Tensorflow
如果你已经在用TensorBoard，与wandb集成很容易。
import tensorflow as tf
import wandb
wandb.init(config=tf.flags.FLAGS, sync_tensorboard=True)
如果你需要额 外记录一些没有被记录到TensorBoard的指标，可以在代码中调用
wandb.log，并使用与TensorBoard一样的step参数：即
wandb.log({"custom": 0.8}, step=global_step)如果你想对被记录的内容有更多的控制，wandb还为TensorFlow估算器提供了一个钩子。它将在图中记录所有的
tf.summary值。import tensorflow as tf
import wandb
wandb.init(config=tf.FLAGS)
estimator.train(hooks=[wandb.tensorflow.WandbHook(steps_per_log=1000)])
在TensorFlow中记录指标的最简单方法就是用TensorFlow记录器记录
tf.summary。import wandb
with tf.Session() as sess:
# ...
wandb.tensorflow.log(tf.summary.merge_all())
对于TensorFlow2，如果你要用自定义循环来训练模型，我们建议使用
tf.GradientTape。 你可以在这里阅读更多关于它的信息。如果你想在你的自定义TensorFlow训练循环中加入wandb来记录指标，你可以参考这段代码—— with tf.GradientTape() as tape:
# Get the probabilities
predictions = model(features)
# Calculate the loss
loss = loss_func(labels, predictions)
# Log your metrics
wandb.log("loss": loss.numpy())
# Get the gradients
gradients = tape.gradient(loss, model.trainable_variables)
# Update the weights
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
我们受到启发要为大家改进实验跟踪工具。当合伙人开始构建W&B的工作时，他们受到启发要为OpenAI中受挫的TensorBoard 用户打造一个工具。以下是我们重点改进的几项内容：
- 1.重现模型: Weights & Biases有利于实验、探索和以后重现模型。我们不仅可以捕获指标（Metric）,还可以捕获超参数和代码版本，我们还可以为你保存你的模型检查点，这样你的项目可以被重现。
- 2.自动组织: 如果你将一个项目交给一个同事或者你要去休假。W&B使得很容易查看所有你试过的实验，这样就不用浪费时间重新运行旧实验。
- 3.快速、灵活的集成: 5分钟之内就可以将W&B添加到你的项目中。安装我们的免费开源Python包，并在你的代码中添加几行代码。然后每次你运行你的模型时，你的指标和记录都会被很好记录。
- 4.持久的集中式仪表盘: 无论你在哪里训练模型，无论是在你的本地机器、你的实验室集群或云端的竞价实例（Spot Instance）中，我们都会为你提供相同的集中式仪表盘。你不需要花费时间从不同的机器上复制和组织TensorBoard文件。
- 5.强大的表格: 搜索、过滤、排序和分组不同模型的结果。很容易查看成千上万的模型版本，并为不同的任务找到性能最好的模型。TensorBoard无法在大型项目上很好工作。
- 6.协作的工具: 使用W&B来组织复杂的机器学习项目。分享W&B链接非常容易，你可以使用私有（private）团队,让每个人将结果发送到共享项目。我们还支持通过报告进行协作——添加交互式可视化，并用markdown描述你的工作。这是保留工作日志，与你的上级分享发现，或向你的实验室展示发现的好方法。
我们已经为你创建了一些示例，以了解集成的工作原理：
最近更新 1yr ago