> ## 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.
> Tutoriel expliquant comment créer des tâches de sweep à partir d'un projet W&B existant.
# Tutoriel : créer une tâche de sweep à partir d'un projet
Ce tutoriel explique comment créer des tâches de sweep à partir d'un projet W\&B existant. Il vous guide dans la création d'un projet de référence, la configuration d'un sweep d'hyperparamètres et le lancement d'agents qui exécutent des tâches d'entraînement en parallèle.
Vous utiliserez le [jeu de données Fashion MNIST](https://github.com/zalandoresearch/fashion-mnist) pour entraîner un réseau de neurones convolutif PyTorch à la classification d'images. Le [dépôt W\&B examples (PyTorch CNN Fashion)](https://github.com/wandb/examples/tree/master/examples/pytorch/pytorch-cnn-fashion) fournit le code et le jeu de données nécessaires.
Explorez les résultats dans ce [tableau de bord W\&B](https://app.wandb.ai/carey/pytorch-cnn-fashion).
Créer un projet
Commencez par créer un projet de référence en entraînant le modèle d’exemple au moins une fois. Ce projet de référence servira de base au sweep pour sa configuration lors des étapes suivantes. Téléchargez le modèle d’exemple basé sur le jeu de données PyTorch MNIST depuis le dépôt GitHub W\&B examples. Entraînez ensuite le modèle. Le script d’entraînement se trouve dans le répertoire `examples/pytorch/pytorch-cnn-fashion`.
Pour télécharger et entraîner le modèle d’exemple :
1. Clonez le dépôt :
```bash theme={"system"}
git clone https://github.com/wandb/examples.git
```
2. Accédez au répertoire de l’exemple :
```bash theme={"system"}
cd examples/pytorch/pytorch-cnn-fashion
```
3. Exécutez manuellement le script d’entraînement :
```bash theme={"system"}
python train.py
```
4. Facultatif : explorez l’exemple dans le tableau de bord de la W\&B App. [Consultez un exemple de page de projet](https://app.wandb.ai/carey/pytorch-cnn-fashion).
Une fois ce premier run terminé, vous disposez dans W\&B d’un projet de référence sur lequel le sweep peut s’appuyer.
Créer un sweep
Une fois votre projet de référence en place, vous pouvez configurer un sweep sur ses runs. Depuis la page de votre projet, ouvrez l’[onglet **Sweep**](/fr/products/wandb/sweeps/visualize-sweep-results) dans la barre latérale du projet, puis sélectionnez **Create Sweep**.
La configuration générée automatiquement propose des valeurs à explorer, en fonction des runs que vous avez déjà terminés. Modifiez la configuration pour définir les plages d’hyperparamètres que vous souhaitez essayer. Lorsque vous lancez le sweep, un nouveau processus démarre sur le serveur de sweeps hébergé par W\&B. Ce service centralisé coordonne les agents (les machines qui exécutent les tâches d’entraînement).
Lancer des agents
Une fois le sweep configuré, lancez un ou plusieurs agents pour exécuter les runs. Vous pouvez lancer jusqu’à 20 agents en parallèle sur différentes machines pour terminer plus rapidement la tâche de sweep. Chaque agent affiche le prochain ensemble de paramètres à utiliser.
Votre sweep est maintenant en cours d’exécution : il coordonne les tâches d’entraînement entre vos agents et transmet les résultats à W\&B. L’image suivante montre le tableau de bord pendant l’exécution de la tâche de sweep d’exemple.
Initialiser un nouveau sweep avec des runs existants
Pour réutiliser des résultats antérieurs comme point de départ, lancez un nouveau sweep à partir de runs existants que vous avez déjà journalisés :
1. Ouvrez le tableau de votre projet.
2. Cochez la case de la ligne d’un run pour le sélectionner.
3. Dans le menu déroulant, choisissez de créer un nouveau sweep.
Votre sweep est maintenant configuré sur le serveur. Lancez un ou plusieurs agents pour démarrer les runs.
Si vous démarrez le nouveau sweep en tant que sweep bayésien, les runs sélectionnés servent également à initialiser le processus gaussien.