메인 콘텐츠로 건너뛰기
이 튜토리얼에서는 기존 W&B 프로젝트에서 스윕 작업을 생성하는 방법을 설명합니다. Fashion MNIST 데이터셋을 사용하여 이미지를 분류하는 PyTorch 합성곱 신경망을 학습합니다. 필요한 코드와 데이터셋은 W&B examples repository (PyTorch CNN Fashion)에 있습니다. 이 W&B Dashboard에서 결과를 확인할 수 있습니다.

​
1. Project 생성

먼저 기준선을 만듭니다. W&B examples GitHub 저장소에서 PyTorch MNIST 데이터셋 예제 모델을 다운로드하세요. 그다음 모델을 학습합니다. 학습 스크립트는 examples/pytorch/pytorch-cnn-fashion 디렉터리에 있습니다.
  1. 이 저장소를 클론합니다 git clone https://github.com/wandb/examples.git
  2. 이 예제 디렉터리로 이동합니다 cd examples/pytorch/pytorch-cnn-fashion
  3. 실행을 수동으로 시작합니다 python train.py
원한다면 W&B App UI 대시보드에서 이 예제가 어떻게 표시되는지 살펴보세요. 예제 Project 페이지 보기 →

​
2. 스윕 생성하기

프로젝트 페이지에서 사이드바의 Sweep 탭을 열고 Create Sweep을 선택합니다.
Sweep overview
자동 생성된 구성은 완료된 실행을 기반으로 스윕에 사용할 값들을 추정합니다. 시도하려는 하이퍼파라미터 범위를 지정하도록 구성을 편집합니다. 스윕을 시작하면, 호스팅된 W&B 스윕 서버에서 새로운 프로세스가 시작됩니다. 이 중앙화된 서비스가 에이전트—학습 작업을 실행하는 머신—를 조정합니다.
Sweep configuration

​
3. 에이전트 실행

이제 로컬에서 에이전트를 실행합니다. 작업을 분산해 스윕 작업을 더 빨리 끝내고 싶다면, 서로 다른 머신에서 최대 20개의 에이전트를 병렬로 실행할 수 있습니다. 에이전트는 다음에 시도할 파라미터 집합을 출력합니다.
에이전트 실행
이제 스윕이 실행 중입니다. 다음 이미지는 예시 스윕 작업이 실행되는 동안 대시보드가 어떻게 보이는지 보여줍니다. 예시 프로젝트 페이지 보기 →
스윕 대시보드

​
기존 실행으로 새 sweep 시드하기

이전에 로깅해 둔 기존 실행을 사용해 새 sweep을 시작할 수 있습니다.
  1. 프로젝트 테이블을 엽니다.
  2. 테이블 왼쪽의 체크박스를 사용해 사용할 실행을 선택합니다.
  3. 드롭다운을 클릭해 새 sweep을 생성합니다.
이제 sweep이 W&B 서버에 설정됩니다. 실행을 시작하려면 하나 이상의 agent를 실행하기만 하면 됩니다.
Seed sweep from runs
새 sweep을 Bayesian sweep으로 시작하면, 선택한 실행이 Gaussian Process의 시드로도 사용됩니다.