Aperçu d’Experiments - CoreWeave Docs

Suivez vos expériences de machine learning en quelques lignes de code. Vous pouvez ensuite examiner les résultats dans un tableau de bord interactif ou exporter vos données vers Python pour y accéder par programmation grâce à notre API publique. Si vous utilisez des frameworks courants comme Keras, tirez parti des intégrations W&B. Consultez la page Intégrations W&B pour obtenir la liste complète des intégrations et savoir comment ajouter W&B à votre code.

L’image ci-dessus présente un exemple de tableau de bord dans lequel vous pouvez afficher et comparer des métriques sur plusieurs runs.

Fonctionnement

Suivez une expérience de machine learning en quelques lignes de code :

Créez un run W&B.
Stockez un dictionnaire d’hyperparamètres, comme le taux d’apprentissage ou le type de modèle, dans votre configuration (wandb.Run.config).
Journalisez au fil du temps des métriques telles que la précision et la perte (wandb.Run.log()) dans une boucle d’entraînement.
Enregistrez les sorties d’un run, comme les poids du modèle ou un tableau de prédictions.

Le code suivant illustre un flux de travail courant de suivi des expériences avec W&B. Remplacez my-team par votre entity d’équipe W&B et my-project-name par le nom de votre projet.

import wandb

entity = "<my-team>"  # Définir entity sur le nom de votre équipe W&B
project = "my-project-name"  # Définir project sur le nom de votre projet W&B

# À la sortie de ce bloc, le programme attend la fin du téléversement des données journalisées.
# Si une exception est levée, le run est marqué comme ayant échoué.
with wandb.init(entity=entity, project="my-project-name") as run:
  # Enregistrer les entrées du modèle et les hyperparamètres.
  run.config.learning_rate = 0.01

  # Exécuter le code de votre expérience.
  for epoch in range(num_epochs):
    # Effectuer l’entraînement...

    # Journaliser les métriques au fil du temps pour visualiser les performances du modèle.
    run.log({"loss": loss})

  # Téléverser les sorties du modèle sous forme d’artifacts.
  run.log_artifact(model)

Premiers pas

Selon votre cas d’utilisation, consultez les ressources suivantes pour bien démarrer avec W&B Experiments :

Lisez le Démarrage rapide W&B pour découvrir comment configurer W&B et suivre votre première expérience.
Essayez le guide Premiers pas avec W&B Models pour découvrir comment utiliser W&B afin de suivre, partager et gérer des artifacts de modèle dans vos flux de travail de machine learning.
Parcourez ce chapitre pour apprendre à :
Explorez la bibliothèque Python W&B dans le guide de référence de l’API W&B.

Bonnes pratiques et conseils

Pour découvrir les bonnes pratiques et les conseils relatifs aux expériences et à la journalisation, consultez Best Practices: Experiments and Logging.

​Fonctionnement

​Premiers pas

​Bonnes pratiques et conseils

Fonctionnement

Premiers pas

Bonnes pratiques et conseils