> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-sandboxes-integrations-placement.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
> 몇 분 만에 W&B를 설치하고 머신 러닝 실험을 추적하고 시각화하고 관리해 보세요.
# W&B 퀵스타트
export const GitHubLink = ({url}) =>
GitHub 소스 코드
;
export const ColabLink = ({url}) =>
Colab에서 사용해 보기
;
규모에 관계없이 모든 머신 러닝 실험을 추적하고 시각화하며 관리하려면 W\&B를 설치하세요.
W\&B Weave에 대한 정보를 찾고 계신가요? [Weave Python SDK 퀵스타트](/ko/weave/quickstart) 또는 [Weave TypeScript SDK 퀵스타트](/ko/weave/reference/generated_typescript_docs/intro-notebook)를 참조하세요.
## 가입하고 API 키 생성하기
사용 중인 머신을 W\&B에 인증하려면 API 키가 필요합니다.
API 키를 만들려면 자세한 내용이 있는 **개인 API 키** 또는 **서비스 계정 API 키** 탭을 선택하세요.
사용자 ID에 속한 개인 API 키를 만들려면 다음 단계를 따르세요.
1. W\&B에 로그인한 다음 사용자 프로필 아이콘 **> User Settings**를 클릭합니다.
2. **Create new API key**를 클릭합니다.
3. API 키를 식별할 수 있는 설명적인 이름을 입력합니다.
4. **Create**를 클릭합니다.
5. 표시된 API 키를 즉시 복사해 안전하게 저장합니다.
서비스 계정 소유의 API 키를 생성하려면 다음 단계를 따르세요.
1. 팀 또는 조직 설정에서 **Service Accounts** 탭으로 이동합니다.
2. 목록에서 서비스 계정을 찾습니다.
3. **작업 ()** 메뉴를 클릭한 다음 **Create API key**를 클릭합니다.
4. API 키 이름을 지정한 다음 **Create**를 클릭합니다.
5. 표시된 API 키를 즉시 복사해 안전한 곳에 저장합니다.
6. **Done**을 클릭합니다.
서로 다른 환경이나 워크플로를 지원하기 위해 하나의 서비스 계정에 여러 API 키를 생성할 수 있습니다.
W\&B는 전체 API 키를 생성 시점에 한 번만 표시합니다. 대화 상자를 닫으면 전체 API 키를 다시 볼 수 없습니다. Settings에서는 키 ID(키의 첫 부분)만 확인할 수 있습니다. 전체 API 키를 분실한 경우 새 API 키를 만들어야 합니다.
안전한 저장 옵션은 [API 키를 안전하게 저장하기](/ko/platform/app/settings-page/user-settings/#store-and-handle-api-keys-securely)를 참조하세요.
Python 스크립트 또는 노트북에서 [`wandb.init()`](/ko/models/ref/python/experiments/run/)을 사용해 W\&B run 객체를 초기화합니다. `config` 매개변수에 딕셔너리를 사용해
하이퍼파라미터 이름과 값을 지정합니다. `with` 문 안에서는 메트릭과 기타 정보를 W\&B에 기록할 수 있습니다.
```python theme={null}
import wandb
wandb.login()
# run이 기록되는 프로젝트
project = "my-awesome-project"
# 하이퍼파라미터가 담긴 딕셔너리
config = {
'epochs' : 10,
'lr' : 0.01
}
with wandb.init(project=project, config=config) as run:
# 트레이닝 코드를 여기에 작성
# run.log()로 W&B에 값 기록
run.log({"accuracy": 0.9, "loss": 0.1})
```
트레이닝 run을 시뮬레이션하고 정확도 및 손실 메트릭을 W\&B에 기록하는 전체 예제는 다음 섹션을 참조하세요.
[run](/ko/models/runs/)은 W\&B의 핵심 요소입니다. run을 사용해 [메트릭을 추적](/ko/models/track/)하고, [로그를 생성](/ko/models/track/log/)하고, 아티팩트를 추적하는 등 다양한 작업을 수행할 수 있습니다.
## 머신 러닝 트레이닝 실험 만들기
이 모의 트레이닝 스크립트는 시뮬레이션된 정확도 및 손실 메트릭을 W\&B에 기록합니다. 다음 코드를 Python 스크립트 또는 노트북 셀에 복사하여 붙여넣고 실행하세요:
```python theme={null}
import wandb
import random
wandb.login()
# run이 기록될 프로젝트
project = "my-awesome-project"
# 하이퍼파라미터가 담긴 딕셔너리
config = {
'epochs' : 10,
'lr' : 0.01
}
with wandb.init(project=project, config=config) as run:
offset = random.random() / 5
print(f"lr: {config['lr']}")
# 트레이닝 run 시뮬레이션
for epoch in range(2, config['epochs']):
acc = 1 - 2**-config['epochs'] - random.random() / config['epochs'] - offset
loss = 2**-config['epochs'] + random.random() / config['epochs'] + offset
print(f"epoch={config['epochs']}, accuracy={acc}, loss={loss}")
run.log({"accuracy": acc, "loss": loss})
```
기록된 정확도, 손실 등의 메트릭과 각 트레이닝 step 동안 값이 어떻게 변했는지 보려면 [wandb.ai/home](https://wandb.ai/home)으로 이동하세요. 다음 이미지는 각 run에서 추적된 손실와 정확도를 보여줍니다. 각 run 객체는 자동으로 생성된 이름과 함께 **Runs** column에 표시됩니다.
## 다음 단계
W\&B 생태계의 더 많은 기능을 살펴보세요:
1. PyTorch 같은 프레임워크, Hugging Face 같은 라이브러리, SageMaker 같은 서비스와 W\&B를 결합하는 [W\&B Integration 튜토리얼](/ko/models/integrations)을 살펴보세요.
2. [W\&B Reports](/ko/models/reports)를 사용해 run을 정리하고, 시각화를 자동화하고, 결과를 요약하고, 협업자와 업데이트를 공유하세요.
3. 머신 러닝 파이프라인 전반에서 데이터셋, 모델, 의존성, 결과를 추적할 수 있도록 [W\&B 아티팩트](/ko/models/artifacts)를 만드세요.
4. [W\&B Sweeps](/ko/models/sweeps)로 하이퍼파라미터 검색을 자동화하고 모델을 최적화하세요.
5. [중앙 대시보드](/ko/models/tables)에서 run을 분석하고, 모델 예측을 시각화하고, 인사이트를 공유하세요.
6. 실습형 과정을 통해 LLM, MLOps, W\&B Models를 배울 수 있는 [W\&B AI Academy](https://wandb.ai/site/courses/)를 방문하세요.
7. Weave를 사용해 LLM 기반 애플리케이션을 추적하고, 실험하고, 평가하고, 배포하고, 개선하는 방법을 알아보려면 [weave-docs.wandb.ai](/ko/weave)를 방문하세요.
