Experiments 개요

thoughtful west W&B를 사용하여 기계학습 실험을 추적하세요.

몇 줄의 코드만으로 기계학습 실험을 트래킹하세요. 그런 다음 대화형 대시보드에서 결과를 검토하거나, Public API를 사용하여 프로그래밍 방식으로 데이터를 Python으로 내보낼 수 있습니다.

Keras 또는 Scikit과 같은 인기 있는 프레임워크를 사용하는 경우 W&B Integrations를 활용해 보세요. 전체 인테그레이션 목록과 코드에 W&B를 추가하는 방법은 인테그레이션 가이드를 참조하세요.

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

​

작동 방식

몇 줄의 코드만으로 기계학습 실험을 트래킹할 수 있습니다:

1. W&B Run을 생성합니다.
2. 학습률이나 모델 유형과 같은 하이퍼파라미터 사전을 설정(wandb.Run.config)에 저장합니다.
3. 트레이닝 루프에서 정확도와 손실 같은 메트릭(wandb.Run.log())을 시간에 따라 로그합니다.
4. 모델 가중치나 예측값 테이블과 같은 run의 결과물을 저장합니다.

다음 코드는 일반적인 W&B 실험 트래킹 워크플로우를 보여줍니다:

# run을 시작합니다.
#
# 이 블록이 종료되면 로그된 데이터의 업로드가 완료될 때까지 기다립니다.
# 예외가 발생하면 run은 실패로 표시됩니다.
with wandb.init(entity="", project="my-project-name") as run:
  # 모델 입력값과 하이퍼파라미터를 저장합니다.
  run.config.learning_rate = 0.01

  # 실험 코드를 실행합니다.
  for epoch in range(num_epochs):
    # 트레이닝 수행...

    # 모델 성능을 시각화하기 위해 시간에 따른 메트릭을 로그합니다.
    run.log({"loss": loss})

  # 모델 결과물을 Artifacts로 업로드합니다.
  run.log_artifact(model)

​

시작하기

사용자의 유스 케이스에 따라 W&B Experiments를 시작하기 위한 다음 리소스들을 살펴보세요:

• 데이터셋 아티팩트를 생성, 트래킹 및 사용하는 데 필요한 W&B Python SDK 코맨드에 대한 단계별 개요는 W&B 퀵스타트를 읽어보세요.
• 이 챕터에서 다음 방법들을 알아보세요:
  • 실험 생성하기
  • 실험 설정하기
  • 실험 데이터 로그하기
  • 실험 결과 보기
• W&B API 레퍼런스 가이드 내의 W&B Python 라이브러리를 살펴보세요.

​

모범 사례 및 팁

실험 및 로그에 대한 모범 사례와 팁은 모범 사례: 실험 및 로그를 참조하세요.