Documentation
搜索文档…
Quickstart (快速上手)
轻松编写一段脚本，就可以在你自己的项目中查看我们的实验跟踪和可视化功能。
简单三步即可开始记录机器学习实验。
1. 安装库
在使用Python3的环境中安装我们的库。
1
pip install wandb
Copied!
2. 创建账号
1
wandb login
Copied!
3. 修改你的训练脚本
在你的脚本中插入几行代码，用以记录超参数和指标（Metric）。
权重（Weights）和偏差(Biases)是框架无关的，但如果你用的是常见机器学习框架，你可能会发现特定框架的例子更容易上手。我们针对特定框架开发了对应的钩子（hook）,以简化集成，这些框架包括 Keras, TensorFlow, PyTorch, Fast.ai, Scikit-learn, XGBoost, Catalyst, 和 Jax.
初始化W&B
开始记录之前，在你的脚本开始处初始化
wandb。有些集成，比如我们的 Hugging Face 集成，内部包含wandb.init()。1
# Inside my model training code
2
import wandb
3
wandb.init(project="my-project")
Copied!
声明超参数
1
wandb.config.dropout = 0.2
2
wandb.config.hidden_layer_size = 128
Copied!
记录指标（Metric）
在训练模型过程中记录指标（Metric），如损失（Loss）和准确率（Accuracy）（很多情况下，我们会提供特定框架的默认值）。用wandb.log记录更加复杂的输出和结果，如直方图、图形和图像。
1
def my_train_loop():
2
for epoch in range(10):
3
loss = 0 # change as appropriate :)
4
wandb.log({'epoch': epoch, 'loss': loss})
Copied!
保存文件
保存在路径
wandb.run.d中的全部内容都会被上传到W&B，并在运行结束后与你的运行项保存在一起。这对于保存你模型中的文字权重（Weight）和偏差（Bias）特别方便：1
# by default, this will save to a new subfolder for files associated
2
# with your run, created in wandb.run.dir (which is ./wandb by default)
3
wandb.save("mymodel.h5")
4
5
# you can pass the full path to the Keras model API
6
model.save(os.path.join(wandb.run.dir, "mymodel.h5"))
Copied!
很好！现在正常运行你的脚本，我们会在一个后台进程中同步那些记录。你的终端输出、指标（Metric）和文件将被同步到云端，如果你从一个git 库中运行的话，还会同步你的git状态记录。
下一步
现在你已经让这个仪表运行起来了，下面是一些很酷的功能概述：
- 1.项目页：在一个项目仪表盘上比较很多不同的实验。每次运行项目中的一个模型，都会在图形和表格中添加一行。在左侧栏中点击表格图标，即可展开表格并能看到所有超参数和指标（Metric）。可以创建多个项目来组织你的运行，并用表格为你的运行添加标签和注释。
- 2.自定义可视化：为方便探究结果，可添加平行坐标图、散点图及其他高级可视化工具。
- 3.报告：在你的实时图形和表格旁边添加一个Markdown面板，用以描述自己的研究成果。报告让你可以便捷地把项目快照分享给伙伴、教授或者老板
- 4.集成：对于流行框架如PyTorch、Keras和XGBoost，我们有专用集成。
- 5.
最近更新 11mo ago