> ## 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 puis-je journaliser les gradients et les poids du modèle avec wandb.watch() ?

`wandb.watch()` ajoute des hooks aux paramètres et aux gradients d’un modèle PyTorch, puis journalise des histogrammes de leurs valeurs à intervalles réguliers. Cela est utile pour diagnostiquer l’instabilité de l’entraînement, la disparition des gradients et les neurones morts.

**Utilisation de base**

Appelez `wandb.watch()` après `wandb.init()` et avant la première étape d’entraînement :

```python theme={null}
import wandb
import torch.nn as nn

wandb.init(project="my-project")

model = MyModel()
wandb.watch(model, log="gradients", log_freq=100)

for step, batch in enumerate(dataloader):
    loss = train_step(model, batch)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()

    wandb.log({"train/loss": loss.item()}, step=step)

wandb.finish()
```

Les histogrammes de gradients sont enregistrés tous les `log_freq` **lots** (la valeur par défaut de [`Run.watch()`](/fr/models/ref/python/experiments/run) est `log_freq=1000` ; l’exemple utilise `100` pour obtenir un retour plus rapide). Ils apparaissent dans l’onglet **Charts** sous des clés telles que `gradients/layer_name.weight`.

**Options du paramètre `log`**

| Value          | Ce qui est enregistré                                                   |
| -------------- | ----------------------------------------------------------------------- |
| `"gradients"`  | Histogrammes de gradients uniquement (par défaut)                       |
| `"parameters"` | Histogrammes de poids/paramètres uniquement                             |
| `"all"`        | Gradients et paramètres                                                 |
| `None`         | Aucun des deux — journalise uniquement la topologie du graphe du modèle |

```python theme={null}
wandb.watch(model, log="all", log_freq=50)
```

**Journalisation de la topologie du graphe du modèle**

Définissez `log_graph=True` si vous souhaitez obtenir le graphe de calcul alors que la journalisation des histogrammes est désactivée ou réduite au minimum. Consultez le graphe dans l’onglet **Aperçu** du run, sous **Model**. Voir [`Run.watch()`](/fr/models/ref/python/experiments/run) pour comprendre comment `log`, `log_graph` et `log_freq` interagissent.

```python theme={null}
wandb.watch(model, log=None, log_graph=True)  # focus sur le graphe, sans histogrammes
```

**Surveiller plusieurs modèles**

Appelez `wandb.watch()` séparément pour chaque modèle (utile lors de l’entraînement de GAN) :

```python theme={null}
wandb.watch(generator, log="gradients", log_freq=100)
wandb.watch(discriminator, log="gradients", log_freq=100)
```

Les gradients de chaque modèle sont enregistrés avec comme préfixes les noms de ses paramètres.

**Considérations sur les performances**

La journalisation des gradients ajoute une surcharge proportionnelle à `log_freq`. Journaliser à chaque étape (`log_freq=1`) peut considérablement ralentir l’entraînement. Une valeur comprise entre 50 et 200 est courante pour la plupart des exécutions d’entraînement. Si les performances sont primordiales, définissez `log="parameters"` plutôt que `log="gradients"` — les histogrammes de paramètres sont calculés sans hook de rétropropagation et sont moins coûteux.

**Arrêter watch**

Pour arrêter la journalisation des gradients en cours d’entraînement :

```python theme={null}
wandb.unwatch(model)
```

Cela supprime les hooks sans mettre fin au run, de sorte que la journalisation des métriques se poursuit sans incidence.

***

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