実験を作成する
W&B 実験を作成します。
less than a minute
数行のコードで機械学習実験を追跡します。その後、インタラクティブなダッシュボードで結果をレビューしたり、Public APIを使用してプログラムからアクセスできるようにPythonにデータをエクスポートすることができます。
人気のあるフレームワークを使用している場合は、W&Bのインテグレーションを活用してください。PyTorch、Keras、またはScikitのようなフレームワークがあります。インテグレーションの完全なリストや、W&Bをコードに追加する方法については、インテグレーションガイドをご覧ください。
上の画像は、複数のRunsでメトリクスを確認および比較できるダッシュボードの例を示しています。
数行のコードで機械学習実験を追跡します:
run.config
)に保存します。run.log()
)します。以下のコードは、一般的なW&B実験管理ワークフローを示しています:
# Run を開始します。
#
# このブロックから出ると、ログデータのアップロードが完了するのを待ちます。
# 例外が発生した場合、Run は失敗としてマークされます。
with wandb.init(entity="", project="my-project-name") as run:
# モード入力とハイパーパラメーターを保存します。
run.config.learning_rate = 0.01
# 実験コードを実行します。
for epoch in range(num_epochs):
# トレーニングをします...
# モデルのパフォーマンスを可視化するためのメトリクスを時間と共にログします。
run.log({"loss": loss})
# モデルの出力をアーティファクトとしてアップロードします。
run.log_artifact(model)
あなたのユースケースに応じて、W&B Experimentsの開始に役立つ次のリソースを探索してください:
実験とログのベストプラクティスとヒントについては、ベストプラクティス: 実験とログをご覧ください。
W&B 実験を作成します。
実験の設定を保存するために辞書のようなオブジェクトを使用します。
モデルのバージョンを比較し、スクラッチワークスペースで結果を探索し、ノートや可視化を保存するために学びをレポートにエクスポートする
ランデータを対話的な可視化で探求するためのプレイグラウンド
W&B の基本的な構成要素である Run について学びましょう。
Jupyter を使用して W&B と連携し、ノートブックから離れることなくインタラクティブな可視化を得ましょう。
メトリクス、ビデオ、カスタムプロットなどを追跡する
W&B のページを、これらの推奨範囲内でログを記録することにより、より速く反応がよい状態に保ちましょう。
MLFlow から データ をインポートし、保存した データ を W&B にエクスポートまたは更新します。
W&B 環境変数を設定します。
このページは役に立ちましたか?
Glad to hear it! If you have further feedback, please let us know.
Sorry to hear that. Please tell us how we can improve.