W&B Quickstart

あらゆる規模の機械学習実験を追跡、可視化、管理するために W&B をインストールします。

サインアップして APIキーを作成する

W&B で機械を認証するには、ユーザープロフィールまたは wandb.ai/authorize から 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 notebook

pip install wandb

import wandb
wandb.login()

!pip install wandb
import wandb
wandb.login()

run を開始してハイパーパラメータを追跡する

Python スクリプトまたは notebook で、wandb.init() で W&B の run オブジェクトを初期化します。config パラメータに辞書を使用して、ハイパーパラメータ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
    config={                        # ハイパーパラメータとメタデータを追跡
        "learning_rate": 0.01,
        "epochs": 10,
    },
)

run は、W&B のコア要素として機能し、メトリクスを追跡、ログを作成 などに使用されます。

コンポーネントを組み立てる

このモックトレーニングスクリプトは、シミュレートされた精度と損失のメトリクスを W&B に記録します。

# 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
    config={                         # ハイパーパラメータとメタデータを追跡
        "learning_rate": lr,
        "epochs": epochs,
    },
)

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

# トレーニング run をシミュレートする
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、精度や損失などの記録されたメトリクスと、各トレーニングステップ中にそれらがどのように変化したかを確認します。次の図は、各 run から追跡された損失と精度を示しています。各 run オブジェクトは、生成された名前とともに [Runs] 欄に表示されます。

次のステップ

W&B エコシステムのその他の機能を探索します。

1. W&B と PyTorch のようなフレームワーク、Hugging Face のようなライブラリ、SageMaker のようなサービスを組み合わせた W&B Integration チュートリアル を読みます。
2. W&B Reports を使用して、run を整理し、可視化を自動化し、学びを要約し、コラボレーターと更新を共有します。
3. W&B Artifacts を作成して、機械学習パイプライン全体のデータセット、モデル、依存関係、および結果を追跡します。
4. W&B Sweeps でハイパーパラメータの検索を自動化し、モデルを最適化します。
5. 中央ダッシュボード で run を分析し、モデルの予測を可視化し、インサイトを共有します。
6. W&B AI Academy にアクセスして、実践的なコースを通じて LLM、MLOps、および W&B Models について学びます。