실험 개요

W&B를 사용해 머신 러닝 실험을 추적합니다.

Colab에서 실행해 보기W&B에서 실행해 보기

몇 줄의 코드만으로 머신러닝 실험을 추적할 수 있습니다. 그런 다음 대화형 대시보드에서 결과를 확인하거나, Public API를 사용해 데이터를 Python으로 내보내 프로그래밍 방식으로 액세스할 수 있습니다.

Keras나 Scikit와 같은 인기 있는 프레임워크를 사용하는 경우 W&B 통합 기능을 활용하세요. 전체 통합 목록과 코드에 W&B를 추가하는 방법은 통합 가이드를 참고하세요.

위 이미지는 여러 실행의 지표를 조회하고 비교할 수 있는 예시 대시보드를 보여줍니다.

​

작동 방식

몇 줄의 코드로 머신 러닝 실험을 추적합니다.

1. W&B 실행을 생성합니다.
2. 학습률이나 모델 유형과 같은 하이퍼파라미터 딕셔너리를 구성값(wandb.Run.config)에 저장합니다.
3. 학습 루프에서 시간에 따라 정확도와 손실 같은 지표를 로그로 남깁니다(wandb.Run.log()).
4. 모델 가중치나 예측 결과 테이블처럼 실행 결과물을 저장합니다.

다음 코드는 일반적인 W&B 실험 추적 워크플로를 보여줍니다.

# 실행을 시작합니다.
#
# 이 블록이 종료되면, 로그된 데이터가 업로드 완료될 때까지 기다립니다.
# 예외가 발생하면 실행은 실패로 표시됩니다.
with wandb.init(entity="", project="my-project-name") as run:
  # 모델 입력값과 하이퍼파라미터를 저장합니다.
  run.config.learning_rate = 0.01

  # 실험 코드를 실행합니다.
  for epoch in range(num_epochs):
    # 학습을 수행합니다...

    # 모델 성능을 시각화하기 위해 시간 경과에 따른 메트릭을 로그합니다.
    run.log({"loss": loss})

  # 모델 출력물을 아티팩트로 업로드합니다.
  run.log_artifact(model)

​

시작하기

사용 사례에 따라 W&B Experiments를 시작하는 데 다음 자료를 활용하세요:

• 데이터셋 아티팩트를 생성, 추적, 활용하기 위해 사용할 수 있는 W&B Python SDK 명령을 단계별로 설명한 W&B 빠른 시작을 읽어 보세요.
• 이 장을 살펴보며 다음 내용을 학습하세요:
  • 실험 생성
  • 실험 구성
  • 실험에서 데이터 로깅
  • 실험 결과 확인
• W&B API Reference Guide 내의 W&B Python Library를 살펴보세요.

​

모범 사례 및 팁

실험 및 로깅에 대한 모범 사례와 팁은 모범 사례: 실험 및 로깅을 참고하세요.