메인 콘텐츠로 건너뛰기
Try in Colab

​
Keras 콜백

W&B는 wandb v0.13.4부터 사용할 수 있는 세 가지 Keras 콜백을 제공합니다. 레거시 WandbCallback은 아래로 스크롤하여 확인하세요.
  • WandbMetricsLogger : 이 콜백을 Experiment Tracking에 사용하세요. 트레이닝 및 검증 메트릭을 시스템 메트릭과 함께 W&B에 로그합니다.
  • WandbModelCheckpoint : 모델 체크포인트를 W&B Artifacts에 로그하려면 이 콜백을 사용하세요.
  • WandbEvalCallback: 이 기본 콜백은 인터랙티브한 시각화를 위해 모델 예측값을 W&B Tables에 로그합니다.
이 새로운 콜백들은 다음과 같은 특징이 있습니다:
  • Keras의 디자인 철학을 따릅니다.
  • 모든 작업에 하나의 콜백(WandbCallback)을 사용함으로써 발생하는 인지적 부담을 줄여줍니다.
  • Keras 사용자가 콜백을 서브클래싱하여 특정 유스 케이스에 맞게 쉽게 수정할 수 있도록 합니다.

​
WandbMetricsLogger로 Experiments 추적하기

Try in Colab WandbMetricsLogger는 on_epoch_end, on_batch_end 등과 같은 콜백 메소드가 인수로 받는 Keras의 logs 사전을 자동으로 로그합니다. 다음을 추적합니다:
  • model.compile에 정의된 트레이닝 및 검증 메트릭.
  • 시스템 (CPU/GPU/TPU) 메트릭.
  • 학습률 (고정 값 또는 학습률 스케줄러 모두 지원).
import wandb
from wandb.integration.keras import WandbMetricsLogger

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

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

​
WandbMetricsLogger 레퍼런스

파라미터설명
log_freq(epoch, batch, 또는 int): epoch인 경우 각 에포크가 끝날 때 메트릭을 로그합니다. batch인 경우 각 배치 끝에 로그합니다. int인 경우 해당 배치 수만큼 끝날 때마다 메트릭을 로그합니다. 기본값은 epoch입니다.
initial_global_step(int): 특정 initial_epoch에서 트레이닝을 재개하고 학습률 스케줄러를 사용하는 경우 학습률을 정확하게 로그하기 위해 이 인수를 사용합니다. 이는 step_size * initial_step으로 계산될 수 있습니다. 기본값은 0입니다.

​
WandbModelCheckpoint를 사용하여 모델 체크포인트 생성하기

Try in Colab WandbModelCheckpoint 콜백을 사용하여 Keras 모델(SavedModel 형식) 또는 모델 가중치를 주기적으로 저장하고 모델 버전 관리를 위해 이를 wandb.Artifact로 W&B에 업로드합니다. 이 콜백은 tf.keras.callbacks.ModelCheckpoint를 상속받았으므로, 체크포인트 로직은 부모 콜백에서 처리됩니다. 이 콜백은 다음을 저장합니다:
  • monitor 기준에 따라 최상의 성능을 달성한 모델.
  • 성능에 관계없이 모든 에포크가 끝날 때의 모델.
  • 에포크 끝 또는 정해진 수의 트레이닝 배치 이후의 모델.
  • 모델 가중치만 저장하거나 전체 모델 저장.
  • SavedModel 형식 또는 .h5 형식의 모델.
이 콜백을 WandbMetricsLogger와 함께 사용하세요. 
import wandb
from wandb.integration.keras import WandbMetricsLogger, WandbModelCheckpoint

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

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

​
WandbModelCheckpoint 레퍼런스

파라미터설명
filepath(str): 모델 파일을 저장할 경로.
monitor(str): 모니터링할 메트릭 이름.
verbose(int): Verbosity 모드, 0 또는 1. 모드 0은 자동(silent)이며, 모드 1은 콜백이 동작을 수행할 때 메시지를 표시합니다.
save_best_only(Boolean): save_best_only=True인 경우, monitor와 mode 속성에 따라 정의된 최신 모델 또는 최상으로 간주되는 모델만 저장합니다.
save_weights_only(Boolean): True인 경우 모델의 가중치만 저장합니다.
mode(auto, min, 또는 max): val_acc의 경우 max로 설정하고, val_loss의 경우 min으로 설정하는 식입니다.
save_freq(“epoch” 또는 int): ‘epoch’를 사용할 경우 매 에포크 후에 모델을 저장합니다. 정수를 사용할 경우 해당 배치 수가 끝날 때마다 모델을 저장합니다. val_acc나 val_loss와 같은 검증 메트릭을 모니터링할 때는 해당 메트릭이 에포크 끝에만 제공되므로 save_freq를 “epoch”으로 설정해야 함에 유의하세요.
options(str): save_weights_only가 true인 경우 선택적인 tf.train.CheckpointOptions 오브젝트, false인 경우 선택적인 tf.saved_model.SaveOptions 오브젝트입니다.
initial_value_threshold(float): 모니터링할 메트릭의 초기 “최상” 값(부동 소수점)입니다.

​
N 에포크마다 체크포인트 로그하기

기본적으로 (save_freq="epoch"), 콜백은 각 에포크 후에 체크포인트를 생성하고 아티팩트로 업로드합니다. 특정 배치 수마다 체크포인트를 생성하려면 save_freq를 정수로 설정하세요. N 에포크마다 체크포인트를 생성하려면 train 데이터로더의 카디널리티(cardinality)를 계산하여 save_freq에 전달하세요: 
WandbModelCheckpoint(
    filepath="models/",
    save_freq=int((trainloader.cardinality()*N).numpy())
)

​
TPU 아티팩트에서 효율적으로 체크포인트 로그하기

TPU에서 체크포인트를 생성하는 동안 UnimplementedError: File system scheme '[local]' not implemented 에러 메시지가 발생할 수 있습니다. 이는 모델 디렉토리(filepath)가 클라우드 스토리지 버킷 경로(gs://bucket-name/...)를 사용해야 하며, 이 버킷이 TPU 서버에서 엑세스 가능해야 하기 때문에 발생합니다. 그러나 로컬 경로를 사용하여 체크포인트를 생성하고 이를 Artifacts로 업로드할 수 있습니다. 
checkpoint_options = tf.saved_model.SaveOptions(experimental_io_device="/job:localhost")

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

​
WandbEvalCallback을 사용하여 모델 예측값 시각화하기

Try in Colab WandbEvalCallback은 주로 모델 예측값 시각화와 보조적으로 데이터셋 시각화를 위한 Keras 콜백을 구축하기 위한 추상 기본 클래스입니다. 이 추상 콜백은 데이터셋과 태스크에 구애받지 않습니다. 이를 사용하려면 이 기본 WandbEvalCallback 콜백 클래스를 상속받아 add_ground_truth와 add_model_prediction 메소드를 구현하세요. WandbEvalCallback은 다음과 같은 메소드를 제공하는 유틸리티 클래스입니다:
  • 데이터 및 예측 wandb.Table 인스턴스 생성.
  • 데이터 및 예측 Tables를 wandb.Artifact로 로그.
  • on_train_begin 시점에 데이터 테이블 로그.
  • on_epoch_end 시점에 예측 테이블 로그.
다음 예시는 이미지 분류 태스크를 위해 WandbClfEvalCallback을 사용합니다. 이 예시 콜백은 검증 데이터(data_table)를 W&B에 로그하고, 추론을 수행하며, 매 에포크가 끝날 때 예측값(pred_table)을 W&B에 로그합니다. 
import wandb
from wandb.integration.keras import WandbMetricsLogger, WandbEvalCallback


# 모델 예측 시각화 콜백 구현
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 Run 초기화
wandb.init(config={"hyper": "parameter"})

# Model.fit에 콜백 추가
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"],
        ),
    ],
)
W&B Artifact 페이지는 기본적으로 Workspace 페이지보다 Table 로그를 더 많이 포함합니다.

​
WandbEvalCallback 레퍼런스

파라미터설명
data_table_columns(list) data_table을 위한 컬럼 이름 리스트
pred_table_columns(list) pred_table을 위한 컬럼 이름 리스트

​
메모리 풋프린트 상세 정보

on_train_begin 메소드가 호출될 때 data_table을 W&B에 로그합니다. W&B Artifact로 업로드되면 data_table_ref 클래스 변수를 사용하여 이 테이블에 대한 참조를 얻을 수 있습니다. data_table_ref는 self.data_table_ref[idx][n]과 같이 인덱싱할 수 있는 2D 리스트이며, 여기서 idx는 행 번호, n은 열 번호입니다. 아래 예시에서 사용법을 확인하세요.

​
콜백 커스터마이징

더 세밀한 제어를 위해 on_train_begin 또는 on_epoch_end 메소드를 오버라이드할 수 있습니다. N 배치마다 샘플을 로그하고 싶다면 on_train_batch_end 메소드를 구현할 수 있습니다.
WandbEvalCallback을 상속하여 모델 예측 시각화를 위한 콜백을 구현하는 중에 명확히 해야 할 점이나 수정이 필요한 사항이 있으면 issue를 열어 알려주세요.

​
WandbCallback [legacy]

W&B 라이브러리의 WandbCallback 클래스를 사용하여 model.fit에서 추적되는 모든 메트릭과 손실 값을 자동으로 저장하세요. 
import wandb
from wandb.integration.keras import WandbCallback

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

...  # Keras 모델 설정 코드

# model.fit에 콜백 전달
model.fit(
    X_train, y_train, validation_data=(X_test, y_test), callbacks=[WandbCallback()]
)
Get Started with Keras and W&B in Less Than a Minute 짧은 비디오를 시청해 보세요. 더 자세한 비디오는 Integrate W&B with Keras에서 확인할 수 있습니다. Colab Jupyter Notebook을 검토해 볼 수도 있습니다.
Fashion MNIST 예시와 여기서 생성된 W&B Dashboard를 포함한 스크립트는 예시 레포지토리를 참조하세요.
WandbCallback 클래스는 모니터링할 메트릭 지정, 가중치 및 그레이디언트 추적, 트레이닝 및 검증 데이터에 대한 예측값 로그 등 다양한 로깅 설정 옵션을 지원합니다. 전체 상세 내용은 keras.WandbCallback 레퍼런스 문서를 확인하세요. WandbCallback은 다음과 같은 기능을 수행합니다:
  • Keras에서 수집된 모든 메트릭(loss 및 keras_model.compile()에 전달된 모든 항목)의 히스토리 데이터를 자동으로 로그합니다.
  • monitor 및 mode 속성에 의해 정의된 “최상”의 트레이닝 단계와 관련된 run의 요약 메트릭을 설정합니다. 이는 기본적으로 최소 val_loss를 갖는 에포크로 설정됩니다. WandbCallback은 기본적으로 최상의 epoch과 관련된 모델을 저장합니다.
  • 선택적으로 그레이디언트 및 파라미터 히스토그램을 로그합니다.
  • 선택적으로 wandb가 시각화할 수 있도록 트레이닝 및 검증 데이터를 저장합니다.

​
WandbCallback 레퍼런스

인수설명
monitor(str) 모니터링할 메트릭 이름. 기본값은 val_loss입니다.
mode(str) {auto, min, max} 중 하나. min - 모니터링 값이 최소화될 때 모델 저장, max - 최대화될 때 모델 저장, auto - 모델 저장 시점을 자동으로 추측(기본값).
save_modelTrue - 모니터링 값이 이전 모든 에포크보다 좋을 때 모델 저장, False - 모델을 저장하지 않음.
save_graph(boolean) True인 경우 모델 그래프를 wandb에 저장(기본값 True).
save_weights_only(boolean) True인 경우 모델의 가중치만 저장(model.save_weights(filepath)). 그렇지 않으면 전체 모델을 저장합니다.
log_weights(boolean) True인 경우 모델 레이어 가중치의 히스토그램을 저장합니다.
log_gradients(boolean) True인 경우 트레이닝 그레이디언트의 히스토그램을 로그합니다.
training_data(tuple) model.fit에 전달된 것과 동일한 (X,y) 형식입니다. 그레이디언트 계산에 필요하며, log_gradients가 True인 경우 필수입니다.
validation_data(tuple) model.fit에 전달된 것과 동일한 (X,y) 형식입니다. wandb가 시각화할 데이터 세트입니다. 이 필드를 설정하면 매 에포크마다 wandb가 소량의 예측을 수행하고 나중에 시각화할 수 있도록 결과를 저장합니다.
generator(generator) wandb가 시각화할 검증 데이터를 반환하는 제너레이터입니다. 이 제너레이터는 (X,y) 튜플을 반환해야 합니다. 특정 데이터 예시를 시각화하려면 validate_data 또는 제너레이터 중 하나가 설정되어야 합니다.
validation_steps(int) validation_data가 제너레이터인 경우, 전체 검증 세트에 대해 제너레이터를 실행할 단계 수입니다.
labels(list) 데이터를 wandb로 시각화할 때, 다중 클래스 분류기를 구축하는 경우 이 레이블 리스트가 숫자 출력을 이해하기 쉬운 문자열로 변환합니다. 이진 분류기의 경우 두 개의 레이블 리스트 [false 레이블, true 레이블]를 전달할 수 있습니다. validate_data와 generator가 모두 false인 경우 아무 작업도 수행하지 않습니다.
predictions(int) 각 에포크마다 시각화를 위해 수행할 예측 수이며 최대값은 100입니다.
input_type(string) 시각화를 돕기 위한 모델 입력 유형입니다. (image, images, segmentation_mask) 중 하나일 수 있습니다.
output_type(string) 시각화를 돕기 위한 모델 출력 유형입니다. (image, images, segmentation_mask) 중 하나일 수 있습니다.
log_evaluation(boolean) True인 경우 각 에포크에서 검증 데이터와 모델 예측값을 포함하는 Table을 저장합니다. 자세한 내용은 validation_indexes, validation_row_processor, output_row_processor를 참조하세요.
class_colors([float, float, float]) 입력 또는 출력이 세그먼테이션 마스크인 경우 각 클래스에 대한 rgb 튜플(범위 0-1)을 포함하는 배열입니다.
log_batch_frequency(integer) None인 경우 콜백은 매 에포크마다 로그합니다. 정수로 설정하면 콜백은 log_batch_frequency 배치마다 트레이닝 메트릭을 로그합니다.
log_best_prefix(string) None인 경우 추가 요약 메트릭을 저장하지 않습니다. 문자열로 설정하면 모니터링되는 메트릭과 에포크 앞에 접두사를 붙여 요약 메트릭으로 저장합니다.
validation_indexes([wandb.data_types._TableLinkMixin]) 각 검증 예시와 연결할 인덱스 키의 정렬된 리스트입니다. log_evaluation이 True이고 validation_indexes를 제공하는 경우 검증 데이터 테이블을 생성하지 않습니다. 대신 각 예측을 TableLinkMixin으로 표시되는 행과 연결합니다. 행 키 리스트를 얻으려면 Table.get_index()를 사용하세요.
validation_row_processor(Callable) 검증 데이터에 적용할 함수로, 일반적으로 데이터를 시각화하는 데 사용됩니다. 이 함수는 ndx (int)와 row (dict)를 받습니다. 모델에 단일 입력이 있는 경우 row["input"]에 해당 행의 입력 데이터가 포함됩니다. 그렇지 않으면 입력 슬롯의 이름이 포함됩니다. fit 함수가 단일 타겟을 받는 경우 row["target"]에 해당 행의 타겟 데이터가 포함됩니다. 그렇지 않으면 출력 슬롯의 이름이 포함됩니다. 예를 들어 입력 데이터가 단일 배열인 경우 데이터를 Image로 시각화하려면 lambda ndx, row: {"img": wandb.Image(row["input"])}를 프로세서로 제공하십시오. log_evaluation이 False이거나 validation_indexes가 있는 경우 무시됩니다.
output_row_processor(Callable) validation_row_processor와 동일하지만 모델 출력에 적용됩니다. row["output"]에 모델 출력 결과가 포함됩니다.
infer_missing_processors(Boolean) validation_row_processor와 output_row_processor가 누락된 경우 이를 유추할지 여부를 결정합니다. 기본값은 True입니다. labels를 제공하면 W&B는 적절한 경우 분류 유형 프로세서를 유추하려고 시도합니다.
log_evaluation_frequency(int) 평가 결과를 얼마나 자주 로그할지 결정합니다. 기본값은 0으로 트레이닝이 끝날 때만 로그합니다. 매 에포크마다 로그하려면 1로, 한 에포크 건너 로그하려면 2로 설정하는 식입니다. log_evaluation이 False인 경우 효과가 없습니다.

​
자주 묻는 질문

​
wandb에서 Keras 멀티프로세싱을 어떻게 사용하나요?

use_multiprocessing=True로 설정할 때 다음과 같은 에러가 발생할 수 있습니다: 
Error("You must call wandb.init() before wandb.config.batch_size")
이를 해결하려면:
  1. Sequence 클래스 생성자에서 wandb.init(group='...')를 추가합니다.
  2. main에서 if __name__ == "__main__":을 사용하고 나머지 스크립트 로직을 그 안에 넣어야 합니다.
if __name__ == "__main__":
    wandb.init(project="my-project")
    # 나머지 트레이닝 로직