> ## 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. # WandbEvalCallback 모델 예측 시각화를 위한 Keras 콜백을 빌드하는 추상 기본 클래스입니다. ```python theme={null} WandbEvalCallback( data_table_columns: List[str], pred_table_columns: List[str], *args, **kwargs ) -> None ``` 분류, 오브젝트 검출, 분할 등 작업을 위해 `model.fit()`에 전달될 수 있는 `on_epoch_end`에서 모델 예측을 시각화하기 위한 콜백을 빌드할 수 있습니다. 이를 사용하려면 이 기본 콜백 클래스에서 상속받아 `add_ground_truth` 및 `add_model_prediction` 메소드를 구현합니다. 기본 클래스는 다음 사항을 처리합니다. * 그라운드 트루스 로깅을 위한 `data_table` 및 예측을 위한 `pred_table`을 초기화합니다. * `data_table`에 업로드된 데이터는 `pred_table`에 대한 참조로 사용됩니다. 이는 메모리 공간을 줄이기 위함입니다. `data_table_ref`는 참조된 데이터에 액세스하는 데 사용할 수 있는 목록입니다. 아래 예제를 통해 수행 방법을 확인하십시오. * 테이블을 W\&B Artifacts로 W\&B에 로그합니다. * 각 새 `pred_table`은 에일리어스와 함께 새 버전으로 로그됩니다. #### 예시: ```python theme={null} class WandbClfEvalCallback(WandbEvalCallback): def __init__(self, validation_data, data_table_columns, pred_table_columns): super().__init__(data_table_columns, pred_table_columns) self.x = validation_data[0] self.y = validation_data[1] def add_ground_truth(self): for idx, (image, label) in enumerate(zip(self.x, self.y)): self.data_table.add_data(idx, wandb.Image(image), label) def add_model_predictions(self, epoch): preds = self.model.predict(self.x, verbose=0) preds = tf.argmax(preds, axis=-1) data_table_ref = self.data_table_ref table_idxs = data_table_ref.get_index() for idx in table_idxs: pred = preds[idx] self.pred_table.add_data( epoch, data_table_ref.data[idx][0], data_table_ref.data[idx][1], data_table_ref.data[idx][2], pred, ) model.fit( x, y, epochs=2, validation_data=(x, y), callbacks=[ WandbClfEvalCallback( validation_data=(x, y), data_table_columns=["idx", "image", "label"], pred_table_columns=["epoch", "idx", "image", "label", "pred"], ) ], ) ``` 보다 세분화된 제어를 위해 `on_train_begin` 및 `on_epoch_end` 메소드를 재정의할 수 있습니다. N개 배치 후 샘플을 기록하려면 `on_train_batch_end` 메소드를 구현하면 됩니다. ## Methods ### `add_ground_truth` [View source](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/integration/keras/callbacks/tables_builder.py#L117-L131) ```python theme={null} @abc.abstractmethod add_ground_truth( logs: Optional[Dict[str, float]] = None ) -> None ``` 그라운드 트루스 데이터를 `data_table`에 추가합니다. 이 메소드를 사용하여 `init_data_table` 메소드를 사용하여 초기화된 `data_table`에 유효성 검사/트레이닝 데이터를 추가하는 로직을 작성합니다. #### 예시: ```python theme={null} for idx, data in enumerate(dataloader): self.data_table.add_data(idx, data) ``` 이 메소드는 `on_train_begin` 또는 이와 동등한 훅에서 한 번 호출됩니다. ### `add_model_predictions` [View source](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/integration/keras/callbacks/tables_builder.py#L133-L155) ```python theme={null} @abc.abstractmethod add_model_predictions( epoch: int, logs: Optional[Dict[str, float]] = None ) -> None ``` 모델의 예측값을 `pred_table`에 추가합니다. 이 메소드를 사용하여 `init_pred_table` 메소드를 사용하여 초기화된 `pred_table`에 대한 유효성 검사/트레이닝 데이터에 대한 모델 예측을 추가하는 로직을 작성합니다. #### 예시: ```python theme={null} # 데이터 로더가 샘플을 섞지 않는다고 가정합니다. for idx, data in enumerate(dataloader): preds = model.predict(data) self.pred_table.add_data( self.data_table_ref.data[idx][0], self.data_table_ref.data[idx][1], preds, ) ``` 이 메소드는 `on_epoch_end` 또는 이와 동등한 훅에서 호출됩니다. ### `init_data_table` [View source](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/integration/keras/callbacks/tables_builder.py#L157-L166) ```python theme={null} init_data_table( column_names: List[str] ) -> None ``` 유효성 검사 데이터를 위한 W\&B Tables를 초기화합니다. 이 메소드를 `on_train_begin` 또는 이와 동등한 훅에서 호출합니다. 그 뒤에 테이블 행 또는 열 단위로 데이터를 추가합니다. | Args | Description | | :------------- | :--------------------------- | | `column_names` | (list) W\&B Tables의 열 이름입니다. | ### `init_pred_table` [View source](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/integration/keras/callbacks/tables_builder.py#L168-L177) ```python theme={null} init_pred_table( column_names: List[str] ) -> None ``` 모델 평가를 위한 W\&B Tables를 초기화합니다. 이 메소드를 `on_epoch_end` 또는 이와 동등한 훅에서 호출합니다. 그 뒤에 테이블 행 또는 열 단위로 데이터를 추가합니다. | Args | Description | | :------------- | :--------------------------- | | `column_names` | (list) W\&B Tables의 열 이름입니다. | ### `log_data_table` [View source](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/integration/keras/callbacks/tables_builder.py#L179-L205) ```python theme={null} log_data_table( name: str = "val", type: str = "dataset", table_name: str = "val_data" ) -> None ``` `data_table`을 W\&B 아티팩트로 기록하고 그에 대해 `use_artifact`를 호출합니다. 이를 통해 평가 테이블은 이미 업로드된 데이터(이미지, 텍스트, 스칼라 등)의 참조를 다시 업로드하지 않고 사용할 수 있습니다. | Args | Description | | :----------- | :----------------------------------------------------------------------------------------------------------- | | `name` | (str) 이 Artifacts에 대한 사람이 읽을 수 있는 이름입니다. UI에서 이 Artifacts를 식별하거나 use\_artifact 호출에서 참조하는 방법입니다. (기본값은 'val') | | `type` | (str) Artifacts의 유형으로, Artifacts를 구성하고 차별화하는 데 사용됩니다. (기본값은 'dataset') | | `table_name` | (str) UI에 표시될 테이블의 이름입니다. (기본값은 'val\_data') | ### `log_pred_table` [View source](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/integration/keras/callbacks/tables_builder.py#L207-L228) ```python theme={null} log_pred_table( type: str = "evaluation", table_name: str = "eval_data", aliases: Optional[List[str]] = None ) -> None ``` 모델 평가를 위한 W\&B Tables를 기록합니다. 테이블은 새 버전을 생성하여 여러 번 기록됩니다. 이를 사용하여 다른 간격으로 모델을 대화식으로 비교합니다. | Args | Description | | :----------- | :------------------------------------------------------------------------ | | `type` | (str) Artifacts의 유형으로, Artifacts를 구성하고 차별화하는 데 사용됩니다. (기본값은 'evaluation') | | `table_name` | (str) UI에 표시될 테이블의 이름입니다. (기본값은 'eval\_data') | | `aliases` | (List\[str]) 예측 테이블의 에일리어스 목록입니다. | ### `set_model` ```python theme={null} set_model( model ) ``` ### `set_params` ```python theme={null} set_params( params ) ```