> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-2626.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> Meta AI의 MMF 프레임워크와 W&B를 통합하여 멀티모달 모델 트레이닝 실험을 추적하고 메트릭을 기록합니다.

# MMF

이 페이지에서는 [Meta AI의 MMF](https://github.com/facebookresearch/mmf) 라이브러리의 `WandbLogger` 클래스를 사용하여 W\&B로 멀티모달 모델 트레이닝을 추적하는 방법을 설명합니다. `WandbLogger`를 활성화하면 W\&B가 트레이닝/검증 메트릭, 시스템(GPU 및 CPU) 메트릭, 모델 체크포인트, 그리고 설정 매개변수를 기록할 수 있게 해줍니다. 따라서 맞춤형 로깅 코드를 추가하지 않고도 실험을 모니터링하고 Runs를 비교할 수 있습니다.

<div id="features">
  ## 특성
</div>

MMF의 `WandbLogger`는 다음 특성을 지원합니다:

* 트레이닝 및 검증 메트릭
* 시간에 따른 학습률
* 모델 체크포인트를 W\&B Artifacts에 저장
* GPU 및 CPU 시스템 메트릭
* 트레이닝 설정 매개변수

<div id="configuration-parameters">
  ## 설정 매개변수
</div>

W\&B 로깅을 활성화하고 Runs 추적 방식을 사용자 지정하려면 MMF 설정에서 다음 옵션을 설정하세요:

```yaml theme={null}
training:
    wandb:
        enabled: true
        
        # entity는 runs을 전송할 사용자 이름 또는 팀 이름입니다.
        # 기본적으로 사용자 계정에 run을 기록합니다.
        entity: null
        
        # wandb로 실험을 기록할 때 사용할 프로젝트 이름
        project: mmf
        
        # wandb로 프로젝트 하위에 실험을 기록할 때 사용할
        # 실험/run 이름. 기본 실험 이름:
        # ${training.experiment_name}
        name: ${training.experiment_name}
        
        # 모델 체크포인팅을 활성화하여 W&B Artifacts에 체크포인트를 저장합니다.
        log_model_checkpoint: true
        
        # wandb.init()에 전달할 추가 인수 값 (예시):
        # job_type: 'train'
        # tags: ['tag1', 'tag2']
        
env:
    # wandb 메타데이터가 저장되는 디렉터리 경로를 변경하려면
    # (기본값: env.log_dir):
    wandb_logdir: ${env:MMF_WANDB_LOGDIR,}
```