Experiments 개요

W&B로 머신 러닝 Experiments 추적하기

Colab에서 실행해 보기W&B에서 실행해 보기

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

Keras와 같은 인기 있는 프레임워크를 사용하는 경우 W&B 인테그레이션을 활용하세요. 전체 인테그레이션 목록과 코드에 W&B를 추가하는 방법은 W&B 인테그레이션을 참고하세요.

위 이미지는 여러 runs에서 메트릭을 확인하고 비교할 수 있는 대시보드 예시를 보여줍니다.

​

작동 방식

몇 줄의 코드로 머신 러닝 실험을 추적합니다:

1. W&B Run을 생성합니다.
2. 학습률이나 모델 유형과 같은 하이퍼파라미터를 사전으로 만들어 설정(wandb.Run.config)에 저장합니다.
3. 정확도와 손실처럼 트레이닝 루프에서 시간에 따라 메트릭을 wandb.Run.log()로 로그합니다.
4. 모델 가중치나 예측 테이블과 같은 run의 출력 결과를 저장합니다.

다음 코드는 일반적인 W&B 실험 추적 워크플로우를 보여줍니다:

# run을 시작합니다.
#
# 이 블록이 종료되면 로깅된 데이터가 업로드 완료될 때까지 기다립니다.
# 예외가 발생하면 run은 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):
    # 트레이닝을 수행합니다...

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

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

​

시작하기

사용 사례에 따라 W&B Experiments를 시작하는 데 도움이 되는 다음 리소스를 살펴보세요:

• W&B Python SDK 명령을 사용해 데이터셋 아티팩트를 생성, 추적, 활용하는 방법을 단계별로 정리한 W&B 퀵스타트를 참고하세요.
• 이 장에서 다음 내용을 학습하세요:
  • 실험 생성하기
  • 실험 구성하기
  • 실험에서 데이터 로깅하기
  • 실험 결과 보기
• W&B API Reference Guide 내의 W&B Python Library를 살펴보세요.

​

모범 사례 및 팁

실험 및 로깅 관련 모범 사례와 팁은 Best Practices: Experiments and Logging에서 확인하세요.