W&B 퀵스타트

W&B 퀵스타트

어떤 규모의 기계학습 실험이든 추적, 시각화 및 관리할 수 있도록 W&B를 설치하세요.

W&B Weave에 대한 정보를 찾고 계신가요? Weave Python SDK 퀵스타트 또는 Weave TypeScript SDK 퀵스타트를 확인하세요.

​

회원 가입 및 API 키 생성

사용자의 머신을 W&B에 인증하려면 API 키가 필요합니다.

To create an API key, select the Personal API key or Service Account API key tab for details.

Personal API key

To create a personal API key owned by your user ID:

1. Log in to W&B, click your user profile icon, then click User Settings.
2. Click Create new API key.
3. Provide a descriptive name for your API key.
4. Click Create.
5. Copy the displayed API key immediately and store it securely.

Service account API key

To create an API key owned by a service account:

1. Navigate to the Service Accounts tab in your team or organization settings.
2. Find the service account in the list.
3. Click the action menu (...), then click Create API key.
4. Provide a name for the API key, then click Create.
5. Copy the displayed API key immediately and store it securely.
6. Click Done.

You can create multiple API keys for a single service account to support different environments or workflows.

The full API key is only shown once at creation time. After you close the dialog, you cannot view the full API key again. Only the key ID (first part of the key) is visible in your settings. If you lose the full API key, you must create a new API key.

For secure storage options, see Store API keys securely.

​

wandb 라이브러리 설치 및 로그인

Command Line

1. WANDB_API_KEY 환경 변수를 설정하세요.

   export WANDB_API_KEY=<your_api_key>
   

2. wandb 라이브러리를 설치하고 로그인합니다.

   pip install wandb
   wandb login
   

Python

pip install wandb

import wandb

# W&B에 로그인
wandb.login()

Python notebook

!pip install wandb
import wandb
# W&B에 로그인
wandb.login()

​

Run 초기화 및 하이퍼파라미터 추적

Python 스크립트나 노트북에서 wandb.init()을 사용하여 W&B run 오브젝트를 초기화하세요. 하이퍼파라미터 이름과 값을 지정하려면 config 파라미터에 사전(dictionary)을 사용합니다. with 문 내에서 메트릭 및 기타 정보를 W&B에 로그할 수 있습니다.

import wandb

wandb.login()

# run이 기록될 프로젝트
project = "my-awesome-project"

# 하이퍼파라미터를 담은 사전
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    # 트레이닝 코드 작성
    # run.log()를 사용하여 W&B에 값을 로그
    run.log({"accuracy": 0.9, "loss": 0.1})

트레이닝 run을 시뮬레이션하고 정확도(accuracy)와 손실(loss) 메트릭을 W&B에 로그하는 전체 예제는 다음 섹션을 참조하세요.

run은 W&B의 핵심 요소입니다. run을 사용하여 메트릭 추적, 로그 생성, Artifacts 추적 등을 수행할 수 있습니다.

​

기계학습 트레이닝 실험 생성

이 모의 트레이닝 스크립트는 시뮬레이션된 정확도와 손실 메트릭을 W&B에 로그합니다. 다음 코드를 복사하여 Python 스크립트나 노트북 셀에 붙여넣고 실행하세요:

import wandb
import random

wandb.login()

# run이 기록될 프로젝트
project = "my-awesome-project"

# 하이퍼파라미터를 담은 사전
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    offset = random.random() / 5
    print(f"lr: {config['lr']}")
    
    # 트레이닝 run 시뮬레이션
    for epoch in range(2, config['epochs']):
        acc = 1 - 2**-config['epochs'] - random.random() / config['epochs'] - offset
        loss = 2**-config['epochs'] + random.random() / config['epochs'] + offset
        print(f"epoch={config['epochs']}, accuracy={acc}, loss={loss}")
        run.log({"accuracy": acc, "loss": loss})

wandb.ai/home을 방문하여 정확도와 손실 같은 기록된 메트릭이 각 트레이닝 단계에서 어떻게 변화했는지 확인하세요. 다음 이미지는 각 run에서 추적된 손실과 정확도를 보여줍니다. 각 run 오브젝트는 생성된 이름과 함께 Runs 컬럼에 나타납니다.

​

다음 단계

W&B 에코시스템의 더 많은 기능을 살펴보세요:

1. W&B를 PyTorch와 같은 프레임워크, Hugging Face와 같은 라이브러리, SageMaker와 같은 서비스와 결합하는 W&B Integration 튜토리얼을 읽어보세요.
2. Reports를 사용하여 run을 정리하고, 시각화를 자동화하며, 발견한 내용을 요약하고 협업자와 업데이트를 공유하세요.
3. 기계학습 파이프라인 전반에서 데이터셋, 모델, 종속성 및 결과를 추적하기 위해 Artifacts를 생성하세요.
4. Sweeps를 통해 하이퍼파라미터 탐색을 자동화하고 모델을 최적화하세요.
5. 중앙 대시보드에서 run을 분석하고, 모델 예측값을 시각화하며, 인사이트를 공유하세요.
6. 실습 코스를 통해 LLM, MLOps 및 W&B Models에 대해 배우려면 W&B AI Academy를 방문하세요.
7. Weave를 사용하여 LLM 기반 애플리케이션을 추적, 실험, 평가, 배포 및 개선하는 방법을 배우려면 weave-docs.wandb.ai를 방문하세요.