합니다.
finish_previous새 실행을 wandb.init()으로 생성하기 전에 run.finish()로 모든 활성 실행을 종료합니다. 노트북이 아닌 환경에서의 기본 동작입니다.예순차적인 하위 프로세스를 개별 실행으로 분리하고 싶을 때 이상적입니다.
return_previous가장 최근의, 아직 종료되지 않은 실행을 반환합니다. 노트북 환경에서의 기본 동작입니다.아니요
Hugging Face Trainer, Keras callbacks, PyTorch Lightning과 같이 단일 전역 실행을 전제로 하는 W&B Integrations에서는 create_new 모드를 지원하지 않습니다. 이러한 통합을 사용하는 경우, 각 하위 실험을 별도의 프로세스에서 실행해야 합니다.

​
reinit 설정하기

  • reinit 인자를 직접 사용하여 wandb.init()을 호출합니다: 
    import wandb
with wandb.init(reinit="<create_new|finish_previous|return_previous>") as run:
    # Your code here
  • wandb.init()를 사용하고 settings 매개변수에 wandb.Settings 객체를 전달합니다. Settings 객체에서 reinit을 지정합니다: 
    import wandb
with wandb.init(settings=wandb.Settings(reinit="<create_new|finish_previous|return_previous>")) as run:
    # Your code here
  • 현재 프로세스의 모든 실행에 대해 전역적으로 reinit 옵션을 설정하려면 wandb.setup()을 사용합니다. 이 방법은 한 번만 동작을 설정하고 이후 해당 프로세스의 모든 wandb.init() 호출에 적용하고자 할 때 유용합니다. 
    import wandb
with wandb.setup(wandb.Settings(reinit="<create_new|finish_previous|return_previous>")) as run:
     # Your code here
  • 환경 변수 WANDB_REINIT에 원하는 reinit 값을 지정합니다. 환경 변수를 정의하면 wandb.init() 호출에 reinit 옵션이 적용됩니다. 
    export WANDB_REINIT="<create_new|finish_previous|return_previous>"
아래 코드 스니펫은 wandb.init()를 호출할 때마다 새로운 실행을 생성하도록 W&B를 설정하는 방법을 개략적으로 보여줍니다: 
import wandb

wandb.setup(wandb.Settings(reinit="create_new"))

with wandb.init() as experiment_results_run:
    # 이 실행은 각 실험의 결과를 기록하는 데 사용됩니다.
    # 결과를 수집하는 상위 실행으로 생각할 수 있습니다.
      with wandb.init() as run:
         # do_experiment() 함수는 세분화된 메트릭을 지정된 실행에 기록하고
         # 별도로 추적할 결과 메트릭을 반환합니다.
         experiment_results = do_experiment(run)

         # 각 실험이 끝난 후, 결과를 상위 실행에 기록합니다.
         # 상위 실행의 차트에서 각 점은 하나의 실험 결과에 해당합니다.
         experiment_results_run.log(experiment_results)

​
예시: 동시 프로세스

스크립트의 전체 수명 동안 열려 있는 기본(primary) 프로세스를 하나 두고, 기본 프로세스를 종료하지 않은 채로 주기적으로 수명이 짧은 보조(secondary) 프로세스를 생성하고 싶다고 가정해 보겠습니다. 예를 들어, 이 패턴은 기본 실행에서 모델을 학습시키고, 평가를 수행하거나 기타 작업을 별도의 실행에서 처리하고 싶을 때 유용합니다. 이를 위해 reinit="create_new"를 사용해 여러 실행을 초기화합니다. 이 예시에서는 스크립트 전체 동안 열려 있는 기본 프로세스를 “Run A”라고 하고, “Run B1”, “Run B2”는 평가와 같은 작업을 위한 수명이 짧은 보조 실행이라고 가정합니다. 고수준 워크플로는 다음과 같습니다:
  1. wandb.init()으로 기본 프로세스 Run A를 초기화하고 학습 지표를 로깅합니다.
  2. Run B1을 (wandb.init()으로) 초기화하고 데이터를 로깅한 후 종료합니다.
  3. Run A에 더 많은 데이터를 로깅합니다.
  4. Run B2를 초기화하고 데이터를 로깅한 후 종료합니다.
  5. Run A에 로깅을 계속합니다.
  6. 마지막으로 스크립트 끝에서 Run A를 종료합니다.
아래 Python 코드 예시는 이 워크플로를 보여줍니다: 
import wandb

def train(name: str) -> None:
    """자체 W&B 실행에서 하나의 학습 반복을 수행합니다.

    `reinit="create_new"`와 함께 'with wandb.init()' 블록을 사용하면
    다른 실행(예: 기본 추적 실행)이 이미 활성 상태인 경우에도
    이 학습 하위 실행을 생성할 수 있습니다.
    """
    with wandb.init(
        project="my_project",
        name=name,
        reinit="create_new"
    ) as run:
        # 실제 스크립트에서는 이 블록 안에서 학습 단계를 실행합니다.
        run.log({"train_loss": 0.42})  # 실제 메트릭으로 교체하세요

def evaluate_loss_accuracy() -> (float, float):
    """현재 모델의 손실 및 정확도를 반환합니다.
    
    이 플레이스홀더를 실제 평가 로직으로 교체하세요.
    """
    return 0.27, 0.91  # 예시 메트릭 값

# 여러 학습/평가 단계 동안 활성 상태를 유지하는 '기본' 실행을 생성합니다.
with wandb.init(
    project="my_project",
    name="tracking_run",
    reinit="create_new"
) as tracking_run:
    # 1) 'training_1'이라는 하위 실행에서 한 번 학습합니다
    train("training_1")
    loss, accuracy = evaluate_loss_accuracy()
    tracking_run.log({"eval_loss": loss, "eval_accuracy": accuracy})

    # 2) 'training_2'라는 하위 실행에서 다시 학습합니다
    train("training_2")
    loss, accuracy = evaluate_loss_accuracy()
    tracking_run.log({"eval_loss": loss, "eval_accuracy": accuracy})
    
    # 이 'with' 블록이 종료되면 'tracking_run'이 자동으로 완료됩니다.
이전 예제에서 다음 세 가지 핵심 사항을 기억하세요:
  1. reinit="create_new"는 wandb.init()를 호출할 때마다 새 실행을 생성합니다.
  2. 각 실행에 대한 참조를 유지해야 합니다. wandb.run은 reinit="create_new"로 생성된 새 실행을 자동으로 가리키지 않습니다. 새 실행은 run_a, run_b1와 같은 변수에 저장하고, 필요에 따라 해당 객체에 .log() 또는 .finish()를 호출하세요.
  3. 기본 실행(primary run)은 열어 둔 채로 유지하면서, 서브 실행(sub-run)은 원하는 시점에 언제든지 종료할 수 있습니다.
  4. 해당 실행에 대한 로깅을 모두 마쳤다면 run.finish()로 실행을 종료하세요. 이렇게 하면 모든 데이터가 업로드되고 실행이 올바르게 종료됩니다.