W&B Python SDK를 사용하여 기계학습 실험을 추적하세요. 그런 다음 인터랙티브 대시보드에서 결과를 검토하거나, W&B Public API를 사용하여 프로그래밍 방식의 access를 위해 데이터를 Python으로 내보낼 수 있습니다.
이 가이드는 W&B 빌딩 블록을 사용하여 W&B Experiment를 생성하는 방법을 설명합니다.
W&B Experiment 생성 방법
네 가지 단계로 W&B Experiment를 생성합니다:
- W&B Run 초기화
- 하이퍼파라미터 사전 캡처
- 트레이닝 루프 내에서 메트릭 로그 기록
- W&B에 아티팩트 로그 기록
W&B run 초기화
wandb.init()을 사용하여 W&B Run을 생성합니다.
다음 코드조각은 이 run을 식별하는 데 도움이 되도록 “cat-classification”이라는 이름의 W&B project에 “My first experiment”라는 설명을 포함하여 run을 생성합니다. “baseline” 및 “paper1” 태그를 포함하여 이 run이 향후 논문 발표를 위한 베이스라인 실험임을 상기시킵니다.
import wandb
with wandb.init(
project="cat-classification",
notes="My first experiment",
tags=["baseline", "paper1"],
) as run:
...
wandb.init()은 Run 오브젝트를 반환합니다.
안내: wandb.init()을 호출할 때 해당 프로젝트가 이미 존재하는 경우 Runs는 기존 프로젝트에 추가됩니다. 예를 들어, “cat-classification”이라는 프로젝트가 이미 있는 경우 해당 프로젝트는 삭제되지 않고 계속 유지됩니다. 대신, 해당 프로젝트에 새로운 run이 추가됩니다.
하이퍼파라미터 사전 캡처
학습률이나 모델 유형과 같은 하이퍼파라미터 사전을 저장합니다. config에 캡처한 모델 설정은 나중에 결과를 정리하고 쿼리하는 데 유용합니다.
with wandb.init(
...,
config={"epochs": 100, "learning_rate": 0.001, "batch_size": 128},
) as run:
...
트레이닝 루프 내에서 메트릭 로그 기록
run.log()를 호출하여 정확도 및 손실과 같은 각 트레이닝 단계에 대한 메트릭을 로그로 기록합니다.
model, dataloader = get_model(), get_data()
for epoch in range(run.config.epochs):
for batch in dataloader:
loss, accuracy = model.training_step()
run.log({"accuracy": accuracy, "loss": loss})
W&B에 아티팩트 로그 기록
선택적으로 W&B Artifact를 로그로 기록합니다. Artifacts를 사용하면 데이터셋과 모델의 버전 관리를 쉽게 할 수 있습니다.
# 모든 파일 또는 디렉토리를 저장할 수 있습니다. 이 예제에서는
# 모델에 ONNX 파일을 출력하는 save() 메소드가 있다고 가정합니다.
model.save("path_to_model.onnx")
run.log_artifact("path_to_model.onnx", name="trained-model", type="model")
종합하기
앞선 코드조각들을 모두 포함한 전체 스크립트는 다음과 같습니다:
import wandb
with wandb.init(
project="cat-classification",
notes="",
tags=["baseline", "paper1"],
# run의 하이퍼파라미터를 기록합니다.
config={"epochs": 100, "learning_rate": 0.001, "batch_size": 128},
) as run:
# 모델과 데이터를 설정합니다.
model, dataloader = get_model(), get_data()
# 모델 성능을 시각화하기 위해 메트릭을 로그로 기록하며 트레이닝을 실행합니다.
for epoch in range(run.config["epochs"]):
for batch in dataloader:
loss, accuracy = model.training_step()
run.log({"accuracy": accuracy, "loss": loss})
# 학습된 모델을 아티팩트로 업로드합니다.
model.save("path_to_model.onnx")
run.log_artifact("path_to_model.onnx", name="trained-model", type="model")
다음 단계: 실험 시각화
W&B Dashboard를 기계학습 모델의 결과를 정리하고 시각화하는 중앙 장소로 사용하세요. 클릭 몇 번만으로 평행 좌표 플롯, 파라미터 중요도 분석 및 추가 차트 유형과 같은 풍부하고 인터랙티브 차트를 구성할 수 있습니다.
실험 및 특정 run을 확인하는 방법에 대한 자세한 내용은 Visualize results from experiments를 참조하세요.
모범 사례
다음은 실험을 생성할 때 고려해야 할 몇 가지 권장 가이드라인입니다:
- Runs 완료:
with 문에서 wandb.init()을 사용하여 코드가 완료되거나 예외가 발생할 때 run이 자동으로 완료됨으로 표시되도록 하세요.
-
Jupyter 노트북에서는 Run 오브젝트를 직접 관리하는 것이 더 편리할 수 있습니다. 이 경우, Run 오브젝트에서
finish()를 명시적으로 호출하여 완료로 표시할 수 있습니다:
# 노트북 셀에서:
run = wandb.init()
# 다른 셀에서:
run.finish()
- Config: 하이퍼파라미터, 아키텍처, 데이터셋 및 모델을 재현하는 데 사용하려는 기타 모든 항목을 추적하세요. 이들은 열로 표시됩니다. config 열을 사용하여 앱에서 동적으로 run을 그룹화, 정렬 및 필터링하세요.
- Project: 프로젝트는 함께 비교할 수 있는 실험 세트입니다. 각 프로젝트에는 전용 대시보드 페이지가 제공되며, 다양한 모델 버전을 비교하기 위해 여러 run 그룹을 쉽게 켜고 끌 수 있습니다.
- Notes: 스크립트에서 직접 빠른 커밋 메시지를 설정하세요. W&B 앱의 run Overview 섹션에서 노트를 편집하고 엑세스할 수 있습니다.
- Tags: 베이스라인 run과 즐겨찾는 run을 식별하세요. 태그를 사용하여 run을 필터링할 수 있습니다. 나중에 W&B 앱의 프로젝트 대시보드 Overview 섹션에서 태그를 편집할 수 있습니다.
- 실험 비교를 위해 여러 run 세트 생성: 실험을 비교할 때, 메트릭을 쉽게 비교할 수 있도록 여러 run 세트를 생성하세요. 동일한 차트나 차트 그룹에서 run 세트를 켜거나 끌 수 있습니다.
다음 코드조각은 위에 나열된 모범 사례를 사용하여 W&B Experiment를 정의하는 방법을 보여줍니다:
import wandb
config = {
"learning_rate": 0.01,
"momentum": 0.2,
"architecture": "CNN",
"dataset_id": "cats-0192",
}
with wandb.init(
project="detect-cats",
notes="tweak baseline",
tags=["baseline", "paper1"],
config=config,
) as run:
...
wandb.init() API 문서를 참조하세요. 
