> ## 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.

# fastai v1

> Utilisez le callback W&B avec fastai v1 pour enregistrer la topologie du modèle, les pertes, les métriques, les poids, les gradients et les prédictions.

<Note>
  Cette documentation concerne fastai v1.
  Si vous utilisez la version actuelle de fastai, vous devriez vous référer à la [page fastai](../).
</Note>

Pour les scripts utilisant fastai v1, nous proposons un callback capable d'enregistrer automatiquement la topologie du modèle, les pertes, les métriques, les poids, les gradients, des exemples de prédictions et le meilleur modèle entraîné.

```python theme={null}
import wandb
from wandb.fastai import WandbCallback

wandb.init()

learn = cnn_learner(data, model, callback_fns=WandbCallback)
learn.fit(epochs)
```

Les données à enregistrer peuvent être configurées via le constructeur du callback.

```python theme={null}
from functools import partial

learn = cnn_learner(
    data, model, callback_fns=partial(WandbCallback, input_type="images")
)
```

Il est également possible d’utiliser WandbCallback uniquement au démarrage de l’entraînement. Dans ce cas, vous devez l’instancier.

```python theme={null}
learn.fit(epochs, callbacks=WandbCallback(learn))
```

Des paramètres personnalisés peuvent également être spécifiés à cette étape.

```python theme={null}
learn.fit(epochs, callbacks=WandbCallback(learn, input_type="images"))
```

<div id="example-code">
  ## Exemples de code
</div>

Nous avons créé quelques exemples pour vous permettre de voir comment l’intégration fonctionne :

**Fastai v1**

* [Classer les personnages des Simpson](https://github.com/borisdayma/simpsons-fastai)[: ](https://app.wandb.ai/jxmorris12/huggingface-demo/reports/A-Step-by-Step-Guide-to-Tracking-Hugging-Face-Model-Performance--VmlldzoxMDE2MTU)Une démo simple pour suivre et comparer les modèles Fastai
* [Segmentation sémantique avec Fastai](https://github.com/borisdayma/semantic-segmentation): Optimisation de réseaux neuronaux pour les voitures autonomes

<div id="options">
  ## Options
</div>

La classe `WandbCallback()` prend en charge plusieurs options :

| Argument mot-clé | Par défaut | Description                                                                                                                                                  |
| ---------------- | ---------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------ |
| learn            | N/A        | le learner fast.ai à utiliser.                                                                                                                               |
| save\_model      | True       | enregistre le modèle s'il s'améliore à chaque étape. Charge également le meilleur modèle à la fin de l'entraînement.                                         |
| mode             | auto       | `min`, `max` ou `auto` : comment comparer la métrique d'entraînement spécifiée dans `monitor` d'une étape à l'autre.                                         |
| monitor          | None       | métrique d'entraînement utilisée pour mesurer les performances afin d'enregistrer le meilleur modèle. `None` correspond par défaut à la perte de validation. |
| log              | gradients  | `gradients`, `parameters`, `all` ou None. Les pertes et les métriques sont toujours enregistrées.                                                            |
| input\_type      | None       | `images` ou `None`. Utilisé pour afficher des exemples de prédictions.                                                                                       |
| validation\_data | None       | données utilisées pour les exemples de prédictions si `input_type` est défini.                                                                               |
| predictions      | 36         | nombre de prédictions à effectuer si `input_type` est défini et que `validation_data` est `None`.                                                            |
| seed             | 12345      | initialise le générateur aléatoire pour les exemples de prédictions si `input_type` est défini et que `validation_data` est `None`.                          |