> ## 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.
> Suivez vos expériences de machine learning avec W&B pour journaliser les métriques, les hyperparamètres, les métriques système et les artifacts de modèle.
# Aperçu d’Experiments
export const TryProductLink = ({url}) =>
Try in W&B
;
export const ColabLink = ({url}) =>
Try in Colab
;
Suivez vos expériences de machine learning en quelques lignes de code. Vous pouvez ensuite examiner les résultats dans un [tableau de bord interactif](/fr/products/wandb/track/workspaces) ou exporter vos données vers Python pour y accéder par programmation grâce à notre [API publique](/fr/products/wandb/ref/python/public-api).
Si vous utilisez des frameworks courants comme [Keras](/fr/products/wandb/integrations/keras), tirez parti des intégrations W\&B. Consultez la page [Intégrations W\&B](/fr/products/wandb/integrations) 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](/fr/products/wandb/runs).
Fonctionnement
Suivez une expérience de machine learning en quelques lignes de code :
1. Créez un [run W\&B](/fr/products/wandb/runs).
2. Stockez un dictionnaire d’hyperparamètres, comme le taux d’apprentissage ou le type de modèle, dans votre configuration ([`wandb.Run.config`](/fr/products/wandb/track/config)).
3. Journalisez au fil du temps des métriques telles que la précision et la perte ([`wandb.Run.log()`](/fr/products/wandb/track/log)) dans une boucle d’entraînement.
4. 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.
```python theme={"system"}
import wandb
entity = "" # 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](/fr/products/wandb/quickstart) pour découvrir comment configurer W\&B et suivre votre première expérience.
* Essayez le guide [Premiers pas avec W\&B Models](/fr/products/wandb/models_quickstart) 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 :
* [Créer une expérience](/fr/products/wandb/track/create-an-experiment)
* [Configurer des expériences](/fr/products/wandb/track/config)
* [Journaliser les données des expériences](/fr/products/wandb/track/log)
* [Afficher les résultats des expériences](/fr/products/wandb/track/workspaces)
* Explorez la [bibliothèque Python W\&B](/fr/products/wandb/ref/python) dans le [guide de référence de l’API W\&B](/fr/products/wandb/ref/python).
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](https://forge.coreweave.com/wandb/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#w\&b-experiments-and-logging).
L’image ci-dessus présente un exemple de tableau de bord dans lequel vous pouvez afficher et comparer des métriques sur plusieurs [runs](/fr/products/wandb/runs).