可视化和跟踪机器学习实验的工具—

简介：用于可视化和跟踪机器学习实验的工具。Weights & Biases 是一个机器学习平台，供开发人员更快地构建更好的模型。使用 W&B 的轻量级、可互操作的工具快速跟踪实验、对数据集进行版本和迭代、评估模型性能、重现模型、可视化结果和发现回归，并与同事分享结果。

github:wandb/wandb：🔥用于可视化和跟踪机器学习实验的工具。此存储库包含 CLI 和 Python API。 (github.com)

官网：Weights & Biases For Academic Research (wandb.ai)

api&入门&教程：W&B Docs | Weights & Biases Documentation (wandb.ai)

什么是W&B？

Weights & Biases （W&B）是 AI 开发者平台，提供用于训练模型、微调模型和利用基础模型的工具。

在 5 分钟内设置 W&B，然后快速迭代机器学习管道，确信您的模型和数据在可靠的记录系统中得到跟踪和版本控制。

此图概述了 W&B 产品之间的关系。

W&B 模型是一组轻量级、可互操作的工具，用于机器学习从业者训练和微调模型。

实验：机器学习实验跟踪
模型注册表：集中管理生产模型
启动：缩放和自动化工作负载
扫描：超参数调优和模型优化
W&B Prompts 用于调试和评估 LLM。

W&B平台是一组强大的核心构建块，用于跟踪和可视化数据和模型，并传达结果。

项目：版本资产和轨道沿袭
表：可视化和查询表格数据
报告：记录和协作处理您的发现
编织查询和创建数据可视化效果
您是W&B的新用户吗？

演示视频：Weights & Biases End-to-End Demo (youtube.com)

使用以下资源开始探索 W&B：

简介笔记本：运行快速示例代码，在 5 分钟内跟踪实验
快速入门：阅读有关如何以及在何处将 W&B 添加到代码的快速概述
浏览我们的集成指南和我们的 W&B Easy Integration YouTube 播放列表，了解如何将 W&B 与您首选的机器学习框架集成。
查看 API 参考指南，了解有关 W&B Python 库、CLI 和 Weave 操作的技术规范。
W&B如何运作？
如果您是 W&B 的首次用户，我们建议您按以下顺序阅读以下部分：

了解 W&B 的基本计算单位 Runs。
使用实验创建和跟踪机器学习实验。
了解 W&B 灵活而轻量级的构建块，用于使用 Artifacts 进行数据集和模型版本控制。
自动执行超参数搜索，并使用扫描探索可能的模型空间。
使用模型管理管理从训练到生产的模型生命周期。
使用我们的数据可视化指南，可视化跨模型版本的预测。
组织 W&B 运行、嵌入和自动化可视化、描述您的发现，并使用报告与协作者共享更新。

快速入门

安装 W&B，并在几分钟内开始跟踪机器学习实验。

1. 创建一个帐户并安装 W&B

在开始之前，请确保创建一个帐户并安装 W&B：

在 https://wandb.ai/site 注册一个免费帐户，然后登录您的wandb帐户。
使用 pip 在 Python 3 环境中的计算机上安装 wandb 库。
以下代码片段演示了如何使用 W&B CLI 和 Python 库安装和登录 W&B：

安装 CLI 和 Python 库以与权重和偏差 API 进行交互：

!pip install wandb

2. 登录 W&B

笔记本
接下来，导入 W&B Python SDK 并登录：

import wandbwandb.login()

出现提示时，请提供您的 API密钥。

3. 开始运行并跟踪超参数

使用 wandb.init（）在 Python 脚本或笔记本中初始化 W&B Run 对象，并使用超参数名称和值的键值对将字典传递给参数：config

run = wandb.init(# Set the project where this run will be loggedproject="my-awesome-project",# Track hyperparameters and run metadataconfig={"learning_rate": 0.01,"epochs": 10,},
)

运行是 W&B 的基本组成部分。您将经常使用它们来跟踪指标、创建日志、创建作业等。

把它们放在一起

综上所述，训练脚本可能类似于以下代码示例。突出显示的代码显示特定于 W&B 的代码。请注意，我们添加了模拟机器学习训练的代码。

# train.py
import wandb
import random  # for demo scriptwandb.login()epochs = 10
lr = 0.01run = wandb.init(# Set the project where this run will be loggedproject="my-awesome-project",# Track hyperparameters and run metadataconfig={"learning_rate": lr,"epochs": epochs,},
)offset = random.random() / 5
print(f"lr: {lr}")# simulating a training run
for epoch in range(2, epochs):acc = 1 - 2**-epoch - random.random() / epoch - offsetloss = 2**-epoch + random.random() / epoch + offsetprint(f"epoch={epoch}, accuracy={acc}, loss={loss}")wandb.log({"accuracy": acc, "loss": loss})# run.log_code()

就是这样！导航到 W&B 应用程序，查看中我们使用 W&B 记录的指标（准确性和损失）在每个训练步骤中是如何改进的。

上图（单击展开）显示了每次运行上述脚本时跟踪的损失和准确性。创建的每个运行对象都显示在“运行”列中。每个运行名称都是随机生成的。

下一步是什么？

探索 W&B 生态系统的其余部分。

1.查看 W&B 集成，了解如何将 W&B 与您的 ML 框架（如 PyTorch）、ML 库（如 Hugging Face）或 ML 服务（如 SageMaker）集成。
2.使用 W&B 报告组织运行、嵌入和自动化可视化、描述您的发现并与协作者共享更新。
3.创建 W&B 项目，以跟踪机器学习管道每个步骤的数据集、模型、依赖项和结果。
4.使用 W&B Sweeps 自动执行超参数搜索并探索可能模型的空间。
5.了解数据集，可视化模型预测，并在中央仪表板中共享见解。