weights-and-biases

# Weights & Biases：机器学习实验跟踪与 MLOps ## 何时使用此技能 当您需要执行以下操作时，请使用 Weights & Biases (W&B)： - **跟踪机器学习实验**，通过自动指标记录 - **实时可视化训练**，在仪表板中查看 - **比较运行结果**，跨超参数和配置 - **优化超参数**，通过自动化的扫描（Sweeps） - **管理模型注册表**，通过版本控制和血缘关系 - **协作机器学习项目**，通过团队工作区 - **跟踪工件**（数据集、模型、代码），通过血缘关系 **用户量**：20万+ 机器学习从业者 | **GitHub 星标**：1.05万+ | **集成**：100+ ## 安装 bash # 安装 W&B pip install wandb # 登录 (创建 API 密钥) wandb login # 或以编程方式设置 API 密钥 export WANDB_API_KEY=your_api_key_here ## 快速入门 ### 基础实验跟踪 python import wandb # 初始化一个运行 run = wandb.init( project="my-project", config={ "learning_rate": 0.001, "epochs": 10, "batch_size": 32, "architecture": "ResNet50" } ) # 训练循环 for epoch in range(run.config.epochs): # 您的训练代码 train_loss = train_epoch() val_loss = validate() # 记录指标 wandb.log({ "epoch": epoch, "train/loss": train_loss, "val/loss": val_loss, "train/accuracy": train_acc, "val/accuracy": val_acc }) # 结束运行 wandb.finish() ### 与 PyTorch 集成 python import torch import wandb # 初始化 wandb.init(project="pytorch-demo", config={ "lr": 0.001, "epochs": 10 }) # 访问配置 config = wandb.config # 训练循环 for epoch in range(config.epochs): for batch_idx, (data, target) in enumerate(train_loader): # 前向传播 output = model(data) loss = criterion(output, target) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 每 100 个批次记录一次 if batch_idx % 100 == 0: wandb.log({ "loss": loss.item(), "epoch": epoch, "batch": batch_idx }) # 保存模型 torch.save(model.state_dict(), "model.pth") wandb.save("model.pth") # 上传到 W&B wandb.finish() ## 核心概念 ### 1. 项目 (Projects) 和 运行 (Runs) **项目 (Project)**：相关实验的集合 **运行 (Run)**：训练脚本的单次执行 python # 创建/使用项目 run = wandb.init( project="image-classification", name="resnet50-e