맞춤형 차트 개요

• 코드: 예시 Colab 노트북을 사용해 보세요.
• 비디오: 워크스루 비디오를 시청하세요.
• 예시: 간단한 Keras 및 Sklearn 데모 노트북.

​

작동 방식

1. 데이터 로깅: 스크립트에서 설정과 요약 데이터를 로깅하세요.
2. 차트 사용자 지정: GraphQL 쿼리로 로깅된 데이터를 가져오세요. 시각화 문법인 Vega로 쿼리 결과를 시각화하세요.
3. 차트 로깅: 스크립트에서 wandb.plot_table()로 자체 프리셋을 호출하세요.

​

스크립트에서 차트 로깅하기

​

내장 프리셋

• 선형 플롯
• 산점도
• 막대 차트
• 히스토그램
• PR 곡선
• ROC 곡선

wandb.plot.line()임의의 x축과 y축에 순서대로 연결된 점(x,y)의 목록인 맞춤형 선형 플롯을 로깅하세요.

with wandb.init() as run:
  data = [[x, y] for (x, y) in zip(x_values, y_values)]
  table = wandb.Table(data=data, columns=["x", "y"])
  run.log(
      {
          "my_custom_plot_id": wandb.plot.line(
              table, "x", "y", title="Custom Y vs X Line Plot"
          )
      }
  )

선형 플롯은 임의의 두 차원에 대한 곡선을 로깅합니다. 두 값 목록을 서로 대응시켜 그리는 경우, 두 목록의 값 개수가 정확히 일치해야 합니다(예를 들어, 각 점에는 x와 y가 있어야 합니다).

예시 보고서를 확인하세요. 또는 예시 Google Colab 노트북을 사용해 보세요.

wandb.plot.scatter()임의의 두 축 x와 y에 점 (x, y)의 목록을 표시하는 맞춤형 산점도를 로깅하세요.

with wandb.init() as run:
  data = [[x, y] for (x, y) in zip(class_x_prediction_scores, class_y_prediction_scores)]
  table = wandb.Table(data=data, columns=["class_x", "class_y"])
  run.log({"my_custom_id": wandb.plot.scatter(table, "class_x", "class_y")})

이를 사용하여 임의의 두 차원에 산점도의 점을 로깅할 수 있습니다. 두 값 목록을 서로 대응시켜 그리는 경우, 목록의 값 개수가 정확히 일치해야 합니다(예를 들어, 각 점에는 x와 y가 있어야 합니다).

예시 보고서를 확인하세요 또는 예시 Google Colab 노트북을 사용해 보세요.

wandb.plot.bar()맞춤형 막대 차트(레이블이 지정된 값 목록을 막대로 표시)를 로깅하세요:

with wandb.init() as run:
  data = [[label, val] for (label, val) in zip(labels, values)]
  table = wandb.Table(data=data, columns=["label", "value"])
  run.log(
      {
          "my_bar_chart_id": wandb.plot.bar(
              table, "label", "value", title="Custom Bar Chart"
          )
      }
  )

이를 사용하여 임의의 막대 차트를 로깅할 수 있습니다. 목록에 있는 레이블과 값의 개수는 정확히 일치해야 합니다(예를 들어, 각 데이터 포인트에는 둘 다 있어야 합니다).

예시 보고서를 확인하거나 예시 Google Colab 노트북을 사용해 보세요.

wandb.plot.histogram()맞춤형 히스토그램을 로깅하세요(값 목록을 개수나 발생 빈도에 따라 구간으로 분류합니다). 예를 들어, 예측 신뢰도 점수 목록(scores)이 있고 그 분포를 시각화하려는 경우를 가정해 보겠습니다:

with wandb.init() as run:
  data = [[s] for s in scores]
  table = wandb.Table(data=data, columns=["scores"])
  run.log({"my_histogram": wandb.plot.histogram(table, "scores", title=None)})

이를 사용하여 임의의 히스토그램을 로깅할 수 있습니다. data는 행과 열로 구성된 2차원 배열을 지원하기 위한 목록의 목록입니다.

예시 보고서를 확인하거나 예시 Google Colab 노트북을 사용해 보세요.

wandb.plot.pr_curve()한 줄로 정밀도-재현율 곡선을 생성하세요:

with wandb.init() as run:
  plot = wandb.plot.pr_curve(ground_truth, predictions, labels=None, classes_to_plot=None)

  run.log({"pr": plot})

코드에서 다음 항목에 액세스할 수 있으면 언제든지 이를 로깅할 수 있습니다:

• 예시 집합에 대한 모델의 예측 점수(predictions).
• 해당 예시의 정답 레이블(ground_truth).
• labels (선택): 레이블 또는 클래스 이름의 목록(레이블 인덱스 0이 고양이, 1이 개, 2가 새 등을 의미하는 경우 labels=["cat", "dog", "bird"...]).
• classes_to_plot (선택): 플롯에서 시각화할 레이블의 부분 집합(목록 형식 유지).

예시 보고서를 확인하거나 예시 Google Colab 노트북을 사용해 보세요.

wandb.plot.roc_curve()한 줄로 ROC 곡선을 생성하세요:

with wandb.init() as run:
  # ground_truth는 정답 레이블 목록이고, predictions는 예측 점수 목록입니다
  ground_truth = [0, 1, 0, 1, 0, 1]
  predictions = [0.1, 0.4, 0.35, 0.8, 0.7, 0.9]

  # ROC 곡선 그래프를 생성합니다
  # labels는 클래스 이름의 선택 목록이고, classes_to_plot은 시각화할 레이블의 선택 부분집합입니다
  plot = wandb.plot.roc_curve(
      ground_truth, predictions, labels=None, classes_to_plot=None
  )

  run.log({"roc": plot})

코드에서 다음 항목에 액세스할 수 있으면 언제든지 이를 로깅할 수 있습니다:

• 예시 집합에 대한 모델의 예측 점수 (predictions).
• 해당 예시의 정답 레이블 (ground_truth).
• labels (선택): 레이블 또는 클래스 이름의 목록 (레이블 인덱스 0이 고양이, 1 = 개, 2 = 새 등을 의미하면 labels=["cat", "dog", "bird"...]).
• classes_to_plot (선택): 그래프에 시각화할 레이블의 부분 집합 (목록 형식 유지).

예시 보고서를 확인하세요. 또는 예시 Google Colab 노트북을 사용해 보세요.

​

맞춤형 프리셋

# 시각화할 열을 포함하는 table을 생성하세요
table = wandb.Table(data=data, columns=["step", "height"])

# table의 열을 차트의 필드에 매핑하세요
fields = {"x": "step", "value": "height"}

# table을 사용하여 새 맞춤형 차트 사전 설정에 데이터를 채우세요
# 직접 저장한 차트 사전 설정을 사용하려면 vega_spec_name을 변경하세요
my_custom_chart = wandb.plot_table(
    vega_spec_name="carey/new_chart",
    data_table=table,
    fields=fields,
)

​

데이터 로깅

• 설정: 실험의 초기 설정(독립 변수)입니다. 트레이닝 시작 시 wandb.Run.config에 키로 로깅한 모든 명명된 필드가 포함됩니다. 예를 들어, wandb.Run.config.learning_rate = 0.0001입니다.
• 요약: 트레이닝 중 로깅된 단일 값(결과 또는 종속 변수)입니다. 예를 들어, wandb.Run.log({"val_acc" : 0.8})입니다. wandb.Run.log()를 통해 트레이닝 중 이 키에 여러 번 쓰면 요약은 해당 키의 최종 값으로 설정됩니다.
• 이력: 로깅된 스칼라의 전체 시계열은 history 필드를 통해 쿼리에 사용할 수 있습니다.
• summaryTable: 여러 값의 목록을 로깅해야 하는 경우 wandb.Table()을 사용하여 해당 데이터를 저장한 다음 맞춤형 패널에서 쿼리하세요.
• historyTable: 이력 데이터를 확인해야 하는 경우 맞춤형 차트 패널에서 historyTable을 쿼리하세요. wandb.Table()을 호출하거나 맞춤형 차트를 로깅할 때마다 해당 step의 이력에 새 table을 생성합니다.

​

맞춤형 table 로깅하기

with wandb.init() as run:
  # 맞춤형 데이터 table 로깅하기
  my_custom_data = [[x1, y1, z1], [x2, y2, z2]]
  run.log(
      {"custom_data_table": wandb.Table(data=my_custom_data, columns=["x", "y", "z"])}
  )

​

차트 사용자 지정하기

​

GraphQL 쿼리 구축하기

• 설정은 run 설정 값(하이퍼파라미터 및 기타 설정)을 가져옵니다.
• 요약은 요약 값을 가져옵니다. 기본적으로 wandb.Run.log()로 로깅한 키의 요약에는 해당 키에 마지막으로 기록된 값이 저장됩니다. 다른 집계 방식을 사용하려면 "min", "max", "mean", "best", "none" 중 하나를 지정하여 wandb.Run.define_metric(..., summary=...)을 호출하세요. 값을 직접 설정하려면 wandb.Run.summary["key"] = value를 대입하세요.
• 이력은 run 이력에서 스칼라 시계열을 가져옵니다(예: 각 step의 loss 또는 accuracy). 최종 숫자뿐 아니라 전체 곡선이 필요할 때는 이력을 사용하세요.
• **summaryTable**은 run 요약에서 wandb.Table을 불러옵니다. 필요한 table이 run에 단일 스냅샷으로 저장되어 있을 때 사용하세요(예: 마지막에 한 번 로깅하는 혼동 행렬).
• **historyTable**은 run 이력에서 wandb.Table을 불러옵니다. wandb.Run.log()로 table을 로깅할 때마다 해당 table이 포함된 새 step이 run 이력에 추가됩니다. table이 시간에 따라 변경되거나 맞춤형 차트 편집기에서 step 선택기를 활성화하려면 **historyTable**을 사용하세요(맞춤형 차트에 step 슬라이더를 표시하려면 어떻게 하나요? 참조).

• 각 step에서 로깅하는 table의 열을 시각화하려면(예: PR 곡선) **historyTable**을 추가하고, **tableKey**를 로깅한 키(예: pr_curve)로 설정한 다음 Chart fields에서 table 열을 매핑하세요. 맞춤형 차트 튜토리얼을 참조하세요.
• 요약에 저장된 table의 열을 시각화하려면(예: 합성 히스토그램의 클래스 점수) **summaryTable**을 추가하고, **tableKey**를 해당 키로 설정하세요(튜토리얼에서는 class_scores 사용). 보너스: 합성 히스토그램을 참조하세요.
• 트레이닝 단계에 따른 스칼라 메트릭을 시각화하려면 이력에서 메트릭을 추가하세요. 요약에서만 추가하면 차트에 run당 단일 값이 표시됩니다.

​

맞춤형 시각화

​

Edit Vega

​

차트 프리셋 저장

​

Reports and guides

• The W&B Machine Learning Visualization IDE
• Visualizing NLP Attention Based 모델
• Visualizing The Effect of Attention on 그라디언트 Flow
• arbitrary curves 로깅하기

​

일반적인 사용 사례

• 오차 막대가 있는 막대 그래프 맞춤 설정
• 맞춤형 x-y 좌표가 필요한 모델 검증 메트릭 표시(예: 정밀도-재현율 곡선)
• 서로 다른 두 모델이나 실험의 데이터 분포를 히스토그램으로 겹쳐 표시
• 트레이닝 중 여러 시점의 스냅샷을 통해 메트릭 변화 표시
• W&B에서 아직 사용할 수 없는 고유한 시각화를 만들고 다른 사용자와 공유