실험 추적하기

Try in W&B

Try in Colab

몇 줄의 코드로 기계학습 실험을 추적하세요. 그런 다음 인터랙티브한 대시보드에서 결과를 검토하거나 Public API를 사용하여 파이썬으로 데이터를 내보내 프로그래매틱하게 엑세스할 수 있습니다.

PyTorch, Keras, Scikit과 같은 인기 프레임워크를 사용하는 경우 W&B Integrations를 활용하세요. 인테그레이션의 전체 목록과 코드에 W&B를 추가하는 방법에 대한 정보는 인테그레이션 가이드를 참조하세요.

위의 이미지는 여러 run에 걸쳐 메트릭을 보고 비교할 수 있는 대시보드의 예시입니다.

작동 방식

몇 줄의 코드로 머신러닝 실험을 추적하는 방법:

1. W&B run을 생성합니다.
2. 학습률이나 모델 유형과 같은 하이퍼파라미터의 딕셔너리를 설정에 저장합니다(wandb.config).
3. 정확도 및 손실과 같은 메트릭(wandb.log())을 훈련 루프에서 시간 경과에 따라 기록합니다.
4. 모델 가중치 또는 예측값 테이블 같은 run의 결과를 저장합니다.

다음 의사코드는 일반적인 W&B 실험 추적 워크플로우를 보여줍니다:

# 1. W&B Run 시작
wandb.init(entity="", project="my-project-name")

# 2. 모드 입력 및 하이퍼파라미터 저장
wandb.config.learning_rate = 0.01

# 모델과 데이터 가져오기
model, dataloader = get_model(), get_data()

# 여기에 모델 트레이닝 코드가 들어갑니다.

# 3. 성능 시각화를 위한 시간 경과에 따른 메트릭 기록
wandb.log({"loss": loss})

# 4. W&B에 아티팩트를 로깅
wandb.log_artifact(model)

시작 방법

유스케이스에 따라 밑의 자료를 살펴보고 W&B 실험을 시작하세요:

• W&B Artifacts를 처음 사용하는 경우, Experiments Colab 노트북을 살펴보는 것을 권장합니다.
• 데이터셋 아티팩트를 생성, 추적 및 사용하는데 쓸 수 있는 W&B Python SDK 커맨드의 단계별 개요를 알아보려면 W&B 퀵스타트를 참조하세요.
• 이 챕터에서 아래와 같은 작업을 수행하는 방법을 알아보세요:
  • 실험 생성
  • 실험 설정
  • 실험 데이터 로깅
  • 실험 결과 보기
• W&B API 참조 가이드 내의 W&B Python 라이브러리를 살펴보세요.