> ## 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.

# Log models

<Card title="Try in Colab" href="https://colab.research.google.com/github/wandb/examples/blob/ken-add-new-model-reg-api/colabs/wandb-model-registry/New_Model_Logging_in_W&B.ipynb" icon="python" />

# 모델 로깅

다음 가이드는 모델을 W\&B run에 로깅하고 상호 작용하는 방법을 설명합니다.

<Note>
  다음 API는 실험 트래킹 워크플로우의 일부로 모델을 추적하는 데 유용합니다. 이 페이지에 나열된 API를 사용하여 모델을 run에 로깅하고 메트릭, 테이블, 미디어 및 기타 오브젝트에 엑세스하세요.

  다음을 원할 경우 [W\&B Artifacts](/ko/models/artifacts/)를 사용하는 것이 좋습니다.

  * 모델 외에 데이터셋, 프롬프트 등과 같은 직렬화된 데이터의 다양한 버전을 생성하고 추적합니다.
  * W\&B에서 추적된 모델 또는 기타 오브젝트의 [계보 그래프](/ko/models/artifacts/explore-and-traverse-an-artifact-graph/)를 탐색합니다.
  * [속성 업데이트](/ko/models/artifacts/update-an-artifact/) (메타데이터, 에일리어스 및 설명)와 같이 이러한 메서드로 생성된 모델 아티팩트와 상호 작용합니다.

  W\&B Artifacts 및 고급 버전 관리 유스 케이스에 대한 자세한 내용은 [Artifacts](/ko/models/artifacts/) 문서를 참조하세요.
</Note>

## 모델을 run에 로깅

[`log_model`](/ko/models/ref/python/run#log_model)을 사용하여 지정한 디렉토리 내에 콘텐츠가 포함된 모델 아티팩트를 로깅합니다. [`log_model`](/ko/models/ref/python/run#log_model) 메서드는 결과 모델 아티팩트를 W\&B run의 출력으로 표시합니다.

모델을 W\&B run의 입력 또는 출력으로 표시하면 모델의 종속성과 모델의 연결을 추적할 수 있습니다. W\&B App UI 내에서 모델의 계보를 확인하세요. 자세한 내용은 [Artifacts](/ko/models/artifacts/) 챕터의 [아티팩트 그래프 탐색 및 트래버스](/ko/models/artifacts/explore-and-traverse-an-artifact-graph/) 페이지를 참조하세요.

모델 파일이 저장된 경로를 `path` 파라미터에 제공하세요. 경로는 로컬 파일, 디렉토리 또는 `s3://bucket/path`와 같은 외부 버킷에 대한 [참조 URI](/ko/models/artifacts/track-external-files/#amazon-s3--gcs--azure-blob-storage-references)일 수 있습니다.

`<>`로 묶인 값은 사용자 고유의 값으로 바꾸세요.

```python theme={null}
import wandb

# W&B run 초기화
run = wandb.init(project="<your-project>", entity="<your-entity>")

# 모델 로깅
run.log_model(path="<path-to-model>", name="<name>")
```

선택적으로 `name` 파라미터에 모델 아티팩트 이름을 제공합니다. `name`이 지정되지 않은 경우 W\&B는 run ID가 앞에 붙은 입력 경로의 기본 이름을 이름으로 사용합니다.

<Note>
  사용자 또는 W\&B가 모델에 할당한 `name`을 추적하세요. [`use_model`](/ko/models/ref/python/run#use_model) 메서드로 모델 경로를 검색하려면 모델 이름이 필요합니다.
</Note>

가능한 파라미터에 대한 자세한 내용은 API 참조 가이드의 [`log_model`](/ko/models/ref/python/run#log_model)을 참조하세요.

<details>
  <summary>예시: 모델을 run에 로깅</summary>

  ```python theme={null}
  import os
  import wandb
  from tensorflow import keras
  from tensorflow.keras import layers

  config = {"optimizer": "adam", "loss": "categorical_crossentropy"}

  # W&B run 초기화
  run = wandb.init(entity="charlie", project="mnist-experiments", config=config)

  # 하이퍼파라미터
  loss = run.config["loss"]
  optimizer = run.config["optimizer"]
  metrics = ["accuracy"]
  num_classes = 10
  input_shape = (28, 28, 1)

  # 트레이닝 알고리즘
  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"),
      ]
  )

  # 트레이닝을 위한 모델 구성
  model.compile(loss=loss, optimizer=optimizer, metrics=metrics)

  # 모델 저장
  model_filename = "model.h5"
  local_filepath = "./"
  full_path = os.path.join(local_filepath, model_filename)
  model.save(filepath=full_path)

  # 모델을 W&B run에 로깅
  run.log_model(path=full_path, name="MNIST")
  run.finish()
  ```

  사용자가 `log_model`을 호출하면 `MNIST`라는 모델 아티팩트가 생성되고 파일 `model.h5`가 모델 아티팩트에 추가되었습니다. 터미널 또는 노트북에 모델이 로깅된 run에 대한 정보를 찾을 수 있는 위치가 출력됩니다.

  ```python theme={null}
  View run different-surf-5 at: https://wandb.ai/charlie/mnist-experiments/runs/wlby6fuw
  Synced 5 W&B file(s), 0 media file(s), 1 artifact file(s) and 0 other file(s)
  Find logs at: ./wandb/run-20231206_103511-wlby6fuw/logs
  ```
</details>

## 로깅된 모델 다운로드 및 사용

[`use_model`](/ko/models/ref/python/run#use_model) 함수를 사용하여 이전에 W\&B run에 로깅된 모델 파일에 엑세스하고 다운로드합니다.

검색하려는 모델 파일이 저장된 모델 아티팩트의 이름을 제공합니다. 제공하는 이름은 기존의 로깅된 모델 아티팩트의 이름과 일치해야 합니다.

`log_model`로 파일을 원래 로깅할 때 `name`을 정의하지 않은 경우 할당된 기본 이름은 run ID가 앞에 붙은 입력 경로의 기본 이름입니다.

`<>`로 묶인 다른 값은 사용자 고유의 값으로 바꾸세요.

```python theme={null}
import wandb

# run 초기화
run = wandb.init(project="<your-project>", entity="<your-entity>")

# 모델에 엑세스 및 다운로드합니다. 다운로드된 아티팩트의 경로를 반환합니다.
downloaded_model_path = run.use_model(name="<your-model-name>")
```

[use\_model](/ko/models/ref/python/run#use_model) 함수는 다운로드된 모델 파일의 경로를 반환합니다. 나중에 이 모델을 연결하려면 이 경로를 추적하세요. 앞의 코드 조각에서 반환된 경로는 `downloaded_model_path`라는 변수에 저장됩니다.

<details>
  <summary>예시: 로깅된 모델 다운로드 및 사용</summary>

  예를 들어, 앞의 코드 조각에서 사용자는 `use_model` API를 호출했습니다. 그들은 가져오려는 모델 아티팩트의 이름을 지정하고 버전/에일리어스도 제공했습니다. 그런 다음 API에서 반환된 경로를 `downloaded_model_path` 변수에 저장했습니다.

  ```python theme={null}
  import wandb

  entity = "luka"
  project = "NLP_Experiments"
  alias = "latest"  # 모델 버전에 대한 시맨틱 닉네임 또는 식별자
  model_artifact_name = "fine-tuned-model"

  # run 초기화
  run = wandb.init(project=project, entity=entity)
  # 모델에 엑세스 및 다운로드합니다. 다운로드된 아티팩트의 경로를 반환합니다.
  downloaded_model_path = run.use_model(name = f"{model_artifact_name}:{alias}") 
  ```
</details>

가능한 파라미터 및 반환 유형에 대한 자세한 내용은 API 참조 가이드의 [`use_model`](/ko/models/ref/python/run#use_model)을 참조하세요.

## 모델을 로깅하고 W\&B Model Registry에 연결

<Note>
  [`link_model`](/ko/models/ref/python/run#link_model) 메서드는 곧 사용 중단될 레거시 W\&B Model Registry와만 호환됩니다. 새로운 버전의 모델 레지스트리에 모델 아티팩트를 연결하는 방법을 알아보려면 레지스트리 [문서](/ko/models/core/registry/link_version)를 방문하세요.
</Note>

[`link_model`](/ko/models/ref/python/run#link_model) 메서드를 사용하여 모델 파일을 W\&B run에 로깅하고 [W\&B Model Registry](/ko/models/core/registry/model_registry/)에 연결합니다. 등록된 모델이 없으면 W\&B는 `registered_model_name` 파라미터에 제공하는 이름으로 새 모델을 만듭니다.

모델을 연결하는 것은 팀의 다른 구성원이 보고 사용할 수 있는 모델의 중앙 집중식 팀 리포지토리에 모델을 '북마크'하거나 '게시'하는 것과 유사합니다.

모델을 연결하면 해당 모델이 [Registry](/ko/models/core/registry/model_registry/)에서 복제되거나 프로젝트에서 레지스트리로 이동되지 않습니다. 연결된 모델은 프로젝트의 원래 모델에 대한 포인터입니다.

[Registry](/ko/models/core/registry/)를 사용하여 작업별로 최상의 모델을 구성하고, 모델 수명 주기를 관리하고, ML 수명 주기 전반에 걸쳐 간편한 추적 및 감사를 용이하게 하고, 웹 훅 또는 작업을 통해 다운스트림 작업을 [자동화](/ko/models/core/automations/)합니다.

*Registered Model*은 [Model Registry](/ko/models/core/registry/model_registry/)의 연결된 모델 버전의 컬렉션 또는 폴더입니다. 등록된 모델은 일반적으로 단일 모델링 유스 케이스 또는 작업에 대한 후보 모델을 나타냅니다.

앞의 코드 조각은 [`link_model`](/ko/models/ref/python/run#link_model) API로 모델을 연결하는 방법을 보여줍니다. `<>`로 묶인 다른 값은 사용자 고유의 값으로 바꾸세요.

```python theme={null}
import wandb

run = wandb.init(entity="<your-entity>", project="<your-project>")
run.link_model(path="<path-to-model>", registered_model_name="<registered-model-name>")
run.finish()
```

선택적 파라미터에 대한 자세한 내용은 API 참조 가이드의 [`link_model`](/ko/models/ref/python/run#link_model)을 참조하세요.

`registered-model-name`이 Model Registry 내에 이미 존재하는 등록된 모델의 이름과 일치하면 모델이 해당 등록된 모델에 연결됩니다. 이러한 등록된 모델이 없으면 새 모델이 생성되고 모델이 첫 번째로 연결됩니다.

예를 들어, Model Registry에 "Fine-Tuned-Review-Autocompletion"이라는 기존 등록된 모델이 있다고 가정합니다(예제는 [여기](https://wandb.ai/reviewco/registry/model?selectionPath=reviewco%2Fmodel-registry%2FFinetuned-Review-Autocompletion\&view=all-models) 참조). 그리고 몇 개의 모델 버전이 이미 v0, v1, v2로 연결되어 있다고 가정합니다. `registered-model-name="Fine-Tuned-Review-Autocompletion"`으로 `link_model`을 호출하면 새 모델이 이 기존 등록된 모델에 v3으로 연결됩니다. 이 이름으로 등록된 모델이 없으면 새 모델이 생성되고 새 모델이 v0으로 연결됩니다.

<details>
  <summary>예시: 모델을 로깅하고 W\&B Model Registry에 연결</summary>

  예를 들어, 앞의 코드 조각은 모델 파일을 로깅하고 모델을 등록된 모델 이름 `"Fine-Tuned-Review-Autocompletion"`에 연결합니다.

  이를 위해 사용자는 `link_model` API를 호출합니다. API를 호출할 때 모델 콘텐츠를 가리키는 로컬 파일 경로(`path`)를 제공하고 연결할 등록된 모델의 이름(`registered_model_name`)을 제공합니다.

  ```python theme={null}
  import wandb

  path = "/local/dir/model.pt"
  registered_model_name = "Fine-Tuned-Review-Autocompletion"

  run = wandb.init(project="llm-evaluation", entity="noa")
  run.link_model(path=path, registered_model_name=registered_model_name)
  run.finish()
  ```

  <Note>
    알림: 등록된 모델은 북마크된 모델 버전의 모음입니다.
  </Note>
</details>