> ## 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.
> Track machine learning experiments with W&B to log metrics, hyperparameters, system metrics, and model artifacts.
# Experiments overview
export const TryProductLink = ({url}) =>
Try in W&B
;
export const ColabLink = ({url}) =>
Try in Colab
;
몇 줄의 코드로 머신 러닝 실험을 추적하세요. 그런 다음 [대화형 대시보드](/ko/products/wandb/track/workspaces)에서 결과를 검토하거나 [Public API](/ko/products/wandb/ref/python/public-api)를 사용하여 데이터를 Python으로 내보내 프로그램 방식으로 액세스할 수 있습니다.
인기 있는 프레임워크(예: [Keras](/ko/products/wandb/integrations/keras))를 사용하는 경우 W\&B Integrations를 활용하세요. W\&B를 코드에 추가하는 방법과 전체 인테그레이션 목록에 대한 정보는 [W\&B Integrations](/ko/products/wandb/integrations)를 참조하세요.
위 이미지는 여러 [run](/ko/products/wandb/runs)에서 메트릭을 보고 비교할 수 있는 예시 대시보드를 보여줍니다.
작동 방식
몇 줄의 코드만으로 머신러닝 실험을 추적할 수 있습니다.
1. [W\&B Run](/ko/products/wandb/runs)을 생성합니다.
2. 학습률이나 모델 유형과 같은 하이퍼파라미터 딕셔너리를 설정([`wandb.Run.config`](/ko/products/wandb/track/config))에 저장합니다.
3. 트레이닝 루프에서 정확도, 손실과 같은 메트릭을 시간에 따라 로깅합니다([`wandb.Run.log()`](/ko/products/wandb/track/log)).
4. 모델 가중치나 예측 table과 같은 run의 출력을 저장합니다.
다음 코드는 일반적인 W\&B 실험 추적 워크플로를 보여줍니다. `my-team`을 W\&B 팀 entity로, `my-project-name`을 프로젝트 이름으로 바꾸세요.
```python theme={"system"}
import wandb
entity = "" # entity를 담당 W&B 팀 이름으로 설정하세요
project = "my-project-name" # project를 W&B 프로젝트 이름으로 설정하세요
# 이 블록이 종료되면 로깅된 데이터가 업로드 완료될 때까지 기다립니다.
# 예외가 발생하면 run이 실패로 표시됩니다.
with wandb.init(entity=entity, project="my-project-name") as run:
# 모델 입력과 하이퍼파라미터를 저장합니다.
run.config.learning_rate = 0.01
# 실험 코드를 실행합니다.
for epoch in range(num_epochs):
# 트레이닝을 수행합니다...
# 모델 성능을 시각화하기 위해 메트릭을 시간 경과에 따라 로깅합니다.
run.log({"loss": loss})
# 모델 출력을 아티팩트로 업로드합니다.
run.log_artifact(model)
```
Get started
사용 사례에 따라 다음 리소스를 탐색하여 W\&B 실험을 시작하세요:
* [W\&B Quickstart](/ko/products/wandb/quickstart)를 조회하여 W\&B를 설정하고 첫 실험을 추적하는 방법을 알아보세요.
* [Get Started with W\&B Models](/ko/products/wandb/models_quickstart)를 사용해 보다 W\&B를 사용하여 머신 러닝 워크플로에서 모델 아티팩트를 추적, 공유 및 관리하는 방법을 알아보세요.
* 이 장을 탐색하여 다음을 배우세요:
* [Create an 실험](/ko/products/wandb/track/create-an-experiment)
* [Configure 실험](/ko/products/wandb/track/config)
* [실험 데이터 로깅하기](/ko/products/wandb/track/log)
* [View results from 실험](/ko/products/wandb/track/workspaces)
* [W\&B Python Library](/ko/products/wandb/ref/python)를 [W\&B API Reference Guide](/ko/products/wandb/ref/python) 내에서 탐색하세요.
모범 사례 및 팁
실험 및 로깅에 대한 모범 사례와 팁은 [Best Practices: 실험 and Logging](https://forge.coreweave.com/wandb/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#w\&b-experiments-and-logging)를 참조하세요.
위 이미지는 여러 [run](/ko/products/wandb/runs)에서 메트릭을 보고 비교할 수 있는 예시 대시보드를 보여줍니다.