> ## Documentation Index > Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt > Use this file to discover all available pages before exploring further. # Keras > W&B Keras callback을 사용하여 실험을 추적하고, 모델 체크포인트를 저장하고, 트레이닝 중 예측을 시각화하세요. export const ColabLink = ({url}) => Try in Colab ; W\&B Keras callback을 사용하여 실험을 추적하고, 모델 체크포인트를 로깅하며, 트레이닝 중 모델 예측을 시각화하세요. 이 인테그레이션을 사용하여 Keras 트레이닝 워크플로에 실험 추적과 모델 버전 관리를 추가하세요. 트레이닝 루프를 다시 작성할 필요가 없습니다. Keras callback은 Python SDK 버전 `0.13.4` 이상의 `wandb.integration.keras` 모듈에서 사용할 수 있습니다. W\&B Keras 인테그레이션은 다음 callback을 제공합니다: * **`WandbMetricsLogger`**: [실험 추적](/ko/products/wandb/track)을 위해 이 callback을 사용하세요. 트레이닝 및 검증 메트릭과 시스템 메트릭을 W\&B에 로깅합니다. * **`WandbModelCheckpoint`**: 모델 체크포인트를 W\&B [Artifacts](/ko/products/wandb/artifacts)에 로깅하기 위해 이 callback을 사용하세요. * **`WandbEvalCallback`**: 이 기본 callback은 W\&B [Tables](/ko/products/wandb/tables)에 모델 예측을 로깅하여 대화형 시각화를 제공합니다.

Keras 인테그레이션 설치 및 임포트하기

W\&B의 최신 버전을 설치하세요. ```bash theme={"system"} pip install -U wandb ``` Keras 인테그레이션을 사용하려면 `wandb.integration.keras`에서 필수 클래스를 임포트하세요. ```python theme={"system"} import wandb from wandb.integration.keras import WandbMetricsLogger, WandbModelCheckpoint, WandbEvalCallback ``` 다음 섹션에서는 코드 예시와 함께 각 callback을 자세히 설명합니다.

`WandbMetricsLogger`로 실험 추적하기

`wandb.integration.keras.WandbMetricsLogger()`는 `on_epoch_end`, `on_batch_end` 등의 callback 방법이 인수로 받는 Keras의 `logs` 딕셔너리를 로깅합니다. 다음은 Keras 워크플로에서 `WandbMetricsLogger()`를 사용하는 방법을 보여 주는 부분 예시입니다. 먼저 원하는 옵티마이저, 손실 함수, 메트릭을 지정하여 모델을 컴파일합니다. 다음으로 `wandb.init()`으로 W\&B run을 초기화합니다. 마지막으로 `WandbMetricsLogger()` callback을 `model.fit()`에 전달합니다. ```python theme={"system"} import wandb from wandb.integration.keras import WandbMetricsLogger import tensorflow as tf model.compile( optimizer = "adam", loss = "categorical_crossentropy", metrics = ["accuracy", tf.keras.metrics.TopKCategoricalAccuracy(k=5, name='top@5_accuracy')] ) # 새 W&B run 초기화 with wandb.init(config={"batch_size": 64}) as run: # model.fit에 WandbMetricsLogger 전달 model.fit( X_train, y_train, validation_data=(X_test, y_test), callbacks=[WandbMetricsLogger()] ) ``` 앞의 예시는 각 에포크가 끝날 때마다 `loss`, `accuracy`, `top@5_accuracy` 등의 트레이닝 및 검증 메트릭을 W\&B에 로깅합니다.

`WandbMetricsLogger` 레퍼런스

| 매개변수 | 설명 | | - | - | | `log_freq` | (`epoch`, `batch` 또는 `int`): `epoch`이면 각 에포크가 끝날 때마다 메트릭을 로깅합니다. `batch`이면 각 배치가 끝날 때마다 메트릭을 로깅합니다. `int`이면 지정한 개수의 배치가 끝날 때마다 메트릭을 로깅합니다. 기본값은 `epoch`입니다. | | `initial_global_step` | (int): 특정 initial\_epoch부터 트레이닝을 재개하면서 학습률 스케줄러를 사용하는 경우, 학습률을 올바르게 로깅하려면 이 인수를 사용하세요. 이 값은 step\_size \* initial\_step으로 계산할 수 있습니다. 기본값은 0입니다. |

`WandbModelCheckpoint`를 사용하여 모델 체크포인트 저장하기

`WandbModelCheckpoint` callback을 사용하면 Keras 모델(`SavedModel` 형식) 또는 모델 가중치를 주기적으로 저장하고, 모델 버전 관리를 위해 `wandb.Artifact`로 W\&B에 업로드할 수 있습니다. 이 callback은 [`tf.keras.callbacks.ModelCheckpoint()`](https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/ModelCheckpoint)의 하위 클래스이므로, 체크포인트 저장 로직은 상위 callback에서 처리합니다. 이 callback으로 다음을 저장할 수 있습니다. * 모니터를 기준으로 최고 성능을 달성한 모델 * 성능과 관계없이 각 에포크가 끝날 때의 모델 * 에포크가 끝날 때 또는 지정된 수의 트레이닝 배치를 처리한 후의 모델 * 모델 가중치만 또는 전체 모델 * `SavedModel` 형식 또는 `.h5` 형식의 모델 이 callback은 `WandbMetricsLogger()`와 함께 사용하세요. ```python theme={"system"} import wandb from wandb.integration.keras import WandbMetricsLogger, WandbModelCheckpoint # 새 W&B run 초기화 with wandb.init(config={"bs": 12}) as run: # model.fit에 WandbModelCheckpoint 전달 model.fit( X_train, y_train, validation_data=(X_test, y_test), callbacks=[ WandbMetricsLogger(), WandbModelCheckpoint("models"), ], ) ```

`WandbModelCheckpoint` 레퍼런스

`N` 에포크마다 체크포인트 로깅하기

기본값(`save_freq="epoch"`)에서는 callback이 에포크가 끝날 때마다 체크포인트를 생성하고 이를 아티팩트로 업로드합니다. 특정 배치 수마다 체크포인트를 생성하려면 `save_freq`를 정수로 설정하세요. `N` 에포크마다 체크포인트를 생성하려면 `train` 데이터로더의 카디널리티를 계산한 후 이 값을 `save_freq`에 전달하세요: ```python theme={"system"} WandbModelCheckpoint( filepath="models/", save_freq=int((trainloader.cardinality()*N).numpy()) ) ```

TPU 아키텍처에서 체크포인트를 효율적으로 로깅하기

TPU에서 체크포인트 저장할 때 `UnimplementedError: File system scheme '[local]' not implemented` 오류 메시지를 만날 수 있습니다. 이는 모델 디렉터리(`filepath`)가 클라우드 저장소 버킷 경로(`gs://bucket-name/...`)를 사용해야 하며, 이 버킷은 TPU 서버에서 액세스할 수 있어야 하기 때문입니다. 대신 W\&B는 체크포인트 저장을 위해 로컬 경로를 사용하며, W\&B는 이를 아티팩트로 업로드합니다. ```python theme={"system"} checkpoint_options = tf.saved_model.SaveOptions(experimental_io_device="/job:localhost") WandbModelCheckpoint( filepath="models/", options=checkpoint_options, ) ```

`WandbEvalCallback`을 사용하여 모델 예측 시각화

`WandbEvalCallback()`은 주로 모델 예측, 부차적으로 데이터셋 시각화를 위한 Keras callback을 구축하기 위한 추상 기본 클래스입니다. 이 추상 callback은 데이터셋과 작업에 독립적입니다. 이를 사용하려면 이 기본 `WandbEvalCallback()` callback 클래스에서 상속받고 `add_ground_truth` 및 `add_model_prediction` 방법을 구현하세요. `WandbEvalCallback()`은 다음을 제공하는 유틸리티 클래스입니다: * 데이터 및 예측 `wandb.Table()` 인스턴스를 생성합니다. * 데이터 및 예측 table을 `wandb.Artifact()`로 로깅합니다. * `on_train_begin` 시 data table을 로깅합니다. * `on_epoch_end` 시 prediction table을 로깅합니다. 다음 예시는 이미지 분류 작업에 `WandbClfEvalCallback`을 사용합니다. 이 예시 callback은 검증 데이터(`data_table`)를 W\&B에 로깅하고, 추론을 수행한 후 매 에포크 종료 시 예측(`pred_table`)을 W\&B에 로깅합니다. ```python theme={"system"} import wandb from wandb.integration.keras import WandbMetricsLogger, WandbEvalCallback # 모델 예측 시각화 callback 구현 class WandbClfEvalCallback(WandbEvalCallback): def __init__( self, validation_data, data_table_columns, pred_table_columns, num_samples=100 ): super().__init__(data_table_columns, pred_table_columns) self.x = validation_data[0] self.y = validation_data[1] def add_ground_truth(self, logs=None): for idx, (image, label) in enumerate(zip(self.x, self.y)): self.data_table.add_data(idx, wandb.Image(image), label) def add_model_predictions(self, epoch, logs=None): preds = self.model.predict(self.x, verbose=0) preds = tf.argmax(preds, axis=-1) table_idxs = self.data_table_ref.get_index() for idx in table_idxs: pred = preds[idx] self.pred_table.add_data( epoch, self.data_table_ref.data[idx][0], self.data_table_ref.data[idx][1], self.data_table_ref.data[idx][2], pred, ) # ... # 새로운 W&B run 초기화 with wandb.init(config={"hyper": "parameter"}) as run: # Callbacks를 Model.fit에 추가 model.fit( X_train, y_train, validation_data=(X_test, y_test), callbacks=[ WandbMetricsLogger(), WandbClfEvalCallback( validation_data=(X_test, y_test), data_table_columns=["idx", "image", "label"], pred_table_columns=["epoch", "idx", "image", "label", "pred"], ), ], ) ```

`WandbEvalCallback` 레퍼런스

메모리 사용량 세부 정보

W\&B는 `on_train_begin` 방법을 호출할 때 `data_table`을 로깅합니다. W\&B가 이를 W\&B 아티팩트로 업로드한 후, 이 table에 대한 레퍼런스를 얻을 수 있으며, `data_table_ref` 클래스 변수를 사용하여 액세스할 수 있습니다. `data_table_ref`는 `self.data_table_ref[idx][n]`처럼 인덱싱할 수 있는 2D 목록이며, 여기서 `idx`는 행 번호이고 `n`은 열 번호입니다. 다음 예시에서 사용법을 확인하세요.

callback 사용자 지정

데이터와 예측이 로깅되는 시점을 더 세밀하게 제어하려면 기본 callback 방법을 재정의하면 됩니다. `on_train_begin` 또는 `on_epoch_end` 방법을 재정의하면 더욱 세밀하게 제어할 수 있습니다. `N`개 배치 이후에 샘플을 로깅하려면 `on_train_batch_end` 방법을 구현하세요. `WandbEvalCallback`을 상속하여 모델 예측 시각화용 callback을 구현하다가 설명이 더 필요하거나 수정이 필요한 부분을 발견하면 [이슈](https://github.com/wandb/wandb/issues)를 등록하세요.

레거시 `WandbCallback`

`WandbCallback`은 레거시 all-in-one callback입니다. 새 프로젝트에서는 이전 섹션에서 설명한 전용 callback(`WandbMetricsLogger`, `WandbModelCheckpoint`, `WandbEvalCallback`)을 사용하세요. `model.fit()`에서 추적하는 모든 메트릭과 손실 값을 저장하려면 W\&B 라이브러리의 `WandbCallback()` 클래스를 사용하세요. ```python theme={"system"} import wandb from wandb.integration.keras import WandbCallback with wandb.init(config={"hyper": "parameter"}) as run: # Keras에서 모델을 설정하는 코드 # model.fit에 callback을 전달합니다 model.fit( X_train, y_train, validation_data=(X_test, y_test), callbacks=[WandbCallback()] ) ``` 짧은 비디오 [Get Started with Keras and W\&B in Less Than a Minute](https://www.youtube.com/watch?ab_channel=Weights\&Biases\&v=4FjDIJ-vO_M)를 시청해 보세요. 더 자세한 비디오는 [Integrate W\&B with Keras](https://www.youtube.com/watch?v=Bsudo7jbMow\&ab_channel=Weights%26Biases)를 시청하세요. [Colab Jupyter Notebook](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/keras/Keras_pipeline_with_Weights_and_Biases.ipynb)도 함께 확인할 수 있습니다. 더 많은 샘플 스크립트는 [W\&B 예시 저장소](https://github.com/wandb/examples)를 참조하세요. 이 저장소에는 [Fashion MNIST 예시](https://github.com/wandb/examples/blob/master/examples/keras/keras-cnn-fashion/train.py)와 이 예시로 생성된 [W\&B 대시보드](https://forge.coreweave.com/wandb/wandb/keras-fashion-mnist/runs/5z1d85qs)가 포함되어 있습니다. `WandbCallback` 클래스는 모니터링할 메트릭 지정, 가중치 및 그라디언트 추적, `training_data` 및 `validation_data`에 대한 예측 로깅 등 다양한 로깅 설정 옵션을 지원합니다. 전체 세부 정보는 `keras.WandbCallback` 레퍼런스 문서를 참조하세요. `WandbCallback`: * Keras가 수집하는 모든 메트릭(loss 및 `keras_model.compile()`에 전달한 모든 항목)의 이력 데이터를 로깅합니다. * `monitor` 및 `mode` 속성으로 정의된 "최적" 트레이닝 step을 기준으로 run의 summary 메트릭을 설정합니다. 기본값은 `val_loss`가 최소인 에포크입니다. 기본적으로 `WandbCallback`은 최적의 `epoch`에 연결된 모델을 저장합니다. * 필요에 따라 그라디언트 및 매개변수 히스토그램을 로깅합니다. * 필요에 따라 wandb에서 시각화할 수 있도록 트레이닝 및 검증 데이터를 저장합니다.

`WandbCallback` 레퍼런스

| 인수 | | | - | - | | `monitor` | (str) 모니터링할 메트릭의 이름. 기본값은 `val_loss`. | | `mode` | (str) `{`auto`, `min`, `max`}` 중 하나. `min` - 모니터가 최소화될 때 모델을 저장 `max` - 모니터가 최대화될 때 모델을 저장 `auto` - 모델을 저장할 시점을 사용해 보다 추측 (기본값). | | `save_model` | True - 모니터 값이 이전 모든 에포크의 값보다 개선되면 모델을 저장합니다 False - 모델을 저장하지 않습니다 | | `save_graph` | (boolean) True이면 모델 그래프를 wandb에 저장합니다 (기본값은 True). | | `save_weights_only` | (boolean) True인 경우 모델의 weights만 저장합니다(`model.save_weights(filepath)`). 그렇지 않으면 전체 모델을 저장합니다). | | `log_weights` | (boolean) True이면 모델 레이어의 가중치 히스토그램을 저장합니다. | | `log_gradients` | (boolean) True이면 트레이닝 그라디언트의 히스토그램을 로깅합니다 | | `training_data` | (tuple) `model.fit`에 전달된 것과 동일한 형식 `(X,y)`. 그라디언트 계산에 필요합니다 - `log_gradients`가 `True`인 경우 필수입니다. | | `validation_data` | (tuple) `model.fit`에 전달된 것과 동일한 `(X,y)` 형식입니다. wandb가 시각화할 데이터 세트입니다. 이 필드를 설정하면 wandb는 매 에포크마다 작은 숫자의 예측을 수행하고 나중에 시각화할 수 있도록 결과를 저장합니다. | | `generator` | (generator) wandb가 시각화할 검증 데이터를 반환하는 generator입니다. 이 generator는 `(X,y)` 튜플을 반환해야 합니다. wandb가 특정 데이터 예시를 시각화하려면 `validate_data` 또는 generator를 설정해야 합니다. | | `validation_steps` | (int) `validation_data`가 제너레이터인 경우, 전체 검증 세트를 처리하기 위해 제너레이터를 실행할 단계 수입니다. | | `labels` | (목록) wandb로 데이터를 시각화하면서 여러 클래스를 가진 분류기를 구축하는 경우, 이 레이블 목록은 숫자 출력을 이해하기 쉬운 string으로 변환합니다. 이진 분류기의 경우, 두 레이블로 구성된 목록 \[`label for false`, `label for true`]을 전달할 수 있습니다. `validate_data`와 `generator`가 모두 false이면 아무 작업도 수행하지 않습니다. | | `predictions` | (int) 각 에포크에서 시각화를 위해 생성할 예측 수로, 최대 100입니다. | | `input_type` | (string) 시각화를 위한 모델 입력의 유형입니다. 다음 중 하나일 수 있습니다: (`image`, `images`, `segmentation_mask`). | | `output_type` | (string) 시각화에 활용할 모델 출력의 유형입니다. 다음 중 하나를 지정할 수 있습니다. (`image`, `images`, `segmentation_mask`) | | `log_evaluation` | (boolean) True이면 에포크마다 검증 데이터와 모델의 예측이 담긴 Table을 저장합니다. 자세한 내용은 `validation_indexes`, `validation_row_processor`, `output_row_processor`를 참조하세요. | | `class_colors` | (\[float, float, float]) 입력 또는 출력이 세그멘테이션 마스크인 경우, 각 클래스의 rgb 튜플(범위 0-1)을 포함하는 배열입니다. | | `log_batch_frequency` | (정수) None이면 callback이 에포크마다 로깅합니다. 정수로 설정하면 callback이 `log_batch_frequency` 배치마다 트레이닝 메트릭을 로깅합니다. | | `log_best_prefix` | (string) None이면 추가 summary 메트릭을 저장하지 않습니다. string으로 설정하면 모니터링되는 메트릭과 에포크 앞에 접두사를 붙이고 결과를 summary 메트릭으로 저장합니다. | | `validation_indexes` | (\[wandb.data\_types.\_TableLinkMixin]) 각 검증 예시에 연결할 인덱스 키의 순서가 지정된 목록입니다. `log_evaluation`이 True이고 `validation_indexes`를 제공하면 검증 데이터의 Table을 생성하지 않습니다. 대신 각 예측을 `TableLinkMixin`이 나타내는 행에 연결합니다. 행 키 목록을 획득하려면 `Table.get_index() `를 사용하세요. | | `validation_row_processor` | (Callable) 검증 데이터에 적용할 함수로, 주로 데이터를 시각화하는 데 사용됩니다. 이 함수는 `ndx` (int)와 `row` (dict)를 받습니다. 모델의 입력이 하나라면 `row["input"]`에 해당 행의 입력 데이터가 포함됩니다. 그렇지 않으면 입력 슬롯의 이름이 포함됩니다. fit 함수가 단일 타깃을 받는다면 `row["target"]`에 해당 행의 타깃 데이터가 포함됩니다. 그렇지 않으면 출력 슬롯의 이름이 포함됩니다. 예를 들어 입력 데이터가 단일 배열인 경우, 데이터를 Image로 시각화하려면 처리 함수로 `lambda ndx, row: {"img": wandb.Image(row["input"])}`를 제공하세요. `log_evaluation`이 False이거나 `validation_indexes`가 있으면 무시됩니다. | | `output_row_processor` | (Callable) `validation_row_processor`와 동일하지만 모델의 출력에 적용됩니다. `row["output"]`에는 모델 출력 결과가 포함됩니다. | | `infer_missing_processors` | (Boolean) `validation_row_processor`와 `output_row_processor`가 없으면 이를 추론할지 여부를 확인합니다. 기본값은 True입니다. `labels`를 제공하면 W\&B는 적절한 경우 분류 유형 프로세서를 추론하려고 시도합니다. | | `log_evaluation_frequency` | (int) 평가 결과를 로깅하는 빈도를 확인합니다. 기본값은 `0`이며, 트레이닝 종료 시에만 로깅합니다. 매 에포크마다 로깅하려면 1로, 두 에포크마다 로깅하려면 2로 설정하세요. 이와 같은 방식으로 빈도를 설정할 수 있습니다. `log_evaluation`이 False이면 효과가 없습니다. |

자주 묻는 질문

Keras 멀티프로세싱을 wandb와 함께 사용

`use_multiprocessing=True`를 설정하면 이 오류가 발생할 수 있습니다: ```python theme={"system"} Error("You must call wandb.init() before wandb.config.batch_size") ``` 이를 해결하려면: 1. `Sequence` 클래스 생성 시 다음을 추가하세요: `wandb.init(group='...')`. 2. `main`에서 `if __name__ == "__main__":`을 사용하고, 스크립트의 나머지 로직을 그 안에 넣으세요.