Skip to main content

Try in Colab

 원활한 W&B 연동으로 Hugging Face 모델의 성능을 빠르게 시각화하세요. 모델 전반에서 하이퍼파라미터, 출력 메트릭, GPU 사용률과 같은 시스템 통계를 비교합니다.

​
W&B를 사용해야 하는 이유

  • 통합 대시보드: 모든 모델 메트릭 및 예측값에 대한 중앙 저장소
  • 간편함: Hugging Face와 통합하기 위해 코드 변경이 필요하지 않음
  • 접근성: 개인 및 학술 팀에 무료 제공
  • 보안: 모든 Projects는 기본적으로 비공개임
  • 신뢰성: OpenAI, Toyota, Lyft 등의 기계 학습 팀에서 사용
W&B는 기계 학습 모델을 위한 GitHub와 같습니다. 개인 호스팅 대시보드에 기계 학습 Experiments를 저장하세요. 스크립트를 실행하는 위치에 관계없이 모델의 모든 버전을 저장하므로 안심하고 빠르게 실험할 수 있습니다. W&B의 간편한 인테그레이션은 모든 Python 스크립트에서 작동하며, 모델 추적 및 시각화를 시작하려면 무료 W&B 계정에 가입하기만 하면 됩니다. Hugging Face Transformers repo에서 Trainer를 통해 각 로깅 단계에서 트레이닝 및 평가 메트릭을 W&B에 자동으로 기록합니다. 다음은 인테그레이션 작동 방식에 대한 자세한 내용입니다: Hugging Face + W&B Report.

​
설치, 임포트 및 로그인

Hugging Face 및 Weights & Biases 라이브러리, 그리고 이 튜토리얼의 GLUE 데이터셋 및 트레이닝 스크립트를 설치합니다. 
!pip install datasets wandb evaluate accelerate -qU
!wget https://raw.githubusercontent.com/huggingface/transformers/refs/heads/main/examples/pytorch/text-classification/run_glue.py

# run_glue.py 스크립트를 실행하려면 transformers dev가 필요합니다.
!pip install -q git+https://github.com/huggingface/transformers
계속하기 전에 무료 계정에 가입하세요.

​
API 키 넣기

가입했으면 다음 셀을 실행하고 링크를 클릭하여 API 키를 가져와 이 노트북을 인증합니다. 
import wandb
wandb.login()
선택적으로 환경 변수를 설정하여 W&B 로깅을 사용자 정의할 수 있습니다. 설명서를 참조하세요. 
# 선택 사항: 그레이디언트와 파라미터를 모두 기록합니다.
%env WANDB_WATCH=all

​
모델 트레이닝

다음으로 다운로드한 트레이닝 스크립트 run_glue.py를 호출하고 트레이닝이 Weights & Biases 대시보드에서 자동으로 추적되는지 확인합니다. 이 스크립트는 의미상 동등한지 여부를 나타내는 사람 주석이 있는 문장 쌍인 Microsoft Research Paraphrase Corpus에서 BERT를 파인튜닝합니다. 
%env WANDB_PROJECT=huggingface-demo
%env TASK_NAME=MRPC

!python run_glue.py \
  --model_name_or_path bert-base-uncased \
  --task_name $TASK_NAME \
  --do_train \
  --do_eval \
  --max_seq_length 256 \
  --per_device_train_batch_size 32 \
  --learning_rate 2e-4 \
  --num_train_epochs 3 \
  --output_dir /tmp/$TASK_NAME/ \
  --overwrite_output_dir \
  --logging_steps 50

​
대시보드에서 결과 시각화

위에 출력된 링크를 클릭하거나 wandb.ai로 이동하여 결과가 실시간으로 스트리밍되는 것을 확인하세요. 브라우저에서 run을 볼 수 있는 링크는 모든 종속성이 로드된 후에 나타납니다. 다음 출력을 찾으세요: “wandb: 🚀 View run at [URL to your unique run]” 모델 성능 시각화 수십 개의 Experiments를 살펴보고, 흥미로운 발견에 집중하고, 고차원 데이터를 시각화하는 것이 쉽습니다.
아키텍처 비교 다음은 BERT vs DistilBERT를 비교하는 예입니다. 자동 라인 플롯 시각화를 통해 트레이닝 전반에 걸쳐 다양한 아키텍처가 평가 정확도에 미치는 영향을 쉽게 확인할 수 있습니다.

​
기본적으로 주요 정보를 간편하게 추적

Weights & Biases는 각 Experiment에 대해 새 run을 저장합니다. 다음은 기본적으로 저장되는 정보입니다.
  • 하이퍼파라미터: 모델 설정은 Config에 저장됩니다.
  • 모델 메트릭: 스트리밍되는 메트릭의 시계열 데이터는 로그에 저장됩니다.
  • 터미널 로그: 커맨드라인 출력이 저장되어 탭에서 사용할 수 있습니다.
  • 시스템 메트릭: GPU 및 CPU 사용률, 메모리, 온도 등

​
자세히 알아보기

  • 설명서: Weights & Biases 및 Hugging Face 인테그레이션에 대한 문서
  • 동영상: YouTube 채널에서 튜토리얼, 실무자와의 인터뷰 등을 시청하세요.
  • 문의: 질문이 있는 경우 contact@wandb.com으로 메시지를 보내주세요.
⌘I