> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Aperçu des expériences

> Utilisez les classes fondamentales du SDK Python W&B pour suivre des expériences et gérer des artifacts

Ces classes constituent les éléments de base pour suivre des expériences de machine learning, gérer des artifacts et configurer le comportement du SDK. Elles vous permettent de journaliser des métriques, de stocker des points de contrôle de modèles, de versionner des datasets et de gérer les configurations d’expériences, avec des fonctionnalités complètes de reproductibilité et de collaboration.

> Pour en savoir plus sur l’utilisation de ces classes dans vos expériences de ML, consultez la documentation [Experiments](/fr/products/wandb/ref/python/experiments) et [Artifacts](/fr/products/wandb/artifacts).

<h2 id="core-classes">
  Classes principales
</h2>

| Classe | Description |
| - | - |
| [`Run`](/fr/products/wandb/ref/python/experiments/run) | L’unité de calcul principale journalisée par W\&B, qui représente une expérience de ML unique avec ses métriques, ses configurations et ses sorties. |
| [`Artifact`](/fr/products/wandb/ref/python/experiments/artifact) | Élément de base souple et léger pour la gestion des versions des datasets et des modèles, avec déduplication automatique et suivi de la traçabilité. |
| [`Settings`](/fr/products/wandb/ref/python/experiments/settings) | Gestion de la configuration du SDK W\&B, qui en contrôle le comportement, de la journalisation aux interactions avec l’API. |

<h2 id="getting-started">
  Premiers pas
</h2>

<h3 id="track-an-experiment">
  Suivre une expérience
</h3>

Créez et suivez une expérience de machine learning en journalisant ses métriques :

```python theme={"system"}
import wandb

# Initialiser un nouveau run
with wandb.init(project="my-experiments", config={"learning_rate": 0.001}) as run:
    # Accéder à la configuration
    config = run.config
    
    # Journaliser les métriques pendant l’entraînement
    for epoch in range(10):
        metrics = train_one_epoch()  # Votre logique d’entraînement
        run.log({
            "loss": metrics["loss"],
            "accuracy": metrics["accuracy"],
            "epoch": epoch
        })
    
    # Journaliser les métriques de synthèse
    run.summary["best_accuracy"] = max_accuracy
```

<h3 id="version-a-model-artifact">
  Versionner un artifact de modèle
</h3>

Créez et journalisez un artifact de modèle versionné avec des métadonnées :

```python theme={"system"}
import wandb

with wandb.init(project="my-models") as run:
    # Entraîner votre modèle
    model = train_model()
    
    # Créer un artifact pour le modèle
    model_artifact = wandb.Artifact(
        name="my-model",
        type="model",
        description="ResNet-50 trained on ImageNet subset",
        metadata={
            "architecture": "ResNet-50",
            "dataset": "ImageNet-1K",
            "accuracy": 0.95
        }
    )
    
    # Ajouter les fichiers du modèle à l’artifact
    model_artifact.add_file("model.pt")
    model_artifact.add_dir("model_configs/")
    
    # Journaliser l’artifact dans W&B
    run.log_artifact(model_artifact)
```

<h3 id="configure-sdk-settings">
  Configurer les paramètres du SDK
</h3>

Personnalisez le comportement du SDK W\&B en fonction de vos exigences :

```python theme={"system"}
import wandb

# Configurer les paramètres par programmation
wandb.Settings(
    project="production-runs",
    entity="my-team",
    mode="offline",  # Exécuter hors ligne et synchroniser ultérieurement
    save_code=True,   # Enregistrer le code source
    quiet=True        # Réduire les sorties dans la console
)

# Ou utiliser des variables d’environnement
# export WANDB_PROJECT=production-runs
# export WANDB_MODE=offline

# Initialiser avec des paramètres personnalisés
with wandb.init() as run:
    # Placez ici le code de votre expérience
    pass
```

<h3 id="link-artifacts-for-lineage-tracking">
  Lier des artifacts pour le suivi de la traçabilité
</h3>

Suivez les relations entre les datasets, les modèles et les évaluations :

```python theme={"system"}
import wandb

with wandb.init(project="ml-pipeline") as run:
    # Utiliser un artifact de jeu de données
    dataset = run.use_artifact("dataset:v1")
    dataset_dir = dataset.download()
    
    # Entraîner le modèle sur le jeu de données
    model = train_on_dataset(dataset_dir)
    
    # Créer un artifact de modèle rattaché au jeu de données (traçabilité)
    model_artifact = wandb.Artifact(
        name="trained-model",
        type="model"
    )
    model_artifact.add_file("model.pt")
    
    # Journaliser avec suivi automatique de la traçabilité
    run.log_artifact(model_artifact)
```


## Related topics

- [Exemples de code et notebooks](/fr/products/wandb/examples.md)