> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-1917.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# W&B 트레이닝 run과 함께 Weave 사용하기
> 워크스페이스 대시보드에서 ML 메트릭과 함께 함수 실행 세부 정보를 볼 수 있도록 Weave 트레이스를 W&B 트레이닝 run에 통합하세요.
# 모델 트레이닝 run 중 트레이스 로깅하기
이제 모델 트레이닝 run 중에 Weave 트레이스를 로깅하고 개인 워크스페이스에서 확인할 수 있습니다.
개인 워크스페이스는 UI에서 모델 트레이닝 run에 대한 심층 분석과 데이터 시각화를 볼 수 있는 맞춤형 대시보드입니다. 워크스페이스에 Weave 패널을 추가하면 모델 run 중에 로깅된 트레이스 데이터를 조회하고 액세스하여 트레이닝 중 모델의 성능을 더 잘 파악할 수 있습니다.
예를 들어 LLM 모델을 파인튜닝하는 중에 W\&B 워크스페이스에서 step 500에 accuracy가 떨어지는 것이 보인다면, 통합된 Weave 트레이스를 통해 모델이 평가 기준을 충족하지 못할 정도로 지나치게 장황한 응답을 생성하기 시작하는 등 정확히 어떤 일이 있었는지 확인할 수 있습니다.
## Weave 패널 사용
ML 파이프라인에서 함수에 [`@weave.op`를 적용하면](/ko/weave/quickstart) 해당 함수의 실행 정보를 자동으로 캡처하고, 이를 개인 워크스페이스에서 확인할 수 있습니다.
예를 들어, 다음 스크립트는 Weave 트레이스가 W\&B 트레이닝 runs와 어떻게 통합되는지 보여줍니다. 이 스크립트는 각 트레이닝 step이 W\&B에 메트릭을 기록하는 동시에 상세한 Weave 트레이스를 생성하는 머신 러닝 트레이닝 루프를 시뮬레이션합니다. 함수에 적용된 `@weave.op` 데코레이터는 입력, 출력, 실행 세부 정보를 자동으로 캡처합니다. 트레이닝 루프가 `wandb.log()`로 메트릭을 기록하면 Weave 트레이스 정보도 함께 프로젝트에 기록됩니다.
```python lines theme={null}
import wandb
import weave
import random
# 동일한 프로젝트로 W&B와 Weave를 모두 초기화합니다
project = "my-workspace-project"
weave.init(project)
@weave.op
def evaluate_model(model_state, epoch):
# 평가 메트릭 시뮬레이션
accuracy = 0.7 + epoch * 0.02 + random.uniform(-0.05, 0.05)
# 특정 모델 동작 추적
test_responses = {
"conciseness_check": "Model generated 500 words for simple question",
"accuracy_check": "Model answered 8/10 questions correctly",
"hallucination_check": "No factual errors detected"
}
return {
"accuracy": accuracy,
"diagnostic_results": test_responses
}
@weave.op
def training_step(epoch, lr):
# 트레이닝 로직 시뮬레이션
loss = 1.0 / (epoch + 1) + random.uniform(-0.1, 0.1)
# 트레이스를 활용한 평가
eval_results = evaluate_model(f"checkpoint_{epoch}", epoch)
return {
"loss": loss,
"accuracy": eval_results["accuracy"],
"diagnostics": eval_results["diagnostic_results"]
}
# 트레이닝 루프
with wandb.init(project=project, config={"lr": 0.01}) as run:
for epoch in range(5):
# Weave 트레이싱으로 트레이닝 실행
results = training_step(epoch, run.config.lr)
# W&B에 로그 기록 - 인테그레이션 지점 생성
run.log({
"epoch": epoch,
"loss": results["loss"],
"accuracy": results["accuracy"]
})
```
이 예제 스크립트를 실행하면 트레이스가 다른 run 정보와 함께 어떻게 로깅되는지 확인할 수 있습니다.
run 진행 중이거나 완료된 후 워크스페이스에서 트레이스 정보를 보려면, run 시작 시 터미널에 표시되는 링크(예: `wandb: 🚀 View run at https://wandb.ai/wandb/my-project/runs/`)를 열거나 UI에서 워크스페이스로 이동하면 됩니다.
UI에서 워크스페이스로 이동하려면 다음 단계를 따르세요:
1. W\&B UI를 열고 **Projects** 탭을 클릭합니다. 그러면 프로젝트 목록이 열립니다.
2. 프로젝트 목록에서 run을 로깅한 프로젝트를 클릭합니다. 그러면 **Workspaces** 페이지가 열립니다.
3. 워크스페이스를 자동 워크스페이스로 설정한 경우, 워크스페이스에 데이터 시각화와 run 정보가 자동으로 채워집니다. run의 트레이스 데이터는 워크스페이스의 **Weave** 섹션 아래에 있습니다. 워크스페이스가 수동 워크스페이스인 경우에는 **Add panels**를 클릭한 다음 Add Panels 메뉴의 **Weave** 섹션에서 새 패널을 선택해 Weave 패널을 추가할 수 있습니다.
워크스페이스에 대한 자세한 내용은 [실험 결과 보기](https://docs.wandb.ai/models/track/workspaces)를 참조하세요.
## 트레이스를 특정 W\&B run에 연결하기
기본적으로 Weave는 활성 상태인 `wandb.run`을 자동으로 감지하고 해당 run에 트레이스를 연결합니다. 전역 `wandb.run`이 아닌 특정 run에 트레이스를 연결해야 하는 경우 `set_wandb_run_context`를 사용하세요. `run_id` 및 `step` 인수에 값을 지정하여 트레이스를 특정 run과 run step에 연결할 수 있습니다:
```python lines highlight={6} theme={null}
import weave
client = weave.init("/")
# 이후의 모든 트레이스를 특정 run에 연결합니다.
client.set_wandb_run_context(run_id="", step=)
@weave.op
def my_function(x):
return x * 2
my_function(10) # 이 트레이스는 step 5의 "my-run-id"에 연결됩니다.
```
`run_id`는 전체 `entity/project/run_id` 경로가 아니라 run의 짧은 ID(예: `38m4t5ja`)입니다. run의 짧은 ID는 run URL(`https://wandb.ai/team/project/runs/`)에서 확인하거나 [코드에서 `wandb.run.id`에 액세스해](/ko/models/runs/run-identifiers#find-and-customize-a-runs-id-or-name) 찾을 수 있습니다.
override를 해제하고 전역 `wandb.run`을 다시 사용하려면 `clear_wandb_run_context`를 호출하세요:
```python lines theme={null}
client.clear_wandb_run_context()
my_function(20) # 이 트레이스는 전역 wandb.run을 사용합니다(있는 경우).
```
## Weave 트레이스에서 W\&B artifact 레퍼런스하기
Weave 트레이스에서 [W\&B artifacts](/ko/models/artifacts)(모델, 데이터셋, checkpoint 등)를 레퍼런스할 수 있습니다. 그러면 Weave UI에 artifact의 세부 정보 페이지로 바로 이동할 수 있는 클릭 가능한 링크가 생성되어, 특정 오퍼레이션 중 어떤 artifact 버전이 사용되었는지 추적하는 데 도움이 됩니다.
예를 들어, 모델의 두 버전(`v1` 및 `v2`)을 트레이닝한 경우, 해당 모델을 쿼리할 때 `v1` artifact 레퍼런스를 트레이스의 속성으로 추가할 수 있습니다. 이렇게 하면 주어진 출력이 정확히 어떤 artifact 버전에서 생성되었는지 추적하는 데 도움이 됩니다.
artifact를 트레이스와 연결하려면, 다음 구문을 사용해 `wandb-artifact:///` 접두사와 artifact의 전체 이름을 이어 붙여 artifact URL을 구성합니다: `wandb-artifact:///`. 그런 다음 다음 두 가지 방법 중 하나로 이를 Weave에 전달합니다.
* 임의의 속성으로
* `Model`의 속성으로
artifact의 전체 이름은 W\&B UI의 세부 정보 페이지에서 확인할 수 있습니다. 형식은 다음과 같습니다: `//:`. W\&B UI의 artifact 세부 정보 페이지에서 전체 이름을 복사할 수 있습니다.
### 트레이스의 속성으로 artifact 추가하기
artifact를 트레이스의 속성으로 추가하려면 `weave.attributes()` 컨텍스트 매니저에 키-값 쌍으로 전달하세요.
```python lines {10} theme={null}
import weave
weave.init("your-team-name/your-project-name")
@weave.op
def my_function(name: str):
return f"Hello, {name}!"
# 임의의 키 이름을 추가하고 값으로 artifact URL을 사용합니다
with weave.attributes({'artifact_id': 'wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0'}):
result = my_function("World")
```
```typescript lines {12} theme={null}
import {init, op, withAttributes} from 'weave';
async function main() {
await init('wandb/docs');
const myFunction = op(async function myFunction(name: string) {
return `Hello, ${name}!`;
});
// 임의의 키 이름을 추가하고 값으로 artifact URL을 사용합니다
const result = await withAttributes(
{artifact_id: "wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0"},
async () => myFunction('World')
);
console.log('Result:', result);
}
main().catch(console.error);
```
### artifact를 `Model`의 속성으로 추가하기
artifact를 `Model`의 속성으로 추가하려면 모델을 인스턴스화할 때 artifact URL을 전달하세요.
`Model` 클래스는 현재 Weave Python SDK에서만 지원됩니다.
```python lines {7,17} theme={null}
import weave
weave.init("your-team-name/your-project-name")
class MyModel(weave.Model):
# artifact 레퍼런스를 모델 속성으로 저장
artifact_id: str
temperature: float = 0.7
@weave.op
def predict(self, query: str) -> str:
# 모델 Inference 로직을 여기에 작성
return f"Response to: {query}"
# artifact의 URL을 모델 속성으로 전달
model = MyModel(
artifact_id="wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0"
)
result = model.predict("Hello, World!")
```