> ## 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. > Recherche d'hyperparamètres et optimisation de modèles avec W&B Sweeps # Aperçu de Sweeps export const TryProductLink = ({url}) => Essayer sur W&B ; export const ColabLink = ({url}) => Essayer sur Colab ; Utilisez W\&B Sweeps pour automatiser la recherche d'hyperparamètres et visualiser un suivi des expériences riche et interactif. Choisissez parmi des méthodes de recherche populaires, comme la recherche bayésienne, la recherche sur grille ou la recherche aléatoire, pour explorer l'espace des hyperparamètres. Exécutez les sweeps à plus grande échelle et en parallèle sur une ou plusieurs machines. Aperçus du réglage des hyperparamètres
## Fonctionnement
Créez un balayage avec deux commandes [W\&B CLI](/fr/models/ref/cli/) : 1. Initialisez un balayage. ```bash theme={null} wandb sweep --project ``` 2. Démarrez l’agent de balayage. ```bash theme={null} wandb agent ``` L’extrait de code ci-dessus, ainsi que le colab indiqué sur cette page, montrent comment initialiser et créer un balayage avec la CLI W\&B. Voir le [guide pas à pas sur Sweeps](/fr/models/sweeps/walkthrough/) pour utiliser le SDK Python afin de configurer, d’initialiser et d’exécuter un balayage.
## Comment démarrer
Selon votre cas d’utilisation, consultez les ressources suivantes pour bien démarrer avec W\&B Sweeps : * Parcourez le [guide pas à pas de Sweeps](/fr/models/sweeps/walkthrough/) pour suivre, étape par étape, les commandes du SDK Python de W\&B à utiliser afin de définir une configuration de balayage, d’initialiser un balayage et de démarrer un balayage. * Explorez ce chapitre pour apprendre à : * [Ajouter W\&B à votre code](/fr/models/sweeps/add-w-and-b-to-your-code/) * [Définir la configuration d’un balayage](/fr/models/sweeps/define-sweep-configuration/) * [Initialiser des balayages](/fr/models/sweeps/initialize-sweeps/) * [Démarrer des agents de balayage](/fr/models/sweeps/start-sweep-agents/) * [Visualiser les résultats d’un balayage](/fr/models/sweeps/visualize-sweep-results/) * Consultez une [liste sélectionnée d’expériences Sweep](/fr/models/sweeps/useful-resources/) consacrées à l’optimisation des hyperparamètres avec W\&B Sweeps. Les résultats sont stockés dans W\&B Reports. Pour une vidéo pas à pas, voir : [Ajustez facilement les hyperparamètres avec W\&B Sweeps](https://www.youtube.com/watch?v=9zrmUIlScdY\&ab_channel=Weights%26Biases).
### Exemples de notebooks
Les exemples de notebooks suivants montrent comment utiliser W\&B Sweeps pour optimiser les hyperparamètres avec différents frameworks et cas d'utilisation : * [Optimisation des hyperparamètres avec Sweeps](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/tensorflow/Hyperparameter_Optimization_in_TensorFlow_using_W\&B_Sweeps.ipynb) * [Utiliser XGBoost avec W\&B Sweeps](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/boosting/Using_W\&B_Sweeps_with_XGBoost.ipynb)