메인 콘텐츠로 건너뛰기
Colab에서 실행해 보기 W&B를 활용해 머신러닝 실험 추적, 데이터셋 버전 관리, 프로젝트 협업을 수행하세요.
W&B 사용의 이점
이 Colab 노트북에서는 WandbMetricsLogger 콜백을 소개합니다. 이 콜백을 Experiment Tracking에 사용하세요. 학습 및 검증 지표는 물론 시스템 지표까지 W&B에 기록합니다.

​
설정 및 설치

먼저 최신 버전의 W&B를 설치하세요. 그런 다음 이 Colab 인스턴스를 W&B에서 사용할 수 있도록 인증하세요. 
pip install -qq -U wandb

import os
import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras import models
import tensorflow_datasets as tfds

# W&B 관련 임포트
import wandb
from wandb.integration.keras import WandbMetricsLogger
W&B를 처음 사용하거나 로그인되어 있지 않다면, wandb.login()을 실행한 뒤 표시되는 링크를 클릭하면 회원가입/로그인 페이지로 이동합니다. 무료 계정은 몇 번의 클릭만으로 쉽게 만들 수 있습니다. 
wandb.login()

​
하이퍼파라미터

재현 가능한 머신 러닝을 위해서는 적절한 설정(config) 시스템을 사용하는 것이 권장되는 모범 사례입니다. W&B를 사용하면 각 실험의 하이퍼파라미터를 추적할 수 있습니다. 이 Colab 노트북에서는 간단한 Python dict를 설정(config) 시스템으로 사용하겠습니다. 
configs = dict(
    num_classes=10,
    shuffle_buffer=1024,
    batch_size=64,
    image_size=28,
    image_channels=1,
    earlystopping_patience=3,
    learning_rate=1e-3,
    epochs=10,
)

​
데이터셋

이 Colab 노트북에서는 TensorFlow Datasets 카탈로그에 있는 Fashion-MNIST 데이터셋을 사용합니다. TensorFlow/Keras를 사용해 간단한 이미지 분류 파이프라인을 구축하는 것이 목표입니다. 
train_ds, valid_ds = tfds.load("fashion_mnist", split=["train", "test"])

AUTOTUNE = tf.data.AUTOTUNE


def parse_data(example):
    # 이미지 가져오기
    image = example["image"]
    # image = tf.image.convert_image_dtype(image, dtype=tf.float32)

    # 레이블 가져오기
    label = example["label"]
    label = tf.one_hot(label, depth=configs["num_classes"])

    return image, label


def get_dataloader(ds, configs, dataloader_type="train"):
    dataloader = ds.map(parse_data, num_parallel_calls=AUTOTUNE)

    if dataloader_type == "train":
        dataloader = dataloader.shuffle(configs["shuffle_buffer"])

    dataloader = dataloader.batch(configs["batch_size"]).prefetch(AUTOTUNE)

    return dataloader

trainloader = get_dataloader(train_ds, configs)
validloader = get_dataloader(valid_ds, configs, dataloader_type="valid")

​
모델

def get_model(configs):
    backbone = tf.keras.applications.mobilenet_v2.MobileNetV2(
        weights="imagenet", include_top=False
    )
    backbone.trainable = False

    inputs = layers.Input(
        shape=(configs["image_size"], configs["image_size"], configs["image_channels"])
    )
    resize = layers.Resizing(32, 32)(inputs)
    neck = layers.Conv2D(3, (3, 3), padding="same")(resize)
    preprocess_input = tf.keras.applications.mobilenet.preprocess_input(neck)
    x = backbone(preprocess_input)
    x = layers.GlobalAveragePooling2D()(x)
    outputs = layers.Dense(configs["num_classes"], activation="softmax")(x)

    return models.Model(inputs=inputs, outputs=outputs)

tf.keras.backend.clear_session()
model = get_model(configs)
model.summary()

​
모델 컴파일

model.compile(
    optimizer="adam",
    loss="categorical_crossentropy",
    metrics=[
        "accuracy",
        tf.keras.metrics.TopKCategoricalAccuracy(k=5, name="top@5_accuracy"),
    ],
)

​
학습

# W&B 실행 초기화
run = wandb.init(project="intro-keras", config=configs)

# 모델 학습
model.fit(
    trainloader,
    epochs=configs["epochs"],
    validation_data=validloader,
    callbacks=[
        WandbMetricsLogger(log_freq=10)
    ],  # 여기서 WandbMetricsLogger 사용에 주목하세요
)

# W&B 실행 종료
run.finish()