Experiments の概要

数行のコードで機械学習の実験をトラッキングできます。結果はその後、インタラクティブなダッシュボードで確認したり、Public APIを使ってプログラムからアクセスできるように Python にエクスポートしたりできます。 Keras などの主要なフレームワークを使用している場合は、W&B Integrations を活用してください。インテグレーションの一覧と、コードに W&B を追加する方法については、W&B Integrations を参照してください。

上の画像は、複数のrunsにまたがるメトリクスを表示・比較できるダッシュボードの例です。

仕組み

数行のコードで機械学習の実験をトラッキングできます。

W&B Run を作成します。
学習率やモデルのタイプなどのハイパーパラメーターを辞書として設定 (wandb.Run.config) に保存します。
精度や損失などのメトリクスを、トレーニングループの中で継続的にログします (wandb.Run.log()) 。
モデルの重みや予測結果の表など、run の出力を保存します。

次のコードは、W&B で一般的な実験管理のワークフローを示しています。my-team は W&B のチーム entity に、my-project-name はプロジェクト名に置き換えてください。

import wandb

entity = "<my-team>"  # Set entity to your W&B team name
project = "my-project-name"  # Set project to your W&B project name

# When this block exits, it waits for logged data to finish uploading.
# If an exception is raised, the run is marked failed.
with wandb.init(entity=entity, project="my-project-name") as run:
  # モデルの入力とハイパーパラメーターを保存します。
  run.config.learning_rate = 0.01

  # Run your experiment code.
  for epoch in range(num_epochs):
    # Do some training...

    # Log metrics over time to visualize model performance.
    run.log({"loss": loss})

  # Upload model outputs as artifacts.
  run.log_artifact(model)

はじめに

ユースケースに応じて、W&B Experiments を使い始める際は、次のリソースをご覧ください。

W&B を設定し、最初の実験をトラッキングする方法を学ぶには、W&B クイックスタートをお読みください。
機械学習ワークフローでモデルアーティファクトをトラッキング、共有、管理するために W&B を使用する方法を学ぶには、W&B Models を使い始めるをお試しください。
この章では、次の方法を学べます。
W&B API Reference Guide の W&B Python Library もご覧ください。

ベストプラクティスとヒント

実験とログに関するベストプラクティスとヒントについては、Best Practices: Experiments and Loggingを参照してください。

ガイド

インテグレーション

リファレンス

仕組み

はじめに

ベストプラクティスとヒント

​仕組み

​はじめに

​ベストプラクティスとヒント

仕組み

はじめに

ベストプラクティスとヒント