> ## 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.

# Experiments の概要

> W&B Python SDK の基本クラスを使用して、実験のトラッキングとアーティファクトの管理を行います

これらのクラスは、機械学習の実験のトラッキング、アーティファクトの管理、SDK の動作の設定を行うための中核となる構成要素です。これらの基本クラスを使用すると、メトリクスをログし、モデル チェックポイントを保存し、データセットのバージョン管理や実験設定の管理を、完全な再現性を確保しながら行えます。また、コラボレーション機能も利用できます。

> ML の実験でこれらのクラスを使用する方法の詳細については、[Experiments](/ja/products/wandb/ref/python/experiments) および [Artifacts](/ja/products/wandb/artifacts) のドキュメントを参照してください。

<h2 id="core-classes">
  主要なクラス
</h2>

| クラス | 説明 |
| - | - |
| [`Run`](/ja/products/wandb/ref/python/experiments/run) | W\&B がログする計算の基本単位です。メトリクス、設定、出力を含む単一の ML 実験を表します。 |
| [`Artifact`](/ja/products/wandb/ref/python/experiments/artifact) | データセットやモデルのバージョン管理に使用する、柔軟で軽量な構成要素です。自動重複排除とリネージのトラッキングに対応しています。 |
| [`Settings`](/ja/products/wandb/ref/python/experiments/settings) | W\&B SDK の設定を管理し、ログから API とのやり取りに至るまでの動作を制御します。 |

<h2 id="getting-started">
  はじめに
</h2>

<h3 id="track-an-experiment">
  実験をトラッキングする
</h3>

メトリクスをログして、機械学習の実験を作成・トラッキングします：

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

<h3 id="version-a-model-artifact">
  モデル アーティファクトをバージョン管理する
</h3>

メタデータ付きでバージョン管理されたモデル アーティファクトを作成し、ログします。

```python theme={"system"}
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)
```

<h3 id="configure-sdk-settings">
  SDK を設定する
</h3>

W\&B SDK の動作を要件に合わせてカスタマイズします。

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

<h3 id="link-artifacts-for-lineage-tracking">
  アーティファクトをリンクしてリネージをトラッキングする
</h3>

データセット、モデル、評価の間の関係をトラッキングします。

```python theme={"system"}
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)
```


## Related topics

- [Reports の概要](/ja/products/wandb/reports.md)