メインコンテンツまでスキップ

実験の作成

W&B Python SDK を使用して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確認したり、W&B Public APIでプログラム的にアクセスするためにデータをエクスポートすることができます。

このガイドでは、W&B のビルディングブロックを使用して W&B Experiment を作成する方法について説明します。

W&B Experimentの作成方法​

W&B Experimentを以下の4ステップで作成します：

  1. W&B Run の初期化
  2. ハイパーパラメータの辞書をキャプチャ
  3. トレーニングループ内でメトリクスをログ
  4. W&B にアーティファクトをログ

W&B Run の初期化​

スクリプトの最初で、wandb.init() API を呼び出し、バックグラウンドプロセスを生成して W&B Run としてデータを同期・ログします。

以下のコードスニペットは、新しい W&B プロジェクト “cat-classification” を作成する方法を示しています。この run を識別するために “My first experiment” というノートが追加されました。タグ “baseline” と “paper1” が含まれており、この run が将来の論文発表を目指したベースライン実験であることを示しています。

# W&B Pythonライブラリをインポート
import wandb

# 1. W&B Runの開始
run = wandb.init(
    project="cat-classification",
    notes="My first experiment",
    tags=["baseline", "paper1"],
)

W&B を wandb.init() で初期化すると、Run オブジェクトが返されます。さらに、W&B はすべてのログとファイルを保存し、非同期で W&B サーバーにストリームするローカルディレクトリを作成します。

備考

注: run は、wandb.init() を呼び出した時点で既存のプロジェクトに追加されます。例えば、すでに “cat-classification” というプロジェクトがある場合、そのプロジェクトは削除されずに続行され、新しい run がそのプロジェクトに追加されます。

ハイパーパラメータの辞書をキャプチャ​

学習率やモデルタイプなどのハイパーパラメータの辞書を保存します。config にキャプチャされたモデル設定は、後で結果を整理したりクエリを実行する際に便利です。

# 2. ハイパーパラメータの辞書をキャプチャ
wandb.config = {"epochs": 100, "learning_rate": 0.001, "batch_size": 128}

実験の設定方法については、Configure Experiments を参照してください。

トレーニングループ内でメトリクスをログ​

各 for ループ（エポック）中にメトリクスをログします。精度と損失値が計算され、wandb.log() を使用して W&B にログされます。デフォルトでは、wandb.log を呼び出すと新しいステップが履歴オブジェクトに追加され、サマリーオブジェクトが更新されます。

以下のコード例では、wandb.log を使用してメトリクスをログする方法を示しています。

注記

モードの設定とデータの取得方法の詳細は省略しています。

# モデルとデータの設定
model, dataloader = get_model(), get_data()

for epoch in range(wandb.config.epochs):
    for batch in dataloader:
        loss, accuracy = model.training_step()
        # 3. トレーニングループ内でメトリクスをログして
        # モデル性能を可視化
        wandb.log({"accuracy": accuracy, "loss": loss})

W&B でログできるさまざまなデータタイプの詳細については、Log Data During Experiments を参照してください。

W&B にアーティファクトをログ​

オプションで W&B Artifact をログします。Artifacts により、データセットとモデルのバージョン管理が簡単になります。

wandb.log_artifact(model)

Artifacts についての詳細は Artifacts Chapter を参照してください。モデルのバージョン管理については Model Management を参照してください。

まとめ​

以下は、前述のコードスニペットを全て含んだフルスクリプトです：

# W&B Pythonライブラリをインポート
import wandb

# 1. W&B Runの開始
run = wandb.init(project="cat-classification", notes="", tags=["baseline", "paper1"])

# 2. ハイパーパラメータの辞書をキャプチャ
wandb.config = {"epochs": 100, "learning_rate": 0.001, "batch_size": 128}

# モデルとデータの設定
model, dataloader = get_model(), get_data()

for epoch in range(wandb.config.epochs):
    for batch in dataloader:
        loss, accuracy = model.training_step()
        # 3. トレーニングループ内でメトリクスをログして
        # モデル性能を可視化
        wandb.log({"accuracy": accuracy, "loss": loss})

# 4. W&B にアーティファクトをログ
wandb.log_artifact(model)

# オプション：最後にモデルを保存
model.to_onnx()
wandb.save("model.onnx")

次のステップ: 実験を可視化する​

W&B ダッシュボードを使用して、機械学習モデルの結果を中央で組織し、可視化します。数回のクリックでリッチなインタラクティブチャートを作成できます。例えば、parallel coordinates plots、parameter importance analyzes、およびその他などです。

Quickstart Sweeps Dashboard example

実験と特定の run の表示方法について詳しくは、Visualize results from experiments を参照してください。

ベストプラクティス​

以下は、実験を作成する際の推奨ガイドラインです：

  1. Config: ハイパーパラメータ、アーキテクチャー、データセット、およびモデルを再現するために使用したいものを追跡します。これらは列として表示され、アプリ内でコンフィグ列を使用して run を動的にグループ化、ソート、フィルターできます。
  2. Project: 比較可能な実験のセットです。各プロジェクトには専用のダッシュボードページがあり、異なるモデルバージョンを比較するために異なるグループの run を簡単にオン/オフできます。
  3. Notes: 自分への簡単なコミットメッセージです。スクリプトからノートを設定できます。ノートは W&B アプリのプロジェクトダッシュボードの概要セクションで後から編集できます。
  4. Tags: ベースライン run やお気に入りの run を識別します。タグを使用して run をフィルタリングできます。タグは W&B アプリのプロジェクトダッシュボードの概要セクションで後から編集できます。

以下のコードスニペットは、上記のベストプラクティスに従って W&B Experiment を定義する方法を示しています：

import wandb

config = dict(
    learning_rate=0.01, momentum=0.2, architecture="CNN", dataset_id="cats-0192"
)

wandb.init(
    project="detect-cats",
    notes="tweak baseline",
    tags=["baseline", "paper1"],
    config=config,
)

W&B Experimentを定義する際の使用可能なパラメータの詳細については、wandb.init API ドキュメントを API Reference Guide で参照してください。

On this page
Was this page helpful?👍👎