Tables をログする

# モデルが4枚の画像に対して予測を返したと仮定する
# 以下のフィールドが利用可能:
# - 画像のID
# - wandb.Image() でラップされた画像のピクセルデータ
# - モデルの予測ラベル
# - 正解ラベル
my_data = [
    [0, wandb.Image("img_0.jpg"), 0, 0],
    [1, wandb.Image("img_1.jpg"), 8, 0],
    [2, wandb.Image("img_2.jpg"), 7, 1],
    [3, wandb.Image("img_3.jpg"), 1, 1],
]

# 対応する列を持つ wandb.Table() を作成する
columns = ["id", "image", "prediction", "truth"]
test_table = wandb.Table(data=my_data, columns=columns)

# 表の列を定義する（各ラベルの信頼スコアを含む）
columns = ["id", "image", "guess", "truth"]
for digit in range(10):  # 各数字（0〜9）の信頼スコア列を追加する
    columns.append(f"score_{digit}")

# 定義した列で表を初期化する
test_table = wandb.Table(columns=columns)

# テストデータセットを反復処理し、表に行単位でデータを追加する
# 各行には画像ID、画像、予測ラベル、正解ラベル、信頼スコアが含まれる
for img_id, img in enumerate(mnist_test_data):
    true_label = mnist_test_data_labels[img_id]  # 正解ラベル
    guess_label = my_model.predict(img)  # 予測ラベル
    test_table.add_data(
        img_id, wandb.Image(img), guess_label, true_label
    )  # 表に行データを追加する

import wandb

# runを初期化する 
with wandb.init(project="my_project") as run:

    # artifactから既存の表を読み込む
    best_checkpt_table = run.use_artifact(table_tag).get(table_name)

    # 再開用に表の最終行データを取得する
    best_iter, best_metric_max, best_metric_min = best_checkpt_table.data[-1]

    # 必要に応じて最良のメトリクスを更新する

    # 更新されたデータを表に追加する
    best_checkpt_table.add_data(best_iter, best_metric_max, best_metric_min)

    # 互換性確保のため、更新されたデータで表を再初期化する
    best_checkpt_table = wandb.Table(
        columns=["col1", "col2", "col3"], data=best_checkpt_table.data
    )

    # runを初期化する
    with wandb.init() as run:

        # 更新された表をW&Bにログする
        run.log({table_name: best_checkpt_table})

with wandb.init() as run:
    my_table = wandb.Table(columns=["a", "b"], data=[["1a", "1b"], ["2a", "2b"]])
    run.log({"table_key": my_table})

with wandb.init() as run:
    my_table = run.use_artifact("run-<run-id>-<table-name>:<tag>").get("<table-name>")

with wandb.init(project="my_project") as run:
    # 意味のある各stepにwandb Artifactを作成する
    test_predictions = wandb.Artifact("mnist_test_preds", type="predictions")

    # [上記と同様に予測データを構築する]
    test_table = wandb.Table(data=data, columns=columns)
    test_predictions.add(test_table, "my_test_key")
    run.log_artifact(test_predictions)

import wandb

with wandb.init(project="my_project") as run:

    # 元の曲の表を取得する
    orig_songs = run.use_artifact("original_songs:latest")
    orig_table = orig_songs.get("original_samples")

    # 合成された曲の表を取得する
    synth_songs = run.use_artifact("synth_songs:latest")
    synth_table = synth_songs.get("synth_samples")

    # "song_id" で表を結合する
    join_table = wandb.JoinedTable(orig_table, synth_table, "song_id")
    join_at = wandb.Artifact("synth_summary", "analysis")

    # 表をartifactに追加してW&Bにログする
    join_at.add(join_table, "synth_explore")
    run.log_artifact(join_at)