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

> 기존 W&B 프로젝트에서 sweep 작업을 만드는 방법을 설명하는 튜토리얼입니다.

# 튜토리얼: 프로젝트에서 sweep 작업 만들기

이 튜토리얼에서는 기존 W\&B 프로젝트에서 sweep 작업을 만드는 방법을 설명합니다. 이미지 분류를 수행하도록 PyTorch 합성곱 신경망을 트레이닝하기 위해 [Fashion MNIST 데이터셋](https://github.com/zalandoresearch/fashion-mnist)을 사용합니다. 필요한 코드와 데이터셋은 [W\&B examples 저장소 (PyTorch CNN Fashion)](https://github.com/wandb/examples/tree/master/examples/pytorch/pytorch-cnn-fashion)에 있습니다.

이 [W\&B 대시보드](https://app.wandb.ai/carey/pytorch-cnn-fashion)에서 결과를 살펴보세요.

<div id="1-create-a-project">
  ## 1. 프로젝트 만들기
</div>

먼저 베이스라인을 만듭니다. W\&B examples GitHub 저장소에서 PyTorch MNIST 데이터셋 예제 모델을 다운로드하세요. 다음으로 모델을 트레이닝합니다. 트레이닝 스크립트는 `examples/pytorch/pytorch-cnn-fashion` 디렉터리에 있습니다.

1. 이 저장소를 클론합니다 `git clone https://github.com/wandb/examples.git`
2. 이 예제로 이동합니다 `cd examples/pytorch/pytorch-cnn-fashion`
3. run을 수동으로 실행합니다 `python train.py`

선택 사항으로 W\&B App UI 대시보드에 표시되는 예제를 탐색할 수 있습니다.

[예제 프로젝트 페이지 보기 →](https://app.wandb.ai/carey/pytorch-cnn-fashion)

<div id="2-create-a-sweep">
  ## 2. sweep 생성
</div>

프로젝트 페이지에서 프로젝트 사이드바의 [Sweep 탭](./visualize-sweep-results)을 열고 **Create Sweep**를 선택합니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-docs-hivemind-launch/R2JcDHqq5H9e7IgE/images/sweeps/sweep1.png?fit=max&auto=format&n=R2JcDHqq5H9e7IgE&q=85&s=52ec99f7779a8094375642261992bb50" alt="Sweep Overview" width="1589" height="636" data-path="images/sweeps/sweep1.png" />
</Frame>

자동 생성된 설정은 완료한 run을 바탕으로 sweep할 값을 추정합니다. 시도해 볼 하이퍼파라미터 범위를 지정하도록 설정을 수정합니다. sweep를 시작하면 W\&B 호스팅 sweep 서버에서 새 프로세스가 시작됩니다. 이 중앙 집중식 서비스는 트레이닝 작업을 실행하는 머신인 에이전트를 조정합니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-docs-hivemind-launch/R2JcDHqq5H9e7IgE/images/sweeps/sweep2.png?fit=max&auto=format&n=R2JcDHqq5H9e7IgE&q=85&s=c3991207efe08f9c73d901a02919dc52" alt="Sweep 설정" width="2308" height="1768" data-path="images/sweeps/sweep2.png" />
</Frame>

<div id="3-launch-agents">
  ## 3. 에이전트 실행
</div>

다음으로, 로컬에서 에이전트를 실행합니다. 작업을 분산해 sweep 작업을 더 빨리 완료하려면 서로 다른 머신에서 최대 20개의 에이전트를 병렬로 실행할 수 있습니다. 에이전트는 다음에 시도할 파라미터 세트를 출력합니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-docs-hivemind-launch/R2JcDHqq5H9e7IgE/images/sweeps/sweep3.png?fit=max&auto=format&n=R2JcDHqq5H9e7IgE&q=85&s=5fa2c472d65705be7baa42734b044b4b" alt="에이전트 실행" width="2082" height="1046" data-path="images/sweeps/sweep3.png" />
</Frame>

이제 sweep이 실행 중입니다. 다음 이미지는 예시 sweep 작업이 실행되는 동안 대시보드가 어떻게 보이는지 보여줍니다. [예시 프로젝트 페이지 보기 →](https://app.wandb.ai/carey/pytorch-cnn-fashion)

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-docs-hivemind-launch/R2JcDHqq5H9e7IgE/images/sweeps/sweep4.png?fit=max&auto=format&n=R2JcDHqq5H9e7IgE&q=85&s=d519ef178117ac64c3fa0cec6ed2b9d7" alt="sweep 대시보드" width="3346" height="1512" data-path="images/sweeps/sweep4.png" />
</Frame>

<div id="seed-a-new-sweep-with-existing-runs">
  ## 기존 run으로 새 sweep 초기화하기
</div>

이전에 로깅한 기존 run을 사용해 새 sweep을 시작합니다.

1. 프로젝트 테이블을 엽니다.
2. 테이블 왼쪽의 체크박스로 사용할 run을 선택합니다.
3. 드롭다운을 클릭해 새 sweep을 만듭니다.

이제 sweep이 서버에 설정됩니다. run 실행을 시작하려면 하나 이상의 에이전트를 실행하면 됩니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-docs-hivemind-launch/R2JcDHqq5H9e7IgE/images/sweeps/tutorial_sweep_runs.png?fit=max&auto=format&n=R2JcDHqq5H9e7IgE&q=85&s=e274f58b88b27f8b51215e36cfaeb315" alt="run으로 sweep 초기화하기" width="1786" height="1086" data-path="images/sweeps/tutorial_sweep_runs.png" />
</Frame>

<Note>
  새 sweep을 베이즈 sweep으로 시작하면, 선택한 run도 가우시안 프로세스의 초기값으로 사용됩니다.
</Note>