Keras

여기서 Colab 노트북에서 시도해 보세요 →

Weights & Biases Keras 콜백

Keras와 TensorFlow 사용자를 위한 세 가지 새로운 콜백을 wandb v0.13.4부터 사용할 수 있습니다. 레거시 WandbCallback에 대해서는 아래로 스크롤하세요.

WandbMetricsLogger : 실험 추적을 위해 이 콜백을 사용하세요. 트레이닝 및 검증 메트릭과 시스템 메트릭을 Weights and Biases에 로그합니다.

WandbModelCheckpoint : 모델 체크포인트를 Weights and Biases 아티팩트에 로그하기 위해 이 콜백을 사용하세요.

WandbEvalCallback: 이 기본 콜백은 모델 예측값을 Weights and Biases 테이블에 로그하여 대화형 시각화를 할 수 있습니다.

이 새로운 콜백은,

• Keras 설계 철학을 준수합니다
• 하나의 콜백(WandbCallback)을 사용하여 모든 것을 처리하는 인지 부담을 줄입니다,
• Keras 사용자가 자신의 특정 유스 케이스를 지원하기 위해 콜백을 수정하기 쉽게 만듭니다.

WandbMetricsLogger를 사용한 실험 추적

여기서 Colab 노트북에서 시도해 보세요 →

WandbMetricsLogger는 on_epoch_end, on_batch_end 등과 같은 콜백 메소드가 인수로 취하는 Keras의 logs 사전을 자동으로 로그합니다.

이를 사용하면 다음을 제공합니다:

• model.compile에서 정의된 트레이닝 및 검증 메트릭
• 시스템(CPU/GPU/TPU) 메트릭
• 학습률(고정 값이나 학습률 스케줄러를 사용하는 경우 모두)

import wandb
from wandb.keras import WandbMetricsLogger

# 새로운 W&B run을 초기화합니다
wandb.init(config={"bs": 12})

# WandbMetricsLogger를 model.fit에 전달합니다
model.fit(
    X_train, y_train, validation_data=(X_test, y_test), callbacks=[WandbMetricsLogger()]
)

WandbMetricsLogger 참조

파라미터	설명
log_freq	("epoch", "batch", 또는 int): "epoch"이면, 각 에포크의 끝에 메트릭을 로그합니다. "batch"이면, 각 배치의 끝에 메트릭을 로그합니다. int이면, 그 많은 배치의 끝에 메트릭을 로그합니다. 기본값은 "epoch"입니다.
initial_global_step	(int): 일부 initial_epoch에서 트레이닝을 재개할 때 학습률 스케줄러가 사용되는 경우 학습률을 올바르게 로그하기 위해 이 인수를 사용합니다. 이는 step_size * initial_step으로 계산할 수 있습니다. 기본값은 0입니다.

WandbModelCheckpoint를 사용한 모델 체크포인트

여기서 Colab 노트북에서 시도해 보세요 →

WandbModelCheckpoint 콜백을 사용하여 Keras 모델(SavedModel 형식) 또는 모델 가중치를 주기적으로 저장하고 wandb.Artifact로 W&B에 업로드하여 모델 버전 관리를 수행하세요.

이 콜백은 tf.keras.callbacks.ModelCheckpoint에서 서브클래스로 생성되므로, 체크포인트 로직은 부모 콜백에 의해 처리됩니다.

이 콜백은 다음과 같은 기능을 제공합니다:

• "best performance"를 달성한 모델을 저장합니다.
• 모든 에포크의 끝에서 성능에 상관없이 모델을 저장합니다.
• 에포크의 끝이나 고정된 수의 트레이닝 배치 후에 모델을 저장합니다.
• 모델 가중치만 저장하거나 전체 모델을 저장합니다.
• 모델을 SavedModel 형식이나 .h5 형식으로 저장합니다.

이 콜백은 WandbMetricsLogger와 함께 사용해야 합니다.

import wandb
from wandb.keras import WandbMetricsLogger, WandbModelCheckpoint

# 새로운 W&B run을 초기화합니다
wandb.init(config={"bs": 12})

# WandbModelCheckpoint를 model.fit에 전달합니다
model.fit(
    X_train,
    y_train,
    validation_data=(X_test, y_test),
    callbacks=[
        WandbMetricsLogger(),
        WandbModelCheckpoint("models"),
    ],
)

WandbModelCheckpoint 참조

파라미터	설명
filepath	(str): 모델 파일을 저장할 경로.
monitor	(str): 모니터할 메트릭 이름.
verbose	(int): 상세 모드, 0 또는 1. 모드 0은 조용하고, 모드 1은 콜백이 작업을 수행할 때 메시지를 표시합니다.
save_best_only	(bool): save_best_only=True인 경우, "best"로 간주되는 모델만 저장하며 최신 최고 모델은 (monitor)에 따라 덮어쓰기 되지 않습니다.
save_weights_only	(bool): True이면, 모델의 가중치만 저장됩니다.
mode	("auto", "min", 또는 "max"): val_acc의 경우 ‘max’여야 하고, val_loss의 경우 ‘min’이어야 합니다.
save_weights_only	(bool): True이면, 모델의 가중치만 저장됩니다.
save_freq	("epoch" 또는 int): ‘epoch’를 사용할 때, 콜백은 각 에포크 후 모델을 저장합니다. 정수를 사용할 때, 콜백은 이 많은 배치의 끝에 모델을 저장합니다. val_acc 또는 val_loss와 같은 검증 메트릭을 모니터링하는 경우, save_freq는 "epoch"으로 설정되어야 합니다.
options	(str): save_weights_only가 true인 경우 선택적 tf.train.CheckpointOptions 객체 또는 save_weights_only가 false인 경우 선택적 tf.saved_model.SaveOptions 객체.
initial_value_threshold	(float): 모니터링할 메트릭의 초기 "best" 값의 부동 소수점입니다.

N 에포크 후 체크포인트를 로그하는 방법은?

기본값(save_freq="epoch")으로 콜백은 각 에포크 후 체크포인트를 생성하고 아티팩트로 업로드합니다. save_freq에 정수를 전달하면 그 많은 배치 후에 체크포인트가 생성됩니다. N 에포크 후에 체크포인트를 하려면 트레인 데이터로더의 카디널리티를 계산하고 save_freq에 전달하세요:

WandbModelCheckpoint(
    filepath="models/",
    save_freq=int((trainloader.cardinality()*N).numpy())
)

TPU 노드 아키텍처에서 효율적으로 체크포인트를 로그하는 방법은?

TPU에서 체크포인트를 할 때 UnimplementedError: File system scheme '[local]' not implemented 오류 메시지를 만날 수 있습니다. 이는 모델 디렉토리(filepath)가 클라우드 스토리지 버킷 경로(gs://bucket-name/...)를 사용해야 하며 이 버킷은 TPU 서버에서 접근할 수 있어야 합니다. 그러나 로컬 경로를 사용하여 체크포인트를 할 수 있으며, 이는 차례로 아티팩트로 업로드됩니다.

checkpoint_options = tf.saved_model.SaveOptions(experimental_io_device="/job:localhost")

WandbModelCheckpoint(
    filepath="models/,
    options=checkpoint_options,
)

WandbEvalCallback를 사용한 모델 예측 시각화

여기서 Colab 노트북에서 시도해 보세요 →

WandbEvalCallback은 주로 모델 예측을 위해, 그리고 부차적으로 데이터셋 시각화를 위해 Keras 콜백을 구축하기 위한 추상 기본 클래스입니다.

이 추상 콜백은 데이터셋과 작업에 대해 불가지한 상태입니다. 이를 사용하려면 이 기본 WandbEvalCallback 콜백 클래스에서 상속하고 add_ground_truth 및 add_model_prediction 메소드를 구현하세요.

WandbEvalCallback은 유용한 메소드를 제공하는 유틸리티 클래스입니다:

• 데이터와 예측 wandb.Table 인스턴스를 생성합니다,
• 데이터와 예측 테이블을 wandb.Artifact로 로그합니다
• 데이터 테이블은 on_train_begin에 로그합니다
• 예측 테이블은 on_epoch_end에 로그합니다

예를 들어, 아래에서 이미지 분류 작업을 위한 WandbClfEvalCallback을 구현했습니다. 이 예제 콜백은:

• 검증 데이터(data_table)를 W&B에 로그합니다,
• 각 에포크의 끝에서 추론을 수행하고 예측(pred_table)을 W&B에 로그합니다.

import wandb
from wandb.keras import WandbMetricsLogger, WandbEvalCallback


# 모델 예측 시각화 콜백을 구현합니다
class WandbClfEvalCallback(WandbEvalCallback):
    def __init__(
        self, validation_data, data_table_columns, pred_table_columns, num_samples=100
    ):
        super().__init__(data_table_columns, pred_table_columns)

        self.x = validation_data[0]
        self.y = validation_data[1]

    def add_ground_truth(self, logs=None):
        for idx, (image, label) in enumerate(zip(self.x, self.y)):
            self.data_table.add_data(idx, wandb.Image(image), label)

    def add_model_predictions(self, epoch, logs=None):
        preds = self.model.predict(self.x, verbose=0)
        preds = tf.argmax(preds, axis=-1)

        table_idxs = self.data_table_ref.get_index()

        for idx in table_idxs:
            pred = preds[idx]
            self.pred_table.add_data(
                epoch,
                self.data_table_ref.data[idx][0],
                self.data_table_ref.data[idx][1],
                self.data_table_ref.data[idx][2],
                pred,
            )


# ...

# 새로운 W&B run을 초기화합니다
wandb.init(config={"hyper": "parameter"})

# Model.fit에 콜백을 추가합니다
model.fit(
    X_train,
    y_train,
    validation_data=(X_test, y_test),
    callbacks=[
        WandbMetricsLogger(),
        WandbClfEvalCallback(
            validation_data=(X_test, y_test),
            data_table_columns=["idx", "image", "label"],
            pred_table_columns=["epoch", "idx", "image", "label", "pred"],
        ),
    ],
)

정보

💡 테이블은 기본적으로 W&B 아티팩트 페이지에 로그되며 워크스페이스 페이지에는 로그되지 않습니다.

WandbEvalCallback 참조

파라미터	설명
data_table_columns	(data_table에 대한 열 이름 목록
pred_table_columns	(pred_table에 대한 열 이름 목록

메모리 사용량이 어떻게 줄어드나요?

on_train_begin 메소드가 호출될 때 data_table을 W&B에 로그합니다. W&B 아티팩트로 업로드되면 이 테이블에 대한 참조를 얻을 수 있으며, 이는 data_table_ref 클래스 변수를 사용하여 액세스할 수 있습니다. data_table_ref는 self.data_table_ref[idx][n]처럼 인덱싱할 수 있는 2D 리스트입니다. 여기서 idx는 행 번호이고 n은 열 번호입니다. 아래 예제에서 사용법을 확인하세요.

콜백을 더 자세히 사용자 정의하는 방법

on_train_begin 또는 on_epoch_end 메소드를 오버라이드하여 더 세밀한 제어를 할 수 있습니다. N 배치 후 샘플을 로그하려면 on_train_batch_end 메소드를 구현할 수 있습니다.

정보

💡 WandbEvalCallback을 상속하여 모델 예측 시각화 콜백을 구현하는 경우 무엇인가 명확히 하거나 수정해야 한다면, 이슈를 열어서 알려주세요.

WandbCallback [레거시]

model.fit에서 추적된 모든 메트릭과 손실 값을 자동으로 저장하기 위해 W&B 라이브러리 WandbCallback 클래스를 사용하세요.

import wandb
from wandb.keras import WandbCallback

wandb.init(config={"hyper": "parameter"})

...  # Keras에서 모델 설정 코드

# model.fit에 콜백을 전달합니다
model.fit(
    X_train, y_train, validation_data=(X_test, y_test), callbacks=[WandbCallback()]
)

사용 예제

W&B와 Keras를 처음 통합하는 경우 이 한 분짜리 단계별 비디오를 보세요: Keras와 Weights & Biases로 1분 만에 시작하기

더 자세한 비디오는 [Keras와 Weights & Bi