Weights & Biases (一)

一、简要介绍

Weights & Biases 是供开发人员更快地构建更好模型的机器学习平台。使用 W&B 的轻量级、可互操作的工具快速跟踪实验、版本和迭代数据集、评估模型性能、重现模型、可视化结果和发现回归，并与同事分享发现。

在 5 分钟内设置 W&B，然后快速迭代您的机器学习管道，确信您的数据集和模型在可靠的记录系统中得到跟踪和版本控制。

主要功能

• 实验跟踪：实时可视化实验

• 超参数调优：快速优化模型

• 数据 + 模型版本控制：版本数据集和模型

• 模型管理：管理从培训到生产的模型生命周期

• 数据可视化：跨模型版本可视化预测

• 协作报告：描述和分享发现

• 集成：Py Torch、Keras、Hugging Face 等

• 私有 - 托管：W&B 应用程序的私有云和本地托

参考

1. App 用户接口
2. Python 库
3. 命令行接口

二、快速开始

使用权重和偏差实验跟踪更有效地构建更好的模型。

试试这个简短的 Google Colab 来查看权重和偏差，无需安装代码！

2.1.设置wandb

a) 在 https://wandb.ai/site 注册一个免费帐户，然后登录到您的 wandb 帐户。
b) 在 Python 3 环境中使用 pip 在您的机器上安装 wandb 库
c) 登录到您机器上的 wandb 库。您将在此处找到您的 API 密钥：https://wandb.ai/authorize。 

pip install wandb

wandb login

2.2.开始新的运行

在 Python 脚本或笔记本中初始化 W&B 中的新运行。 wandb.init() 将开始跟踪系统指标和控制台日志，开箱即用。运行您的代码，在出现提示时输入您的 API 密钥，您将看到新的运行出现在 W&B 中。
更多关于 wandb.init() →【后面指导页面】

import wandb
wandb.init(project="my-awesome-project")

2.3. 跟踪指标

使用 wandb.log() 跟踪指标或框架集成以便于检测。

wandb.log({'accuracy': train_acc, 'loss': train_loss})

2.4.跟踪超参数

保存超参数，以便您可以快速比较实验。 

wandb.config.dropout = 0.2

 2.5. 获取警报

如果您的 W&B Run 已崩溃或是否已达到自定义触发器（例如您的丢失到 Na N 或您的 ML 管道中的步骤已完成），则通过 Slack 或电子邮件获得通知。有关完整设置，请参阅警报文档。

1.在 W&B 用户设置中打开警报
2.将 wandb.alert() 添加到您的代码中

wandb.alert(
    title="Low accuracy", 
    text=f"Accuracy {acc} is below the acceptable threshold {thresh}"
)

然后在 Slack（或您的电子邮件）中查看 W&B 警报消息。

常见问题

我在哪里可以找到我的 API 密钥？
登录 www.wandb.ai 后，API 密钥将在授权页面上。

如何在自动化环境中使用 W&B？
如果您在不方便运行 shell 命令的自动化环境中训练模型，例如 Google 的 Cloud ML，您应该查看我们的环境变量配置指南。

你们是否提供本地、本地安装？
是的，您可以在您自己的机器或私有云中本地私有地托管 W&B，试试这个快速教程笔记本看看如何。注意，要登录 wandb 本地服务器，您可以将主机标志设置为本地实例的地址。

如何暂时关闭 wandb 日志记录？
如果您正在测试代码并想要禁用 wandb 同步，请设置环境变量 WANDB _ MODE=offline。