> ## 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. # W&B のトレーニング run で Weave を使用する > Weave トレースを W&B のトレーニング run と統合し、Workspace のダッシュボードで関数の実行詳細を ML メトリクスとともに表示します。

モデル トレーニング run 中にトレースをログする

モデル トレーニング run 中に Weave トレースをログし、個人用 Workspace で表示できます。 トレーニング run のメトリクスと並んで Weave トレース パネルが表示されている W&B Workspace。 個人用 Workspace は、UI 内のカスタマイズ可能なダッシュボードです。モデル トレーニング run の詳細な分析やデータの可視化を確認できます。Workspace に Weave パネルを追加すると、モデル run 中にログされたトレース データを表示してアクセスでき、トレーニング中のモデルのパフォーマンスを詳しく把握できます。 たとえば、LLM モデルのファインチューニング中に、W\&B Workspace でステップ 500 の精度低下が確認された場合、統合された Weave トレースを使って、何が起きたのかを正確に確認できます。モデルが過度に冗長な応答を生成し始め、評価基準を満たさなくなった、といった原因を特定できます。

Weave パネルを使用する

ML パイプライン内の[関数を `@weave.op` でデコレートする](/ja/products/wandb/weave/quickstart)と、それらの実行情報が自動的に取得され、個人用 Workspace で確認できるようになります。 たとえば、次のスクリプトは、Weave トレースを W\&B のトレーニング run と統合する方法を示しています。このスクリプトは機械学習のトレーニングループをシミュレートしており、各トレーニングステップで W\&B にメトリクスをログすると同時に、詳細な Weave トレースを作成します。関数に付けた `@weave.op` デコレーターにより、入力、出力、実行の詳細が自動的に取得されます。トレーニングループが `wandb.log()` でメトリクスをログすると、Weave のトレース情報も project にログされます。 ```python lines theme={"system"} import wandb import weave import random # 同じ project で W&B と Weave の両方を初期化します project = "my-workspace-project" weave.init(project) @weave.op def evaluate_model(model_state, epoch): # 評価メトリクスをシミュレートします accuracy = 0.7 + epoch * 0.02 + random.uniform(-0.05, 0.05) # モデルの特定の動作をトラッキングします test_responses = { "conciseness_check": "Model generated 500 words for simple question", "accuracy_check": "Model answered 8/10 questions correctly", "hallucination_check": "No factual errors detected" } return { "accuracy": accuracy, "diagnostic_results": test_responses } @weave.op def training_step(epoch, lr): # トレーニングのロジックをシミュレートします loss = 1.0 / (epoch + 1) + random.uniform(-0.1, 0.1) # トレースを伴う評価を行います eval_results = evaluate_model(f"checkpoint_{epoch}", epoch) return { "loss": loss, "accuracy": eval_results["accuracy"], "diagnostics": eval_results["diagnostic_results"] } # トレーニングループ with wandb.init(project=project, config={"lr": 0.01}) as run: for epoch in range(5): # Weave のトレースを使用してトレーニングを実行します results = training_step(epoch, run.config.lr) # W&B にログします - インテグレーションの接点を作成します run.log({ "epoch": epoch, "loss": results["loss"], "accuracy": results["accuracy"] }) ``` このサンプルスクリプトを実行すると、トレースが run のその他の情報とともにどのようにログされるかを確認できます。 run の開始後は、実行中でも終了後でも、Workspace でトレース情報を表示できます。run の開始時にターミナルに表示されるリンク (`wandb: 🚀 View run at https://forge.coreweave.com/wandb/wandb/my-project/runs/[RUN-ID]` のような形式) を開くか、UI で Workspace にアクセスします。 UI から Workspace にアクセスするには、次の手順を実行します。 1. Weights & Biases の UI を開き、**Projects** タブをクリックします。project の一覧が表示されます。 2. project の一覧から、run をログした project をクリックします。**Workspaces** ページが開きます。 3. Workspace を自動 Workspace として設定している場合は、run に関するデータ可視化と情報が Workspace に自動的に表示されます。run のトレースデータは、Workspace の **Weave** セクションにあります。手動 Workspace の場合は、**Add panels** をクリックし、Add Panels メニューの **Weave** セクションからパネルを選択すると、Weave パネルを追加できます。 Workspace の詳細については、[実験結果を表示する](/ja/products/wandb/track/workspaces)を参照してください。

トレースを特定の W\&B run に関連付ける

場合によっては、Weave が自動的に検出する run 以外の run にトレースを関連付けたいことがあります。デフォルトでは、Weave は実行中の `wandb.run` を自動的に検出し、トレースを関連付けます。グローバルな `wandb.run` ではない特定の run にトレースを関連付ける必要がある場合は、`set_wandb_run_context` を使用します。トレースを特定の run と run のステップに関連付けるには、このメソッドの `run_id` 引数と `step` 引数に値を定義します。 ```python lines highlight={6} theme={"system"} import weave client = weave.init("[YOUR-TEAM-NAME]/[YOUR-PROJECT-NAME]") # 以降のすべてのトレースを特定の run に関連付けます。 client.set_wandb_run_context(run_id="[YOUR-RUN-ID]", step=[INTEGER]) @weave.op def my_function(x): return x * 2 my_function(10) # このトレースはステップ 5 で "my-run-id" に関連付けられます。 ``` `run_id` は run の短い ID (例: `38m4t5ja`) であり、完全な `entity/project/run_id` パスではありません。run の短い ID は、run の URL (`https://forge.coreweave.com/wandb/team/project/runs/[RUN-ID]`) で検索するか、[コード内で `wandb.run.id` にアクセスする](/ja/products/wandb/runs/run-identifiers#find-and-customize-a-runs-id-or-name)ことで確認できます。 上書きを停止してグローバルな `wandb.run` に戻すには、`clear_wandb_run_context` を呼び出します。 ```python lines theme={"system"} client.clear_wandb_run_context() my_function(20) # このトレースは、グローバルな wandb.run があれば使用します。 ```

Weave トレースで W\&B アーティファクトを参照する

Weave トレースで [W\&B アーティファクト](/ja/products/wandb/artifacts) (モデル、データセット、チェックポイントなど) を参照できます。これにより、Weights & Biases UI にアーティファクトの詳細ページに直接移動するクリック可能なリンクが作成され、特定の操作で使用したアーティファクトのバージョンをトラッキングできます。 たとえば、モデルの 2 つのバージョン (`v1` と `v2`) をトレーニングした場合、そのモデルをクエリするときに、`v1` アーティファクトへの参照をトレースの属性として追加できます。これにより、特定の出力を生成したアーティファクトのバージョンを正確に追跡できます。 アーティファクトをトレースに関連付けるには、次の構文を使用して、`wandb-artifact:///` 接頭辞とアーティファクトの完全名を連結し、アーティファクトの URL を作成します：`wandb-artifact:///[FULL-NAME-OF-ARTIFACT]`。その後、次のいずれかの方法で Weave に渡します： * 任意の属性として * `Model` の属性として アーティファクトの完全名は、Weights & Biases UI の詳細ページで確認できます。形式は `[ENTITY]/[PROJECT]/[ARTIFACT-NAME]:[VERSION]` です。Weights & Biases UI のアーティファクトの詳細ページから完全名をコピーできます。 以下のセクションで、それぞれの方法を説明します。

アーティファクトをトレースの属性として追加する

アーティファクトをトレースの属性として追加するには、`weave.attributes()` コンテキストマネージャーにキーと値のペアで渡します。 ```python lines {10} theme={"system"} import weave weave.init("[YOUR-TEAM-NAME]/[YOUR-PROJECT-NAME]") @weave.op def my_function(name: str): return f"Hello, {name}!" # 任意のキー名をキー、アーティファクトの URL を値として追加する with weave.attributes({'artifact_id': 'wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0'}): result = my_function("World") ``` ```typescript twoslash lines {12} theme={"system"} // @noErrors import {init, op, withAttributes} from 'weave'; async function main() { await init('wandb/docs'); const myFunction = op(async function myFunction(name: string) { return `Hello, ${name}!`; }); // 任意のキー名をキー、アーティファクトの URL を値として追加する const result = await withAttributes( {artifact_id: "wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0"}, async () => myFunction('World') ); console.log('Result:', result); } main().catch(console.error); ```

アーティファクトを `Model` の属性として追加する

アーティファクトを `Model` の属性として追加するには、モデルのインスタンスを作成するときにアーティファクトの URL を渡します: `Model` クラスは Weave Python SDK でのみサポートされます。 ```python lines {7,17} theme={"system"} import weave weave.init("[YOUR-TEAM-NAME]/[YOUR-PROJECT-NAME]") class MyModel(weave.Model): # アーティファクトの参照をモデルの属性として保存します artifact_id: str temperature: float = 0.7 @weave.op def predict(self, query: str) -> str: # ここにモデルの推論ロジックを実装します return f"Response to: {query}" # アーティファクトの URL をモデルの属性として渡します model = MyModel( artifact_id="wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0" ) result = model.predict("Hello, World!") ``` ## Related topics - [Serverless RL を使用する](/ja/products/post-training/serverless-training/rl.md)