> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-feat-cli-docs-generator.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# PyTorch
PyTorch는 Python에서 딥러닝을 위한 가장 인기 있는 프레임워크 중 하나이며, 특히 연구자들 사이에서 인기가 높습니다. W\&B는 gradient 로깅부터 CPU 및 GPU에서 코드 프로파일링에 이르기까지 PyTorch에 대한 최고의 지원을 제공합니다.
Colab 노트북에서 W\&B 인테그레이션을 사용해 보세요.
[예제 레포](https://github.com/wandb/examples)에서 스크립트를 볼 수도 있습니다. 여기에는 [Fashion MNIST](https://github.com/wandb/examples/tree/master/examples/pytorch/pytorch-cnn-fashion)에서 [Hyperband](https://arxiv.org/abs/1603.06560)를 사용하여 하이퍼파라미터 최적화에 대한 스크립트와 생성된 [W\&B 대시보드](https://wandb.ai/wandb/keras-fashion-mnist/runs/5z1d85qs)가 포함되어 있습니다.
## `wandb.watch`로 gradient 로그
gradient를 자동으로 기록하려면 [`wandb.watch`](/ko/models/ref/python/watch)를 호출하고 PyTorch model을 전달하면 됩니다.
```python theme={null}
import wandb
wandb.init(config=args)
model = ... # set up your model
# Magic
wandb.watch(model, log_freq=100)
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % args.log_interval == 0:
wandb.log({"loss": loss})
```
동일한 스크립트에서 여러 model을 추적해야 하는 경우 각 model에서 `wandb.watch`를 개별적으로 호출할 수 있습니다. 이 함수에 대한 참조 문서는 [여기](/ko/models/ref/python/watch)에 있습니다.
gradient, metrics 및 그래프는 순방향 *및* 역방향 패스 후에 `wandb.log`가 호출될 때까지 기록되지 않습니다.
## 이미지 및 미디어 로그
이미지 데이터가 포함된 PyTorch `Tensors`를 [`wandb.Image`](/ko/models/ref/python/data-types/image)로 전달할 수 있으며, [`torchvision`](https://pytorch.org/vision/stable/index.html)의 유틸리티가 자동으로 이미지를 변환하는 데 사용됩니다.
```python theme={null}
images_t = ... # generate or load images as PyTorch Tensors
wandb.log({"examples": [wandb.Image(im) for im in images_t]})
```
PyTorch 및 기타 프레임워크에서 W\&B에 rich media를 로깅하는 방법에 대한 자세한 내용은 [미디어 로깅 가이드](/ko/models/track/log/media/)를 확인하세요.
model의 예측 또는 파생 메트릭과 같은 정보를 미디어와 함께 포함하려면 `wandb.Table`을 사용하세요.
```python theme={null}
my_table = wandb.Table()
my_table.add_column("image", images_t)
my_table.add_column("label", labels)
my_table.add_column("class_prediction", predictions_t)
# Log your Table to W&B
wandb.log({"mnist_predictions": my_table})
```
데이터셋 및 model 로깅 및 시각화에 대한 자세한 내용은 [W\&B Tables 가이드](/ko/models/tables/)를 확인하세요.
## PyTorch 코드 프로파일링
W\&B는 [PyTorch Kineto](https://github.com/pytorch/kineto)의 [Tensorboard plugin](https://github.com/pytorch/kineto/blob/master/tb_plugin/README)과 직접 통합되어 PyTorch 코드 프로파일링, CPU 및 GPU 통신 세부 정보 검사, 병목 현상 및 최적화 식별을 위한 툴을 제공합니다.
```python theme={null}
profile_dir = "path/to/run/tbprofile/"
profiler = torch.profiler.profile(
schedule=schedule, # see the profiler docs for details on scheduling
on_trace_ready=torch.profiler.tensorboard_trace_handler(profile_dir),
with_stack=True,
)
with profiler:
... # run the code you want to profile here
# see the profiler docs for detailed usage information
# create a wandb Artifact
profile_art = wandb.Artifact("trace", type="profile")
# add the pt.trace.json files to the Artifact
profile_art.add_file(glob.glob(profile_dir + ".pt.trace.json"))
# log the artifact
profile_art.save()
```
[이 Colab](http://wandb.me/trace-colab)에서 작업 예제 코드를 보고 실행하세요.
대화형 추적 보기 툴은 Chrome Trace Viewer를 기반으로 하며 Chrome 브라우저에서 가장 잘 작동합니다.