Experiments Overview - Weights & Biases Documentation

몇 줄의 코드만으로 머신 러닝 Experiments를 추적할 수 있습니다. 그런 다음 대화형 대시보드에서 결과를 검토하거나, Public API를 사용해 프로그래밍 방식으로 액세스할 수 있도록 데이터를 Python으로 내보낼 수 있습니다. Keras와 같은 널리 사용되는 프레임워크를 사용한다면 W&B 인테그레이션을 활용하세요. 전체 인테그레이션 목록과 코드에 W&B를 추가하는 방법은 W&B 인테그레이션을 참조하세요.

위 이미지는 여러 runs에 걸친 메트릭을 보고 비교할 수 있는 대시보드 예시를 보여줍니다.

작동 방식

몇 줄의 코드로 머신 러닝 실험을 추적할 수 있습니다:

W&B Run을 생성합니다.
학습률이나 모델 유형 같은 하이퍼파라미터 딕셔너리를 설정(wandb.Run.config)에 저장합니다.
정확도와 손실 같은 메트릭을 트레이닝 루프에서 시간의 흐름에 따라 로깅합니다(wandb.Run.log()).
모델 가중치나 예측 테이블 같은 run 출력물을 저장합니다.

다음 코드는 일반적인 W&B 실험 추적 워크플로를 보여줍니다. my-team은 W&B 팀 엔터티로, my-project-name은 프로젝트 이름으로 바꾸세요.

import wandb

entity = "<my-team>"  # Set entity to your W&B team name
project = "my-project-name"  # Set project to your W&B project name

# When this block exits, it waits for logged data to finish uploading.
# If an exception is raised, the run is marked failed.
with wandb.init(entity=entity, project="my-project-name") as run:
  # 모델 입력과 하이퍼파라미터를 저장합니다.
  run.config.learning_rate = 0.01

  # Run your experiment code.
  for epoch in range(num_epochs):
    # Do some training...

    # Log metrics over time to visualize model performance.
    run.log({"loss": loss})

  # Upload model outputs as artifacts.
  run.log_artifact(model)

시작하기

사용 사례에 따라 W&B Experiments를 시작할 때 다음 리소스를 참고하세요:

W&B를 설정하고 첫 번째 실험을 추적하는 방법을 알아보려면 W&B 퀵스타트를 읽어보세요.
머신 러닝 워크플로에서 W&B를 사용해 모델 아티팩트를 추적, 공유, 관리하는 방법을 알아보려면 Get Started with W&B Models를 사용해 보세요.
이 장에서 다음 방법을 알아보세요:
W&B API 레퍼런스 가이드의 W&B Python Library를 살펴보세요.

모범 사례 및 팁

Experiments와 logging에 관한 모범 사례와 팁은 모범 사례: Experiments와 logging을 참조하세요.

​작동 방식

​시작하기

​모범 사례 및 팁

작동 방식

시작하기

모범 사례 및 팁