본문으로 건너뛰기

스무딩

W&B 라인 플롯에서는 다음 세 가지 유형의 스무딩을 지원합니다:

대화형 W&B 리포트에서 실시간으로 확인하세요.

지수 이동 평균 (기본값)​

지수 스무딩은 시간에 따른 데이터를 이전 데이터 포인트의 가중치를 지수적으로 감소시키면서 스무딩하는 기법입니다. 범위는 0에서 1입니다. 배경 지식은 지수 스무딩에서 확인하세요. 시계열의 초기 값이 0을 향해 편향되지 않도록 비편향 항이 추가됩니다.

EMA 알고리즘은 선 위의 점의 밀도(즉, x축 단위 범위당 y 값의 개수)를 고려합니다. 이를 통해 동시에 서로 다른 특성을 가진 여러 라인을 일관되게 스무딩할 수 있습니다.

여기 내부에서 이것이 어떻게 작동하는지에 대한 샘플 코드가 있습니다:

const smoothingWeight = Math.min(Math.sqrt(smoothingParam || 0), 0.999);
let lastY = yValues.length > 0 ? 0 : NaN;
let debiasWeight = 0;

return yValues.map((yPoint, index) => {
  const prevX = index > 0 ? index - 1 : 0;
  // VIEWPORT_SCALE은 결과를 차트의 x축 범위에 맞게 조정합니다
  const changeInX =
    ((xValues[index] - xValues[prevX]) / rangeOfX) * VIEWPORT_SCALE;
  const smoothingWeightAdj = Math.pow(smoothingWeight, changeInX);

  lastY = lastY * smoothingWeightAdj + yPoint;
  debiasWeight = debiasWeight * smoothingWeightAdj + 1;
  return lastY / debiasWeight;
});

앱에서 이것이 어떻게 보이는지 여기 있습니다:

가우시안 스무딩​

가우시안 스무딩(또는 가우시안 커널 스무딩)은 점들의 가중 평균을 계산하는데, 가중치는 스무딩 파라미터로 지정된 표준 편차를 가진 가우시안 분포에 해당합니다. 스무딩된 값은 모든 입력 x 값에 대해 계산됩니다.

가우시안 스무딩은 TensorBoard의 행동을 일치시키는 것에 대해 걱정하지 않는다면 스무딩을 위한 좋은 표준 선택입니다. 지수 이동 평균과 달리 점은 값 이전 및 이후에 발생하는 점에 기반하여 스무딩됩니다.

앱에서 이것이 어떻게 보이는지 여기 있습니다:

단순 이동 평균​

단순 이동 평균은 주어진 x 값 이전 및 이후의 창 내 점들의 평균으로 점을 대체하는 스무딩 알고리즘입니다. "Boxcar Filter"를 참조하세요 https://en.wikipedia.org/wiki/Moving_average. 단순 이동 평균에 선택된 파라미터는 이동 평균에서 고려하는 점의 수를 Weights and Biases에 알려줍니다.

x축에 점들이 고르지 않게 배치된 경우 가우시안 스무딩을 사용하는 것이 좋습니다.

다음 이미지는 앱에서 달리기 앱이 어떻게 보이는지 보여줍니다:

지수 이동 평균 (사용 중단됨)​

TensorBoard EMA 알고리즘은 x축 단위로 일관된 점 밀도(플롯된 점의 수)를 가지지 않는 동일 차트 상의 여러 라인을 정확하게 스무딩할 수 없기 때문에 사용 중단되었습니다.

지수 이동 평균은 TensorBoard의 스무딩 알고리즘과 일치하게 구현됩니다. 범위는 0에서 1입니다. 배경 지식은 지수 스무딩에서 확인하세요. 시계열의 초기 값이 0을 향해 편향되지 않도록 비편향 항이 추가되었습니다.

여기 내부에서 이것이 어떻게 작동하는지에 대한 샘플 코드가 있습니다:

  data.forEach(d => {
    const nextVal = d;
    last = last * smoothingWeight + (1 - smoothingWeight) * nextVal;
    numAccum++;
    debiasWeight = 1.0 - Math.pow(smoothingWeight, numAccum);
    smoothedData.push(last / debiasWeight);

앱에서 이것이 어떻게 보이는지 여기 있습니다:

구현 세부 사항​

모든 스무딩 알고리즘은 샘플링된 데이터에서 실행되며, 즉 1500개 이상의 점을 로그하면 스무딩 알고리즘은 서버에서 점들이 다운로드된 후에 실행됩니다. 스무딩 알고리즘의 의도는 데이터에서 빠르게 패턴을 찾는 데 도움을 주는 것입니다. 많은 수의 로그된 점을 가진 메트릭에서 정확한 스무딩된 값을 필요로 한다면, API를 통해 메트릭을 다운로드하고 자체 스무딩 메소드를 실행하는 것이 더 좋을 수 있습니다.

원본 데이터 숨기기​

기본적으로 우리는 배경에서 희미한 선으로 원본, 스무딩되지 않은 데이터를 보여줍니다. 이를 끄려면 Show Original 토글을 클릭하세요.

On this page
Was this page helpful?👍👎