国内加载流畅的AI模型训练平台 【Swanlab快速入门】

SwanLab是一款开源、轻量级的AI实验跟踪工具，提供了一个跟踪、比较、和协作实验的平台，旨在加速AI研发团队100倍的研发效率。

其提供了友好的API和漂亮的界面，结合了超参数跟踪、指标记录、在线协作、实验链接分享、实时消息通知等功能，让您可以快速跟踪ML实验、可视化过程、分享给同伴。

借助SwanLab，科研人员可以沉淀自己的每一次训练经验，与合作者无缝地交流和协作，机器学习工程师可以更快地开发可用于生产的模型。

为什么使用SwanLab？​

与软件工程不同，人工智能是一个实验性学科，产生灵感、快速试验、验证想法 是AI研究的主旋律。而记录下实验过程和灵感，就像化学家记录实验手稿一样，是每一个AI研究者、研究组织形成积累、提升加速度的核心。

先前的实验记录方法，是在计算机前盯着终端打印的输出，复制粘贴日志文件（或TFEvent文件），粗糙的日志对灵感的涌现造成了障碍，离线的日志文件让研究者之间难以形成合力。

与之相比，SwanLab提供了一套云端AI实验跟踪方案，面向训练过程，提供了训练可视化、实验跟踪、超参数记录、日志记录、多人协同等功能，研究者能轻松通过直观的可视化图表找到迭代灵感，并且通过在线链接的分享与基于组织的多人协同训练，打破团队沟通的壁垒。

以往的AI研究的分享和开源更关注结果，而我们更关注过程。
社区用户对SwanLab的产品评价可以归结为简洁易用、提升效率与迭代迅速
——泽毅，SwanLab 联合创始人

更重要的是，SwanLab是开源的，由一帮热爱开源的机器学习工程师与社区共同构建，我们提供了完全自托管的版本，可以保证你的数据安全与隐私性。

希望以上信息和这份指南可以帮助你了解这款产品，我们相信 SwanLab 能够帮助到你。

SwanLab能做什么？​

1. 📊实验指标与超参数跟踪: 极简的代码嵌入您的机器学习pipeline，跟踪记录训练关键指标

• 自由的超参数与实验配置记录
• 支持的元数据类型：标量指标、图像、音频、文本、...
• 支持的图表类型：折线图、媒体图（图像、音频、文本）、...
• 自动记录：控制台logging、GPU硬件、Git信息、Python解释器、Python库列表、代码目录

2. ⚡️全面的框架集成: PyTorch、PyTorch Lightning、🤗HuggingFace Transformers、MMEngine、Ultralytics等主流框架

3. 📦组织实验: 集中式仪表板，快速管理多个项目与实验，通过整体视图速览训练全局

4. 🆚比较结果: 通过在线表格与对比图表比较不同实验的超参数和结果，挖掘迭代灵感

5. 👥在线协作: 您可以与团队进行协作式训练，支持将实验实时同步在一个项目下，您可以在线查看团队的训练记录，基于结果发表看法与建议

6. ✉️分享结果: 复制和发送持久的URL来共享每个实验，方便地发送给伙伴，或嵌入到在线笔记中

7. 💻支持自托管: 支持不联网使用，自托管的社区版同样可以查看仪表盘与管理实验

从哪里开始​

• 快速开始: SwanLab入门教程，五分钟玩转实验跟踪！
• API文档: 完整的API文档
• 在线支持: 加入社区、反馈问题和联系我们
• 自托管: 自托管（离线版本）使用方式教程
• 案例: 查看SwanLab与各个深度学习任务的案例

与熟悉产品的对比​

Tensorboard vs SwanLab​

• ☁️支持在线使用： 通过SwanLab可以方便地将训练实验在云端在线同步与保存，便于远程查看训练进展、管理历史项目、分享实验链接、发送实时消息通知、多端看实验等。而Tensorboard是一个离线的实验跟踪工具。

• 👥多人协作： 在进行多人、跨团队的机器学习协作时，通过SwanLab可以轻松管理多人的训练项目、分享实验链接、跨空间交流讨论。而Tensorboard主要为个人设计，难以进行多人协作和分享实验。

• 💻持久、集中的仪表板： 无论你在何处训练模型，无论是在本地计算机上、在实验室集群还是在公有云的GPU实例中，你的结果都会记录到同一个集中式仪表板中。而使用TensorBoard需要花费时间从不同的机器复制和管理 TFEvent文件。

• 💪更强大的表格： 通过SwanLab表格可以查看、搜索、过滤来自不同实验的结果，可以轻松查看数千个模型版本并找到适合不同任务的最佳性能模型。 TensorBoard 不适用于大型项目。

W&B vs SwanLab​

• Weights and Biases 是一个必须联网使用的闭源MLOps平台

• SwanLab 不仅支持联网使用，也支持开源、免费、自托管的版本

🚀快速开始​

安装 SwanLab 并在几分钟内开始跟踪你的人工智能实验。

1. 创建账号并安装SwanLab​

在开始之前，请确保你创建好了一个SwanLab账号，并安装了我们的Python库。

1. 在 SwanLab官网 免费注册账号，然后登录你的SwanLab账号

1. 使用 pip 在Python3环境的计算机上安装swanlab库

打开命令行（Windows系统推荐使用PowerShell），输入：

bash

pip install swanlab

按下回车，等待片刻完成安装。

2. 在编程环境上登录SwanLab​

下一步，你需要在你的编程环境上登录SwanLab。

打开命令行，输入：

bash

swanlab login

出现如下提示时：

bash

swanlab: Logging into swanlab cloud.
swanlab: You can find your API key at: https://dev101.swanlab.cn/settings
swanlab: Paste an API key from your profile and hit enter, or press 'CTRL-C' to quit:

在用户设置页面复制您的 API Key，粘贴后按下回车，即可完成登录。

3. 开启一个实验并跟踪超参数​

在Python脚本中，我们用swanlab.init创建一个SwanLab实验，并向config参数传递将一个包含超参数键值对的字典：

python

run = swanlab.init(
    # 设置项目
    project="my-project",
    # 跟踪超参数与实验元数据
    config={
        "learning_rate": 0.01,
        "epochs": 10,
    },
)

run是SwanLab的基本组成部分，你将经常使用它来记录与跟踪实验指标。

4. 记录实验指标​

在Python脚本中，用swanlab.log记录实验指标（比如准确率acc和损失值loss）。

用法是将一个包含指标的字典传递给swanlab.log：

python

swanlab.log({"accuracy": acc, "loss": loss})

5. 完整代码，在线查看可视化看板​

我们将上面的步骤整合为下面所示的完整代码：

python

import swanlab
import random

# 初始化SwanLab
run = swanlab.init(
    # 设置项目
    project="my-project",
    # 跟踪超参数与实验元数据
    config={
        "learning_rate": 0.01,
        "epochs": 10,
    },
)

print(f"学习率为{run.config.learning_rate}")

offset = random.random() / 5

# 模拟训练过程
for epoch in range(2, run.config.epochs):
    acc = 1 - 2**-epoch - random.random() / epoch - offset
    loss = 2**-epoch + random.random() / epoch + offset
    print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
    # 记录指标
    swanlab.log({"accuracy": acc, "loss": loss})

运行代码，访问SwanLab，查看在每个训练步骤中，你使用SwanLab记录的指标（准确率和损失值）的改进情况。

下一步是什么​

1. 查看SwanLab如何记录多媒体内容（图片、音频、文本、...）
2. 查看SwanLab记录MNIST手写体识别的案例
3. 查看与其他框架的集成
4. 查看如何通过SwanLab与团队协作

常见问题​

1. 在哪里可以找到我的API Key？​

登陆SwanLab网站后，API Key将显示在用户设置页面上。

2. 我可以离线使用SwanLab吗？​

可以，具体流程请查看自托管部分。

在线支持​

• GitHub Issues：反馈使用SwanLab时遇到的错误和问题

• 电子邮件支持：反馈关于使用SwanLab的问题

  • 产品: zeyi.lin@swanhub.co
  • 合作: shaohon_chen@115lab.club

• 微信交流群：交流使用SwanLab的问题、分享最新的AI技术。