Documentation
搜索文档…
中文 (简体)
Library (库)
Weights&Biases用于实验跟踪、数据集版本化和模型管理
在你的脚本中集成W&B
- 1.wandb.init(): 在你的脚本顶部初始化一个新的运行。这将返回一个Run 对象，并创建一个本地目录，所有的日志和文件都保存在该目录下，然后异步流式地传输到 W&B服务器。如果你想要使用私人服务器而不是我们的托管云服务器，我们提供了自托管（Self-Hosting）选项。
- 2.
- 3.wandb.log(): 在训练循环中随时间记录指标（Metric）,如准确率（Accuracy）和损失（Loss）。默认情况下，当你调用wandb.log(),它会添加一个新步（Step）到历史对象中并更新总结（Summary）对象。
- 历史（history）:一个类似字典的对象数组，用于随时间推移跟踪指标（Metric）。这些时间序列值在UI中显示为默认的线图。
- 总结（summary）:默认情况下，用wandb.log()记录指标（Metric）的最终值。你可以手动为一个指标（Metric）设置总结（Summary）,以捕获最高准确率（Accuracy）或最低损失（Loss）而不是最终值。这些值在比较运行的表格和图中会使用--例如，你可以可视化你项目中所有运行的最终准确率（Accuracy）。
- 4.
最佳实践
wandb 库非常灵活，下面是一些建议指南。- 1.配置（Config）: 跟踪超参数、架构、数据集和任何其他你想要用来重现你的模型的东西。这些将显示在列中—使用配置列在应用中动态地分组、排序和过滤运行。
- 2.项目（Project）: 一个项目是你可以一起比较的一组实验集合。每个项目都有独立的仪表盘，你可以轻松地打开或关闭不同的运行组来比较不同的模型版本。
- 3.注释（Notes）: 给你自己的一个快速注解消息，该注释可以从你脚本中设置，并且可以在表格中编辑。
- 4.标签（Tags）: 识别基准运行和收藏夹运行。你可以使用标签过滤运行，他们在表中是可编辑的。
1
import wandb
2
3
config = dict (
4
learning_rate = 0.01,
5
momentum = 0.2,
6
architecture = "CNN",
7
dataset_id = "peds-0192",
8
infra = "AWS",
9
)
10
11
wandb.init(
12
project="detect-pedestrians",
13
notes="tweak baseline",
14
tags=["baseline", "paper1"],
15
config=config,
16
)
Copied!
什么数据会被记录？
自动记录
- 命令行：提取标准输出和标准错误，并显示于运行页“日志（logs）”选项卡中。
- Git commit: 提取最近的git提交，并显示于运行页“概览（overview）”选项卡以及如果有未提交的修改还会显示一个 diff.patch 文件。
- 文件（Files）: requirements.txt文件，以及用于运行你保存在wandb路径的全部文件，将被上传并显示于运行页“文件（Files）”选项卡。
通过特定调用记录
当涉及数据和模型指标时，你可以决定要记录哪些东西。
- 数据集：你必须明确记录图像或其它数据集样本，这样才能保存到W&B。
- PyTorch梯度：添加wandb.watch(model)，即可在界面中看到权值（Weight）的梯度直方图。
- 配置（config）：记录超参数、数据集链接或所使用的架构名称，并作为配置（config）参数，传值方式如下：wandb.init(config=your_config_dictionary)
- 指标（Metrics）：用wandb.log()记录你的模型指标。如果你从你的训练循环内部记录如准确率（Accuracy）、损失（Loss）等指标，，就可以在界面中看到实时更新图。
最近更新 5mo ago
复制链接