Experiments 개요

import wandb

# 새 run 초기화
with wandb.init(project="my-experiments", config={"learning_rate": 0.001}) as run:
    # 설정에 액세스
    config = run.config
    
    # 트레이닝 중 메트릭 로깅
    for epoch in range(10):
        metrics = train_one_epoch()  # 직접 구현한 트레이닝 로직
        run.log({
            "loss": metrics["loss"],
            "accuracy": metrics["accuracy"],
            "epoch": epoch
        })
    
    # summary 메트릭 로깅
    run.summary["best_accuracy"] = max_accuracy

import wandb

with wandb.init(project="my-models") as run:
    # 모델 트레이닝
    model = train_model()
    
    # 모델 아티팩트 생성
    model_artifact = wandb.Artifact(
        name="my-model",
        type="model",
        description="ResNet-50 trained on ImageNet subset",
        metadata={
            "architecture": "ResNet-50",
            "dataset": "ImageNet-1K",
            "accuracy": 0.95
        }
    )
    
    # 아티팩트에 모델 파일 추가
    model_artifact.add_file("model.pt")
    model_artifact.add_dir("model_configs/")
    
    # W&B에 아티팩트 로깅
    run.log_artifact(model_artifact)

import wandb

# 코드에서 직접 설정 지정
wandb.Settings(
    project="production-runs",
    entity="my-team",
    mode="offline",  # 오프라인으로 실행한 후 나중에 동기화
    save_code=True,   # 소스 코드 저장
    quiet=True        # 콘솔 출력 최소화
)

# 또는 환경 변수로 설정
# export WANDB_PROJECT=production-runs
# export WANDB_MODE=offline

# 맞춤형 설정으로 초기화
with wandb.init() as run:
    # 여기에 실험 코드 작성
    pass

import wandb

with wandb.init(project="ml-pipeline") as run:
    # 데이터셋 아티팩트 사용
    dataset = run.use_artifact("dataset:v1")
    dataset_dir = dataset.download()
    
    # 데이터셋으로 모델 트레이닝
    model = train_on_dataset(dataset_dir)
    
    # 데이터셋 리니지를 포함한 모델 아티팩트 생성
    model_artifact = wandb.Artifact(
        name="trained-model",
        type="model"
    )
    model_artifact.add_file("model.pt")
    
    # 로깅 시 리니지가 자동으로 추적됨
    run.log_artifact(model_artifact)