実験管理で CSV ファイルを追跡する
3 minute read
W&B Python ライブラリを使用して、CSV ファイルをログし、W&B ダッシュボードで可視化します。W&B ダッシュボードは、機械学習モデルからの結果を整理し可視化する中心的な場所です。これは、W&B にログされていない以前の機械学習実験の情報を含む CSV ファイルやデータセットを含む CSV ファイルがある場合に特に便利です。
データセットの CSV ファイルをインポートしてログする
W&B Artifacts を使用することをお勧めします。CSV ファイルの内容を再利用しやすくするためです。
- まず、CSV ファイルをインポートします。以下のコードスニペットでは、
iris.csv
ファイル名をあなたの CSV ファイル名に置き換えてください:
- CSV ファイルを W&B Table に変換し、W&B ダッシュボードを利用します。
- 次に、W&B Artifact を作成し、テーブルを Artifact に追加します:
W&B Artifacts についての詳細は、Artifacts チャプターを参照してください。
- 最後に、
wandb.init
を使用して W&B で追跡しログするために新しい W&B Run を開始します:
wandb.init()
API は新しいバックグラウンドプロセスを開始し、データを Run にログし、デフォルトで wandb.ai に同期します。W&B ワークスペースダッシュボードでライブの可視化を表示します。以下の画像はコードスニペットのデモの出力を示しています。

以下は、前述のコードスニペットを含む完全なスクリプトです:
実験の CSV をインポートしてログする
場合によっては、実験の詳細が CSV ファイルにあることがあります。そのような CSV ファイルに共通する詳細には次のようなものがあります:
- 実験 run の名前
- 初期のノート
- 実験を区別するためのタグ
- 実験に必要な設定(Sweeps ハイパーパラメータチューニングの利用の利点があります)。
実験 | モデル名 | ノート | タグ | 層の数 | 最終トレイン精度 | 最終評価精度 | トレーニング損失 |
---|---|---|---|---|---|---|---|
実験 1 | mnist-300-layers | トレーニングデータに過剰適合 | [latest] | 300 | 0.99 | 0.90 | [0.55, 0.45, 0.44, 0.42, 0.40, 0.39] |
実験 2 | mnist-250-layers | 現行の最良モデル | [prod, best] | 250 | 0.95 | 0.96 | [0.55, 0.45, 0.44, 0.42, 0.40, 0.39] |
実験 3 | mnist-200-layers | ベースラインモデルより悪かったため、デバッグ必要 | [debug] | 200 | 0.76 | 0.70 | [0.55, 0.45, 0.44, 0.42, 0.40, 0.39] |
… | … | … | … | … | … | … | |
実験 N | mnist-X-layers | ノート | … | … | … | … | […, …] |
W&B は実験の CSV ファイルを受け取り、W&B 実験 Run に変換することができます。次のコードスニペットとコードスクリプトで、実験の CSV ファイルをインポートしてログする方法を示しています:
- 最初に、CSV ファイルを読み込んで Pandas DataFrame に変換します。
"experiments.csv"
を CSV ファイル名に置き換えてください:
- 次に、
wandb.init()
を使用して W&B で追跡し、ログするための新しい W&B Run を開始します:
実験が進行するにつれて、メトリクスのすべてのインスタンスをログし、W&B で表示、クエリ、および分析可能にすることをお勧めするかもしれません。これを実現するには、run.log()
コマンドを使用します:
また、run の結果を定義するために最終的なサマリーメトリクスをオプションでログすることもできます。これを実現するには、W&B define_metric
API を使用します。この例では、run.summary.update()
によりサマリーメトリクスを run に追加します:
サマリーメトリクスの詳細については、Log Summary Metricsを参照してください。
以下は、上記のサンプルテーブルを W&B ダッシュボードに変換する完全な例のスクリプトです:
フィードバック
このページは役に立ちましたか?
Glad to hear it! If you have more to say, please let us know.
Sorry to hear that. Please tell us how we can improve.