> ## 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. # Tutorial: Use W&B for model management > W&B를 사용해 모델 관리를 하는 방법을 알아보세요. (Model Management) 다음 가이드에서는 W\&B에 모델을 기록하는 방법을 안내합니다. 이 가이드가 끝나면 다음을 수행할 수 있습니다. * MNIST 데이터셋과 Keras 프레임워크를 사용하여 모델을 만들고 트레이닝합니다. * 트레이닝한 모델을 W\&B project에 기록합니다. * 사용된 데이터셋을 생성한 모델의 종속성으로 표시합니다. * 해당 모델을 W\&B Registry에 연결합니다. * 레지스트리에 연결한 모델의 성능을 평가합니다. * 모델 버전을 프로덕션 준비 완료로 표시합니다. - 이 가이드에 제시된 순서대로 코드 조각을 복사하세요. - Model Registry에 고유하지 않은 코드는 접을 수 있는 셀에 숨겨져 있습니다. ## 설정 시작하기 전에 이 가이드에 필요한 Python 종속성을 가져옵니다. ```python theme={null} import wandb import numpy as np from tensorflow import keras from tensorflow.keras import layers from wandb.integration.keras import WandbMetricsLogger from sklearn.model_selection import train_test_split ``` W\&B entity를 `entity` 변수에 제공합니다. ```python theme={null} entity = "" ``` ### 데이터셋 아티팩트 생성 먼저 데이터셋을 만듭니다. 다음 코드 조각은 MNIST 데이터셋을 다운로드하는 함수를 생성합니다. ```python theme={null} def generate_raw_data(train_size=6000): eval_size = int(train_size / 6) (x_train, y_train), (x_eval, y_eval) = keras.datasets.mnist.load_data() x_train = x_train.astype("float32") / 255 x_eval = x_eval.astype("float32") / 255 x_train = np.expand_dims(x_train, -1) x_eval = np.expand_dims(x_eval, -1) print("Generated {} rows of training data.".format(train_size)) # 트레이닝 데이터 {}행 생성됨. print("Generated {} rows of eval data.".format(eval_size)) # 평가 데이터 {}행 생성됨. return (x_train[:train_size], y_train[:train_size]), ( x_eval[:eval_size], y_eval[:eval_size], ) # 데이터셋 생성 (x_train, y_train), (x_eval, y_eval) = generate_raw_data() ``` 다음으로 데이터셋을 W\&B에 업로드합니다. 이렇게 하려면 [artifact](/ko/models/artifacts/) 오브젝트를 생성하고 해당 아티팩트에 데이터셋을 추가합니다. ```python theme={null} project = "model-registry-dev" model_use_case_id = "mnist" job_type = "build_dataset" # W&B run 초기화 run = wandb.init(entity=entity, project=project, job_type=job_type) # 트레이닝 데이터를 위한 W&B 테이블 생성 train_table = wandb.Table(data=[], columns=[]) train_table.add_column("x_train", x_train) train_table.add_column("y_train", y_train) train_table.add_computed_columns(lambda ndx, row: {"img": wandb.Image(row["x_train"])}) # 평가 데이터를 위한 W&B 테이블 생성 eval_table = wandb.Table(data=[], columns=[]) eval_table.add_column("x_eval", x_eval) eval_table.add_column("y_eval", y_eval) eval_table.add_computed_columns(lambda ndx, row: {"img": wandb.Image(row["x_eval"])}) # 아티팩트 오브젝트 생성 artifact_name = "{}_dataset".format(model_use_case_id) artifact = wandb.Artifact(name=artifact_name, type="dataset") # wandb.WBValue obj를 아티팩트에 추가 artifact.add(train_table, "train_table") artifact.add(eval_table, "eval_table") # 아티팩트에 대한 변경 사항을 유지합니다. artifact.save() # W&B에 이 run이 완료되었음을 알립니다. run.finish() ``` 아티팩트에 파일(예: 데이터셋)을 저장하는 것은 모델의 종속성을 추적할 수 있으므로 모델 로깅 컨텍스트에서 유용합니다. ## 모델 트레이닝 이전 단계에서 생성한 아티팩트 데이터셋으로 모델을 트레이닝합니다. ### 데이터셋 아티팩트를 run에 대한 입력으로 선언 이전 단계에서 생성한 데이터셋 아티팩트를 W\&B run에 대한 입력으로 선언합니다. 아티팩트를 run에 대한 입력으로 선언하면 특정 모델을 트레이닝하는 데 사용된 데이터셋(및 데이터셋 버전)을 추적할 수 있으므로 모델 로깅 컨텍스트에서 특히 유용합니다. W\&B는 수집된 정보를 사용하여 [lineage map](/ko/models/core/registry/model_registry/model-lineage/)을 만듭니다. `use_artifact` API를 사용하여 데이터셋 아티팩트를 run의 입력으로 선언하고 아티팩트 자체를 검색합니다. ```python theme={null} job_type = "train_model" config = { "optimizer": "adam", "batch_size": 128, "epochs": 5, "validation_split": 0.1, } # W&B run 초기화 run = wandb.init(project=project, job_type=job_type, config=config) # 데이터셋 아티팩트 검색 version = "latest" name = "{}:{}".format("{}_dataset".format(model_use_case_id), version) artifact = run.use_artifact(artifact_or_name=name) # 데이터프레임에서 특정 콘텐츠 가져오기 train_table = artifact.get("train_table") x_train = train_table.get_column("x_train", convert_to="numpy") y_train = train_table.get_column("y_train", convert_to="numpy") ``` 모델의 입력 및 출력 추적에 대한 자세한 내용은 [모델 계보](/ko/models/core/registry/model_registry/model-lineage/) 맵 만들기를 참조하세요. ### 모델 정의 및 트레이닝 이 가이드에서는 Keras를 사용하여 MNIST 데이터셋의 이미지를 분류하기 위해 2D Convolutional Neural Network (CNN)를 정의합니다.
MNIST 데이터에서 CNN 트레이닝 ```python theme={null} # 구성 사전의 값을 변수에 저장하여 쉽게 엑세스 num_classes = 10 input_shape = (28, 28, 1) loss = "categorical_crossentropy" optimizer = run.config["optimizer"] metrics = ["accuracy"] batch_size = run.config["batch_size"] epochs = run.config["epochs"] validation_split = run.config["validation_split"] # 모델 아키텍처 생성 model = keras.Sequential( [ layers.Input(shape=input_shape), layers.Conv2D(32, kernel_size=(3, 3), activation="relu"), layers.MaxPooling2D(pool_size=(2, 2)), layers.Conv2D(64, kernel_size=(3, 3), activation="relu"), layers.MaxPooling2D(pool_size=(2, 2)), layers.Flatten(), layers.Dropout(0.5), layers.Dense(num_classes, activation="softmax"), ] ) model.compile(loss=loss, optimizer=optimizer, metrics=metrics) # 트레이닝 데이터에 대한 레이블 생성 y_train = keras.utils.to_categorical(y_train, num_classes) # 트레이닝 및 테스트 세트 생성 x_t, x_v, y_t, y_v = train_test_split(x_train, y_train, test_size=0.33) ``` 다음으로 모델을 트레이닝합니다. ```python theme={null} # 모델 트레이닝 model.fit( x=x_t, y=y_t, batch_size=batch_size, epochs=epochs, validation_data=(x_v, y_v), callbacks=[WandbCallback(log_weights=True, log_evaluation=True)], ) ``` 마지막으로 모델을 로컬 머신에 저장합니다. ```python theme={null} # 모델을 로컬에 저장 path = "model.h5" model.save(path) ```
## 모델을 Model Registry에 로깅하고 연결 [`link_model`](/ko/models/ref/python/run#link_model) API를 사용하여 하나 이상의 모델 파일을 W\&B run에 로깅하고 [W\&B Model Registry](/ko/./)에 연결합니다. ```python theme={null} path = "./model.h5" registered_model_name = "MNIST-dev" run.link_model(path=path, registered_model_name=registered_model_name) run.finish() ``` `registered-model-name`에 대해 지정한 이름이 아직 존재하지 않으면 W\&B가 registered model을 생성합니다. 선택적 파라미터에 대한 자세한 내용은 API Reference 가이드의 [`link_model`](/ko/models/ref/python/run#link_model)을 참조하세요. ## 모델 성능 평가 하나 이상의 모델의 성능을 평가하는 것이 일반적인 방법입니다. 먼저 이전 단계에서 W\&B에 저장된 평가 데이터셋 아티팩트를 가져옵니다. ```python theme={null} job_type = "evaluate_model" # run 초기화 run = wandb.init(project=project, entity=entity, job_type=job_type) model_use_case_id = "mnist" version = "latest" # 데이터셋 아티팩트를 가져오고 종속성으로 표시합니다. artifact = run.use_artifact( "{}:{}".format("{}_dataset".format(model_use_case_id), version) ) # 원하는 데이터프레임 가져오기 eval_table = artifact.get("eval_table") x_eval = eval_table.get_column("x_eval", convert_to="numpy") y_eval = eval_table.get_column("y_eval", convert_to="numpy") ``` 평가할 W\&B의 [model version](/ko/models/core/registry/model_registry/model-management-concepts/#model-version)을 다운로드합니다. `use_model` API를 사용하여 모델에 엑세스하고 다운로드합니다. ```python theme={null} alias = "latest" # 에일리어스 name = "mnist_model" # 모델 아티팩트 이름 # 모델에 엑세스하고 다운로드합니다. 다운로드한 아티팩트의 경로를 반환합니다. downloaded_model_path = run.use_model(name=f"{name}:{alias}") ``` Keras 모델을 로드하고 손실을 계산합니다. ```python theme={null} model = keras.models.load_model(downloaded_model_path) y_eval = keras.utils.to_categorical(y_eval, 10) (loss, _) = model.evaluate(x_eval, y_eval) score = (loss, _) ``` 마지막으로 손실 메트릭을 W\&B run에 기록합니다. ```python theme={null} # # 메트릭, 이미지, 테이블 또는 평가에 유용한 모든 데이터를 기록합니다. run.log(data={"loss": (loss, _)}) ``` ## 모델 버전 승격 [*model alias*](/ko/models/core/registry/model_registry/model-management-concepts/#model-alias)를 사용하여 기계 학습 워크플로우의 다음 단계를 위해 모델 버전을 준비 완료로 표시합니다. 각 registered model에는 하나 이상의 model alias가 있을 수 있습니다. model alias는 한 번에 하나의 model version에만 속할 수 있습니다. 예를 들어, 모델의 성능을 평가한 후 모델이 프로덕션 준비가 되었다고 확신한다고 가정합니다. 해당 모델 버전을 승격하려면 해당 특정 model version에 `production` 에일리어스를 추가합니다. `production` 에일리어스는 모델을 프로덕션 준비로 표시하는 데 사용되는 가장 일반적인 에일리어스 중 하나입니다. W\&B App UI를 사용하여 대화형으로 또는 Python SDK를 사용하여 프로그래밍 방식으로 model version에 에일리어스를 추가할 수 있습니다. 다음 단계에서는 W\&B Model Registry App을 사용하여 에일리어스를 추가하는 방법을 보여줍니다. 1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model)에서 Model Registry App으로 이동합니다. 2. registered model 이름 옆에 있는 **View details**를 클릭합니다. 3. **Versions** 섹션 내에서 승격하려는 model version 이름 옆에 있는 **View** 버튼을 클릭합니다. 4. **Aliases** 필드 옆에 있는 더하기 아이콘(**+**)을 클릭합니다. 5. 나타나는 필드에 `production`을 입력합니다. 6. 키보드에서 Enter 키를 누릅니다. ``` ```