메인 콘텐츠로 건너뛰기
Try in Colab
W&B는 W&B Multi-tenant SaaS를 위한 내장형 TensorBoard를 지원합니다.
TensorBoard 로그를 클라우드에 업로드하여 동료 및 학우들과 빠르게 결과를 공유하고, 분석 내용을 한곳에 집중적으로 관리하세요.
TensorBoard integration code

​
시작하기

import wandb

# `sync_tensorboard=True`를 설정하여 wandb run을 시작합니다.
wandb.init(project="my-project", sync_tensorboard=True) as run:
  # TensorBoard를 사용하는 트레이닝 코드를 작성하세요.
  ...
TensorBoard 인테그레이션 run 예시를 확인해 보세요. run이 종료되면 W&B에서 TensorBoard 이벤트 파일에 엑세스할 수 있으며, 시스템의 CPU 또는 GPU 사용률, git 상태, 사용된 터미널 코맨드 등 추가적인 유용한 정보와 함께 기본 W&B 차트에서 메트릭을 시각화할 수 있습니다.
W&B는 모든 버전의 TensorFlow에서 TensorBoard를 지원합니다. 또한 W&B는 PyTorch 및 TensorBoardX와 함께 사용하는 TensorBoard 1.14 이상 버전을 지원합니다.

​
자주 묻는 질문 (FAQ)

​
TensorBoard에 기록되지 않는 메트릭을 W&B에 로그하는 방법은 무엇인가요?

TensorBoard에 기록되지 않는 추가적인 커스텀 메트릭을 로그해야 하는 경우, 코드에서 wandb.Run.log()를 호출할 수 있습니다: run.log({"custom": 0.8}) TensorBoard를 동기화할 때는 run.log()의 step 인수가 비활성화됩니다. 다른 step 카운트를 설정하고 싶다면 다음과 같이 step 메트릭과 함께 메트릭을 로그할 수 있습니다: run.log({"custom": 0.8, "global_step": global_step})

​
wandb와 함께 사용할 때 TensorBoard를 어떻게 설정하나요?

TensorBoard 패치 방식을 더 세밀하게 제어하고 싶다면 wandb.init에 sync_tensorboard=True를 전달하는 대신 wandb.tensorboard.patch를 호출할 수 있습니다. 
import wandb

wandb.tensorboard.patch(root_logdir="<logging_directory>")
run = wandb.init()

# (노트북에서 실행 중인 경우) TensorBoard 로그를 W&B에 업로드하기 위해 wandb run을 종료합니다.
run.finish()
이 메소드에 tensorboard_x=False를 전달하여 일반 TensorBoard가 패치되도록 할 수 있으며, PyTorch와 함께 TensorBoard 1.14 이상을 사용하는 경우 pytorch=True를 전달하여 패치되도록 할 수 있습니다. 이 옵션들은 임포트된 라이브러리 버전에 따라 스마트한 기본값을 가집니다. 기본적으로 tfevents 파일과 모든 .pbtxt 파일도 동기화됩니다. 이를 통해 사용자를 대신하여 TensorBoard 인스턴스를 실행할 수 있습니다. run 페이지에 TensorBoard 탭이 표시됩니다. 이 동작은 wandb.tensorboard.patch에 save=False를 전달하여 끌 수 있습니다. 
import wandb

run = wandb.init()
wandb.tensorboard.patch(save=False, tensorboard_x=True)

# 노트북에서 실행 중인 경우, TensorBoard 로그를 W&B에 업로드하기 위해 wandb run을 종료합니다.
run.finish()
tf.summary.create_file_writer를 호출하거나 torch.utils.tensorboard를 통해 SummaryWriter를 생성하기 전에 반드시 wandb.init() 또는 wandb.tensorboard.patch를 호출해야 합니다.

​
과거의 TensorBoard Runs를 어떻게 동기화하나요?

로컬에 저장된 기존 tfevents 파일이 있고 이를 W&B로 가져오고 싶다면, wandb sync log_dir 코맨드를 실행하세요. 여기서 log_dir은 tfevents 파일이 포함된 로컬 디렉토리입니다.

​
Google Colab 또는 Jupyter에서 TensorBoard를 어떻게 사용하나요?

Jupyter 또는 Colab 노트북에서 코드를 실행하는 경우, 트레이닝이 끝날 때 반드시 wandb.Run.finish()를 호출하세요. 이렇게 하면 wandb run이 종료되고 TensorBoard 로그가 W&B에 업로드되어 시각화할 수 있습니다. .py 스크립트를 실행할 때는 스크립트가 종료되면 wandb가 자동으로 종료되므로 이 작업이 필요하지 않습니다. 노트북 환경에서 쉘 코맨드를 실행하려면 !wandb sync directoryname과 같이 앞에 !를 붙여야 합니다.

​
PyTorch와 TensorBoard를 함께 사용하려면 어떻게 하나요?

PyTorch의 TensorBoard 인테그레이션을 사용하는 경우, PyTorch Profiler JSON 파일을 수동으로 업로드해야 할 수도 있습니다. 
with wandb.init(project="my-project", sync_tensorboard=True) as run:
    run.save(glob.glob(f"runs/*.pt.trace.json")[0], base_path=f"runs")

​
클라우드에 저장된 tfevents 파일을 동기화할 수 있나요?

wandb 0.20.0 이상 버전은 S3, GCS 또는 Azure에 저장된 tfevents 파일 동기화를 지원합니다. wandb는 각 클라우드 제공업체의 기본 자격 증명(credentials)을 사용하며, 다음 표의 코맨드에 해당합니다:
클라우드 제공업체자격 증명 (Credentials)로그 디렉토리 형식
S3aws configures3://bucket/path/to/logs
GCSgcloud auth application-default logings://bucket/path/to/logs
Azureaz login1az://account/container/path/to/logs

Footnotes

  1. AZURE_STORAGE_ACCOUNT 및 AZURE_STORAGE_KEY 환경 변수도 설정해야 합니다. ↩