Passer au contenu principal
Cette page rassemble des ressources externes pour vous aider à en savoir plus sur les balayages W&B. Ces ressources comprennent des références académiques, des projets d’exemple partagés sous forme de W&B Reports, un tutoriel pratique et le dépôt open source.

Articles scientifiques

L’article suivant fournit des informations de référence sur les algorithmes qui sous-tendent les techniques d’optimisation des hyperparamètres utilisées dans Sweeps. Li, Lisha, et al. “Hyperband: A novel bandit-based approach to hyperparameter optimization.The Journal of Machine Learning Research 18.1 (2017): 6765-6816.

Expériences avec Sweeps

Les Reports W&B suivants présentent des projets qui explorent l’optimisation des hyperparamètres avec Sweeps.

Guide pratique

Le guide pratique suivant présente comment résoudre des problèmes concrets avec W&B :
  • Sweeps avec XGBoost
    • Description : comment utiliser Sweeps pour l’optimisation des hyperparamètres avec XGBoost.

Dépôt GitHub de Sweeps

Cette section renvoie au code source de Sweeps et explique comment contribuer. W&B soutient l’open source et accueille les contributions de la communauté. Consultez le dépôt GitHub de balayage W&B. Pour savoir comment contribuer au dépôt open source de W&B, consultez les consignes de contribution sur GitHub.