> ## 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.

# Comment utiliser W&B avec le multiprocessing, par exemple pour l'entraînement distribué ?

Cet article explique comment utiliser W\&B dans des programmes d'entraînement qui s'exécutent sur plusieurs processus, comme les tâches d'entraînement distribué, afin que les runs soient correctement enregistrés sans conflit.

Si un programme d'entraînement utilise plusieurs processus, structurez-le de façon à éviter d'appeler des méthodes W\&B depuis des processus qui n'ont pas exécuté `wandb.init()`.

Choisissez l'une des approches suivantes pour gérer l'entraînement multiprocessus :

* Appelez `wandb.init()` dans tous les processus et utilisez l'argument mot-clé [group](/fr/models/runs/grouping) pour créer un groupe partagé. Chaque processus a son propre run W\&B, et l'interface utilisateur regroupe les processus d'entraînement.
* Appelez `wandb.init()` dans un seul processus et transmettez les données à journaliser via des [files d'attente multiprocessing](https://docs.python.org/3/library/multiprocessing.html#exchanging-objects-between-processes).

<Note>
  Consultez [Journaliser les expériences d'entraînement distribué](/fr/models/track/log/distributed-training) pour des explications détaillées de ces approches, y compris des exemples de code avec Torch DDP.
</Note>

***

<Badge stroke shape="pill" color="orange" size="md">[Experiments](/fr/support/models/tags/experiments)</Badge>