Experiments overview - CoreWeave Docs

数行のコードで機械学習の実験をトラッキングできます。その後、対話型ダッシュボードで結果を確認したり、Public APIを使用してデータを Python にエクスポートし、プログラムからアクセスしたりできます。 Keras などの一般的なフレームワークを使用する場合は、W&B インテグレーションを活用してください。インテグレーションの全一覧と、コードに W&B を追加する方法については、W&B インテグレーションを参照してください。

上の画像は、複数の run のメトリクスを表示して比較できるダッシュボードの例です。

仕組み

機械学習の実験を数行のコードでトラッキングします:

W&B run を作成します。
学習率やモデルのタイプなどのハイパーパラメーターの辞書を、設定 (wandb.Run.config) に保存します。
トレーニングループ内で、精度や損失などのメトリクスを (wandb.Run.log()) を使って時間経過とともにログします。
モデルの重みや予測の表など、run の出力を保存します。

以下のコードは、一般的な W&B 実験管理のワークフローを示しています。my-team をあなたの W&B チーム entity に、my-project-name をプロジェクト名に置き換えてください。

import wandb

entity = "<my-team>"  # entity をあなたの W&B チーム名に設定します
project = "my-project-name"  # project をあなたの W&B プロジェクト名に設定します

# このブロックを抜けると、ログされたデータのアップロード完了を待ちます。
# 例外が発生した場合、run は失敗とマークされます。
with wandb.init(entity=entity, project="my-project-name") as run:
  # モデル入力とハイパーパラメーターを保存します。
  run.config.learning_rate = 0.01

  # 実験コードを実行します。
  for epoch in range(num_epochs):
    # トレーニングを行います...

    # モデル性能を可視化するため、メトリクスを時間経過でログします。
    run.log({"loss": loss})

  # モデル出力をアーティファクトとしてアップロードします。
  run.log_artifact(model)

はじめに

ユースケースに応じて、W&B Experiments の使用を開始するための以下のリソースを参照してください。

W&B クイックスタートを読んで、W&B の設定方法と最初の実験のトラッキング方法を学びましょう。
W&B Models を使ってみるを試して、機械学習ワークフローでモデルアーティファクトをトラッキングし、共有、管理するために W&B を使用する方法を学びましょう。
この章を探索して、以下の方法を学びましょう:
W&B API リファレンスガイド内の W&B Python Library を探索してください。

ベストプラクティスとヒント

実験とログすることに関するベストプラクティスとヒントについては、Best Practices: Experiments and Logging を参照してください。

​仕組み

​はじめに

​ベストプラクティスとヒント

仕組み

はじめに

ベストプラクティスとヒント