> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# Exemples de code et notebooks
> Tutoriels pratiques, guides pas à pas et notebooks Colab pour chaque produit W&B.
Parcourez des exemples complets regroupés par produit. Chaque page ci-dessous renvoie vers un tutoriel, un guide pas à pas ou une page contenant un notebook Colab exécutable.
## Guides de démarrage rapide
Point d’entrée commun pour prendre rapidement en main Weights & Biases.
Installez W\&B et commencez à suivre vos expériences en quelques minutes.
Suivez les expériences, consignez des métriques et visualisez les résultats.
Ajoutez le traçage à votre application LLM pour déboguer et surveiller les interactions avec le modèle.
Tracez les appels au modèle, comparez les sorties et exécutez des évaluations avec Serverless Inference.
Créez un leaderboard pour comparer les modèles et les expériences.
## W\&B Models
### expériences
Introduction au suivi des métriques, des hyperparamètres, des métriques système et des artefacts de modèle.
Enregistrez la configuration de l'expérience à l'aide d'un objet de type dictionnaire.
Explorez les données d'exécution dans des espaces de travail interactifs.
Journalisez des médias enrichis : nuages de points 3D, molécules, HTML, histogrammes, etc.
Journalisez des artefacts de modèle dans une exécution avec `run.log_model()` et `run.use_model()`.
Créez et suivez des graphiques à partir d'expériences de ML.
### Sweeps, artefacts, tableaux
Introduction à la recherche d'hyperparamètres et à l'optimisation du modèle avec Sweeps.
Définissez, initialisez et exécutez un sweep d'hyperparamètres.
Introduction à W\&B Artifacts et à la prise en main.
Créez, suivez et utilisez un artefact de jeu de données d'une expérience à l'autre.
Définissez des politiques TTL sur les artefacts pour gérer le stockage.
Itérez sur les jeux de données et comprenez les prédictions des modèles avec Tables.
Enregistrez des tableaux, visualisez-les et interrogez des données structurées.
Comparez, filtrez, regroupez et triez des tableaux dans des vues fusionnées ou côte à côte.
### Registry, Reports, fonctionnalités de l’interface utilisateur
Gérez et partagez les versions d’artefacts au sein de votre organisation.
Utilisez des alias par défaut, personnalisés et protégés dans le Registry.
Outils de gestion et de collaboration pour les projets de ML.
Créez un Report W\&B depuis l’interface de l’application ou par code.
Modifiez des reports de manière interactive ou avec l’API Report.
Créez des graphiques personnalisés dans les projets W\&B avec des visualisations Vega.
Utilisez des graphiques personnalisés pour créer des visualisations sur mesure dans l’interface utilisateur W\&B.
Utilisez le projecteur d’embeddings pour explorer les embeddings d’objets.
### Intégrations de frameworks ML
Suivez les expériences, enregistrez des points de contrôle de modèles et visualisez les prédictions avec les callbacks Keras.
Suivez les métriques, les gradients et les modèles avec l’intégration PyTorch.
Utilisez le `WandbLogger` intégré avec PyTorch Lightning.
Enregistrez automatiquement les métriques d’entraînement, les paramètres du modèle et les configurations.
Suivez les expériences de fine-tuning de LLM avec le WandBLogger de torchtune.
Enregistrez des métriques personnalisées, utilisez des hooks d’estimateur et synchronisez les journaux de TensorBoard.
Enregistrez les métriques de gradient boosting, l’importance des variables et les performances du modèle.
Utilisez l’intégration W\&B intégrée à YOLOv5 pour le suivi des expériences et la gestion des versions.
### Intégrations de bibliothèques ML
Visualisez et suivez les performances des modèles Hugging Face avec W\&B.
Utilisez W\&B avec le Trainer de Hugging Face Transformers.
Intégrez W\&B à Hugging Face Simple Transformers.
Enregistrez automatiquement les prompts, les médias générés et l'architecture du pipeline.
Enregistrez les complétions de chat, les jobs de fine-tuning et les métriques d'utilisation des jetons.
Effectuez le fine-tuning des modèles Azure OpenAI avec le suivi des expériences de W\&B.
## W\&B Weave
### Tutoriels
Créez un pipeline d'évaluation avec Weave Models et Evaluations.
Créez et évaluez une application RAG avec des juges LLM.
Suivez des chaînes d'appels profondément imbriquées avec le traçage W\&B.
Suivez et versionnez votre application ainsi que ses paramètres avec Weave Model.
### Recettes
Une introduction accessible aux traces avec Weave.
Faites vos premiers pas avec l’exécution d’évaluations dans Weave.
Exécutez des évaluations sur des jeux de données Hugging Face avec Weave.
Chargez un fichier CSV dans un jeu de données Weave et utilisez-le dans des évaluations.
Combinez W\&B Models et Weave dans un même flux de travail.
Implémentez le prompting chain-of-density pour une synthèse itérative.
Optimisez les prompts avec DSPy et suivez les résultats dans Weave.
Acheminez dynamiquement les requêtes entre les modèles avec NotDiamond.
Coordonnez plusieurs agents qui produisent une sortie structurée.
Créez et évaluez un pipeline de génération de code avec Weave.
Suivez les traces et évaluez un pipeline OCR de vision par ordinateur.
Travaillez avec des entrées et des sorties audio dans les traces Weave.
Surveillez une application LLM en production avec Weave.
Collectez et exploitez les retours des utilisateurs issus du trafic de production.
Utilisez les évaluateurs Weave comme garde-fous pour les appels LLM en production.
Suivez les coûts personnalisés par modèle en parallèle des traces.
Masquez les données PII dans les traces Weave pour les charges de travail sensibles.
Appelez directement l’API de service Weave pour enregistrer des traces.
### Évaluation et suivi
Utilisez de petits modèles de langage locaux pour évaluer la sécurité et la qualité de l’IA.
Acheminez les traces vers des experts métier et exportez des commentaires structurés.
Suivez et gérez les coûts liés aux opérations LLM.
### Intégrations de fournisseurs de LLM
Suivez et consignez automatiquement les appels LLM effectués via le SDK Anthropic.
Suivez et consignez automatiquement les appels LLM effectués via la bibliothèque Python de Cohere.
Tracez et consignez les appels aux modèles Google GenAI.
Suivez et surveillez l’inférence LPU de Groq avec Weave.
Tracez et évaluez les appels aux modèles Mistral AI avec Weave.
Intégrez OpenAI à Weave pour le traçage, l’évaluation et la surveillance.
Suivez et consignez automatiquement les appels LLM effectués via LiteLLM.
### Intégrations de frameworks et de protocoles
Surveillez et tracez les applications multi-agents avec CrewAI.
Suivez et consignez les appels effectués à l’aide des modules et fonctions DSPy.
Tracez les appels avec sortie structurée effectués via Instructor.
Suivez et consignez tous les appels effectués via la bibliothèque Python LangChain.
Utilisez le framework d’évaluation Verdict pour surveiller les pipelines d’évaluation de LLM.
Suivez et analysez les applications de machine learning avec Hugging Face Hub.
Tracez l’activité entre votre client MCP et votre serveur MCP.
## Serverless Inference
Effectuez le fine-tuning et déployez un adaptateur LoRA avec Serverless Inference.
Intégrez Cline aux points de terminaison de Serverless Inference.
## Serverless Training
Réalisez le post-entraînement de modèles par apprentissage par renforcement.
Effectuez le fine-tuning de modèles avec Serverless SFT à l’aide du framework OpenPipe ART.
Effectuez des requêtes d’inférence sur les modèles que vous avez entraînés.
## Sandboxes sans serveur
Entraînez un modèle PyTorch dans un environnement Serverless Sandbox.
Invoquez un agent OpenAI dans un environnement Serverless Sandbox.