Experiments の概要

W&B を使用して machine learning の Experiments を追跡します。

Try in ColabTry in W&B

数行のコードを追加するだけで、機械学習の実験を追跡できます。追跡した結果は インタラクティブなダッシュボード で確認したり、Public API を使用してプログラムからデータにアクセスし、Python へエクスポートしたりすることができます。

Keras や Scikit などの主要なフレームワークを使用している場合は、W&B の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リストや、コードに W&B を追加する方法については、インテグレーションガイド を参照してください。

上の画像は、複数の Runs にわたるメトリクスを表示し、比較できるダッシュボードの例です。

​

仕組み

以下の数ステップで、機械学習の実験を追跡できます。

1. W&B Run を作成します。
2. 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。
3. トレーニングループ内で、精度 (accuracy) や損失 (loss) などのメトリクス (wandb.Run.log()) を時系列でログに記録します。
4. モデルの重みや予測結果のテーブルなど、run の出力を保存します。

以下のコードは、一般的な W&B の実験管理ワークフローを示しています。

# Runを開始します。
#
# このブロックが終了すると、ログに記録されたデータのアップロードが完了するまで待機します。
# 例外が発生した場合、Runは失敗（failed）としてマークされます。
with wandb.init(entity="", project="my-project-name") as run:
  # モデルの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):
    # トレーニングの処理...

    # モデルのパフォーマンスを可視化するために、メトリクスを時系列でログに記録します。
    run.log({"loss": loss})

  # モデルの出力をArtifactsとしてアップロードします。
  run.log_artifact(model)

​

クイックスタート

ユースケースに合わせて、W&B Experiments を使い始めるための以下のリソースを確認してください。

• データセットの Artifacts を作成、追跡、使用するための W&B Python SDK コマンドのステップバイステップの概要については、W&B クイックスタート をお読みください。
• このチャプターでは、以下の方法について詳しく説明します。
  • 実験の作成
  • 実験の設定
  • 実験からのデータのログ記録
  • 実験結果の表示
• W&B API リファレンスガイド 内の W&B Python ライブラリ を参照してください。

​

ベストプラクティスとヒント

実験とログ記録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 をご覧ください。