메인 콘텐츠로 건너뛰기
Colab에서 실행해 보기 실행의 config 속성을 사용해 학습 구성을 저장합니다:
  • 하이퍼파라미터
  • 데이터셋 이름이나 모델 타입과 같은 입력 설정
  • 그 밖의 모든 실험용 독립 변수
wandb.Run.config 속성을 사용하면 실험을 쉽게 분석하고, 향후 작업을 재현할 수 있습니다. W&B 앱에서 구성 값으로 그룹화하고, 서로 다른 W&B 실행의 구성을 비교하며, 각 학습 구성이 출력에 어떤 영향을 주는지 평가할 수 있습니다. config 속성은 여러 개의 딕셔너리 유사 객체로 구성할 수 있는 딕셔너리 유사 객체입니다.
loss, accuracy와 같은 출력 지표나 종속 변수를 저장하려면 wandb.Run.config 대신 wandb.Run.log()를 사용하세요.

​
실험 구성 설정

구성은 일반적으로 학습 스크립트의 시작 부분에서 정의합니다. 하지만 머신 러닝 워크플로는 다양할 수 있으므로, 학습 스크립트 시작 시점에 구성을 반드시 정의해야 하는 것은 아닙니다. config 변수 이름을 지정할 때는 마침표(.) 대신 하이픈(-)이나 밑줄(_)을 사용하십시오. 스크립트에서 루트 레벨 아래의 wandb.Run.config 키에 접근하는 경우, 속성 접근 구문 config.key.value 대신 딕셔너리 접근 구문 ["key"]["value"]를 사용하십시오. 다음 섹션에서는 실험 구성을 정의하는 몇 가지 일반적인 시나리오를 설명합니다.

​
초기화 시 구성 설정하기

스크립트의 시작 부분에서 wandb.init() API를 호출할 때 설정 딕셔너리를 전달하면, 데이터를 W&B 실행과 동기화하고 로깅하는 백그라운드 프로세스가 생성됩니다. 다음 코드 스니펫은 구성 값을 담은 Python 딕셔너리를 정의하는 방법과, W&B 실행을 초기화할 때 그 딕셔너리를 인수로 전달하는 방법을 보여줍니다. 
import wandb

# config 딕셔너리 객체 정의
config = {
    "hidden_layer_sizes": [32, 64],
    "kernel_sizes": [3],
    "activation": "ReLU",
    "pool_sizes": [2],
    "dropout": 0.5,
    "num_classes": 10,
}

# W&B 초기화 시 config 딕셔너리 전달
with wandb.init(project="config_example", config=config) as run:
    ...
중첩된 딕셔너리를 config로 전달하면, W&B는 점(.)을 사용해 키를 평탄화합니다. 딕셔너리의 값은 Python에서 다른 딕셔너리에 접근하듯이 동일한 방식으로 접근하면 됩니다: 
# 키를 인덱스 값으로 사용하여 값에 접근
hidden_layer_sizes = run.config["hidden_layer_sizes"]
kernel_sizes = run.config["kernel_sizes"]
activation = run.config["activation"]

# Python 딕셔너리 get() 메서드
hidden_layer_sizes = run.config.get("hidden_layer_sizes")
kernel_sizes = run.config.get("kernel_sizes")
activation = run.config.get("activation")
Developer Guide 전반과 예제들에서는 설정 값을 별도의 변수에 복사해서 사용합니다. 이 단계는 선택 사항이며, 가독성을 높이기 위한 것입니다.

​
argparse로 설정 정의하기

argparse 객체를 사용해 설정을 정의할 수 있습니다. argparse는 argument parser의 약자로, Python 3.2 이상에서 제공되는 표준 라이브러리 모듈이며 명령줄 인자의 유연성과 강력함을 손쉽게 활용하는 스크립트를 작성할 수 있게 해줍니다. 이는 명령줄에서 실행되는 스크립트의 결과를 추적할 때 유용합니다. 다음 Python 스크립트는 parser 객체를 정의해 실험 config를 정의하고 설정하는 방법을 보여줍니다. 함수 train_one_epoch와 evaluate_one_epoch는 이 데모를 위해 학습 루프를 시뮬레이션하는 용도로 제공됩니다: 
# config_experiment.py
import argparse
import random

import numpy as np
import wandb


# 학습 및 평가 데모 코드
def train_one_epoch(epoch, lr, bs):
    acc = 0.25 + ((epoch / 30) + (random.random() / 10))
    loss = 0.2 + (1 - ((epoch - 1) / 10 + random.random() / 5))
    return acc, loss


def evaluate_one_epoch(epoch):
    acc = 0.1 + ((epoch / 20) + (random.random() / 10))
    loss = 0.25 + (1 - ((epoch - 1) / 10 + random.random() / 6))
    return acc, loss


def main(args):
    # W&B 실행 시작
    with wandb.init(project="config_example", config=args) as run:
        # config 딕셔너리에서 값을 가져와 가독성을 위해
        # 변수에 저장
        lr = run.config["learning_rate"]
        bs = run.config["batch_size"]
        epochs = run.config["epochs"]

        # 학습 시뮬레이션 및 W&B에 값 로깅
        for epoch in np.arange(1, epochs):
            train_acc, train_loss = train_one_epoch(epoch, lr, bs)
            val_acc, val_loss = evaluate_one_epoch(epoch)

            run.log(
                {
                    "epoch": epoch,
                    "train_acc": train_acc,
                    "train_loss": train_loss,
                    "val_acc": val_acc,
                    "val_loss": val_loss,
                }
            )


if __name__ == "__main__":
    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter
    )

    parser.add_argument("-b", "--batch_size", type=int, default=32, help="배치 크기")
    parser.add_argument(
        "-e", "--epochs", type=int, default=50, help="학습 에포크 수"
    )
    parser.add_argument(
        "-lr", "--learning_rate", type=int, default=0.001, help="학습률"
    )

    args = parser.parse_args()
    main(args)

​
스크립트 전반에서 설정 구성하기

스크립트 전체에 걸쳐 config 객체에 추가 파라미터를 계속해서 넣을 수 있습니다. 다음 코드 스니펫은 config 객체에 새로운 키-값 쌍을 추가하는 방법을 보여 줍니다: 
import wandb

# config 딕셔너리 객체 정의
config = {
    "hidden_layer_sizes": [32, 64],
    "kernel_sizes": [3],
    "activation": "ReLU",
    "pool_sizes": [2],
    "dropout": 0.5,
    "num_classes": 10,
}

# W&B를 초기화할 때 config 딕셔너리 전달
with wandb.init(project="config_example", config=config) as run:
    # W&B 초기화 후 config 업데이트
    run.config["dropout"] = 0.2
    run.config.epochs = 4
    run.config["batch_size"] = 32
여러 값을 한 번에 업데이트할 수 있습니다: 
run.config.update({"lr": 0.1, "channels": 16})

​
실행이 완료된 후 설정 변경하기

완료된 실행의 config를 업데이트하려면 W&B Public API를 사용하세요. API에 엔터티, 프로젝트 이름, 그리고 실행 ID를 제공해야 합니다. 이 정보는 Run 객체 또는 W&B App에서 확인할 수 있습니다: 
with wandb.init() as run:
    ...

# 현재 스크립트 또는 노트북에서 실행이 시작된 경우 실행 객체에서 다음 값을 확인하거나,
# W&B App UI에서 복사할 수 있습니다.
username = run.entity
project = run.project
run_id = run.id

# api.run()은 wandb.init()과 다른 타입의 객체를 반환한다는 점에 유의하세요.
api = wandb.Api()
api_run = api.run(f"{username}/{project}/{run_id}")
api_run.config["bar"] = 32
api_run.update()

​
absl.FLAGS

absl 플래그도 사용할 수 있습니다. 
flags.DEFINE_string("model", None, "model to run")  # 이름, 기본값, 도움말

run.config.update(flags.FLAGS)  # config에 absl 플래그 추가

​
파일 기반 설정

config-defaults.yaml라는 파일을 실행 스크립트와 동일한 디렉터리에 두면, 실행이 파일에 정의된 키-값 쌍을 자동으로 읽어서 wandb.Run.config에 전달합니다. 다음 코드 스니펫은 예시 config-defaults.yaml YAML 파일을 보여줍니다: 
batch_size:
  desc: 각 미니 배치의 크기
  value: 32
wandb.init의 config 인수에 업데이트된 값을 설정하여 config-defaults.yaml에서 자동으로 로드되는 기본값을 덮어쓸 수 있습니다. 예를 들어: 
import wandb

# 사용자 정의 값을 전달하여 config-defaults.yaml 덮어쓰기
with wandb.init(config={"epochs": 200, "batch_size": 64}) as run:
    ...
config-defaults.yaml이 아닌 다른 구성 파일을 로드하려면 명령줄 인수 --configs를 사용하고 파일의 경로를 지정합니다: 
python train.py --configs other-config.yaml

​
파일 기반 config의 사용 예

실행에 대한 일부 메타데이터를 담은 YAML 파일이 있고, Python 스크립트에는 하이퍼파라미터 딕셔너리가 있다고 가정해 보겠습니다. 둘 다 중첩된 config 객체에 저장할 수 있습니다: 
hyperparameter_defaults = dict(
    dropout=0.5,
    batch_size=100,
    learning_rate=0.001,
)

config_dictionary = dict(
    yaml=my_yaml_file,
    params=hyperparameter_defaults,
)

with wandb.init(config=config_dictionary) as run:
    ...

​
TensorFlow v1 플래그

TensorFlow 플래그는 wandb.Run.config 객체에 직접 전달할 수 있습니다. 
with wandb.init() as run:
    run.config.epochs = 4

    flags = tf.app.flags
    flags.DEFINE_string("data_dir", "/tmp/data")
    flags.DEFINE_integer("batch_size", 128, "Batch size.")
    run.config.update(flags.FLAGS)  # tensorflow 플래그를 config에 추가