포스팅 개요

이 포스팅은 기계 학습 실험 추적 및 시각화를 위한 인기 있는 플랫폼인 Weights & Biases (W&B)의 설정 및 사용에 대한 종합적인 가이드를 제공합니다. W&B 계정 생성, W&B 패키지 설치, 샘플 실험 실행, 그리고 W&B 대시보드에서 결과를 탐색하는 과정을 단계별로 안내합니다.

포스팅을 작성하면서 참고한 사이트는 아래와 같습니다.

포스팅 본문

  1. https://wandb.ai/site/ko/ 사이트에 접속합니다.

  2. 가입하기 버튼을 클릭합니다.

alt text

  1. 회원 정보를 입력합니다.

alt text

  1. 조직 이름을 입력합니다.

alt text

  1. W&B Models를 선택하고, pip install wandb를 통해 설치합니다.

alt text

  1. wandb login을 입력하고, API키를 복사해서 붙여넣습니다.

alt text alt text

  1. API가 등록되면 wandb login을 입력해서 로그인이 되었는지 확인합니다.

alt text

  1. 아래 샘플 코드를 복사해서 임의의 모델을 생성합니다.
import wandb
import random

# start a new wandb run to track this script
wandb.init(
    # set the wandb project where this run will be logged
    project="my-awesome-project",

    # track hyperparameters and run metadata
    config={
    "learning_rate": 0.02,
    "architecture": "CNN",
    "dataset": "CIFAR-100",
    "epochs": 10,
    }
)

# simulate training
epochs = 10
offset = random.random() / 5
for epoch in range(2, epochs):
    acc = 1 - 2 ** -epoch - random.random() / epoch - offset
    loss = 2 ** -epoch + random.random() / epoch + offset

    # log metrics to wandb
    wandb.log({"acc": acc, "loss": loss})

# [optional] finish the wandb run, necessary in notebooks
wandb.finish()
  1. python main.py를 통해 실행합니다.

  2. 모델의 결과를 대시보드에서 확인합니다.

alt text alt text

  1. Runs 탭에서 실행된 모델의 설정을 확인합니다.

alt text

# track hyperparameters and run metadata
    config={
    "learning_rate": 0.02,
    "architecture": "CNN",
    "dataset": "CIFAR-100",
    "epochs": 10,
    }
  1. 새로운 config를 추가해서 실행해보고 비교합니다.

alt text

결론

  • W&B를 신속하게 설정하고 기계 학습 실험 추적을 시작할 수 있습니다. 제공된 샘플 코드는 메트릭, 하이퍼파라미터 및 기타 관련 정보를 로깅하는 과정이 얼마나 간단한지 보여줍니다.
  • W&B 대시보드의 직관적인 시각화 도구는 다양한 실험 결과를 쉽게 비교할 수 있게 해주며, 이는 데이터 과학자와 기계 학습 엔지니어들이 모델을 더욱 효과적으로 최적화하는 데 도움이 됩니다.

다음 포스팅에서는 이를 바탕으로 실제 프로젝트에 W&B를 연동하는 구체적인 예제를 다룰 예정입니다. 이를 통해 AI 프로젝트에서의 실험 관리, 재현성, 그리고 팀 협업을 더욱 효과적으로 수행하는 방법을 자세히 알아보겠습니다.