> ## 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.
> Suivez vos expériences de machine learning avec W&B pour consigner les métriques, les hyperparamètres, les métriques système et les Artifacts de modèle.
# Aperçu d’Experiments
export const TryProductLink = ({url}) =>
Essayer sur W&B
;
export const ColabLink = ({url}) =>
Essayer sur Colab
;
Suivez des expériences de machine learning avec seulement quelques lignes de code. Vous pouvez ensuite consulter les résultats dans un [tableau de bord interactif](/fr/models/track/workspaces/) ou exporter vos données vers Python pour y accéder de façon programmatique à l’aide de notre [API publique](/fr/models/ref/python/public-api/).
Utilisez les intégrations W\&B avec des frameworks populaires tels que [Keras](/fr/models/integrations/keras). Voir [les intégrations W\&B](/fr/models/integrations) pour la liste complète des intégrations et savoir comment ajouter W\&B à votre code.
L’image ci-dessus montre un exemple de tableau de bord dans lequel vous pouvez afficher et comparer des métriques entre plusieurs [runs](/fr/models/runs/).
## Fonctionnement
Suivez une expérience de machine learning avec quelques lignes de code :
1. Créez un [W\&B Run](/fr/models/runs/).
2. Enregistrez un dictionnaire d'hyperparamètres, comme le taux d'apprentissage ou le type de modèle, dans votre configuration ([`wandb.Run.config`](/fr/models/track/config/)).
3. Journalisez des métriques ([`wandb.Run.log()`](/fr/models/track/log/)) au fil de l'entraînement, par exemple l'accuracy et la perte.
4. Enregistrez les sorties d'un run, comme les poids du modèle ou un tableau de prédictions.
Le code suivant illustre un flux de travail courant de suivi des expériences avec W\&B :
```python theme={null}
# Démarrer un run.
#
# Lorsque ce bloc se termine, il attend que les données journalisées finissent d'être uploadées.
# Si une exception est levée, le run est marqué comme échoué.
with wandb.init(entity="", project="my-project-name") as run:
# Enregistrer les entrées du modèle et les hyperparamètres.
run.config.learning_rate = 0.01
# Exécuter le code de votre expérience.
for epoch in range(num_epochs):
# Effectuer l'entraînement...
# Journaliser des métriques au fil du temps pour visualiser les performances du modèle.
run.log({"loss": loss})
# Uploader les sorties du modèle en tant qu'Artifacts.
run.log_artifact(model)
```
## Pour commencer
Selon votre cas d’utilisation, explorez les ressources suivantes pour démarrer avec W\&B Experiments :
* Lisez le [Démarrage rapide W\&B](/fr/models/quickstart/) pour découvrir, étape par étape, les commandes du W\&B Python SDK que vous pouvez utiliser pour créer, suivre et utiliser un artifact de jeu de données.
* Explorez ce chapitre pour apprendre à :
* Créer une expérience
* Configurer des expériences
* Journaliser les données d’expériences
* Consulter les résultats des expériences
* Explorez la [bibliothèque Python de W\&B](/fr/models/ref/python/) dans le [Guide de référence de l’API W\&B](/fr/models/ref/python/).
## Bonnes pratiques et conseils
Pour connaître les bonnes pratiques et conseils relatifs à Experiments et Logging, voir [Bonnes pratiques : Experiments et Logging](https://wandb.ai/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#w\&b-experiments-and-logging).
L’image ci-dessus montre un exemple de tableau de bord dans lequel vous pouvez afficher et comparer des métriques entre plusieurs [runs](/fr/models/runs/).