메인 콘텐츠로 건너뛰기
Try in Colab run 의 config 속성을 사용하여 트레이닝 설정을 저장하세요:
  • 하이퍼파라미터
  • 데이터셋 이름 또는 모델 유형과 같은 입력 설정
  • 실험을 위한 기타 독립 변수
wandb.Run.config 속성을 사용하면 나중에 실험을 분석하고 작업을 재현하기가 쉬워집니다. W&B App 에서 설정값에 따라 그룹화하고, 서로 다른 W&B Runs 의 설정을 비교하며, 각 트레이닝 설정이 결과에 어떤 영향을 미치는지 평가할 수 있습니다. config 속성은 여러 사전 형식의 오브젝트로 구성될 수 있는 사전(dictionary) 형태의 오브젝트입니다.
loss 나 accuracy 와 같은 출력 메트릭 또는 종속 변수를 저장하려면 wandb.Run.config 대신 wandb.Run.log()를 사용하세요.

​
실험 설정 구성하기

설정은 일반적으로 트레이닝 스크립트의 시작 부분에서 정의됩니다. 하지만 기계학습 워크플로우는 다양할 수 있으므로, 트레이닝 스크립트의 시작 부분에서 반드시 설정을 정의해야 하는 것은 아닙니다. config 변수 이름에는 마침표 (.) 대신 대시 (-) 또는 언더스코어 (_)를 사용하세요. 스크립트가 루트 아래의 wandb.Run.config 키에 엑세스하는 경우, 속성 엑세스 구문인 config.key.value 대신 사전 엑세스 구문인 ["key"]["value"]를 사용하세요. 다음 섹션에서는 실험 설정을 정의하는 다양한 일반적인 시나리오를 설명합니다.

​
초기화 시 설정하기

wandb.init() API 를 호출하여 데이터를 W&B Run 으로 동기화하고 로그를 남기기 위한 백그라운드 프로세스를 생성할 때, 스크립트 시작 부분에서 사전을 전달하세요. 다음 코드조각은 설정값을 포함한 Python 사전을 정의하는 방법과 W&B Run 을 초기화할 때 해당 사전을 인수로 전달하는 방법을 보여줍니다. 
import wandb

# config 사전 오브젝트 정의
config = {
    "hidden_layer_sizes": [32, 64],
    "kernel_sizes": [3],
    "activation": "ReLU",
    "pool_sizes": [2],
    "dropout": 0.5,
    "num_classes": 10,
}

# W&B 초기화 시 config 사전 전달
with wandb.init(project="config_example", config=config) as run:
    ...
중첩된 사전을 config로 전달하면, W&B 는 점(dot)을 사용하여 이름을 평탄화(flatten)합니다. Python 에서 다른 사전에 엑세스하는 것과 유사한 방식으로 사전의 값에 엑세스하세요: 
# 키를 인덱스 값으로 사용하여 값에 엑세스
hidden_layer_sizes = run.config["hidden_layer_sizes"]
kernel_sizes = run.config["kernel_sizes"]
activation = run.config["activation"]

# Python 사전의 get() 메소드 사용
hidden_layer_sizes = run.config.get("hidden_layer_sizes")
kernel_sizes = run.config.get("kernel_sizes")
activation = run.config.get("activation")
개발자 가이드와 예제 전반에서 설정값을 별도의 변수에 복사하는 경우가 있습니다. 이 단계는 선택 사항이며 가독성을 위해 수행됩니다.

​
argparse 로 설정하기

argparse 오브젝트를 사용하여 설정을 지정할 수 있습니다. argument parser 의 줄임말인 argparse는 커맨드라인 인수의 유연성과 기능을 활용하는 스크립트를 쉽게 작성할 수 있게 해주는 Python 3.2 이상의 표준 라이브러리 모듈입니다. 이는 커맨드라인에서 실행되는 스크립트의 결과를 추적할 때 유용합니다. 다음 Python 스크립트는 실험 config 를 정의하고 설정하기 위해 parser 오브젝트를 정의하는 방법을 보여줍니다. train_one_epoch 및 evaluate_one_epoch 함수는 데모를 위한 트레이닝 루프를 시뮬레이션하기 위해 제공됩니다. 
# config_experiment.py
import argparse
import random

import numpy as np
import wandb


# 트레이닝 및 평가 데모 코드
def train_one_epoch(epoch, lr, bs):
    acc = 0.25 + ((epoch / 30) + (random.random() / 10))
    loss = 0.2 + (1 - ((epoch - 1) / 10 + random.random() / 5))
    return acc, loss


def evaluate_one_epoch(epoch):
    acc = 0.1 + ((epoch / 20) + (random.random() / 10))
    loss = 0.25 + (1 - ((epoch - 1) / 10 + random.random() / 6))
    return acc, loss


def main(args):
    # W&B Run 시작
    with wandb.init(project="config_example", config=args) as run:
        # 가독성을 위해 config 사전에서 값을 가져와
        # 변수에 저장
        lr = run.config["learning_rate"]
        bs = run.config["batch_size"]
        epochs = run.config["epochs"]

        # 트레이닝 시뮬레이션 및 W&B에 값 로그 기록
        for epoch in np.arange(1, epochs):
            train_acc, train_loss = train_one_epoch(epoch, lr, bs)
            val_acc, val_loss = evaluate_one_epoch(epoch)

            run.log(
                {
                    "epoch": epoch,
                    "train_acc": train_acc,
                    "train_loss": train_loss,
                    "val_acc": val_acc,
                    "val_loss": val_loss,
                }
            )


if __name__ == "__main__":
    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter
    )

    parser.add_argument("-b", "--batch_size", type=int, default=32, help="Batch size")
    parser.add_argument(
        "-e", "--epochs", type=int, default=50, help="Number of training epochs"
    )
    parser.add_argument(
        "-lr", "--learning_rate", type=int, default=0.001, help="Learning rate"
    )

    args = parser.parse_args()
    main(args)

​
스크립트 전체에서 설정하기

스크립트 전체에서 config 오브젝트에 더 많은 파라미터를 추가할 수 있습니다. 다음 코드조각은 config 오브젝트에 새로운 키-값 쌍을 추가하는 방법을 보여줍니다. 
import wandb

# config 사전 오브젝트 정의
config = {
    "hidden_layer_sizes": [32, 64],
    "kernel_sizes": [3],
    "activation": "ReLU",
    "pool_sizes": [2],
    "dropout": 0.5,
    "num_classes": 10,
}

# W&B 초기화 시 config 사전 전달
with wandb.init(project="config_example", config=config) as run:
    # W&B 초기화 후 config 업데이트
    run.config["dropout"] = 0.2
    run.config.epochs = 4
    run.config["batch_size"] = 32
한 번에 여러 값을 업데이트할 수 있습니다: 
run.config.update({"lr": 0.1, "channels": 16})

​
Run 이 종료된 후 설정하기

W&B Public API를 사용하여 완료된 run 의 설정을 업데이트할 수 있습니다. API 에 entity, 프로젝트 이름 및 run ID 를 제공해야 합니다. 이러한 세부 정보는 Run 오브젝트 또는 W&B App에서 확인할 수 있습니다. 
with wandb.init() as run:
    ...

# 현재 스크립트나 노트북에서 시작된 경우 Run 오브젝트에서 다음 값을 찾거나,
# W&B App UI에서 복사할 수 있습니다.
username = run.entity
project = run.project
run_id = run.id

# api.run()은 wandb.init()과는 다른 타입의 오브젝트를 반환합니다.
api = wandb.Api()
api_run = api.run(f"{username}/{project}/{run_id}")
api_run.config["bar"] = 32
api_run.update()

​
absl.FLAGS

absl flags를 전달할 수도 있습니다. 
flags.DEFINE_string("model", None, "model to run")  # 이름, 기본값, 도움말

run.config.update(flags.FLAGS)  # config에 absl flags 추가

​
파일 기반 설정

실행 스크립트와 동일한 디렉토리에 config-defaults.yaml이라는 파일을 두면, run 이 자동으로 해당 파일에 정의된 키-값 쌍을 가져와 wandb.Run.config로 전달합니다. 다음 코드조각은 샘플 config-defaults.yaml YAML 파일을 보여줍니다. 
batch_size:
  desc: 각 미니 배치의 크기
  value: 32
wandb.init의 config 인수에 업데이트된 값을 설정하여 config-defaults.yaml에서 자동으로 로드된 기본값을 덮어쓸 수 있습니다. 예를 들어: 
import wandb

# 사용자 정의 값을 전달하여 config-defaults.yaml 덮어쓰기
with wandb.init(config={"epochs": 200, "batch_size": 64}) as run:
    ...
config-defaults.yaml 이외의 설정 파일을 로드하려면 --configs command-line 인수를 사용하고 파일 경로를 지정하세요. 
python train.py --configs other-config.yaml

​
파일 기반 설정의 유스 케이스 예시

run 에 대한 메타데이터가 포함된 YAML 파일이 있고, Python 스크립트에 하이퍼파라미터 사전이 있다고 가정해 보겠습니다. 두 가지 모두를 중첩된 config 오브젝트에 저장할 수 있습니다. 
hyperparameter_defaults = dict(
    dropout=0.5,
    batch_size=100,
    learning_rate=0.001,
)

config_dictionary = dict(
    yaml=my_yaml_file,
    params=hyperparameter_defaults,
)

with wandb.init(config=config_dictionary) as run:
    ...

​
TensorFlow v1 flags

TensorFlow flags 를 wandb.Run.config 오브젝트에 직접 전달할 수 있습니다. 
with wandb.init() as run:
    run.config.epochs = 4

    flags = tf.app.flags
    flags.DEFINE_string("data_dir", "/tmp/data")
    flags.DEFINE_integer("batch_size", 128, "배치 크기.")
    run.config.update(flags.FLAGS)  # tensorflow flags를 config로 추가