fastai v1
对于使用Fastai v1的脚本，我们有一个回调函数，可以自动记录模型拓扑、损失、指标、权重 、梯度、样本预测以及最佳训练模型。
import wandbfrom wandb.fastai import WandbCallbackwandb.init()learn = cnn_learner(data, model, callback_fns=WandbCallback)learn.fit(epochs)
需要记录的数据可通过回调构造函数进行配置。
from functools import partiallearn = cnn_learner(data, model, callback_fns=partial(WandbCallback, input_type='images'))
也可以只在开始训练时使用WandbCallback。在这种情况下，它必须被实例化。
learn.fit(epochs, callbacks=WandbCallback(learn))
自定 义参数也可在这一阶段给定。
learn.fit(epochs, callbacks=WandbCallback(learn, input_type='images'))
我们已经为你创建了一些示例，以了解集成的工作原理：
Fastai v1
WandbCallback()类支持许多选项：关键字参数 | 默认值 | 说明 |
learn | N/A | 要勾住的fast.ai learner。 |
save_model | True | 如果模型在每一步都有改进，就保存该模型。还会在训练结束后加载最优模型。 |
mode | auto | 'min'、'max'或'auto'：如何在不同步（step）之间比较 monitor指定的训练指标 |
monitor | None | 用于评估性能的训练指标，以便于保存最佳模型。None默认为验证损失。 |
log | gradients | gradients"、"parameters"、"all"或者None。损失和指标总是会被记录。 |
input_type | None | "images"或者None。用于展示样本预测。 |
validation_data | None | 若设置了input_type， 则指定用于样本预测的数据 |
predictions | 36 | 若设置了input_type并且validation_data为None，指定要进行预测的数量 |
seed | 12345 | 若设置了input_type并且validation_data为None，则初始化样本预测的随机生成器。 |
最近更新 1yr ago