> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-serverless-sft-revamp.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# 개요
> W&B의 기본 구성 요소인 Runs 에 대해 알아보세요.
*run* 은 W\&B에서 기록되는 계산의 단일 단위입니다. W\&B Run 을 전체 프로젝트의 원자적 요소로 생각할 수 있습니다. 즉, 각 run 은 모델 트레이닝 및 결과 기록, 하이퍼파라미터 스윕(sweeps) 등과 같은 특정 계산의 기록입니다.
run 을 초기화하고 로그를 기록하는 일반적인 유스 케이스는 다음과 같습니다:
* 모델 트레이닝 및 정확도(accuracy), 손실(loss)과 같은 [메트릭 기록](/models/ref/python/experiments/run#method-run-log)
* [하이퍼파라미터 튜닝](/models/sweeps/) 수행 및 새로운 실험 실행
* 다른 모델로 새로운 기계학습 실험 수행
* 데이터셋과 모델을 [W\&B Artifacts](/models/artifacts/) 로 트래킹 및 저장
* 팀의 다른 멤버가 사용한 데이터셋이나 모델을 W\&B Artifacts 로 [다운로드 및 사용](/models/artifacts/download-and-use-an-artifact/)
W\&B run 을 초기화하려면 W\&B Python SDK의 [`wandb.init()`](/models/ref/python/functions/init) 메소드를 호출합니다. 이 메소드는 새로운 run 을 시작하고, 해당 run 에 메트릭, 아티팩트 및 기타 정보를 로그로 기록하는 데 사용할 수 있는 `wandb.Run` 오브젝트를 반환합니다. run 초기화에 대한 자세한 내용은 [Initialize runs](/models/runs/initialize-run) 를 참조하세요.
각 run 오브젝트는 [*run ID* 로 알려진 고유 식별자](/models/runs/run-identifiers#unique-run-identifiers)를 가집니다. [사용자가 고유 ID를 지정](/models/runs/run-identifiers#unique-run-identifiers)하거나 [W\&B가 무작위로 생성](/models/runs/run-identifiers#autogenerated-run-ids)하도록 할 수 있습니다. 또한 각 run 오브젝트는 사람이 읽을 수 있는 비고유한 [run name](/models/runs/run-identifiers#run-name) 을 가집니다. run 의 이름을 직접 지정하거나 W\&B가 무작위로 생성하도록 할 수 있습니다. 초기화 후에도 run 의 이름을 변경할 수 있습니다.
W\&B는 run 을 [*project*](/models/track/project-page/) 에 기록합니다. `wandb.init(project="")` 로 run 을 초기화할 때 프로젝트를 지정합니다. 프로젝트가 존재하지 않으면 W\&B가 새 프로젝트를 생성합니다. 프로젝트가 이미 존재하는 경우, W\&B는 지정된 프로젝트에 run 을 기록합니다.
프로젝트 이름을 지정하지 않으면 W\&B는 해당 run 을 `Uncategorized` 라는 이름의 프로젝트에 저장합니다.
`wandb.init()` 은 ID, 이름, 설정(configuration), 상태와 같은 run 의 속성을 포함하는 `wandb.Run` 오브젝트를 반환합니다. 이 run 오브젝트와 `wandb.Run.log()`, `wandb.Run.log_code()`, `wandb.Run.use_artifact()` 와 같은 메소드를 사용하여 메트릭, 아티팩트 및 기타 정보를 run 에 로그로 기록하세요.
각 run 은 현재 상태를 설명하는 state 를 가집니다. 가능한 모든 run 상태 목록은 [Run states](/models/runs/run-states) 를 참조하세요.
W\&B 앱의 프로젝트 워크스페이스 내에서 [run 과 그 속성을 확인](/models/runs/view-logged-runs)할 수 있습니다. 또한 [`wandb.Api.Run`](/models/ref/python/experiments/run) 오브젝트를 사용하여 프로그래밍 방식으로 run 속성에 엑세스할 수도 있습니다.
예를 들어, W\&B run 을 초기화하고 일부 메트릭을 기록하는 다음 코드조각을 살펴보세요:
내용을 직접 따라 해보려면 아래 코드조각의 `entity` 변수에 본인의 W\&B entity 를 전달하세요. entity 는 사용자의 W\&B 사용자 이름 또는 팀 이름입니다. W\&B 앱 워크스페이스의 URL에서 이를 확인할 수 있습니다. 예를 들어, 워크스페이스 URL이 `https://wandb.ai/nico/awesome-project` 라면 entity 는 `nico` 입니다.
```python theme={null}
import wandb
entity = "nico" # 본인의 W&B entity로 교체하세요
project = "awesome-project"
with wandb.init(entity=entity, project=project) as run:
run.log({"accuracy": 0.9, "loss": 0.1})
```
첫 번째 줄은 W\&B Python SDK를 임포트합니다. 두 번째 줄은 `nico` 라는 entity 아래의 `awesome-project` 프로젝트에서 run 을 초기화합니다. 세 번째 줄은 해당 run 에 모델의 정확도와 손실을 기록합니다.
터미널 내에서 W\&B는 다음을 반환합니다:
```bash theme={null}
wandb: Syncing run earnest-sunset-1
wandb: ⭐️ View project at https://wandb.ai/nico/awesome-project
wandb: 🚀 View run at https://wandb.ai/nico/awesome-project/runs/1jx1ud12
wandb:
wandb:
wandb: Run history:
wandb: accuracy ▁
wandb: loss ▁
wandb:
wandb: Run summary:
wandb: accuracy 0.9
wandb: loss 0.5
wandb:
wandb: 🚀 View run earnest-sunset-1 at: https://wandb.ai/nico/awesome-project/runs/1jx1ud12
wandb: ⭐️ View project at: https://wandb.ai/nico/awesome-project
wandb: Synced 6 W&B file(s), 0 media file(s), 0 artifact file(s) and 0 other file(s)
wandb: Find logs at: ./wandb/run-20241105_111006-1jx1ud12/logs
```
W\&B는 터미널 출력에 두 개의 URL을 반환합니다. 첫 번째 URL은 [특정 run 의 워크스페이스](/models/runs/view-logged-runs)로 연결되고, 두 번째 URL은 [프로젝트](/models/track/project-page) 페이지로 연결됩니다.
단일 시점에 메트릭을 기록하는 것은 그리 유용하지 않을 수 있습니다. 판별 모델(discriminative models) 트레이닝의 보다 현실적인 예시는 정기적인 간격으로 메트릭을 기록하는 것입니다. 예를 들어, 다음 코드조각을 보세요:
```python theme={null}
import wandb
import random
config = {
"epochs": 10,
"learning_rate": 0.01,
}
with wandb.init(project="awesome-project", config=config) as run:
print(f"lr: {config['learning_rate']}")
# 트레이닝 run 시뮬레이션
for epoch in range(config['epochs']):
offset = random.random() / 5
acc = 1 - 2**-epoch - random.random() / (epoch + 1) - offset
loss = 2**-epoch + random.random() / (epoch + 1) + offset
print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
run.log({"accuracy": acc, "loss": loss})
```
트레이닝 스크립트는 `wandb.Run.log()` 를 10번 호출합니다. 스크립트가 `wandb.Run.log()` 를 호출할 때마다 W\&B는 해당 에포크의 정확도와 손실을 기록합니다.
터미널에서 다음과 유사한 출력을 볼 수 있습니다:
```bash theme={null}
wandb: Syncing run jolly-haze-4
wandb: ⭐️ View project at https://wandb.ai/nico/awesome-project
wandb: 🚀 View run at https://wandb.ai/nico/awesome-project/runs/pdo5110r
lr: 0.01
epoch=0, accuracy=-0.10070974957523078, loss=1.985328507123956
epoch=1, accuracy=0.2884687745057535, loss=0.7374362314407752
epoch=2, accuracy=0.7347387967382066, loss=0.4402409835486663
epoch=3, accuracy=0.7667969248039795, loss=0.26176963846423457
epoch=4, accuracy=0.7446848791003173, loss=0.24808611724405083
epoch=5, accuracy=0.8035095836268268, loss=0.16169791827329466
epoch=6, accuracy=0.861349032371624, loss=0.03432578493587426
epoch=7, accuracy=0.8794926436276016, loss=0.10331872172219471
epoch=8, accuracy=0.9424839917077272, loss=0.07767793473500445
epoch=9, accuracy=0.9584880427028566, loss=0.10531971149250456
wandb: 🚀 View run jolly-haze-4 at: https://wandb.ai/nico/awesome-project/runs/pdo5110r
wandb: Find logs at: wandb/run-20241105_111816-pdo5110r/logs
```
W\&B는 시뮬레이션된 트레이닝 루프를 `jolly-haze-4` 라는 단일 run 내에 캡처합니다. 이는 스크립트가 `wandb.init()` 메소드를 한 번만 호출하기 때문입니다.
이전 출력에서 W\&B가 출력한 URL을 복사하여 브라우저에 붙여넣으세요. 이 URL은 W\&B 앱 UI의 run 워크스페이스로 연결됩니다. 예를 들어, 다음 이미지는 `jolly-haze-4` run 의 워크스페이스를 보여줍니다:
