빠른 시작 가이드

시작하려면 가짜 학습 메트릭을 기록하는 간단한 예제를 실행할 수 있습니다:

import trackio
import random
import time

runs = 3
epochs = 8


for run in range(runs):
    trackio.init(
        project="my-project",
        config={"epochs": epochs, "learning_rate": 0.001, "batch_size": 64}
    )

    for epoch in range(epochs):
        train_loss = random.uniform(0.2, 1.0)
        train_acc = random.uniform(0.6, 0.95)

        val_loss = train_loss - random.uniform(0.01, 0.1)
        val_acc = train_acc + random.uniform(0.01, 0.05)

        trackio.log({
            "epoch": epoch,
            "train_loss": train_loss,
            "train_accuracy": train_acc,
            "val_loss": val_loss,
            "val_accuracy": val_acc
        })

        time.sleep(0.2)

trackio.finish()

위 내용을 실행하면 터미널에 대시보드를 시작하는 방법에 대한 지침이 출력됩니다.

trackio의 사용법은 대부분의 경우 wandb와 동일하도록 설계되어 있어 두 라이브러리 간에 쉽게 전환할 수 있습니다.

import trackio as wandb

대시보드

다음 명령을 실행하여 대시보드를 시작할 수 있습니다:

Shell

Python

특정 프로젝트를 직접 로드하려면 선택적 project 이름을 인수로 제공할 수도 있습니다:

Shell

Python

Hugging Face Spaces에 배포

trackio.init()를 호출할 때 기본적으로 서비스는 로컬에서 실행되며 프로젝트 데이터를 로컬 머신에 저장합니다.

하지만 init()에 space_id를 전달하는 경우, 예를 들어:

trackio.init(project="my-project", space_id="orgname/space_id")

또는

trackio.init(project="my-project", space_id="username/space_id")

필요에 따라 기존 Hugging Face Space를 사용하거나 새로운 Hugging Face Space를 자동으로 배포합니다. 로컬에서 huggingface-cli로 로그인되어 있어야 하며, Space를 생성할 수 있도록 토큰에 쓰기 권한이 있어야 합니다.

또는 다음을 실행하여 기존 로컬 프로젝트를 Hugging Face Space에 동기화할 수 있습니다:

Shell

Python

Space가 이미 존재하지 않는 경우 이를 생성하고, 모든 실행 및 관련 데이터를 Space에 업로드합니다. sdk="static"을 사용하여 경량의 정적 Space에 동기화하거나, freeze을 사용하여 라이브 Space의 읽기 전용 스냅샷을 생성할 수도 있습니다. 동결된 Space는 특정 시점의 스냅샷이며, 다시 동결하지 않는 한 원래 Gradio Space의 후속 메트릭을 반영하지 않습니다. 자세한 내용은 Deploy and Embed Dashboards 페이지를 참조하세요.

Update on GitHub

Trackio

빠른 시작 가이드

대시보드

Hugging Face Spaces에 배포