メインコンテンツへスキップ
W&B をインストールして、お好きな規模の機械学習実験をトラッキング、可視化、管理しましょう。

​
サインアップしてAPIキーを作成する

W&Bとマシンを認証するには、ユーザープロファイルまたはwandb.ai/authorizeでAPIキーを生成します。APIキーをコピーして安全に保管してください。

​
wandb ライブラリをインストールしてログインする

  • コマンドライン
  • Python
  • Python ノートブック
  1. WANDB_API_KEY 環境変数 を設定します。 
    export WANDB_API_KEY=<your_api_key>
  2. wandb ライブラリをインストールしてログインします。 
    pip install wandb
wandb login

​
ランを開始してハイパーパラメーターをトラックする

Python スクリプトやノートブックで、wandb.init()を使用して W&B のランオブジェクトを初期化します。config パラメータには辞書を使用してハイパーパラメーターの名前と値を指定します。 
run = wandb.init(
    project="my-awesome-project",  # プロジェクトを指定する
    config={                        # ハイパーパラメーターとメタデータをトラックする
        "learning_rate": 0.01,
        "epochs": 10,
    },
)
W&B のコア要素として ラン は使用され、メトリクスをトラックする、ログを作成する など様々なことができます。

​
コンポーネントを組み立てる

この模擬トレーニングスクリプトは、W&Bにシミュレートされた精度と損失のメトリクスをログします: 
# train.py
import wandb
import random

wandb.login()

epochs = 10
lr = 0.01

run = wandb.init(
    project="my-awesome-project",    # プロジェクトを指定する
    config={                         # ハイパーパラメーターとメタデータをトラックする
        "learning_rate": lr,
        "epochs": epochs,
    },
)

offset = random.random() / 5
print(f"lr: {lr}")

# トレーニングランをシミュレーション
for epoch in range(2, epochs):
    acc = 1 - 2**-epoch - random.random() / epoch - offset
    loss = 2**-epoch + random.random() / epoch + offset
    print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
    wandb.log({"accuracy": acc, "loss": loss})

# run.log_code()
wandb.ai/home にアクセスして、記録された精度や損失メトリクス、および各トレーニングステップでの変化を確認してください。次のイメージは、各ランからトラックされた損失と精度を示しています。各ランオブジェクトは、Runs 列に生成された名前と共に表示されます。
各ランからトラックされた損失と精度を表示しています。

​
次のステップ

W&B エコシステムのさらなる機能を探求しましょう:
  1. PyTorch や Hugging Face のライブラリ、および SageMaker のようなサービスと W&B を組み合わせた W&B インテグレーションチュートリアル を読んでみてください。
  2. W&B Reports を使用して、ランを整理し、自動可視化し、学びを要約し、共同作業者と更新を共有します。
  3. W&B Artifacts を作成して、データセット、モデル、依存関係、および機械学習パイプライン全体の結果をトラックします。
  4. W&B Sweeps を使用してハイパーパラメーター検索を自動化し、モデルを最適化します。
  5. 中央ダッシュボード でランを分析し、モデルの予測を可視化し、洞察を共有します。
  6. W&B AI Academy を訪れて、ハンズオンのコースを通じて LLMs、MLOps、W&B Models について学びましょう。