W&B Quickstart

W&B를 설치하여 모든 규모의 기계 학습 Experiments를 추적, 시각화 및 관리하세요.

가입하고 API 키 생성하기

W&B로 사용자의 머신을 인증하려면 사용자 프로필 또는 wandb.ai/authorize에서 API 키를 생성하세요. API 키를 복사하여 안전하게 보관하세요.

wandb 라이브러리 설치 및 로그인

• 커맨드라인
• Python
• Python 노트북

pip install wandb

import wandb
wandb.login()

!pip install wandb
import wandb
wandb.login()

run 시작 및 하이퍼파라미터 추적

Python 스크립트 또는 노트북에서 wandb.init()으로 W&B run 오브젝트를 초기화합니다. config 파라미터에 사전을 사용하여 하이퍼파라미터 이름과 값을 지정합니다.

run = wandb.init(
    project="my-awesome-project",  # 프로젝트 지정
    config={                        # 하이퍼파라미터 및 메타데이터 추적
        "learning_rate": 0.01,
        "epochs": 10,
    },
)

Run은 W&B의 핵심 요소로, 메트릭 추적, 로그 생성 등에 사용됩니다.

컴포넌트 조립

이 모의 트레이닝 스크립트는 시뮬레이션된 정확도 및 손실 메트릭을 W&B에 기록합니다.

# train.py
import wandb
import random

wandb.login()

epochs = 10
lr = 0.01

run = wandb.init(
    project="my-awesome-project",    # 프로젝트 지정
    config={                         # 하이퍼파라미터 및 메타데이터 추적
        "learning_rate": lr,
        "epochs": epochs,
    },
)

offset = random.random() / 5
print(f"lr: {lr}")

# 트레이닝 run 시뮬레이션
for epoch in range(2, epochs):
    acc = 1 - 2**-epoch - random.random() / epoch - offset
    loss = 2**-epoch + random.random() / epoch + offset
    print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
    wandb.log({"accuracy": acc, "loss": loss})

# run.log_code()

wandb.ai/home을 방문하여 정확도 및 손실과 같이 기록된 메트릭과 각 트레이닝 단계에서 어떻게 변경되었는지 확인하세요. 다음 이미지는 각 run에서 추적된 손실 및 정확도를 보여줍니다. 각 run 오브젝트는 생성된 이름과 함께 Runs 열에 나타납니다.

다음 단계

W&B ecosystem의 더 많은 기능을 탐색해 보세요.

1. PyTorch와 같은 프레임워크, Hugging Face와 같은 라이브러리, SageMaker와 같은 서비스와 W&B를 결합하는 W&B Integration 튜토리얼을 읽어보세요.
2. W&B Reports를 사용하여 runs을 구성하고, 시각화를 자동화하고, 발견한 내용을 요약하고, 협업자와 업데이트를 공유합니다.
3. W&B Artifacts를 생성하여 기계 학습 파이프라인 전체에서 데이터셋, Models, 종속성 및 결과를 추적합니다.
4. W&B Sweeps로 하이퍼파라미터 검색을 자동화하고 Models을 최적화합니다.
5. 중앙 대시보드에서 runs을 분석하고, 모델 예측값을 시각화하고, 인사이트를 공유합니다.
6. 핸즈온 코스를 통해 LLM, MLOps 및 W&B Models에 대해 배우려면 W&B AI Academy를 방문하세요.