一、简要介绍
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
- App 用户接口
- Python 库
- 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。