> ## 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.
# W&B Quickstart
> W&B 퀵스타트
W\&B를 설치하여 모든 규모의 기계 학습 Experiments를 추적, 시각화 및 관리하세요.
## 가입하고 API 키 생성하기
W\&B로 사용자의 머신을 인증하려면 사용자 프로필 또는 [wandb.ai/authorize](https://wandb.ai/authorize)에서 API 키를 생성하세요. API 키를 복사하여 안전하게 보관하세요.
## `wandb` 라이브러리 설치 및 로그인
1. `WANDB_API_KEY` [환경 변수](/ko/models/track/environment-variables/)를 설정합니다.
```bash theme={null}
export WANDB_API_KEY=
```
2. `wandb` 라이브러리를 설치하고 로그인합니다.
```shell theme={null}
pip install wandb
wandb login
```
```bash theme={null}
pip install wandb
```
```python theme={null}
import wandb
wandb.login()
```
```notebook theme={null}
!pip install wandb
import wandb
wandb.login()
```
## run 시작 및 하이퍼파라미터 추적
Python 스크립트 또는 노트북에서 [`wandb.init()`](/ko/models/ref/python/run)으로 W\&B run 오브젝트를 초기화합니다. `config` 파라미터에 사전을 사용하여 하이퍼파라미터 이름과 값을 지정합니다.
```python theme={null}
run = wandb.init(
project="my-awesome-project", # 프로젝트 지정
config={ # 하이퍼파라미터 및 메타데이터 추적
"learning_rate": 0.01,
"epochs": 10,
},
)
```
[Run](/ko/models/runs/)은 W\&B의 핵심 요소로, [메트릭 추적](/ko/models/track/), [로그 생성](/ko/models/track/log/) 등에 사용됩니다.
## 컴포넌트 조립
이 모의 트레이닝 스크립트는 시뮬레이션된 정확도 및 손실 메트릭을 W\&B에 기록합니다.
```python theme={null}
# train.py
import wandb
import random
wandb.login()
epochs = 10
lr = 0.01
run = wandb.init(
project="my-awesome-project", # 프로젝트 지정
config={ # 하이퍼파라미터 및 메타데이터 추적
"learning_rate": lr,
"epochs": epochs,
},
)
offset = random.random() / 5
print(f"lr: {lr}")
# 트레이닝 run 시뮬레이션
for epoch in range(2, epochs):
acc = 1 - 2**-epoch - random.random() / epoch - offset
loss = 2**-epoch + random.random() / epoch + offset
print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
wandb.log({"accuracy": acc, "loss": loss})
# run.log_code()
```
[wandb.ai/home](https://wandb.ai/home)을 방문하여 정확도 및 손실과 같이 기록된 메트릭과 각 트레이닝 단계에서 어떻게 변경되었는지 확인하세요. 다음 이미지는 각 run에서 추적된 손실 및 정확도를 보여줍니다. 각 run 오브젝트는 생성된 이름과 함께 **Runs** 열에 나타납니다.
## 다음 단계
W\&B ecosystem의 더 많은 기능을 탐색해 보세요.
1. PyTorch와 같은 프레임워크, Hugging Face와 같은 라이브러리, SageMaker와 같은 서비스와 W\&B를 결합하는 [W\&B Integration 튜토리얼](/ko/guides/integrations/)을 읽어보세요.
2. [W\&B Reports](/ko/models/reports/)를 사용하여 runs을 구성하고, 시각화를 자동화하고, 발견한 내용을 요약하고, 협업자와 업데이트를 공유합니다.
3. [W\&B Artifacts](/ko/models/artifacts/)를 생성하여 기계 학습 파이프라인 전체에서 데이터셋, Models, 종속성 및 결과를 추적합니다.
4. [W\&B Sweeps](/ko/models/sweeps/)로 하이퍼파라미터 검색을 자동화하고 Models을 최적화합니다.
5. [중앙 대시보드](/ko/models/tables/)에서 runs을 분석하고, 모델 예측값을 시각화하고, 인사이트를 공유합니다.
6. 핸즈온 코스를 통해 LLM, MLOps 및 W\&B Models에 대해 배우려면 [W\&B AI Academy](https://wandb.ai/site/courses/)를 방문하세요.