> ## 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.

> Intégrez W&B à la bibliothèque DeepChem pour le suivi des expériences et la visualisation des modèles de ML moléculaire.

# DeepChem

La [bibliothèque DeepChem](https://github.com/deepchem/deepchem) fournit des outils open source qui démocratisent l’usage du deep learning dans la découverte de médicaments, la science des matériaux, la chimie et la biologie. Cette intégration W\&B ajoute un suivi des expériences simple et facile à utiliser, ainsi que la gestion des points de contrôle du modèle pendant l’entraînement des modèles avec DeepChem.

<div id="deepchem-logging-in-3-lines-of-code">
  ## Journalisation avec DeepChem en 3 lignes de code
</div>

```python theme={null}
logger = WandbLogger(…)
model = TorchModel(…, wandb_logger=logger)
model.fit(…)
```

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541/mVjDwbx0mC8gYx-b/images/integrations/cd.png?fit=max&auto=format&n=mVjDwbx0mC8gYx-b&q=85&s=e0d73b4304443bb1535415c451be8919" alt="Analyse moléculaire avec DeepChem" width="1513" height="842" data-path="images/integrations/cd.png" />
</Frame>

<div id="report-and-google-colab">
  ## Rapport et Google Colab
</div>

Consultez l’article [W\&B with DeepChem: Molecular Graph Convolutional Networks](https://wandb.ai/kshen/deepchem_graphconv/reports/Using-W-B-with-DeepChem-Molecular-Graph-Convolutional-Networks--Vmlldzo4MzU5MDc?galleryTag=) pour voir des exemples de graphiques générés à l’aide de l’intégration DeepChem de W\&B.

Pour passer directement à du code opérationnel, consultez ce [Google Colab](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/deepchem/W%26B_x_DeepChem.ipynb).

<div id="track-experiments">
  ## Suivre les expériences
</div>

Configurez W\&B pour les modèles DeepChem de type [KerasModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#keras-models) ou [TorchModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#pytorch-models).

<div id="sign-up-and-create-an-api-key">
  ### Inscrivez-vous et générez une clé API
</div>

Une clé API authentifie votre machine auprès de W\&B. Vous pouvez générer une clé API depuis votre profil.

<Note>
  Pour une méthode plus directe, accédez aux [Paramètres utilisateur](https://wandb.ai/settings) et créez une clé API. Copiez immédiatement la clé API et conservez-la dans un endroit sûr, par exemple dans un gestionnaire de mots de passe.
</Note>

1. Cliquez sur l’icône de votre profil dans l’angle supérieur droit.
2. Sélectionnez **Paramètres utilisateur**, puis faites défiler jusqu’à la section **Clés API**.

<div id="install-the-wandb-library-and-log-in">
  ### Installez la bibliothèque `wandb` et connectez-vous
</div>

Pour installer la bibliothèque `wandb` localement et vous connecter :

<Tabs>
  <Tab title="Ligne de commande">
    1. Définissez la [variable d'environnement](/fr/models/track/environment-variables/) `WANDB_API_KEY` avec votre clé API.

       ```bash theme={null}
       export WANDB_API_KEY=<your_api_key>
       ```

    2. Installez la bibliothèque `wandb` et connectez-vous.

       ```shell theme={null}
       pip install wandb

       wandb login
       ```
  </Tab>

  <Tab title="Python">
    ```bash theme={null}
    pip install wandb
    ```

    ```python theme={null}
    import wandb
    wandb.login()
    ```
  </Tab>

  <Tab title="Python notebook">
    ```notebook theme={null}
    !pip install wandb

    import wandb
    wandb.login()
    ```
  </Tab>
</Tabs>

<div id="log-your-training-and-evaluation-data-to-wb">
  ### Consignez vos données d'entraînement et d'évaluation dans W\&B
</div>

La perte d'entraînement et les métriques d'évaluation peuvent être automatiquement consignées dans W\&B. Vous pouvez activer l'évaluation facultative à l'aide du [ValidationCallback](https://github.com/deepchem/deepchem/blob/master/deepchem/models/callbacks.py) de DeepChem ; `WandbLogger` détectera alors le callback `ValidationCallback` et consignera les métriques générées.

<Tabs>
  <Tab title="TorchModel">
    ```python theme={null}
    from deepchem.models import TorchModel, ValidationCallback

    vc = ValidationCallback(…)  # facultatif
    model = TorchModel(…, wandb_logger=logger)
    model.fit(…, callbacks=[vc])
    logger.finish()
    ```
  </Tab>

  <Tab title="KerasModel">
    ```python theme={null}
    from deepchem.models import KerasModel, ValidationCallback

    vc = ValidationCallback(…)  # facultatif
    model = KerasModel(…, wandb_logger=logger)
    model.fit(…, callbacks=[vc])
    logger.finish()
    ```
  </Tab>
</Tabs>