実験の管理
数行のコードで機械学習実験を追跡します。結果は インタラクティブなダッシュボード で確認することも、Pythonにデータをエクスポートしてプログラムによるアクセスを行うこともできます（Public API を使用）。
人気のあるフレームワークを使用している場合は、W&B Integrations を活用してください。PyTorch、Keras、または Scikitなどです。Integration guides で、インテグレーションの完全なリストとコードにW&Bを追加する方法に関する情報を確認できます。
上の画像は、複数のランにわたってメトリクスを表示および比較できるダッシュボードの例を示しています。
仕組み
数行のコードを使って機械学習実験を追跡します:
- W&B run を作成。
- 学習率やモデルタイプなどのハイパーパラメータを辞書形式で設定 (
wandb.config)。 - トレーニングループの中で精度や損失などのメトリクスをログ (
wandb.log())。 - モデルの重みや予測のテーブルなど、runの結果を保存。
以下の疑似コードでは、一般的なW&B実験管理ワークフローを示しています：
# 1. W&B Runを開始
wandb.init(entity="", project="my-project-name")
# 2. モデルの入力とハイパーパラメータを保存
wandb.config.learning_rate = 0.01
# モデルとデータをインポート
model, dataloader = get_model(), get_data()
# モデルトレーニングのコードがここに入ります
# 3. メトリクスをログしてパフォーマンスを可視化
wandb.log({"loss": loss})
# 4. モデルをW&Bにアーティファクトとしてログ
wandb.log_artifact(model)
開始方法
ユースケースに応じて、W&B Experimentsを始めるための次のリソースを探索してください：
- 初めてW&B Artifactsを使用する場合は、Experiments Colabノートブック をご覧ください。
- W&B クイックスタート を読んで、W&B Python SDKコマンドを使用してデータセットアーティファクトを作成、追跡、使用するためのステップバイステップガイドを参照してください。
- このチャプターを探索して、以下を学びましょう：
- 実験の作成方法
- 実験の設定方法
- 実験からデータをログする方法
- 実験結果を表示する方法
- W&B Pythonライブラリ を W&B APIリファレンスガイド 内で探索。