Documentation
搜索文档…
中文 (简体)
Weights & Biases
Quickstart (快速上手)
Examples (示例)
Library (库)
Integrations (集成)
Dashboard
Reports (报告)
Sweeps
Artifacts
Self Hosted
Company (公司)
Marketing Site
由
GitBook
提供支持
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!
如果你在不方便运行shell命令的自动化环境中训练模型,比如谷歌的CloudML,你应当查看一下我们的
环境变量
。
2.
创建账号
在你的shell命令行中或到我们的注册页注册一个
免费账号
。
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!
如果项目不存在,我们会自动为你创建项目。上方训练脚本的运行会同步到一个名称为“my-project”的项目中。要了解更多初始化选项,请查看
wandb.init
文档。
声明超参数
用对象
wandb.config
保存超参数很容易。
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。
如果你是在做测试,想禁用wandb同步,可以设置
环境变量
WANDB_MODE=dryrun
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.
展示成果
:想要分享你的研究成果?我们一直在发布博客来展示我们社区的杰出成果。请发消息至
[email protected]
有疑问要联系我们→
参见OpenAI案例研究→
以前
Weights & Biases
下一个
Examples (示例)
最近更新
11mo ago
复制链接
内容
1. 安装库
2. 创建账号
3. 修改你的训练脚本
下一步
有疑问要联系我们→
参见OpenAI案例研究→