Pytorch

W&B为PyTorch提供了一流的支持。要自动记录梯度（Gradient）并存储网络拓扑，你可以调用watch并传入你的PyTorch 模型。
import wandb
wandb.init(config=args)
​
# Magic
wandb.watch(model)
​
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
    output = model(data)
    loss = F.nll_loss(output, target)
    loss.backward()
    optimizer.step()
    if batch_idx % args.log_interval == 0:
        wandb.log({"loss": loss})
梯度、指标和图（Graph）不会被记录,直到wandb.log在forward和bacward通过后被调用。
请参阅colab笔记本 ，以了解将wandb与PyTorch集成的端到端示例，包括一个视频教程 。你也可以在我们的示例项目部分找到更多示例。
选项
默认，钩子只记录梯度。
参数
选项
log
all: 记录梯度和参数直方图
gradients (默认)
parameters (模型的权重)
None
log_freq
整数(默认1000): 记录梯度之间的步（step）数
图像
你可将带有图像数据的PyTorch tensors传入 wandb.Image 和torchvision utils，将用于自动记录它们。
要记录图像并在媒体（Media）面板中查看它们，你可以使用如下语法：
wandb.log({"examples" : [wandb.Image(i) for i in images]})
多个模型
如果你需要在同一个脚本中跟踪多个模型，你可以分别在每个模型上调用wandb.watch() 。
示例
我们已经为你创建了一些示例，以了解集成的工作原理：
​在Google Colab中运行: 一个简单的笔记本示例让你入门
​Github上的示例: 一个Python脚本中的MNIST示例
​Wandb 仪表盘: 在W&B上查看结果

最近更新 1yr ago

参数	选项
log	all: 记录梯度和参数直方图 gradients (默认) parameters (模型的权重) None
log_freq	整数(默认1000): 记录梯度之间的步（step）数