메인 콘텐츠로 건너뛰기
다음은 모든 카테고리에서 가장 자주 받는 질문입니다. 원하는 내용을 찾지 못했다면, 아래의 인기 카테고리를 둘러보거나 카테고리별로 문서를 검색하세요.

여전히 원하는 내용을 찾지 못하셨나요?

지원팀에 문의하세요
​
관리자학술사용자 관리
학생은 다음 단계를 따르면 학술 플랜을 신청할 수 있습니다:
​
아티팩트
아티팩트는 상위 프로젝트의 접근 권한을 그대로 따릅니다:
  • 비공개 프로젝트에서는 팀 구성원만 아티팩트에 접근할 수 있습니다.
  • 공개 프로젝트에서는 모든 사용자가 아티팩트를 읽을 수 있고, 팀 구성원만 생성하거나 수정할 수 있습니다.
  • 오픈 프로젝트에서는 모든 사용자가 아티팩트를 읽고 쓸 수 있습니다.

​
아티팩트 워크플로우

이 섹션에서는 아티팩트를 관리하고 편집하기 위한 워크플로를 설명합니다. 많은 워크플로는 W&B API를 활용하며, 이는 W&B에 저장된 데이터에 접근할 수 있게 해 주는 클라이언트 라이브러리의 구성 요소입니다.
​
실험
History 객체는 wandb.log로 기록한 지표를 추적합니다. API를 사용해 History 객체에 접근할 수 있습니다:
api = wandb.Api()
run = api.run("username/project/run_id")
print(run.history())
​
스윕
W&B Sweep이 시작되면 Sweep 구성은 변경할 수 없습니다. 그러나 어떤 테이블 뷰로 이동한 다음 체크박스를 사용해 실행을 선택하고 Create sweep 메뉴 옵션을 선택하여 이전 실행을 기반으로 새로운 Sweep 구성을 생성할 수 있습니다.
​
관리자사용자 관리
계정에 시트를 더 추가하려면 다음 단계를 따르십시오:
  • Account Executive 또는 지원팀(support@wandb.com)에 연락해 도움을 받습니다.
  • 조직 이름과 원하는 시트 수를 제공합니다.
​
ExperimentsTablesCharts
Plotly 또는 Bokeh figure를 테이블에 직접 넣는 것은 지원되지 않습니다. 대신, figure를 HTML로 내보낸 후 해당 HTML을 테이블에 포함하세요. 아래 예시는 인터랙티브 Plotly 및 Bokeh 차트를 사용하여 이를 구현하는 방법을 보여줍니다.
import wandb
import plotly.express as px

# Initialize a new run
# 새로운 실행을 초기화합니다.
with wandb.init(project="log-plotly-fig-tables", name="plotly_html") as run:

    # Create a table
    # 테이블을 생성합니다.
    table = wandb.Table(columns=["plotly_figure"])

    # Define path for Plotly figure
    # Plotly figure의 경로를 정의합니다.
    path_to_plotly_html = "./plotly_figure.html"

    # Create a Plotly figure
    # Plotly figure를 생성합니다.
    fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])

    # Export Plotly figure to HTML
    # Plotly figure를 HTML로 내보냅니다.
    # Setting auto_play to False prevents animated Plotly charts from playing automatically
    # auto_play를 False로 설정하면 애니메이션 Plotly 차트가 자동 재생되지 않습니다.
    fig.write_html(path_to_plotly_html, auto_play=False)

    # Add Plotly figure as HTML file to the table
    # Plotly figure를 HTML 파일로 테이블에 추가합니다.
    table.add_data(wandb.Html(path_to_plotly_html))

    # Log Table
    # 테이블을 로그로 기록합니다.
    run.log({"test_table": table})
​
AdministratorTeam Management
서비스 계정은 W&B에서 여러 팀에 추가할 수 없습니다. 각 서비스 계정은 특정 팀에만 연결되어 있습니다.
​
Reports
리포트에 여러 작성자를 추가하여 모든 기여자를 정확히 표시하세요.여러 작성자를 추가하려면 작성자 이름 옆의 + 아이콘을 클릭하세요. 그러면 리포트에 접근 권한이 있는 모든 사용자가 표시된 드롭다운 메뉴가 열립니다. 작성자로 추가할 사용자를 선택하세요.
여러 리포트 작성자 추가
​
Administrator
인스턴스의 관리자라면, 사용자를 추가하고 팀을 생성하는 방법에 대한 안내는 User Management 섹션을 참고하세요.
​
Python
pip 또는 conda를 사용해 설치할 수 있는 Anaconda 패키지가 있습니다. conda를 사용하는 경우, conda-forge 채널에서 패키지를 받아 설치하세요.
# conda 환경 생성
conda create -n wandb-env python=3.8 anaconda
# 환경 활성화
conda activate wandb-env
# pip으로 wandb 설치
pip install wandb
설치 관련 문제가 있는 경우, Anaconda의 패키지 관리 관련 문서를 참고하세요.
​
Anonymous
  • 데이터가 영구 저장되지 않음: 익명 계정의 실행은 7일 동안만 저장됩니다. 익명 실행 데이터를 실제 계정으로 연결해 소유권을 가져오세요.
익명 모드 인터페이스
  • 아티팩트 로깅 불가: 익명 실행에 아티팩트를 로깅하려고 하면, 명령줄에 다음과 같은 경고가 표시됩니다: 
    wandb: WARNING Artifacts logged anonymously cannot be claimed and expire after 7 days.
  • 프로필 및 설정 페이지 없음: UI에는 일부 페이지가 포함되지 않습니다. 해당 페이지들은 실제 계정에서만 유용하기 때문입니다.
​
ArtifactsStorage
두 아티팩트 버전 사이에서 변경된 파일만 스토리지 비용이 발생합니다.
아티팩트 중복 제거
cat.png와 dog.png 두 개의 이미지 파일을 포함하는 animals라는 이름의 이미지 아티팩트를 가정해 보겠습니다:
images
|-- cat.png (2MB) # `v0`에서 추가됨
|-- dog.png (1MB) # `v0`에서 추가됨
이 아티팩트의 버전은 v0입니다.새 이미지 rat.png를 추가하면, 다음과 같은 내용을 가진 새 아티팩트 버전 v1이 생성됩니다:
images
|-- cat.png (2MB) # `v0`에서 추가됨
|-- dog.png (1MB) # `v0`에서 추가됨
|-- rat.png (3MB) # `v1`에서 추가됨
버전 v1은 총 6MB를 추적하지만, 나머지 3MB를 v0와 공유하므로 실제로는 3MB의 공간만 차지합니다. v1을 삭제하면 rat.png에 해당하는 3MB 스토리지가 회수됩니다. v0을 삭제하면 cat.png와 dog.png의 스토리지 비용이 v1으로 이전되어, v1의 스토리지 크기가 6MB로 증가합니다.
​
Artifacts
모델을 버전 관리하는 방법은 여러 가지가 있습니다. 아티팩트는 특정 요구사항에 맞춘 모델 버전 관리 도구를 제공합니다. 여러 모델 아키텍처를 탐색하는 프로젝트에서 자주 사용하는 방법은 아키텍처별로 아티팩트를 분리하는 것입니다. 다음 단계를 고려해 보세요:
  1. 서로 다른 각 모델 아키텍처마다 새로운 아티팩트를 생성하세요. 아티팩트의 metadata 속성을 사용해 아키텍처를 자세히 설명하세요. 이는 실행에 config를 사용하는 것과 유사합니다.
  2. 각 모델에 대해 log_artifact로 주기적으로 체크포인트를 로깅하세요. W&B는 이러한 체크포인트의 이력을 구축하고, 가장 최근 체크포인트에 latest 별칭을 붙입니다. architecture-name:latest를 사용해 어떤 모델 아키텍처에 대해서든 최신 체크포인트를 참조할 수 있습니다.
​
ArtifactsSweeps
스윕에서 모델을 로깅하는 효과적인 방법 중 하나는 스윕용 모델 아티팩트를 생성하는 것입니다. 각 버전은 스윕의 서로 다른 실행을 나타냅니다. 다음과 같이 구현할 수 있습니다:
wandb.Artifact(name="sweep_name", type="model")
​
HyperparameterSweepsRuns
wandb.init(tags='your_tag')로 고유한 태그를 설정하세요. 이렇게 하면 Project 페이지의 Runs 테이블에서 해당 태그를 선택해 프로젝트 실행을 효율적으로 필터링할 수 있습니다.wandb.init()에 대한 자세한 내용은 wandb.init() 레퍼런스를 참조하세요.
​
Security
Weights and Biases에는 버그 바운티 프로그램이 있습니다. 자세한 내용은 W&B 보안 포털을 방문하세요.
​
Administrator
  • 지원팀(support@wandb.com)에 연락하세요.
  • 조직 이름, 계정에 연결된 이메일, 사용자 이름을 함께 제공하세요.
​
AdministratorAcademicUser Management
W&B에서 회사 계정을 학술용 계정으로 변경하려면 다음 단계를 따르세요:
  1. 학술용 이메일을 연결합니다:
    • 계정 설정에 접속합니다.
    • 학술용 이메일을 추가하고 기본 이메일로 설정합니다.
  2. 학술 플랜을 신청합니다:
​
AdministratorBilling
청구 주소를 변경하려면 지원팀(support@wandb.com)에 연락하세요.
​
Sweeps
환경 변수 WANDB_DIR을 설정해 W&B 실행 데이터의 로깅 디렉터리를 지정할 수 있습니다. 예를 들면 다음과 같습니다:
os.environ["WANDB_DIR"] = os.path.abspath("your/directory")
​
Runs
API를 사용하여 완료된 실행에 할당된 그룹을 변경할 수 있습니다. 이 기능은 웹 UI에는 표시되지 않습니다. 다음 코드를 사용해 그룹을 업데이트하세요:
import wandb

api = wandb.Api()
run = api.run("<ENTITY>/<PROJECT>/<RUN_ID>")
run.group = "NEW-GROUP-NAME"
run.update()
​
AdministratorUser Management
계정을 만든 이후에는 사용자 이름을 변경할 수 없습니다. 원하는 사용자 이름으로 새 계정을 생성해야 합니다.
​
Python
W&B 클라이언트 라이브러리는 0.10 버전까지 Python 2.7과 Python 3를 모두 지원했습니다. Python 2의 지원 종료로 인해 0.11 버전부터는 Python 2.7 지원이 중단되었습니다. Python 2.7 환경에서 pip install --upgrade wandb를 실행하면 0.10.x 시리즈의 새 릴리스만 설치됩니다. 0.10.x 시리즈에 대한 지원은 중요한 버그 수정과 패치만 포함합니다. Python 2.7을 지원하는 0.10.x 시리즈의 마지막 버전은 0.10.33입니다.
​
Python
W&B 클라이언트 라이브러리는 0.11 버전까지 Python 3.5를 지원했습니다. Python 3.5의 지원 종료에 따라 0.12 버전부터 지원이 중단되었습니다. 자세한 내용은 0.12 버전 릴리스 노트를 참조하세요.
​
Experiments
이미지 패널을 확장한 다음 스텝 슬라이더를 사용해 서로 다른 스텝의 이미지를 탐색하세요. 이렇게 하면 학습 중 모델 출력이 어떻게 변화하는지 비교할 수 있습니다.
​
Experiments
학습 스크립트의 시작 부분에서 실험 이름과 함께 wandb.init을 호출하세요. 예: wandb.init(name="my_awesome_run").
​
ReportsWysiwyg
리포트 상단의 메시지를 통해 변환이 이뤄졌다면, 빨간색 “Revert” 버튼을 클릭해 이전 상태로 복원하세요. 변환 이후에 수행한 모든 변경 사항은 사라집니다.단일 Markdown 블록만 변환한 경우에는 cmd+z로 실행을 되돌리세요.세션이 종료되어 되돌리기 옵션을 사용할 수 없다면, 초안을 폐기하거나 마지막으로 저장된 버전에서 다시 편집하는 것을 고려하세요. 둘 다 불가능한 경우 W&B Support에 문의하세요.
​
Crashing And Hanging Runs
학습 실행에 간섭이 발생하지 않도록 하는 것이 매우 중요합니다. W&B는 별도의 프로세스에서 동작하므로, W&B에서 크래시가 발생하더라도 학습은 계속 진행됩니다. 인터넷 연결이 끊어진 경우에도 W&B는 wandb.ai로 데이터를 전송하기 위해 지속적으로 재시도를 수행합니다.
​
User Management
이전에 삭제된 계정에 연결되어 있던 이메일은 새 계정에서 다시 사용할 수 있습니다.
​
Team Management
역할과 권한에 대한 자세한 내용은 다음 링크를 참고하세요: Team Roles and Permissions.
​
Sweeps
학습 설정이 명령줄 인자를 전달하도록 되어 있다면, 사용자 정의 CLI 명령과 함께 W&B Sweeps를 사용할 수 있습니다.아래 예제의 코드 스니펫은 bash 터미널에서 사용자가 train.py라는 이름의 Python 스크립트를 실행하면서, 스크립트가 파싱할 값들을 전달하는 모습을 보여 줍니다:
/usr/bin/env python train.py -b \
    your-training-config \
    --batchsize 8 \
    --lr 0.00001
사용자 정의 명령을 구현하려면 YAML 파일의 command 키를 수정하세요. 이전 예제를 기준으로 하면 설정은 다음과 같습니다:
program:
  train.py
method: grid
parameters:
  batch_size:
    value: 8
  lr:
    value: 0.0001
command:
  - ${env}
  - python
  - ${program}
  - "-b"
  - your-training-config
  - ${args}
${args} 키는 sweep 설정의 모든 파라미터를 argparse에 맞는 형식인 --param1 value1 --param2 value2로 확장합니다.argparse로 처리되지 않는 추가 인자를 사용하려면 다음과 같이 구현하세요:
parser = argparse.ArgumentParser()
args, unknown = parser.parse_known_args()
환경에 따라 python이 Python 2를 가리킬 수 있습니다. Python 3를 사용하려면 명령 설정에서 python3를 지정하세요:
program:
  script.py
command:
  - ${env}
  - python3
  - ${program}
  - ${args}
​
Workspaces
다크 모드는 베타 상태이며, 접근성 측면에서 최적화되어 있지 않습니다. 다크 모드를 활성화하려면:
  1. W&B 계정 설정으로 이동합니다.
  2. Public preview features 섹션까지 스크롤합니다.
  3. UI Display에서 드롭다운 목록에서 Dark mode를 선택합니다.
​
Connectivity
wandb: Network error (ConnectionError), entering retry loop와 같은 SSL 또는 네트워크 오류가 발생하면, 다음 해결책을 적용하세요:
  1. SSL 인증서를 갱신합니다. Ubuntu 서버에서는 update-ca-certificates를 실행하세요. 유효한 SSL 인증서는 보안 위험을 줄이면서 학습 로그를 동기화하는 데 필수적입니다.
  2. 네트워크 연결이 불안정하다면, optional environment variable WANDB_MODE를 offline으로 설정해 오프라인 모드로 실행한 뒤, 이후 인터넷에 연결된 장치에서 파일을 동기화하세요.
  3. 로컬에서 실행되며 클라우드 서버로의 동기화를 피할 수 있는 W&B Private Hosting 사용을 고려하세요.
SSL CERTIFICATE_VERIFY_FAILED 오류의 경우, 회사 방화벽에서 비롯된 문제일 수 있습니다. 로컬 CA를 설정한 뒤 다음을 실행하세요:export REQUESTS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt
​
Charts
사용자 지정 차트 편집기를 엽니다. 현재 선택된 차트 유형을 클릭해 모든 프리셋이 표시되는 메뉴를 엽니다. 삭제할 프리셋 위에 마우스를 올린 다음 휴지통 아이콘을 클릭합니다.
Deleting chart preset
​
Administrator
조직 계정을 삭제하려면 지원 팀(support@wandb.com)에 문의하세요.
​
ReportsWysiwyg
패널 그리드를 선택한 후 Delete 또는 Backspace 키를 누르세요. 패널 그리드를 선택하려면 오른쪽 상단의 드래그 핸들을 클릭합니다.
​
AdministratorTeam Management
계정에서 팀을 삭제하려면:
  • 관리자 권한으로 팀 설정에 들어갑니다.
  • 페이지 하단의 Delete 버튼을 클릭합니다.
​
Experiments
실행에 이름을 명시적으로 지정하지 않으면, W&B가 프로젝트 내에서 실행을 식별할 수 있도록 무작위 이름을 부여합니다. 예를 들어, 무작위 이름으로는 pleasant-flower-4 및 misunderstood-glade-2 등이 있습니다.
​
Charts
요약값은 테이블에 표시되며, 로그는 추후 플로팅을 위해 모든 값을 저장합니다.예를 들어, 정확도가 변경될 때마다 run.log()를 호출합니다. 기본적으로 run.log()는 해당 메트릭에 대해 요약값을 수동으로 설정하지 않은 경우 요약값을 업데이트합니다.산점도와 평행좌표 플롯은 요약값을 사용하고, 선 플롯은 run.log로 기록된 모든 값을 표시합니다.일부 사용자는 가장 최근에 기록된 정확도 대신 최적의 정확도를 반영하도록 요약값을 수동으로 설정하기를 선호합니다.
​
Team Management
팀은 동일한 프로젝트에서 작업하는 사용자들을 위한 협업 작업 공간 역할을 합니다. 엔터티는 사용자 이름 또는 팀 이름을 나타냅니다. W&B에 실행을 로깅할 때는 wandb.init(entity="example-team")처럼 엔터티를 개인 계정 또는 팀 계정으로 설정합니다.
​
Team ManagementAdministrator
팀은 동일한 프로젝트에서 작업하는 사용자들을 위한 협업 작업 공간 역할을 합니다. 조직은 여러 팀을 포함할 수 있는 상위 수준의 엔터티로, 주로 결제 및 계정 관리를 위해 사용됩니다.
​
Experiments
다음과 같은 모드를 사용할 수 있습니다:
  • online(기본값): 클라이언트가 데이터를 wandb 서버로 전송합니다.
  • offline: 클라이언트가 데이터를 wandb 서버로 전송하는 대신 머신의 로컬에 저장합니다. 나중에 wandb sync 명령을 사용해 데이터를 동기화합니다.
  • disabled: 클라이언트가 모의 객체를 반환해 동작을 시뮬레이션하고, 모든 네트워크 통신을 차단합니다. 모든 로깅은 비활성화되지만, 모든 API 메서드 스텁은 계속 호출할 수 있습니다. 이 모드는 일반적으로 테스트에 사용됩니다.
​
Tensorboard
W&B는 TensorBoard와 통합되어 실험 추적 도구를 한층 개선합니다. W&B의 설립자들은 TensorBoard 사용자들이 겪는 일반적인 불편을 해결하기 위해 W&B를 만들었습니다. 주요 개선 사항은 다음과 같습니다:
  1. 모델 재현성: W&B는 실험, 탐색, 모델 재현을 쉽게 해 줍니다. 지표, 하이퍼파라미터, 코드 버전, 모델 체크포인트를 모두 기록하여 재현성을 보장합니다.
  2. 자동 정리: W&B는 시도한 모든 모델에 대한 개요를 제공하여 프로젝트 인수인계나 휴가 중에도 전체 상황을 쉽게 파악할 수 있게 합니다. 이를 통해 이전 실험을 다시 실행하느라 시간을 낭비하지 않도록 해 줍니다.
  3. 빠른 통합: W&B를 프로젝트에 5분 안에 통합할 수 있습니다. 무료 오픈소스 Python 패키지를 설치하고 몇 줄의 코드만 추가하세요. 로깅된 지표와 기록은 각 모델 실행과 함께 표시됩니다.
  4. 중앙화된 대시보드: 학습 위치와 상관없이—로컬, 연구실 클러스터, 클라우드 스팟 인스턴스 등—일관된 대시보드에 접근할 수 있습니다. 서로 다른 머신 간에 TensorBoard 파일을 직접 관리할 필요가 없습니다.
  5. 강력한 필터링 테이블: 다양한 모델의 결과를 검색, 필터, 정렬, 그룹화하여 효율적으로 살펴볼 수 있습니다. TensorBoard가 대규모 프로젝트에서 종종 어려움을 겪는, 서로 다른 작업에 대해 최상의 성능을 내는 모델을 쉽게 식별할 수 있습니다.
  6. 협업 도구: W&B는 복잡한 머신러닝 프로젝트에서의 협업을 강화합니다. 프로젝트 링크를 공유하고 비공개 팀을 활용해 결과를 공유하세요. 작업 로그나 발표 자료용으로 인터랙티브한 시각화와 마크다운 설명이 포함된 리포트를 만들 수 있습니다.
​
BillingAdministrator
구독 플랜을 다운그레이드하려면 현재 플랜 정보와 원하는 플랜을 포함해 support@wandb.com으로 지원팀에 문의하세요.
​
Reports
개인의 비공개 프로젝트 내에서 생성된 리포트는 해당 사용자에게만 보입니다. 사용자는 자신의 프로젝트를 팀 또는 공개로 공유할 수 있습니다.팀 프로젝트에서는 관리자나 리포트를 생성한 멤버가 다른 팀 구성원에 대해 편집 권한과 보기 권한을 전환할 수 있습니다. 팀 구성원은 리포트를 공유할 수 있습니다.리포트를 공유하려면 오른쪽 상단의 Share 버튼을 선택하세요. 이메일 주소를 입력하거나 매직 링크를 복사합니다. 이메일로 초대된 사용자는 리포트를 보기 위해 W&B에 로그인해야 하지만, 매직 링크를 가진 사용자는 로그인할 필요가 없습니다.공유된 리포트는 보기 전용 권한을 유지합니다.
​
Reports
리포트를 임베딩해서 공유할 수 있습니다. 리포트 오른쪽 상단의 Share 버튼을 클릭한 다음, 팝업 창 하단에서 임베드 코드를 복사하세요.
리포트 임베딩
​
Sweeps
Sweeps에서 코드 로깅을 활성화하려면 W&B 실행을 초기화한 뒤 wandb.log_code()를 추가하세요. 이는 W&B 프로필 설정에서 코드 로깅이 활성화되어 있더라도 반드시 필요한 작업입니다. 고급 코드 로깅에 대해서는 여기에서 wandb.log_code() 문서를 참조하세요.
​
Environment Variables
wandb.init에 전달된 인수가 환경 변수보다 우선하며, 환경 변수 값을 덮어씁니다. 환경 변수가 설정되지 않았을 때 시스템 기본값이 아닌 다른 기본 디렉터리를 사용하려면 wandb.init(dir=os.getenv("WANDB_DIR", my_default_override))를 사용하세요.
​
SweepsHyperparameter
W&B는 이산형 탐색 공간(discrete search space)을 사용하는 W&B Sweep을 생성할 때 생성될 실행의 예상 개수를 제공합니다. 이 총합은 탐색 공간의 데카르트 곱을 반영합니다.예를 들어, 다음과 같은 탐색 공간을 고려해 보겠습니다:
Estimated runs column
이 경우 데카르트 곱은 9입니다. W&B는 이 값을 앱 UI에서 예상 실행 횟수(Est. Runs)로 표시합니다:
Sweep run estimation
예상 실행 개수를 프로그래밍 방식으로 가져오려면, W&B SDK에서 Sweep 객체의 expected_run_count 속성을 사용합니다:
sweep_id = wandb.sweep(
    sweep_configs, project="your_project_name", entity="your_entity_name"
)
api = wandb.Api()
sweep = api.sweep(f"your_entity_name/your_project_name/sweeps/{sweep_id}")
print(f"EXPECTED RUN COUNT = {sweep.expected_run_count}")
​
AdministratorUser Management
W&B 조직에서 사용자 목록을 내보내려면, 관리자가 다음 코드와 함께 SCIM API를 사용합니다:
import base64
import requests

def encode_base64(username, key):
    auth_string = f'{username}:{key}'
    return base64.b64encode(auth_string.encode('utf-8')).decode('utf-8')

username = ''  # 조직 관리자 사용자 이름
key = ''  # API key
scim_base_url = 'https://api.wandb.ai/scim/v2'
users_endpoint = f'{scim_base_url}/Users'
headers = {
    'Authorization': f'Basic {encode_base64(username, key)}',
    'Content-Type': 'application/scim+json'
}

response = requests.get(users_endpoint, headers=headers)
users = []
for user in response.json()['Resources']:
    users.append([user['userName'], user['emails']['Value']])
필요에 따라 출력 결과를 저장하도록 스크립트를 수정하세요.
​
Artifacts
아티팩트 참조가 W&B에 로그되고 버킷에 버전 관리가 활성화되어 있다면, Version ID는 Amazon S3 UI에 표시됩니다. 이 Version ID와 ETag를 W&B에서 가져오려면, 아티팩트를 가져온 후 해당하는 매니페스트 엔트리에 접근합니다. 예시는 다음과 같습니다:
artifact = run.use_artifact("my_table:latest")
for entry in artifact.manifest.entries.values():
    versionID = entry.extra.get("versionID")
    etag = entry.extra.get("etag")
​
Logs
문제가 발생한 실행에 대해, 코드가 실행 중인 디렉터리의 wandb/run-<date>_<time>-<run-id>/logs 경로에서 debug.log와 debug-internal.log를 확인하세요.
​
ConnectivityOutage
W&B에서 “Filestream rate limit exceeded” 오류를 해결하려면 다음 단계를 따르세요:로깅 최적화:
  • API 요청을 줄이기 위해 로깅 빈도를 낮추거나 로그를 배치(batch)로 전송하세요.
  • 실험 시작 시간을 분산시켜 동시에 API 요청이 몰리지 않도록 하세요.
장애 여부 확인:
  • W&B 상태 업데이트를 확인하여, 문제가 일시적인 서버 측 장애로 인한 것이 아닌지 확인하세요.
지원팀에 문의:
  • W&B 지원팀(support@wandb.com)에 실험 구성 세부 정보를 함께 보내 rate limit 상향을 요청하세요.
​
Reports
검색 바를 사용해 보고서 목록을 필터링하세요. 개별로 삭제하려면 원하지 않는 보고서를 선택해 삭제하고, 전체 삭제를 원하면 모든 보고서를 선택한 후 ‘Delete Reports’를 클릭해 프로젝트에서 제거하세요.
원하지 않는 보고서 및 초안 삭제
​
SecurityUser Management
Dedicated Cloud 및 Self-Managed 환경에서는 다음과 같은 권한이 있습니다:
  • 조직 관리자는 조직의 모든 사용자 및 서비스 계정에 대한 API key를 조회하거나 목록을 확인할 수 있습니다.
  • 팀 관리자는 자신이 관리하는 팀의 서비스 계정에 대한 API key를 조회하거나 목록을 확인할 수 있습니다.
  • 비관리자 사용자는 자신의 API key만 조회하거나 목록을 확인할 수 있습니다.
API key를 찾으려면, 자세한 내용을 보려는 Personal API key 또는 Service Account API key 탭을 선택하세요.
사용자 ID가 소유한 personal API key를 찾으려면:
  1. W&B에 로그인한 후 사용자 프로필 아이콘을 클릭하고 User Settings를 클릭합니다.
  2. API Keys 섹션까지 스크롤합니다.
API keys 테이블에는 식별을 위해 key ID(각 API key의 첫 번째 부분)만 표시됩니다. 전체 비밀 API key 값은 생성 시에만 한 번 표시됩니다. 기존 key를 사용해야 하지만 전체 비밀 값을 저장해 두지 않았다면, 새 API key를 생성해야 합니다.
​
Artifacts
스윕에서 가장 성능이 좋은 실행의 아티팩트를 가져오려면 다음 코드를 사용하세요:
api = wandb.Api()
sweep = api.sweep("entity/project/sweep_id")
runs = sorted(sweep.runs, key=lambda run: run.summary.get("val_acc", 0), reverse=True)
best_run = runs[0]
for artifact in best_run.logged_artifacts():
    artifact_path = artifact.download()
    print(artifact_path)
​
Artifacts
W&B는 각 실행이 기록한 아티팩트와 각 실행에서 사용한 아티팩트를 추적하여 아티팩트 그래프를 구성합니다. 이 그래프는 실행과 아티팩트를 노드로 하는 이분 그래프이면서, 방향 비순환 그래프(DAG)입니다. 예시는 여기에서 확인할 수 있습니다(그래프를 확장하려면 “Explode”를 클릭하세요).Public API를 사용해 아티팩트 또는 실행 중 하나에서 시작하여 프로그래밍 방식으로 그래프를 탐색할 수 있습니다.
api = wandb.Api()

artifact = api.artifact("project/artifact:alias")

# 아티팩트에서 그래프를 위로 탐색:
producer_run = artifact.logged_by()
# 아티팩트에서 그래프를 아래로 탐색:
consumer_runs = artifact.used_by()

# 실행에서 그래프를 아래로 탐색:
next_artifacts = consumer_runs[0].logged_artifacts()
# 실행에서 그래프를 위로 탐색:
previous_artifacts = producer_run.used_artifacts()
​
Sweeps
설정 파일의 command 섹션에서 ${args_no_boolean_flags} 매크로를 사용해 하이퍼파라미터를 불리언 플래그로 전달하세요. 이 매크로는 불리언 파라미터를 자동으로 플래그로 포함합니다. param이 True이면 명령은 --param을 받습니다. param이 False이면 해당 플래그는 생략됩니다.
​
Tensorboard
지수 이동 평균 공식은 TensorBoard에서 사용하는 것과 동일합니다.동등한 Python 구현에 대한 자세한 내용은 Stack Overflow의 이 설명을 참고하세요. 이 문서를 작성하는 시점 기준 TensorBoard 스무딩 알고리즘의 소스 코드는 여기에서 확인할 수 있습니다.
​
Workspaces
일부 기능은 팀 설정의 Beta Features 섹션에 있는 기능 플래그 아래에 숨겨져 있습니다.
기능 플래그 아래에 숨겨진 사용 가능한 베타 기능
​
Experiments
“No visualization data logged yet” 메시지가 표시되면, 스크립트가 아직 첫 번째 wandb.log 호출을 실행하지 않았다는 의미입니다. 실행이 한 스텝을 완료하는 데 오래 걸리는 경우 이런 상황이 발생할 수 있습니다. 데이터가 더 빨리 표시되도록 하려면 에포크 마지막에만 로깅하지 말고, 에포크당 여러 번 로깅하세요.
​
RunsWorkspaces
그룹 내 개별 실행의 색상을 변경할 수는 없습니다. 동일한 그룹의 모든 실행은 동일한 색상을 사용합니다.
​
Runs
하나의 실행에는 여러 개의 태그를 지정할 수 있으므로 태그로는 그룹화할 수 없습니다. 대신 해당 실행들에 대해 config 객체에 값을 추가한 뒤, 이 config 값을 기준으로 그룹화하세요. 이는 API를 사용해 수행할 수 있습니다.
​
WorkspacesRuns
네, 태그나 사용자 정의 메타데이터를 사용해서도 실행을 분류할 수 있습니다. 이 작업은 프로젝트의 Workspace 및 Runs 뷰에 있는 Group 버튼을 사용해 수행할 수 있습니다.
​
AdministratorTeam Management
팀 관리자(Team admin)는 팀 설정의 Users 탭에서 사용자를 팀에서 제거할 수 있습니다.
​
Environment VariablesExperiments
  • WANDB_DIR=<path> 또는 wandb.init(dir=<path>): 학습 스크립트에 대해 생성되는 wandb 폴더의 위치를 제어합니다. 기본값은 ./wandb입니다. 이 폴더에는 실행의 데이터와 로그가 저장됩니다.
  • WANDB_ARTIFACT_DIR=<path> 또는 wandb.Artifact().download(root="<path>"): 아티팩트가 다운로드되는 위치를 제어합니다. 기본값은 ./artifacts입니다.
  • WANDB_CACHE_DIR=<path>: wandb.Artifact를 호출할 때 아티팩트가 생성 및 저장되는 위치입니다. 기본값은 ~/.cache/wandb입니다.
  • WANDB_CONFIG_DIR=<path>: config 파일이 저장되는 위치입니다. 기본값은 ~/.config/wandb입니다.
  • WANDB_DATA_DIR=<PATH>: 업로드 시 아티팩트를 스테이징하는 데 사용되는 위치를 제어합니다. 기본값은 ~/.cache/wandb-data/입니다.
​
ProjectsRuns
Public API를 사용하여 여러 실행을 한 번에 삭제할 수 있습니다:
import wandb

api = wandb.Api()
runs = api.runs('<entity>/<project>')
for run in runs:
    if <condition>:
        run.delete()
​
User Management
user settings에서 Delete account를 클릭하여 사용자 계정을 삭제하세요. 이 작업은 되돌릴 수 없으며 즉시 적용됩니다.
​
MetricsRuns
시스템 메트릭 로깅을 비활성화하려면 _disable_stats를 True로 설정합니다:
wandb.init(settings=wandb.Settings(x_disable_stats=True))
​
User Management
다음 방법 중 하나로 로그인 URL을 설정하세요:
  • 환경 변수 WANDB_BASE_URL을 Server URL로 설정합니다.
  • wandb login의 --host 플래그를 Server URL로 설정합니다.
​
LogsMetrics
이전 단계의 로그를 덮어쓰려면 forking과 rewind를 사용하세요.
​
MetricsRuns
시스템 메트릭을 로깅하는 빈도를 설정하려면 _stats_sampling_interval을 초 단위의 float 값으로 설정합니다. 기본값: 10.0.
wandb.init(settings=wandb.Settings(x_stats_sampling_interval=30.0))
​
Crashing And Hanging Runs
Python에서 wandb를 임포트할 때 AttributeError: module 'wandb' has no attribute 'init' 또는 AttributeError: module 'wandb' has no attribute 'login'와 같은 오류가 발생하면, wandb가 설치되지 않았거나 설치가 손상된 상태인데 현재 작업 디렉터리에 wandb 디렉터리가 존재하는 상황일 수 있습니다. 이 오류를 해결하려면 wandb를 제거하고 해당 디렉터리를 삭제한 다음, 다시 wandb를 설치하세요:
pip uninstall wandb; rm -rI wandb; pip install wandb
​
Experiments
Files 탭에는 최대 10,000개의 파일만 표시됩니다. 모든 파일을 다운로드하려면 public API를 사용하세요:
import wandb

api = wandb.Api()
run = api.run('<entity>/<project>/<run_id>')
run.file('<file>').download()

for f in run.files():
    if <condition>:
        f.download()
​
ResumingRuns
resume='must' but run (<run_id>) doesn't exist 오류가 발생하는 경우, 재개하려는 실행이 해당 프로젝트 또는 엔터티 내에 존재하지 않는 것입니다. 올바른 인스턴스에 로그인했는지, 그리고 프로젝트와 엔터티가 올바르게 설정되었는지 확인하세요:
wandb.init(entity=<entity>, project=<project>, id=<run-id>, resume='must')
인증이 정상인지 확인하려면 wandb login --relogin을 실행하세요.
​
Reports
LaTeX는 리포트에 자연스럽게 통합되어 사용 가능합니다. LaTeX를 추가하려면 새 리포트를 생성한 다음, 리치 텍스트 영역에 입력을 시작해 노트를 작성하고 사용자 정의 시각화 및 테이블을 저장하세요.새 줄에서 / 키를 누른 다음 인라인 방정식 탭으로 이동하여 LaTeX 내용을 삽입하세요.
​
Inference
401 Invalid Authentication 오류는 API key가 잘못되었거나 W&B 프로젝트 엔터티/이름이 올바르지 않다는 의미입니다.

​
API key 확인

  1. User Settings에서 새 API key를 생성합니다.
  2. API key를 안전하게 보관합니다.

​
프로젝트 구성 확인

프로젝트가 <your-team>/<your-project> 형식으로 올바르게 지정되었는지 확인하세요:Python 예시:
client = openai.OpenAI(
    base_url='https://api.inference.wandb.ai/v1',
    api_key="<your-api-key>",
    project="<your-team>/<your-project>",  # W&B 팀과 프로젝트와 일치해야 합니다.
)
Bash 예시:
curl https://api.inference.wandb.ai/v1/chat/completions \
  -H "Authorization: Bearer <your-api-key>" \
  -H "OpenAI-Project: <your-team>/<your-project>"

​
자주 발생하는 실수

  • 팀 이름 대신 개인 엔터티를 사용하는 경우
  • 팀 또는 프로젝트 이름의 철자가 잘못된 경우
  • 팀과 프로젝트 사이에 슬래시(/)가 없는 경우
  • 만료되었거나 삭제된 API key를 사용하는 경우

​
여전히 문제가 있나요?

  • W&B 계정에서 해당 팀과 프로젝트가 존재하는지 확인하세요.
  • 지정된 팀에 대한 액세스 권한이 있는지 확인하세요.
  • 현재 API key가 작동하지 않는 경우 새 API key를 생성해 보세요.
​
Inference
W&B Inference 오류를 안정적으로 처리하고 신뢰할 수 있는 애플리케이션을 유지하려면 다음 모범 사례를 따르세요.

​
1. 항상 오류 처리 로직을 구현하세요

API 호출을 try-except 블록으로 감싸세요:
import openai

try:
    response = client.chat.completions.create(
        model="meta-llama/Llama-3.1-8B-Instruct",
        messages=messages
    )
except Exception as e:
    print(f"Error: {e}")
    # 오류를 적절히 처리하세요

​
2. 지수 백오프를 사용하는 재시도 로직을 구현하세요

import time
from typing import Optional

def call_inference_with_retry(
    client, 
    messages, 
    model: str,
    max_retries: int = 3,
    base_delay: float = 1.0
) -> Optional[str]:
    for attempt in range(max_retries):
        try:
            response = client.chat.completions.create(
                model=model,
                messages=messages
            )
            return response.choices[0].message.content
        except Exception as e:
            if attempt == max_retries - 1:
                raise
            
            # 지수 백오프를 사용해 지연 시간을 계산합니다
            delay = base_delay * (2 ** attempt)
            print(f"Attempt {attempt + 1} failed, retrying in {delay}s...")
            time.sleep(delay)
    
    return None

​
3. 사용량을 모니터링하세요

  • W&B Billing 페이지에서 크레딧 사용량을 추적하세요
  • 한도에 도달하기 전에 알림을 설정하세요
  • 애플리케이션에서 API 사용량을 로깅하세요

​
4. 특정 오류 코드를 처리하세요

def handle_inference_error(error):
    error_str = str(error)
    
    if "401" in error_str:
        # 잘못된 인증
        raise ValueError("Check your API key and project configuration")
    elif "402" in error_str:
        # 크레딧 부족
        raise ValueError("Insufficient credits")
    elif "429" in error_str:
        # 요청 한도 초과
        return "retry"
    elif "500" in error_str or "503" in error_str:
        # 서버 오류
        return "retry"
    else:
        # 알 수 없는 오류
        raise

​
5. 적절한 타임아웃을 설정하세요

사용 사례에 맞는 합리적인 타임아웃을 구성하세요:
# 긴 응답에 대한 설정
client = openai.OpenAI(
    base_url='https://api.inference.wandb.ai/v1',
    api_key="your-api-key",
    timeout=60.0  # 60초 타임아웃
)

​
추가 팁

  • 디버깅을 위해 타임스탬프와 함께 오류를 로깅하세요
  • 더 나은 동시성 처리를 위해 비동기 작업을 사용하세요
  • 프로덕션 시스템에서는 서킷 브레이커를 구현하세요
  • API 호출을 줄이기 위해 적절할 때는 응답을 캐싱하세요
​
Inference
“insufficient quota” (402) 오류는 요금제에 남아 있는 크레딧이 없을 때 발생합니다.오류: “You exceeded your current quota, please check your plan and billing details”해결 방법:
  • W&B Billing 페이지에서 크레딧 잔액을 확인하세요
  • 더 많은 크레딧을 구매하거나 요금제를 업그레이드하세요
  • support 팀에 한도 상향을 요청하세요
​
Inference
“Country, region, or territory not supported”라는 메시지와 함께 403 오류가 발생하는 경우, 지원되지 않는 위치에서 W&B Inference에 액세스하고 있음을 의미합니다.

​
발생 원인

W&B Inference는 규정 준수 및 규제 요구사항으로 인해 지리적 제약이 있습니다. 이 서비스는 지원되는 지리적 위치에서만 액세스할 수 있습니다.

​
할 수 있는 일

  1. 이용 약관을 확인하세요
  2. 지원되는 위치에서 사용하세요
    • 지원되는 국가 또는 지역에 있을 때 서비스에 액세스하세요
    • 지원되는 위치에 있는 조직의 리소스를 사용하는 방안을 고려하세요
  3. 계정 담당 팀에 문의하세요
    • 엔터프라이즈 고객은 담당 영업 대표와 옵션을 논의할 수 있습니다
    • 일부 조직은 별도의 계약을 체결한 경우가 있을 수 있습니다

​
오류 세부 정보

다음과 같은 오류가 표시되는 경우:
{
  "error": {
    "code": 403,
    "message": "Country, region, or territory not supported"
  }
}
이 오류는 API 요청 시점의 IP 주소 위치를 기준으로 결정됩니다.
​
Inference
Rate limit 오류(429)는 동시 실행 한도를 초과할 때 발생합니다.Error: “Concurrency limit reached for requests”Solution:
  • 병렬 요청 수를 줄입니다.
  • 요청 사이에 지연을 추가합니다.
  • 지수 백오프(exponential backoff)를 구현합니다.
  • 참고: Rate limit은 W&B 프로젝트 단위로 적용됩니다.

​
rate limit을 피하기 위한 모범 사례

  1. 지수 백오프가 포함된 재시도 로직 구현: 
    import time

def retry_with_backoff(func, max_retries=3):
    for i in range(max_retries):
        try:
            return func()
        except Exception as e:
            if "429" in str(e) and i < max_retries - 1:
                time.sleep(2 ** i)
            else:
                raise
  2. 병렬 요청 대신 배치 처리 사용
  3. W&B Billing 페이지에서 사용량 모니터링

​
기본 지출 상한

  • Pro 계정: 월 $6,000
  • Enterprise 계정: 연 $700,000
한도를 조정하려면 담당 영업 또는 지원팀에 문의하세요.
​
Inference
서버 오류는 W&B Inference 서비스에 일시적인 문제가 있음을 나타냅니다.

​
오류 유형

​
500 - Internal Server Error

Message: “The server had an error while processing your request”서버 측에서 발생한 일시적인 내부 오류입니다.

​
503 - Service Overloaded

Message: “The engine is currently overloaded, please try again later”서비스에 트래픽이 과도하게 몰린 상태입니다.

​
서버 오류 처리 방법

  1. 재시도 전에 대기
    • 500 오류: 30-60초 대기
    • 503 오류: 60-120초 대기
  2. 지수 백오프 사용 
    import time
import openai

def call_with_retry(client, messages, model, max_retries=5):
    for attempt in range(max_retries):
        try:
            return client.chat.completions.create(
                model=model,
                messages=messages
            )
        except Exception as e:
            if "500" in str(e) or "503" in str(e):
                if attempt < max_retries - 1:
                    wait_time = min(60, (2 ** attempt))
                    time.sleep(wait_time)
                else:
                    raise
            else:
                raise
  3. 적절한 타임아웃 설정
    • HTTP 클라이언트의 타임아웃 값을 늘립니다.
    • 더 나은 처리를 위해 비동기 작업을 고려합니다.

​
지원팀에 문의해야 할 때

다음과 같은 경우 지원팀에 문의하세요:
  • 오류가 10분 이상 지속되는 경우
  • 특정 시간대에 반복적인 장애 패턴이 보이는 경우
  • 오류 메시지에 추가 상세 정보가 포함된 경우
다음 정보를 제공하세요:
  • 오류 메시지 및 코드
  • 오류가 발생한 시각
  • 코드 스니펫(API key는 제거)
  • W&B 엔터티와 프로젝트 이름
​
ConnectivityCrashing And Hanging Runs
실행 초기화 타임아웃 오류를 해결하려면 다음 단계를 따르세요:
  • 초기화 재시도: 실행을 다시 시작해 보세요.
  • 네트워크 연결 확인: 인터넷 연결이 안정적인지 확인하세요.
  • wandb 버전 업데이트: 최신 버전의 wandb를 설치하세요.
  • 타임아웃 설정 증가: WANDB_INIT_TIMEOUT 환경 변수를 수정하세요: 
    import os
os.environ['WANDB_INIT_TIMEOUT'] = '600'
  • 디버깅 활성화: 자세한 로그를 위해 WANDB_DEBUG=true 및 WANDB_CORE_DEBUG=true를 설정하세요.
  • 구성 확인: API key와 프로젝트 설정이 올바른지 확인하세요.
  • 로그 검토: debug.log, debug-internal.log, debug-core.log, output.log에서 오류를 확인하세요.
​
Experiments
이 오류는 서버로 데이터를 동기화하는 프로세스를 시작하는 과정에서 라이브러리에 문제가 발생했음을 나타냅니다.다음 해결 방법은 특정 환경에서 문제를 해결하는 데 도움이 됩니다:
wandb.init(settings=wandb.Settings(start_method="fork"))
​
ReportsWysiwygTables
테이블은 Markdown 기능 가운데 WYSIWYG에서 직접 지원되지 않는 유일한 요소입니다. 테이블을 추가하려면 Markdown 블록을 삽입한 다음 그 안에 테이블을 작성하십시오.
​
Python
wandb를 설치할 때 다음과 같은 오류가 발생하면:
unable to execute 'gcc': No such file or directory
error: command 'gcc' failed with exit status 1
미리 빌드된 wheel 파일을 사용해 psutil을 직접 설치하십시오. https://pywharf.github.io/pywharf-pkg-repo/psutil에서 Python 버전과 운영 체제를 확인합니다.예를 들어, Linux의 Python 3.8에서 psutil을 설치하려면:
WHEEL_URL=https://github.com/pywharf/pywharf-pkg-repo/releases/download/psutil-5.7.0-cp38-cp38-manylinux2010_x86_64.whl#sha256=adc36dabdff0b9a4c84821ef5ce45848f30b8a01a1d5806316e068b5fd669c6d
pip install $WHEEL_URL
psutil을 설치한 후 pip install wandb를 실행하여 wandb 설치를 완료하십시오.
​
Experiments
W&B는 업로드할 파일이나 데이터를 명시적으로 지정하는 방식으로 스칼라만 기록하는 프로젝트를 지원합니다. 이미지를 사용하지 않고 로깅을 수행하는 방법을 보여 주는 PyTorch 예제를 참고하십시오.
​
Environment VariablesOutage
라이브러리가 인터넷에 연결할 수 없으면 재시도 루프에 들어가고, 네트워크가 복구될 때까지 지표를 스트리밍하려고 계속 시도합니다. 이 동안에도 프로그램은 계속 실행됩니다.인터넷이 없는 머신에서 실행하려면 WANDB_MODE=offline을 설정하십시오. 이 설정은 지표를 하드 드라이브에 로컬로 저장합니다. 이후 wandb sync DIRECTORY를 호출해 데이터를 서버로 스트리밍할 수 있습니다.
​
AdministratorTeam Management
팀에 참여하려면 다음 단계를 따르십시오:
  • 초대를 요청하기 위해 팀 관리자 또는 관리자 권한이 있는 사용자에게 연락합니다.
  • 초대 이메일을 확인하고, 지시에 따라 팀에 가입합니다.
​
AdministratorTeam ManagementMetrics
기본적으로 W&B는 데이터셋 예제를 기록하지 않습니다. 기본 설정에서는 코드와 시스템 지표를 기록합니다.환경 변수를 사용해 코드 로깅을 끄는 방법은 두 가지가 있습니다:
  1. 모든 코드 추적을 끄려면 WANDB_DISABLE_CODE를 true로 설정하십시오. 이 작업은 git SHA와 diff 패치를 가져오지 않도록 합니다.
  2. diff 패치를 로컬에는 남겨 두고 서버로의 동기화만 중단하려면 WANDB_IGNORE_GLOBS를 *.patch로 설정하십시오. 그러면 wandb restore로 diff 패치를 로컬에서 적용할 수 있습니다.
관리자인 경우, 팀 설정에서 팀에 대한 코드 저장 기능을 끌 수도 있습니다:
  1. https://wandb.ai/<team>/settings에서 팀 설정으로 이동합니다. 여기서 <team>은 팀 이름입니다.
  2. Privacy 섹션으로 스크롤합니다.
  3. Enable code saving by default 토글을 전환합니다.
​
Experiments
가능합니다. 실행 이름을 실행 ID로 덮어쓰려면 다음 코드 스니펫을 사용하십시오:
import wandb

with wandb.init() as run:
   run.name = run.id
   run.save()
​
Crashing And Hanging Runs
W&B로 계측된 스크립트를 중지하려면 키보드에서 Ctrl+D를 누르십시오.
​
Experiments
단일 스크립트 내에서 여러 실행을 기록하려면 새 실행을 시작하기 전에 이전 실행을 완료해야 합니다.권장되는 방법은 wandb.init()를 컨텍스트 매니저로 사용하는 것입니다. 이렇게 하면 스크립트에서 예외가 발생할 경우 실행을 종료하고 실패한 것으로 표시합니다:
import wandb

for x in range(10):
    with wandb.init() as run:
        for y in range(100):
            run.log({"metric": x + y})
또는 run.finish()를 명시적으로 호출할 수도 있습니다:
import wandb

for x in range(10):
    run = wandb.init()

    try:
        for y in range(100):
            run.log({"metric": x + y})

    except Exception:
        run.finish(exit_code=1)
        raise

    finally:
        run.finish()

​
여러 개의 활성 실행

wandb 0.19.10부터 reinit 설정을 "create_new"로 지정하여 동시에 활성인 여러 실행을 만들 수 있습니다.
import wandb

with wandb.init(reinit="create_new") as tracking_run:
    for x in range(10):
        with wandb.init(reinit="create_new") as run:
            for y in range(100):
                run.log({"x_plus_y": x + y})

            tracking_run.log({"x": x})
reinit="create_new"에 대한 자세한 내용과 W&B 통합 관련 주의 사항은 프로세스당 여러 실행을 참고하세요.
​
Administrator
Debug Bundle을 확인하세요. 관리자 계정은 오른쪽 상단의 W&B 아이콘을 선택한 후 /system-admin 페이지에서 Debug Bundle을 선택해 Debug Bundle을 다운로드할 수 있습니다.
Debug Bundle 다운로드
시스템 설정
​
RunsMetrics
실험을 관리하는 방법은 여러 가지가 있습니다.복잡한 워크플로의 경우, 여러 실행을 사용하고 wandb.init()의 group 파라미터를 단일 실험 내의 모든 프로세스에 대해 고유한 값으로 설정하세요. 그러면 Runs 탭이 테이블을 group ID별로 그룹화하여 시각화가 올바르게 동작하도록 합니다. 이 방법을 사용하면 하나의 위치에 결과를 기록하면서도 동시에 여러 실험과 학습 실행을 수행할 수 있습니다.더 단순한 워크플로의 경우, resume=True와 id=UNIQUE_ID로 wandb.init()을 호출한 다음 동일한 id=UNIQUE_ID로 다시 wandb.init()을 호출하세요. run.log() 또는 run.summary()를 사용해 평소처럼 로그를 기록하면 실행 값이 그에 맞게 업데이트됩니다.
​
Artifacts
때때로, 이전에 기록된 실행의 출력으로 아티팩트를 표시해야 할 때가 있습니다. 이 경우, 이전 실행을 다시 초기화한 뒤 다음과 같이 새 아티팩트를 기록하세요:
with wandb.init(id="existing_run_id", resume="allow") as run:
    artifact = wandb.Artifact("artifact_name", "artifact_type")
    artifact.add_file("my_data/file.txt")
    run.log_artifact(artifact)
​
RunsLogs
W&B로 로그를 남기는 자동 테스트나 내부 도구를 실행하려면 팀 설정 페이지에서 Service Account를 생성하세요. 이렇게 하면 지속적 통합을 통해 실행되는 작업을 포함하여 자동화된 작업에 서비스 API key를 사용할 수 있습니다. Service Account 작업을 특정 사용자에게 귀속하려면 WANDB_USERNAME 또는 WANDB_USER_EMAIL 환경 변수를 설정하세요.
Service Account 생성
​
LogsExperiments
다음 예제에서는 wandb.Run.log()을 사용해 손실 값을 여러 방식으로 로깅하는 방법을 보여줍니다.
import wandb

# 새로운 실행 초기화
with wandb.init(project="log-list-values", name="log-dict") as run:
    # 손실 값을 딕셔너리로 로깅
    losses = [0.1, 0.2, 0.3, 0.4, 0.5]
    run.log({"losses": losses})
    run.log({f"losses/loss-{ii}": loss for ii, loss in enumerate(losses)})
자세한 내용은 로깅 관련 문서를 참조하세요.
​
Runs
run.log({'final_accuracy': 0.9})를 사용하면 최종 정확도가 올바르게 업데이트됩니다. 기본적으로 run.log({'final_accuracy': <value>})는 Runs 테이블에 표시되는 값을 반영하는 run.settings['final_accuracy']를 업데이트합니다.
​
ExperimentsMetrics
각 배치마다 특정 메트릭을 로깅하고 플롯을 표준화하려면, 원하는 x축 값들을 메트릭과 함께 로깅하세요. 사용자 정의 플롯에서 편집을 클릭한 다음 사용자 정의 x축을 선택합니다.
import wandb

with wandb.init() as run:
    run.log({"batch": batch_idx, "loss": 0.3})
    run.log({"epoch": epoch, "val_acc": 0.94})
​
ExperimentsMetrics
예를 들어, 배치마다 학습 정확도를, 에포크마다 검증 정확도를 로깅하고 싶습니다.가능합니다. batch와 epoch 같은 인덱스를 메트릭과 함께 로깅하세요. 한 단계에서는 wandb.Run.log()({'train_accuracy': 0.9, 'batch': 200})를 사용하고, 다른 단계에서는 wandb.Run.log()({'val_accuracy': 0.8, 'epoch': 4})를 사용합니다. UI에서 각 차트에 대해 원하는 값을 x축으로 설정합니다. 특정 인덱스에 대한 기본 x축을 설정하려면 Run.define_metric()을 사용하세요. 위 예시의 경우 다음 코드를 사용합니다:
import wandb

with wandb.init() as run:
   run.define_metric("batch")
   run.define_metric("epoch")

   run.define_metric("train_accuracy", step_metric="batch")
   run.define_metric("val_accuracy", step_metric="epoch")
​
Experiments
전송되는 포인트 수는 UI에서 그래프 로딩 시간에 영향을 줍니다. 1,000 포인트를 초과하는 선에 대해서는, 백엔드가 데이터를 1,000 포인트로 샘플링한 후 브라우저로 전송합니다. 이 샘플링은 비결정적이므로, 페이지를 새로고침할 때마다 샘플링된 포인트가 달라질 수 있습니다.메트릭당 10,000 포인트 미만으로 로깅하는 것이 좋습니다. 한 선에 100만 포인트 이상을 로깅하면 페이지 로딩 시간이 크게 증가합니다. 정확도를 유지하면서 로깅 양을 최소화하는 전략은 이 Colab을 참고하세요. config 및 요약 메트릭 컬럼이 500개를 초과하는 경우 테이블에는 500개만 표시됩니다.
​
Team Management
2024년 5월 21일 이후에 생성된 계정에는 개인 엔터티가 제공되지 않습니다. W&B는 모든 사용자가 결과 공유를 위해 새 프로젝트를 팀에 로깅하도록 권장합니다.
​
Logs
공유 머신을 사용할 때는 인증을 위해 WANDB_API_KEY 환경 변수를 설정하여 실행 로그가 올바른 W&B 계정으로 기록되도록 하십시오. 이 변수가 환경에 설정되어 있으면 로그인 시 올바른 자격 증명이 자동으로 적용됩니다. 또는 스크립트 안에서 직접 환경 변수를 설정할 수도 있습니다.export WANDB_API_KEY=X 명령을 실행하고, X를 자신의 API key로 바꾸십시오. API key는 wandb.ai/settings에서 생성할 수 있습니다.
​
Experiments
“로깅 함수는 지연(lazy) 동작인가요? 로컬 연산을 수행하는 동안 결과를 서버로 보내기 위해 네트워크에 의존하고 싶지 않습니다.”wandb.log 함수는 한 줄을 로컬 파일에 기록하며, 네트워크 호출을 차단하지 않습니다. wandb.init을 호출하면 동일한 머신에서 새 프로세스가 시작됩니다. 이 프로세스는 파일 시스템 변경 사항을 감지하고 웹 서비스와 비동기적으로 통신하므로, 로컬 연산을 중단 없이 계속할 수 있습니다.
​
Logs
wandb offline 명령은 환경 변수 WANDB_MODE=offline을 설정하여 데이터가 원격 W&B 서버로 동기화되는 것을 막습니다. 이 동작은 모든 프로젝트에 영향을 미치며, W&B 서버로의 데이터 로깅을 중지합니다.경고 메시지를 표시하지 않으려면 다음 코드를 사용하십시오:
import logging

logger = logging.getLogger("wandb")
logger.setLevel(logging.WARNING)
​
Experiments
W&B의 메트릭 이름은 UI에서 올바르게 정렬 및 필터링할 수 있도록 GraphQL 명명 규칙을 따라야 합니다.

​
유효한 메트릭 이름

  • 허용되는 문자: 알파벳(A-Z, a-z), 숫자(0-9), 밑줄(_)
  • 시작 문자: 이름은 문자 또는 밑줄로 시작해야 합니다.
  • 패턴: 메트릭 이름은 /^[_a-zA-Z][_a-zA-Z0-9]*$/ 패턴과 일치해야 합니다.
이 규칙을 따르지 않는 메트릭은 W&B UI에서 정렬하거나 필터링할 수 없을 수 있습니다.

​
예시

유효한 메트릭 이름:
with wandb.init() as run:
  run.log({"accuracy": 0.9, "val_loss": 0.1, "epoch_5": 5})
  run.log({"modelAccuracy": 0.95, "learning_rate": 0.001})
유효하지 않은 메트릭 이름(다음은 피하십시오):
with wandb.init() as run:
  run.log({"acc,val": 0.9})  # 콤마를 포함함
  run.log({"loss-train": 0.1})  # 하이픈을 포함함
  run.log({"test acc": 0.95})  # 공백을 포함함
  run.log({"5_fold_cv": 0.8})  # 숫자로 시작함

​
권장 해결 방법

유효하지 않은 문자를 밑줄과 같은 유효한 문자로 변경하십시오:
  • "test acc" 대신 "test_acc" 사용
  • "loss-train" 대신 "loss_train" 사용
  • "acc,val" 대신 "acc_val" 사용
자세한 내용은 Metric naming constraints를 참조하십시오.
​
AdministratorBillingTeam Management
Teams 플랜에는 월간 구독 옵션이 없습니다. 이 구독은 연간으로 청구됩니다.
​
Runs
다음 단계를 따르면 한 프로젝트에서 다른 프로젝트로 실행을 옮길 수 있습니다:
  • 옮기려는 실행이 포함된 프로젝트 페이지로 이동합니다.
  • Runs 탭을 클릭하여 실행 테이블을 엽니다.
  • 옮길 실행을 선택합니다.
  • Move 버튼을 클릭합니다.
  • 대상 프로젝트를 선택하고 작업을 확인합니다.
W&B는 UI를 통해 실행 이동을 지원하지만, 실행 복사는 지원하지 않습니다. 실행과 함께 로깅된 아티팩트는 새 프로젝트로 자동으로 이동되지 않습니다. 아티팩트를 실행의 새 위치로 수동으로 옮기려면 wandb artifact get SDK 명령이나 Api.artifact API를 사용해 아티팩트를 다운로드한 다음, wandb artifact put 또는 Api.artifact API를 사용해 실행의 새 위치로 업로드할 수 있습니다.
​
Reports
W&B Reports에서 다음 단계를 따르세요:
  1. 여러 개의 패널 그리드(panel grid)를 생성합니다.
  2. 각 패널 그리드에 필터를 적용하여 원하는 실행 집합을 선택합니다.
  3. 패널 그리드 안에서 원하는 차트를 생성합니다.
​
Experiments
학습 프로그램이 여러 프로세스를 사용하는 경우, wandb.init()이 호출되지 않은 프로세스에서 wandb 메서드를 호출하지 않도록 프로그램 구조를 설계해야 합니다.다음과 같은 방식으로 멀티프로세스 학습을 관리할 수 있습니다:
  1. 모든 프로세스에서 wandb.init을 호출하고, group 키워드 인자를 사용해 공유 그룹을 생성합니다. 각 프로세스는 자체 wandb 실행을 가지며, UI에서 학습 프로세스들이 하나의 그룹으로 묶여 표시됩니다.
  2. 하나의 프로세스에서만 wandb.init을 호출하고, multiprocessing queues를 통해 로그로 남길 데이터를 전달합니다.
이러한 접근 방법에 대한 자세한 설명과 Torch DDP 코드 예시는 Distributed Training Guide를 참고하세요.
​
Experiments
예, W&B는 multiprocessing 라이브러리를 사용합니다. 다음과 같은 오류 메시지는 문제가 있을 가능성을 나타냅니다:
An attempt has been made to start a new process before the current process 
has finished its bootstrapping phase.
이 문제를 해결하려면 if __name__ == "__main__":와 같은 엔트리 포인트 보호 구문을 추가하세요. 이 보호 코드는 스크립트에서 W&B를 직접 실행할 때 필요합니다.
​
Sweeps
딕셔너리처럼 동작하는 run.config()를 사용해 sweep 설정에서 하이퍼파라미터 이름과 값을 가져올 수 있습니다.sweep 외부의 실행에서는, wandb.init()의 config 인자에 딕셔너리를 전달하여 wandb.Run.config() 값을 설정합니다. sweep 안에서는 wandb.init()에 전달된 설정이 기본값으로 사용되며, sweep이 이를 덮어쓸 수 있습니다.명시적인 동작을 위해 wandb.Run.config.setdefaults()를 사용하세요. 아래 코드 예제는 두 가지 방법을 모두 보여줍니다:
# 하이퍼파라미터 기본값 설정
config_defaults = {"lr": 0.1, "batch_size": 256}

# 실행을 시작하고 기본값을 전달
# sweep에서 이 값을 덮어쓸 수 있음
with wandb.init(config=config_defaults) as run:
    # 여기에 학습 코드를 추가하세요
    ...
​
SweepsMetrics
단일 실행에서 여러 지표를 최적화하려면, 각 지표의 가중 합을 사용하세요.
with wandb.init() as run:
  # 개별 지표 로깅
  metric_a = run.summary.get("metric_a", 0.5)
  metric_b = run.summary.get("metric_b", 0.7)
  # ... 필요한 다른 지표들도 로깅
  metric_n = run.summary.get("metric_n", 0.9)

  # 가중치를 사용해 지표를 결합
  # 최적화 목표에 맞게 가중치를 조정하세요
  # 예를 들어 metric_a와 metric_n에 더 큰 비중을 두고 싶다면:  
  metric_combined = 0.3 * metric_a + 0.2 * metric_b + ... + 1.5 * metric_n
  run.log({"metric_combined": metric_combined})
새로 결합된 지표를 로그로 남기고, 최적화 대상(metric)으로 설정합니다:
metric:
  name: metric_combined
  goal: minimize
​
Experiments
/ 문자는 W&B UI에서 기록된 패널을 구분합니다. 기본적으로 / 앞에 오는 기록 항목 이름의 구간이 “Panel Section”이라고 하는 패널 그룹을 정의합니다.
import wandb

with wandb.init() as run:

   run.log({"val/loss": 1.1, "val/acc": 0.3})
   run.log({"train/loss": 0.1, "train/acc": 0.94})
Workspace 설정에서 /로 구분된 첫 번째 구간만 사용할지, 모든 구간을 사용할지에 따라 패널 그룹핑을 조정할 수 있습니다.
​
Workspaces
이 오류를 해결하려면 URL 끝에 ?workspace=clear를 추가하고 Enter 키를 누르세요. 그러면 초기화된 버전의 프로젝트 페이지 Workspace로 이동합니다.
​
Experiments
클래스 속성을 wandb.Run.log()에 전달하는 것은 피하세요. 속성은 네트워크 호출이 실행되기 전에 변경될 수 있습니다. 메트릭을 클래스 속성으로 저장하는 경우, wandb.Run.log() 호출 시점의 속성 값과 기록되는 메트릭이 일치하도록 딥 카피를 사용하세요.
​
Metrics
해당 메트릭으로 산점도를 만드세요. Edit 메뉴를 열고 Annotations를 선택합니다. 거기에서 값의 누적 최대값(running maximum)을 플롯할 수 있습니다.
​
Experiments
wandb.plot.line_series()로 다중 선 커스텀 차트를 생성하세요. 프로젝트 페이지에서 선 차트를 볼 수 있습니다. 범례를 추가하려면 wandb.plot.line_series()에 keys 인자를 포함하세요. 예를 들어:

with wandb.init(project="my_project") as run:

    run.log(
        {
            "my_plot": wandb.plot.line_series(
                xs=x_data, ys=y_data, keys=["metric_A", "metric_B"]
            )
        }
    )
다중 선 플롯에 대한 추가 설명은 Multi-line 탭 아래의 여기를 참고하세요.
​
Experiments
wandb.Run의 .name 속성에는 다음과 같이 접근할 수 있습니다:
import wandb

with wandb.init() as run:
   run_name = run.name
   print(f"The human-readable run name is: {run_name}")
​
PrivacyProjects
프로젝트의 공개 범위(가시성)를 변경하려면:
  1. W&B App에서 해당 프로젝트의 임의의 페이지에서 왼쪽 내비게이션의 Overview를 클릭합니다.
  2. 오른쪽 상단에서 Edit을 클릭합니다.
  3. Project visibility에 대해 새로운 값을 선택합니다:
    • Team(기본값): 팀만 프로젝트를 조회하고 편집할 수 있습니다.
    • Restricted: 초대된 멤버만 프로젝트에 접근할 수 있으며, 공개 접근은 비활성화됩니다.
    • Open: 누구나 실행을 제출하거나 리포트를 생성할 수 있지만, 편집은 팀만 할 수 있습니다. 강의 환경, 공개 벤치마크 대회, 기타 일시적인 상황에만 적합합니다.
    • Public: 누구나 프로젝트를 볼 수 있지만, 편집은 팀만 할 수 있습니다.
      W&B 관리자들이 Public 가시성을 비활성화했다면, 이 옵션을 선택할 수 없습니다. 대신, 보기 전용 W&B Report를 공유하거나 W&B 조직의 관리자에게 도움을 요청할 수 있습니다.
  4. Save를 클릭합니다.
프로젝트를 더 엄격한 공개 범위로 업데이트한 경우, 일부 사용자가 다시 프로젝트에 접근할 수 있도록 개별 사용자를 다시 초대해야 할 수 있습니다.
​
NotebooksEnvironment Variables
Failed to query for notebook name, you can set it manually with the WANDB_NOTEBOOK_NAME environment variable, 오류 메시지가 표시되면 환경 변수를 설정해 해결할 수 있습니다. 다음과 같은 여러 가지 방법이 있습니다:
%env "WANDB_NOTEBOOK_NAME" "notebook name here"
​
Experiments
실행 객체의 .save() 메서드를 호출해 현재 실행을 저장하세요. 그런 다음 실행 객체의 name 속성을 사용해 이름을 가져올 수 있습니다.
​
Artifacts
실행을 삭제할 때 연결된 아티팩트를 삭제할지 묻는 프롬프트가 표시됩니다. 이 옵션을 선택하면 아티팩트가 영구적으로 삭제되어, 나중에 실행 자체를 복원하더라도 복구할 수 없습니다.
​
Runs
삭제된 실행을 복구하려면 다음 단계를 수행하세요:
  • Project Overview 페이지로 이동합니다.
  • 오른쪽 상단의 점 세 개 아이콘을 클릭합니다.
  • Undelete recently deleted runs를 선택합니다.
참고:
  • 최근 7일 이내에 삭제된 실행만 복원할 수 있습니다.
  • 실행 복원이 불가능한 경우, W&B API를 사용해 로그를 수동으로 업로드할 수 있습니다.
​
ReportsWorkspaces
Workspace에서는 업데이트된 데이터를 자동으로 로드합니다. 자동 새로고침은 Report에는 적용되지 않습니다. Report 데이터를 새로고침하려면 페이지를 다시 로드하세요.
​
User Management
비밀번호 재설정 이메일을 받을 수 없을 때 계정에 다시 접근하려면 다음을 수행하세요:
  1. 스팸 또는 정크 폴더 확인: 이메일이 해당 폴더로 필터링되지 않았는지 확인합니다.
  2. 이메일 확인: 계정에 연결된 이메일 주소가 올바른지 확인합니다.
  3. SSO 옵션 확인: 가능하다면 “Sign in with Google”과 같은 서비스를 사용합니다.
  4. 지원팀에 문의: 문제가 계속되면 지원팀(support@wandb.com)에 연락해 사용자 이름과 이메일을 제공하고 도움을 받으세요.
​
Administrator
관리자 권한 없이 팀 공간에서 프로젝트를 제거하려면 다음 옵션을 따르세요:
  • 현재 관리자에게 프로젝트 제거를 요청합니다.
  • 관리자에게 프로젝트 관리용 임시 접근 권한을 요청합니다.
관리자와 연락할 수 없는 경우, 결제 관리자나 조직 내 다른 승인된 사용자에게 도움을 요청하세요.
​
Projects
프로젝트 이름을 변경하려면:
  • Project overview로 이동합니다.
  • Edit Project를 클릭합니다.
참고:
  • model-registry와 같이 보호된 프로젝트 이름은 변경할 수 없습니다. 보호된 이름과 관련해 도움이 필요하면 지원팀에 문의하세요.
​
Administrator
만료된 라이선스를 갱신하려면 support@wandb.com으로 지원팀에 연락해 갱신 절차 안내와 새 라이선스 키를 받으세요.
​
ReportsWysiwyg
목표는 WYSIWYG로 전환한 후에도 원래의 모양을 유지하는 것이지만, 변환 과정이 완벽하진 않습니다. 큰 차이가 발생하면 평가를 위해 문제를 보고해 주세요. 사용자는 편집 세션이 끝날 때까지 이전 상태로 되돌릴 수 있습니다.
​
ReportsWysiwyg
구형 하드웨어를 사용하거나 Report가 매우 클 경우 성능 문제가 발생할 수 있습니다. 이를 완화하려면 현재 사용하지 않는 Report 섹션을 접어 두세요.
​
Reports
예. 문서의 아무 곳에서나 “/mark”를 입력하고 Enter 키를 누르면 Markdown 블록이 삽입됩니다. 이를 통해 이전과 같이 Markdown으로 편집할 수 있습니다.
​
User Management
W&B 계정을 삭제하려면 User settings 페이지로 이동한 후 맨 아래로 스크롤하여 Delete Account 버튼을 클릭합니다.
​
SweepsHyperparameterRuns
​
User Management
로그인 문제를 해결하려면 다음 단계를 따르세요:
  • 접근 권한 확인: 올바른 이메일 또는 사용자 이름을 사용하고 있는지 확인하고, 관련 팀이나 프로젝트의 멤버십을 확인합니다.
  • 브라우저 문제 해결:
    • 캐시된 데이터의 영향을 피하기 위해 시크릿(incognito) 창을 사용합니다.
    • 브라우저 캐시를 삭제합니다.
    • 다른 브라우저나 기기에서 로그인을 시도합니다.
  • SSO 및 권한:
    • IdP(Identity Provider)와 Single Sign-On(SSO) 설정을 확인합니다.
    • SSO를 사용하는 경우, 적절한 SSO 그룹에 포함되어 있는지 확인합니다.
  • 기술적 문제:
    • 추가적인 문제 해결을 위해 구체적인 오류 메시지를 기록해 둡니다.
    • 문제가 지속되면 지원 팀에 연락하여 추가 도움을 받습니다.
​
RunsSecurity
W&B 엔터티에 실행을 로깅할 때 발생하는 권한 오류를 해결하려면 다음 단계를 따르세요:
  • 엔터티 및 프로젝트 이름 확인: 코드에서 W&B 엔터티 및 프로젝트 이름의 철자와 대소문자가 정확한지 확인합니다.
  • 권한 확인: 관리자에게 필요한 권한이 부여되었는지 확인합니다.
  • 로그인 자격 증명 확인: 올바른 W&B 계정으로 로그인되어 있는지 확인합니다. 다음 코드를 사용해 실행을 생성해 테스트합니다: 
    import wandb

run = wandb.init(entity="your_entity", project="your_project")
run.log({'example_metric': 1})
run.finish()
  • API key 설정: WANDB_API_KEY 환경 변수를 사용합니다: 
    export WANDB_API_KEY='your_api_key'
  • 호스트 정보 확인: 커스텀 배포의 경우 호스트 URL을 설정합니다: 
    wandb login --relogin --host=<host-url>
export WANDB_BASE_URL=<host-url>
​
Resuming
W&B에서 resume 파라미터를 사용하려면, entity, project, id를 지정한 상태에서 wandb.init()의 resume 인자를 설정하세요. resume 인자는 "must" 또는 "allow" 값을 허용합니다.
run = wandb.init(entity="your-entity", project="your-project", id="your-run-id", resume="must")
​
SweepsPython
sweep을 재개하려면, sweep_id를 wandb.agent() 함수에 전달하세요.
import wandb

sweep_id = "your_sweep_id"

def train():
    # 여기에 학습 코드를 작성하세요
    pass

wandb.agent(sweep_id=sweep_id, function=train)
​
Artifacts
민감한 데이터를 포함하는 아티팩트를 관리하거나 아티팩트 버전 삭제를 예약하려면 TTL(time-to-live) 정책을 설정하세요. 자세한 지침은 TTL guide를 참고하세요.
​
AdministratorSecurity
개인 및 서비스 계정 키는 교체(rotate)하거나 취소(revoke)할 수 있습니다. 새 API key 또는 서비스 계정 사용자를 생성한 다음, 스크립트가 새 키를 사용하도록 재구성하세요. 재구성이 완료되면 프로필이나 팀에서 기존 API key를 제거합니다.
​
AlertsNotebooks
아니요. Run Finished 알림(Run Finished 설정을 사용자 설정에서 활성화하는 경우)은 Python 스크립트에서만 동작하며, Jupyter Notebook 환경에서는 각 셀 실행마다 알림이 발생하는 것을 방지하기 위해 비활성화되어 있습니다.대신 노트북 환경에서는 run.alert()을(를) 사용하세요.
​
Crashing And Hanging Runs
이는 연결 문제를 의미합니다. 서버가 인터넷 연결을 잃고 W&B로의 데이터 동기화가 중단되면, 짧은 재시도 기간 이후 시스템이 해당 실행을 crashed 상태로 표시합니다.
​
Anonymous
누군가가 스크립트를 anonymous="allow"로 실행하면:
  1. 임시 계정 자동 생성: W&B는 로그인된 계정이 있는지 확인합니다. 없으면 익명 계정을 새로 만들고, 그 세션을 위한 API key를 저장합니다.
  2. 결과를 빠르게 로깅: 사용자는 스크립트를 반복 실행하고 W&B 대시보드에서 결과를 즉시 확인할 수 있습니다. 이러한 미인수(익명) 실행은 7일 동안 유지됩니다.
  3. 유용할 때 데이터 인수하기: 사용자가 W&B에서 가치 있는 결과를 확인하면, 페이지 상단 배너의 버튼을 클릭해 해당 실행 데이터를 실제 계정으로 저장할 수 있습니다. 인수하지 않으면 실행 데이터는 7일 후 삭제됩니다.
익명 실행 링크는 민감합니다. 이 링크를 가진 누구나 7일 동안 실험 결과를 조회하고 인수할 수 있으므로, 신뢰할 수 있는 사람에게만 공유하세요. 작성자의 신원을 숨긴 채 공개적으로 결과를 공유하려면, support@wandb.com으로 문의해 도움을 받으세요.
W&B 사용자가 스크립트를 찾고 실행하면, 일반 실행과 마찬가지로 그 결과는 해당 사용자의 계정에 정상적으로 로깅됩니다.
​
Sweeps
SLURM 스케줄링 시스템에서 sweeps를 사용할 때는, 각 스케줄된 잡에서 wandb agent --count 1 SWEEP_ID를 실행하세요. 이 명령은 단일 학습 잡을 실행한 후 종료하며, 하이퍼파라미터 탐색의 병렬성을 활용하면서도 리소스 요청에 대한 런타임 예측을 용이하게 합니다.
​
Experiments
학습이 오프라인 머신에서 수행되는 경우, 다음 단계로 결과를 서버에 업로드하세요:
  1. 환경 변수 WANDB_MODE=offline을 설정해, 인터넷 연결 없이 로컬에 메트릭을 저장합니다.
  2. 업로드할 준비가 되면, 해당 디렉토리에서 wandb init을 실행해 프로젝트 이름을 설정합니다.
  3. wandb sync YOUR_RUN_DIRECTORY를 사용해 메트릭을 클라우드 서비스로 전송하고, 호스팅된 웹 앱에서 결과를 확인합니다.
실행이 오프라인인지 확인하려면, wandb.init() 실행 후 run.settings._offline 또는 run.settings.mode를 확인하세요.
​
ProjectsRuns
최적의 성능을 위해 각 프로젝트의 실행 수를 대략 10,000개로 제한하세요.
​
Experiments
학습 중 머신과의 연결이 끊어졌을 가능성이 높습니다. wandb sync [PATH_TO_RUN]을(를) 실행해 데이터를 복구하세요. 실행 경로는 현재 실행 중인 실행의 Run ID와 일치하는, wandb 디렉토리 내의 폴더입니다.
​
Experiments
동일한 키로 서로 다른 데이터 타입을 로깅하면, 데이터베이스에서 이를 분리합니다. 이로 인해 UI 드롭다운에서 동일한 메트릭 이름이 여러 번 나타날 수 있습니다. 그룹화되는 데이터 타입은 number, string, bool, other(주로 배열), 그리고 Histogram, Image와 같은 모든 wandb 데이터 타입입니다. 이런 문제를 방지하려면, 각 키에 대해 한 가지 타입만 전송하세요.메트릭 이름은 대소문자를 구분하지 않습니다. "My-Metric"과 "my-metric"처럼 대소문자만 다른 이름은 사용하지 마세요.
​
Artifacts
wandb.init에서 save_code=True를 사용하면 실행을 시작하는 메인 스크립트 또는 노트북이 저장됩니다. 실행의 모든 코드를 저장하려면 코드를 아티팩트로 버전 관리하세요. 다음 예시는 이 과정을 보여줍니다:
code_artifact = wandb.Artifact(type="code")
code_artifact.add_file("./train.py")
wandb.log_artifact(code_artifact)
​
Experiments
wandb.init이 호출되면, 시스템은 원격 저장소 링크와 최신 커밋의 SHA를 포함한 git 정보를 자동으로 수집합니다. 이 정보는 실행 페이지(run page)에 표시됩니다. 이 정보를 보려면 스크립트를 실행할 때 현재 작업 디렉터리가 git으로 관리되는 폴더 내에 있는지 확인하세요.git 커밋과 실험을 실행하는 데 사용된 명령은 사용자에게는 계속 보이지만 외부 사용자에게는 숨겨집니다. 공개 프로젝트에서도 이러한 세부 정보는 비공개로 유지됩니다.
​
ExperimentsEnvironment VariablesMetrics
기본적으로 wandb.init은 메트릭을 클라우드로 실시간 동기화하는 프로세스를 시작합니다. 오프라인으로 사용하려면, 오프라인 모드를 활성화하고 나중에 동기화할 수 있도록 두 개의 환경 변수를 설정하세요.다음 환경 변수를 설정합니다:
  1. WANDB_API_KEY=$KEY, 여기서 $KEY는 User Settings에서 생성한 API key입니다.
  2. WANDB_MODE="offline".
다음은 스크립트에서 이를 구현하는 예시입니다:
import wandb
import os

os.environ["WANDB_API_KEY"] = "YOUR_KEY_HERE"
os.environ["WANDB_MODE"] = "offline"

config = {
    "dataset": "CIFAR10",
    "machine": "offline cluster",
    "model": "CNN",
    "learning_rate": 0.01,
    "batch_size": 128,
}

with wandb.init(project="offline-demo") as run:
    for i in range(100):
        run.log({"accuracy": i})
터미널 출력 예시는 아래와 같습니다:
오프라인 모드 터미널 출력
작업을 마친 후 다음 명령을 실행하여 데이터를 클라우드와 동기화합니다:
wandb sync wandb/dryrun-folder-name
클라우드 동기화 터미널 출력
​
Administrator
조직 설정 내에서 저장된 바이트, 추적된 바이트, 추적 시간을 확인할 수 있습니다. 다음 단계를 수행하세요:
  1. https://wandb.ai/account-settings/<organization-name>/settings에서 조직 설정 페이지로 이동합니다.
  2. Billing 탭을 선택합니다.
  3. Usage this billing period 섹션에서 View usage 버튼을 선택합니다.
<>로 둘러싸인 값을 조직 이름으로 바꾸세요.
​
ExperimentsMetrics
Step이 아닌 X축에 대해 메트릭을 시각화할 때는 더 적은 데이터 포인트가 보일 수 있습니다. 메트릭은 동일한 Step에서 로그되어야 동기화된 상태로 유지됩니다. 동일한 Step에서 로그된 메트릭만 샘플링되며, 샘플 간 보간 시 사용됩니다.지침메트릭은 하나의 log() 호출에 묶어서 로그하세요. 예를 들어, 다음과 같이 하는 대신:
import wandb
with wandb.init() as run:
    run.log({"Precision": precision})
    ...
    run.log({"Recall": recall})
다음과 같이 사용합니다:
import wandb
with wandb.init() as run:
    run.log({"Precision": precision, "Recall": recall})
step 파라미터를 수동으로 제어하려면, 다음과 같이 코드에서 메트릭을 동기화합니다:
with wandb.init() as run:
    step = 100  # 예시 step 값
    # Precision과 Recall을 동일한 step에서 로그
    run.log({"Precision": precision, "Recall": recall}, step=step)
두 log() 호출에서 step 값이 동일해야 메트릭이 동일한 step으로 로그되고 함께 샘플링됩니다. step 값은 각 호출에서 단조 증가해야 합니다. 그렇지 않으면 step 값은 무시됩니다.
​
Alerts
Teams에서 W&B 알림을 받으려면 다음 단계를 수행하세요:
  • Teams 채널용 이메일 주소를 설정합니다. 알림을 받고자 하는 Teams 채널에 대한 이메일 주소를 생성합니다.
  • W&B 알림 이메일을 Teams 채널의 이메일 주소로 전달합니다. W&B에서 이메일을 통해 알림을 보내도록 설정한 다음, 이 이메일이 Teams 채널의 이메일 주소로 전달되도록 구성합니다.
​
Administrator
서비스 계정은 사람 사용자가 아닌 머신 ID를 나타내며, 팀과 프로젝트 전반에 걸쳐 공통 작업을 자동화할 수 있습니다. 서비스 계정은 CI/CD 파이프라인, 자동화된 학습 작업, 기타 머신 간 워크플로에 적합합니다.서비스 계정의 주요 이점:
  • 라이선스 소모 없음: 서비스 계정은 사용자 시트나 라이선스를 소모하지 않습니다.
  • 전용 API key: 자동화된 워크플로를 위한 안전한 자격 증명을 제공합니다.
  • 사용자 귀속: 자동화된 실행을 사람 사용자에게 선택적으로 귀속할 수 있습니다.
  • 엔터프라이즈 준비 완료: 대규모 프로덕션 자동화를 위해 설계되었습니다.
  • 위임된 작업: 서비스 계정은 이를 생성한 사용자 또는 조직을 대신하여 작업합니다.
그 외에도, 서비스 계정은 주기적 재학습, 야간 빌드 등과 같이 wandb에 로깅되는 자동화된 작업을 추적하는 데 유용합니다. 원한다면, 이러한 머신이 시작한 실행 중 하나에 WANDB_USERNAME 또는 WANDB_USER_EMAIL 환경 변수를 사용해 사용자 이름을 연결할 수 있습니다.모범 사례와 상세 설정 방법을 포함한 서비스 계정에 대한 전체 정보는 서비스 계정을 사용해 워크플로 자동화하기를 참조하세요. 팀 환경에서 서비스 계정이 어떻게 동작하는지에 대한 정보는 팀 서비스 계정 동작을 참조하세요.팀 범위의 서비스 계정과 API key를 새로 생성하려면:
  1. 팀 설정에서 Service Accounts를 클릭합니다.
  2. New Team Service Account를 클릭합니다.
  3. 서비스 계정 이름을 입력합니다.
  4. 인증 방법을 기본값인 Generate API key로 설정합니다. Federated Identity를 선택하면 해당 서비스 계정은 API key를 소유할 수 없습니다.
  5. Create를 클릭합니다.
  6. 방금 생성한 서비스 계정을 찾습니다.
  7. 액션 메뉴(...)를 클릭한 다음 Create API key를 클릭합니다.
  8. API key 이름을 입력한 후 Create를 클릭합니다.
  9. API key를 복사하여 안전한 위치에 보관합니다.
  10. Done을 클릭합니다.
Built-in 서비스 계정과 별도로, W&B는 SDK 및 CLI용 identity federation을 사용하는 External service accounts도 지원합니다. Identity provider에서 관리하며 JSON Web Token(JWT)을 발급할 수 있는 서비스 ID를 사용해 W&B 작업을 자동화하려는 경우, External service accounts를 사용하세요.
​
Charts
커스텀 차트 편집기의 “Other settings” 페이지에서 이 옵션을 활성화하세요. 쿼리를 summaryTable 대신 historyTable을 사용하도록 변경하면, 커스텀 차트 편집기에서 “Show step selector” 옵션을 사용할 수 있습니다. 이 기능에는 스텝을 선택할 수 있는 슬라이더가 포함됩니다.
​
NotebooksEnvironment Variables
노트북에서 다음과 같은 로그 메시지를 숨기려면:
INFO SenderThread:11484 [sender.py:finish():979]
로그 레벨을 logging.ERROR로 설정해 에러만 표시하고 info 수준 로그 출력은 숨기세요.
import logging

logger = logging.getLogger("wandb")
logger.setLevel(logging.ERROR)
로그 출력을 크게 줄이려면 WANDB_QUIET 환경 변수를 True로 설정하세요. 로그 출력을 완전히 끄려면 WANDB_SILENT 환경 변수를 True로 설정하세요. 노트북에서는 wandb.login을 실행하기 전에 WANDB_QUIET 또는 WANDB_SILENT를 설정해야 합니다:
%env WANDB_SILENT=True
​
Experiments
일반적인 사용 조건에서는 W&B가 학습 성능에 미치는 영향은 최소 수준입니다. 일반적인 사용에는 초당 한 번 미만의 빈도로 로깅하고, 스텝당 데이터 양을 수 메가바이트 수준으로 제한하는 것이 포함됩니다. W&B는 별도 프로세스에서 비차단 함수 호출 방식으로 동작하므로, 짧은 네트워크 중단이나 간헐적인 디스크 읽기/쓰기 문제로 인해 성능이 저하되지 않습니다. 대량의 데이터를 과도하게 로깅하면 디스크 I/O 문제가 발생할 수 있습니다. 추가 문의 사항이 있다면 지원팀에 문의하세요.
​
Security
W&B는 Auth0를 통해 멀티 테넌트 제공에 대해 Single Sign-On(SSO)를 지원합니다. SSO 통합은 Okta, Azure AD와 같은 모든 OIDC 규격의 IdP(Identity Provider)와 호환됩니다. OIDC 제공자를 설정하려면 다음 단계를 수행하세요:
  • IdP에서 Single Page Application(SPA)를 생성합니다.
  • grant_type를 implicit 플로우로 설정합니다.
  • callback URI를 https://wandb.auth0.com/login/callback으로 설정합니다.
W&B에 필요한 정보설정을 완료한 후, 해당 애플리케이션의 Client ID와 Issuer URL을 고객 성공 매니저(CSM)에게 전달하세요. W&B는 이 정보를 사용해 Auth0 연결을 구성하고 SSO를 활성화합니다.
​
Environment Variables
환경 변수 WANDB_SILENT를 true로 설정하세요.
os.environ["WANDB_SILENT"] = "true"
​
Storage
  • 실행을 삭제한 직후에는 처리 지연 때문에 스토리지 미터가 즉시 업데이트되지 않습니다.
  • 백엔드 시스템이 사용량 변화를 정확히 반영하도록 동기화하는 데 시간이 필요합니다.
  • 스토리지 미터가 업데이트되지 않았다면, 변경 사항이 처리될 때까지 기다리세요.
​
Environment Variables
W&B는 이벤트를 메모리에 큐잉하고 비동기적으로 디스크에 기록하여 장애를 처리하고 WANDB_MODE=offline 구성을 지원합니다. 이를 통해 로깅 후 동기화가 가능합니다.터미널에서 로컬 실행 디렉터리의 경로를 확인할 수 있습니다. 이 디렉터리에는 데이터 저장소 역할을 하는 .wandb 파일이 포함되어 있습니다. 이미지 로깅의 경우, W&B는 이미지를 클라우드 스토리지에 업로드하기 전에 media/images 하위 디렉터리에 저장합니다.
​
SweepsAws
모든 W&B Sweep 에이전트가 sweep_id에 접근할 수 있도록 sweep_id를 게시하고, 에이전트가 이를 읽고 실행할 수 있는 방식을 구현해야 합니다.예를 들어, Amazon EC2 인스턴스를 실행하고 그 위에서 wandb agent를 실행합니다. 그런 다음 SQS 큐를 사용해 여러 EC2 인스턴스에 sweep_id를 브로드캐스트합니다. 각 인스턴스는 큐에서 sweep_id를 가져와 프로세스를 시작할 수 있습니다.
​
SweepsAws
W&B 인증을 설정하려면 다음 단계를 완료하세요. 기본 제공 Amazon SageMaker estimator를 사용하는 경우 requirements.txt 파일을 생성합니다. 인증과 requirements.txt 파일 설정에 대한 자세한 내용은 SageMaker 통합 가이드를 참조하세요.
GitHub에서 전체 예제를 확인하고, 블로그에서 추가 인사이트를 확인하세요.
SageMaker와 W&B를 사용해 감성 분석기를 배포하는 방법은 Deploy Sentiment Analyzer Using SageMaker and W&B 튜토리얼을 참고하세요.
​
Environment Variables
같은 머신에서 두 개의 W&B 계정을 관리하려면, 두 API key를 모두 파일에 저장하세요. 그런 다음 리포지토리에서 아래 코드를 사용해 키를 안전하게 전환하고, 비밀 키가 소스 컨트롤에 커밋되지 않도록 하세요.
if os.path.exists("~/keys.json"):
    os.environ["WANDB_API_KEY"] = json.loads("~/keys.json")["work_account"]
​
Metrics
메트릭은 기본적으로 10초마다 수집됩니다. 더 높은 해상도의 메트릭이 필요하다면 contact@wandb.com으로 이메일을 보내세요.
​
Team Management
팀에 대한 추가 정보는 Teams 섹션을 방문하세요.
​
Artifacts
테스트 목적을 위해 W&B를 no-operation (NOOP)으로 설정하려면 wandb.init(mode="disabled")를 사용하거나 WANDB_MODE=disabled를 설정하세요.
wandb.init(mode="disabled")를 사용하더라도 W&B가 WANDB_CACHE_DIR에 아티팩트를 저장하는 것은 막지 못합니다.
​
Experiments
데이터셋을 학습 실행과 연결하려면 SHA 또는 고유 식별자를 wandb.Run.config.update(...)에 전달하세요. wandb.Run.save()가 로컬 파일 이름과 함께 호출되지 않는 한 W&B는 어떤 데이터도 저장하지 않습니다.
​
User ManagementTeam Management
사용 가능한 역할과 권한의 개요는 Team roles and permissions 페이지를 참조하세요.
​
Billing
결제 수단을 업데이트하려면 다음 단계를 따르세요:
  1. 프로필 페이지로 이동: 먼저, 사용자 프로필 페이지로 이동합니다.
  2. 조직 선택: Account 선택기에서 관련 조직을 선택합니다.
  3. Billing 설정 열기: Account 아래에서 Billing을 선택합니다.
  4. 새 결제 수단 추가:
    • Add payment method를 클릭합니다.
    • 새 카드 정보를 입력하고, 이를 primary 결제 수단으로 설정하는 옵션을 선택합니다.
참고: 결제를 관리하려면 조직의 billing admin으로 지정되어 있어야 합니다.
​
Reports
리포트에 CSV를 업로드하려면 wandb.Table 형식을 사용하세요. Python 스크립트에서 CSV를 로드한 후 wandb.Table 객체로 로그합니다. 그러면 리포트에서 데이터가 테이블로 렌더링됩니다.
​
Reports
새 줄에서 /를 누른 다음 Image 옵션으로 스크롤해 이동한 후, 이미지를 리포트로 드래그 앤 드롭하세요.
리포트에 이미지 추가하기
​
PrivacySecurity
W&B의 핵심 엔지니어와 지원 인력은 사용자 허가를 받은 경우 디버깅 목적을 위해 로그된 값을 조회할 수 있습니다. 모든 데이터 저장소는 저장 데이터에 대해 암호화를 사용하며, 감사 로그에서 접근을 기록합니다. W&B 직원으로부터 완전한 데이터 보안을 확보하려면, 자체 인프라 내에서 W&B 서버를 실행하는 Self-Managed 솔루션을 라이선스해 사용하세요.
​
ConnectivityOutage
W&B status page에 방문해 wandb.ai의 W&B Multi-tenant Cloud에 장애가 발생했는지 확인하세요.
​
Environment VariablesExperiments
학습 스크립트에서 wandb.init()이 실행되면 API 호출을 통해 서버에 실행 객체(run object)가 생성됩니다. 새로운 프로세스가 시작되어 메트릭을 스트리밍 및 수집하므로, 메인 프로세스는 정상적으로 동작할 수 있습니다. 스크립트는 로컬 파일에 기록하고, 별도 프로세스가 시스템 메트릭을 포함한 데이터를 서버로 스트리밍합니다. 스트리밍을 끄려면 학습 디렉터리에서 wandb off를 실행하거나 WANDB_MODE 환경 변수를 offline으로 설정하세요.
​
Sweeps
스윕이 실행 중일 때:
  • 스윕이 사용하는 train.py 스크립트가 변경되더라도, 스윕은 원래의 train.py를 계속 사용합니다.
  • helper.py 스크립트와 같이 train.py 스크립트가 참조하는 파일이 변경된 경우, 스윕은 변경된 helper.py를 사용하기 시작합니다.
​
ArtifactsEnvironment Variables
기본적으로 아티팩트는 artifacts/ 폴더에 다운로드됩니다. 위치를 변경하려면 다음을 수행합니다:
  • wandb.Artifact().download에 인자를 전달합니다: 
    wandb.Artifact().download(root="<path_to_download>")
  • WANDB_ARTIFACT_DIR 환경 변수를 설정합니다: 
    import os
os.environ["WANDB_ARTIFACT_DIR"] = "<path_to_download>"
​
ExperimentsRuns
내보내기 제한으로 인해 CSV 또는 run.history API를 통해 전체 실행 이력을 내보내지 못할 수 있습니다. 전체 실행 이력에 액세스하려면, Parquet 형식으로 실행 이력 아티팩트를 다운로드하세요:
import wandb
import pandas as pd

run = wandb.init()
artifact = run.use_artifact('<entity>/<project>/<run-id>-history:v0', type='wandb-history')
artifact_dir = artifact.download()
df = pd.read_parquet('<path to .parquet file>')
​
Python
이 라이브러리는 Python 2.7 이상과 Python 3.6 이상을 지원합니다. 아키텍처는 다른 프로그래밍 언어와의 통합도 용이하게 합니다. 다른 언어를 모니터링하려면 contact@wandb.com으로 문의하세요.