> ## 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.
# Experiments 개요
> thoughtful west W&B를 사용하여 기계학습 실험을 추적하세요.
export const TryProductLink = ({url}) =>
Try in W&B
;
export const ColabLink = ({url}) =>
Try in Colab
;
몇 줄의 코드만으로 기계학습 실험을 트래킹하세요. 그런 다음 [대화형 대시보드](/models/track/workspaces/)에서 결과를 검토하거나, [Public API](/models/ref/python/public-api/)를 사용하여 프로그래밍 방식으로 데이터를 Python으로 내보낼 수 있습니다.
[Keras](/models/integrations/keras) 또는 [Scikit](/models/integrations/scikit)과 같은 인기 있는 프레임워크를 사용하는 경우 W\&B Integrations를 활용해 보세요. 전체 인테그레이션 목록과 코드에 W\&B를 추가하는 방법은 [인테그레이션 가이드](/models/integrations)를 참조하세요.
위 이미지는 여러 [runs](/models/runs/)의 메트릭을 보고 비교할 수 있는 대시보드 예시를 보여줍니다.
## 작동 방식
몇 줄의 코드만으로 기계학습 실험을 트래킹할 수 있습니다:
1. [W\&B Run](/models/runs/)을 생성합니다.
2. 학습률이나 모델 유형과 같은 하이퍼파라미터 사전을 설정([`wandb.Run.config`](/models/track/config/))에 저장합니다.
3. 트레이닝 루프에서 정확도와 손실 같은 메트릭([`wandb.Run.log()`](/models/track/log/))을 시간에 따라 로그합니다.
4. 모델 가중치나 예측값 테이블과 같은 run의 결과물을 저장합니다.
다음 코드는 일반적인 W\&B 실험 트래킹 워크플로우를 보여줍니다:
```python theme={null}
# run을 시작합니다.
#
# 이 블록이 종료되면 로그된 데이터의 업로드가 완료될 때까지 기다립니다.
# 예외가 발생하면 run은 실패로 표시됩니다.
with wandb.init(entity="", project="my-project-name") as run:
# 모델 입력값과 하이퍼파라미터를 저장합니다.
run.config.learning_rate = 0.01
# 실험 코드를 실행합니다.
for epoch in range(num_epochs):
# 트레이닝 수행...
# 모델 성능을 시각화하기 위해 시간에 따른 메트릭을 로그합니다.
run.log({"loss": loss})
# 모델 결과물을 Artifacts로 업로드합니다.
run.log_artifact(model)
```
## 시작하기
사용자의 유스 케이스에 따라 W\&B Experiments를 시작하기 위한 다음 리소스들을 살펴보세요:
* 데이터셋 아티팩트를 생성, 트래킹 및 사용하는 데 필요한 W\&B Python SDK 코맨드에 대한 단계별 개요는 [W\&B 퀵스타트](/models/quickstart/)를 읽어보세요.
* 이 챕터에서 다음 방법들을 알아보세요:
* 실험 생성하기
* 실험 설정하기
* 실험 데이터 로그하기
* 실험 결과 보기
* [W\&B API 레퍼런스 가이드](/models/ref/python/) 내의 [W\&B Python 라이브러리](/models/ref/python/)를 살펴보세요.
## 모범 사례 및 팁
실험 및 로그에 대한 모범 사례와 팁은 [모범 사례: 실험 및 로그](https://wandb.ai/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#w\&b-experiments-and-logging)를 참조하세요.
위 이미지는 여러 [runs](/models/runs/)의 메트릭을 보고 비교할 수 있는 대시보드 예시를 보여줍니다.
## 작동 방식
몇 줄의 코드만으로 기계학습 실험을 트래킹할 수 있습니다:
1. [W\&B Run](/models/runs/)을 생성합니다.
2. 학습률이나 모델 유형과 같은 하이퍼파라미터 사전을 설정([`wandb.Run.config`](/models/track/config/))에 저장합니다.
3. 트레이닝 루프에서 정확도와 손실 같은 메트릭([`wandb.Run.log()`](/models/track/log/))을 시간에 따라 로그합니다.
4. 모델 가중치나 예측값 테이블과 같은 run의 결과물을 저장합니다.
다음 코드는 일반적인 W\&B 실험 트래킹 워크플로우를 보여줍니다:
```python theme={null}
# run을 시작합니다.
#
# 이 블록이 종료되면 로그된 데이터의 업로드가 완료될 때까지 기다립니다.
# 예외가 발생하면 run은 실패로 표시됩니다.
with wandb.init(entity="", project="my-project-name") as run:
# 모델 입력값과 하이퍼파라미터를 저장합니다.
run.config.learning_rate = 0.01
# 실험 코드를 실행합니다.
for epoch in range(num_epochs):
# 트레이닝 수행...
# 모델 성능을 시각화하기 위해 시간에 따른 메트릭을 로그합니다.
run.log({"loss": loss})
# 모델 결과물을 Artifacts로 업로드합니다.
run.log_artifact(model)
```
## 시작하기
사용자의 유스 케이스에 따라 W\&B Experiments를 시작하기 위한 다음 리소스들을 살펴보세요:
* 데이터셋 아티팩트를 생성, 트래킹 및 사용하는 데 필요한 W\&B Python SDK 코맨드에 대한 단계별 개요는 [W\&B 퀵스타트](/models/quickstart/)를 읽어보세요.
* 이 챕터에서 다음 방법들을 알아보세요:
* 실험 생성하기
* 실험 설정하기
* 실험 데이터 로그하기
* 실험 결과 보기
* [W\&B API 레퍼런스 가이드](/models/ref/python/) 내의 [W\&B Python 라이브러리](/models/ref/python/)를 살펴보세요.
## 모범 사례 및 팁
실험 및 로그에 대한 모범 사례와 팁은 [모범 사례: 실험 및 로그](https://wandb.ai/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#w\&b-experiments-and-logging)를 참조하세요.