Experiments の概要

import wandb

# 新しい run を初期化
with wandb.init(project="my-experiments", config={"learning_rate": 0.001}) as run:
    # 設定にアクセス
    config = run.config
    
    # トレーニング中にメトリクスをログする
    for epoch in range(10):
        metrics = train_one_epoch()  # 独自のトレーニングロジックをここに記述
        run.log({
            "loss": metrics["loss"],
            "accuracy": metrics["accuracy"],
            "epoch": epoch
        })
    
    # サマリー メトリクスをログする
    run.summary["best_accuracy"] = max_accuracy

import wandb

with wandb.init(project="my-models") as run:
    # モデルをトレーニングする
    model = train_model()
    
    # モデル用のアーティファクトを作成する
    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
        }
    )
    
    # モデルファイルをアーティファクトに追加する
    model_artifact.add_file("model.pt")
    model_artifact.add_dir("model_configs/")
    
    # アーティファクトを W&B にログする
    run.log_artifact(model_artifact)

import wandb

# プログラムから設定を行う
wandb.Settings(
    project="production-runs",
    entity="my-team",
    mode="offline",  # オフラインで実行し、後で同期する
    save_code=True,   # ソースコードを保存する
    quiet=True        # コンソール出力を抑える
)

# または環境変数を使用する
# export WANDB_PROJECT=production-runs
# export WANDB_MODE=offline

# カスタム設定で初期化する
with wandb.init() as run:
    # ここに実験コードを記述する
    pass

import wandb

with wandb.init(project="ml-pipeline") as run:
    # データセット アーティファクトを使用する
    dataset = run.use_artifact("dataset:v1")
    dataset_dir = dataset.download()
    
    # データセットを使用してモデルをトレーニングする
    model = train_on_dataset(dataset_dir)
    
    # データセットとのリネージを持つモデル アーティファクトを作成する
    model_artifact = wandb.Artifact(
        name="trained-model",
        type="model"
    )
    model_artifact.add_file("model.pt")
    
    # ログすると、リネージが自動的にトラッキングされる
    run.log_artifact(model_artifact)