> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-update-regex-mention.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> 하이퍼파라미터 공간을 검색하고 최고 성능 모델을 만드는 설정을 찾기 위해 스윕을 정의, 초기화하고 실행합니다.

# 튜토리얼: 스윕 정의, 초기화, 실행

이 튜토리얼에서는 하이퍼파라미터 검색을 자동화하고 최고 성능 모델을 만드는 설정을 찾을 수 있도록 스윕을 정의, 초기화하고 실행하는 방법을 설명합니다. 이 튜토리얼은 이미 W\&B에 run을 로깅하는 데 익숙하며, 대규모 하이퍼파라미터 튜닝을 시작하려는 사용자를 위한 것입니다.

이 튜토리얼의 주요 단계는 네 가지입니다:

1. [트레이닝 코드를 설정합니다](#set-up-your-training-code)
2. [스윕 설정으로 검색 공간을 정의합니다](#define-the-search-space-with-a-sweep-configuration)
3. [스윕를 초기화합니다](#initialize-the-sweep)
4. [스윕 에이전트를 시작합니다](#start-the-sweep)

시작하려면 다음 코드를 Jupyter Notebook 또는 Python 스크립트에 복사하여 붙여넣으세요. 다음 섹션에서는 이 예제의 각 부분을 나누어 설명합니다.

```python theme={null}
# W&B Python 라이브러리를 임포트하고 W&B에 로그인합니다
import wandb

# 1: 목적/트레이닝 함수를 정의합니다
def objective(config):
    score = config.x**3 + config.y
    return score

def main():
    with wandb.init(project="my-first-sweep") as run:
        score = objective(run.config)
        run.log({"score": score})

# 2: 검색 공간을 정의합니다
sweep_configuration = {
    "method": "random",
    "metric": {"goal": "minimize", "name": "score"},
    "parameters": {
        "x": {"max": 0.1, "min": 0.01},
        "y": {"values": [1, 3, 7]},
    },
}

# 3: 스윕을 시작합니다
sweep_id = wandb.sweep(sweep=sweep_configuration, project="my-first-sweep")

wandb.agent(sweep_id, function=main, count=10)
```

<div id="set-up-your-training-code">
  ## 트레이닝 코드를 설정합니다
</div>

스윕 에이전트는 시도할 각 하이퍼파라미터 값 조합으로 트레이닝 함수를 호출하므로, 첫 번째 단계는 해당 값을 받아 W\&B에 메트릭을 보고하는 함수를 작성하는 것입니다.

`wandb.Run.config`에서 하이퍼파라미터 값을 받아, 이를 사용해 모델을 트레이닝하고 메트릭을 반환하는 트레이닝 함수를 정의합니다.

선택 사항으로 run의 출력이 저장될 프로젝트 이름을 지정할 수 있습니다([`wandb.init()`](/ko/models/ref/python/functions/init)의 project 파라미터). 프로젝트를 지정하지 않으면 W\&B는 run을 "Uncategorized" 프로젝트에 저장합니다.

<Note>
  스윕와 run은 모두 동일한 프로젝트에 있어야 합니다. 따라서 W\&B를 초기화할 때 지정하는 이름은 스윕를 초기화할 때 지정하는 프로젝트 이름과 일치해야 합니다.
</Note>

```python theme={null}
# 1: 목적/트레이닝 함수 정의
def objective(config):
    score = config.x**3 + config.y
    return score


def main():
    with wandb.init(project="my-first-sweep") as run:
        score = objective(run.config)
        run.log({"score": score})
```

<div id="define-the-search-space-with-a-sweep-configuration">
  ## 스윕 설정으로 검색 공간 정의하기
</div>

트레이닝 함수가 준비되면, 다음 단계는 어떤 하이퍼파라미터를 변경할지와 이를 어떻게 검색할지를 W\&B에 알려주는 것입니다.

딕셔너리에서 스윕할 하이퍼파라미터를 지정합니다. 설정 옵션은 [스윕 설정 정의](/ko/models/sweeps/define-sweep-configuration)를 참조하세요.

다음 예제는 무작위 검색(`'method':'random'`)을 사용하는 스윕 설정을 보여줍니다. 이 스윕은 `x` 및 `y` 파라미터에 대해 설정에 나열된 값 집합을 무작위로 선택합니다.

W\&B는 `metric` 키에 지정된 메트릭과 `"goal": "minimize"`가 연결되어 있으면 해당 메트릭을 최소화합니다. 이 경우 W\&B는 메트릭 `score`(`"name": "score"`)가 최소화되도록 최적화합니다.

```python theme={null}
# 2: 검색 공간 정의
sweep_configuration = {
    "method": "random",
    "metric": {"goal": "minimize", "name": "score"},
    "parameters": {
        "x": {"max": 0.1, "min": 0.01},
        "y": {"values": [1, 3, 7]},
    },
}
```

<div id="initialize-the-sweep">
  ## 스윕 초기화
</div>

스윕를 초기화하면 검색 공간이 W\&B에 등록되고 에이전트가 하이퍼파라미터 조합을 요청하는 데 사용하는 식별자가 반환됩니다.

W\&B는 하나 이상의 머신에서 클라우드(standard) 또는 로컬(local) 환경에 걸쳐 스윕를 관리하기 위해 *Sweep Controller*를 사용합니다. Sweep Controller에 대한 자세한 내용은 [로컬에서 검색 및 중지 알고리즘](/ko/models/sweeps/local-controller)을 참조하세요.

스윕를 초기화하면 스윕 식별 번호가 반환됩니다:

```python theme={null}
sweep_id = wandb.sweep(sweep=sweep_configuration, project="my-first-sweep")
```

자세한 내용은 [Sweeps 초기화](/ko/models/sweeps/initialize-sweeps)를 참조하세요.

<div id="start-the-sweep">
  ## 스윕 시작하기
</div>

스윕이 등록되면 에이전트를 시작해 Runs를 실행하고 검색 공간을 탐색하세요.

스윕을 시작하려면 [`wandb.agent()`](/ko/models/ref/python/functions/agent) API 호출을 사용하세요.

```python theme={null}
wandb.agent(sweep_id, function=main, count=10)
```

에이전트가 시작되면 W\&B에 하이퍼파라미터 조합을 요청하고, 각 조합에 대해 트레이닝 함수를 호출한 뒤, 생성된 메트릭을 프로젝트에 기록합니다.

<Warning>
  **멀티프로세싱**

  Python 표준 라이브러리의 `multiprocessing` 패키지 또는 PyTorch의 `pytorch.multiprocessing` 패키지를 사용하는 경우, `wandb.agent()` 및 `wandb.sweep()` 호출을 `if __name__ == '__main__':`로 감싸야 합니다. 예를 들면 다음과 같습니다.

  ```python theme={null}
  if __name__ == '__main__':
      wandb.agent(sweep_id="[SWEEP-ID]", function="[FUNCTION]", count="[COUNT]")
  ```

  이 관례를 사용하면 스크립트가 직접 실행될 때만 코드가 실행되고, 워커 프로세스에서 모듈로 임포트될 때는 실행되지 않습니다.

  멀티프로세싱에 대한 자세한 내용은 [Python standard library `multiprocessing`](https://docs.python.org/3/library/multiprocessing.html#the-spawn-and-forkserver-start-methods) 또는 [PyTorch `multiprocessing`](https://docs.pytorch.org/docs/stable/notes/multiprocessing.html#asynchronous-multiprocess-training-e-g-hogwild)를 참조하세요. `if __name__ == '__main__':` 관례에 대한 자세한 내용은 [Real Python's guide to `__main__`](https://realpython.com/if-name-main-python/)을 참조하세요.
</Warning>

<div id="optional-visualize-results">
  ## 선택 사항: 결과 시각화
</div>

스윕이 실행되면 W\&B App에서 다양한 하이퍼파라미터 조합이 메트릭에 어떤 영향을 미치는지 살펴볼 수 있습니다.

프로젝트를 열어 W\&B App 대시보드에서 실시간 결과를 확인하세요. 몇 번의 클릭만으로 [병렬 좌표 플롯](/ko/models/app/features/panels/parallel-coordinates), [파라미터 중요도 분석](/ko/models/app/features/panels/parameter-importance), [다른 차트 유형](/ko/models/app/features/panels)과 같은 대화형 차트를 구축할 수 있습니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-update-regex-mention/qt5VSvTqCIEkkQr3/images/sweeps/quickstart_dashboard_example.png?fit=max&auto=format&n=qt5VSvTqCIEkkQr3&q=85&s=bfc4ebee366653b4f3b333b9d6211606" alt="Sweeps 대시보드 예시" width="4302" height="3048" data-path="images/sweeps/quickstart_dashboard_example.png" />
</Frame>

자세한 내용은 [스윕 결과 시각화](/ko/models/sweeps/visualize-sweep-results)를 참조하세요. 대시보드 예시는 이 샘플 [Sweeps 프로젝트](https://wandb.ai/anmolmann/pytorch-cnn-fashion/sweeps/pmqye6u3)를 참조하세요.

<div id="optional-stop-the-agent">
  ## 선택 사항: 에이전트 중지
</div>

터미널에서 현재 run을 중지하려면 `Ctrl+C`를 누르세요. 한 번 더 누르면 에이전트가 종료됩니다.