Quickstart (快速上手)-wandb系统快速入门

轻松编写一段脚本，就可以在你自己的项目中查看我们的实验跟踪和可视化功能。

 

简单三步即可开始记录机器学习实验。

1. 安装库

在使用Python3的环境中安装我们的库。

 

pip install wandb

 

如果你在不方便运行shell命令的自动化环境中训练模型，比如谷歌的CloudML，你应当查看一下我们的环境变量。

2. 创建账号

在你的shell命令行中或到我们的注册页注册一个免费账号。

 

wandb login

3. 修改你的训练脚本

在你的脚本中插入几行代码，用以记录超参数和指标（Metric）。

 

权重（Weights）和偏差(Biases)是框架无关的，但如果你用的是常见机器学习框架，你可能会发现特定框架的例子更容易上手。我们针对特定框架开发了对应的钩子（hook）,以简化集成，这些框架包括 Keras, TensorFlow, PyTorch, Fast.ai, Scikit-learn, XGBoost, Catalyst, 和 Jax.

初始化W&B

开始记录之前，在你的脚本开始处初始化wandb。有些集成，比如我们的 Hugging Face 集成，内部包含wandb.init()。

 

# Inside my model training code

 

import wandb

 

wandb.init(project="my-project")

如果项目不存在，我们会自动为你创建项目。上方训练脚本的运行会同步到一个名称为“my-project”的项目中。要了解更多初始化选项，请查看wandb.init文档。

声明超参数

用对象wandb.config保存超参数很容易。

 

wandb.config.dropout = 0.2

 

wandb.config.hidden_layer_size = 128

记录指标（Metric）

在训练模型过程中记录指标（Metric），如损失（Loss）和准确率（Accuracy）（很多情况下，我们会提供特定框架的默认值）。用wandb.log记录更加复杂的输出和结果，如直方图、图形和图像。

 

def my_train_loop():

 

for epoch in range(10):

 

loss = 0 # change as appropriate :)

 

wandb.log({'epoch': epoch, 'loss': loss})

保存文件

保存在路径wandb.run.d中的全部内容都会被上传到W&B，并在运行结束后与你的运行项保存在一起。这对于保存你模型中的文字权重（Weight）和偏差（Bias）特别方便：

 

# by default, this will save to a new subfolder for files associated

 

# with your run, created in wandb.run.dir (which is ./wandb by default)

 

wandb.save("mymodel.h5")

 

​

 

# you can pass the full path to the Keras model API

 

model.save(os.path.join(wandb.run.dir, "mymodel.h5"))

很好！现在正常运行你的脚本，我们会在一个后台进程中同步那些记录。你的终端输出、指标（Metric）和文件将被同步到云端，如果你从一个git 库中运行的话，还会同步你的git状态记录。

 

如果你是在做测试，想禁用wandb同步，可以设置环境变量WANDB_MODE=dryrun

下一步

现在你已经让这个仪表运行起来了，下面是一些很酷的功能概述：

• 1.

  项目页：在一个项目仪表盘上比较很多不同的实验。每次运行项目中的一个模型，都会在图形和表格中添加一行。在左侧栏中点击表格图标，即可展开表格并能看到所有超参数和指标（Metric）。可以创建多个项目来组织你的运行，并用表格为你的运行添加标签和注释。

• 2.

  自定义可视化：为方便探究结果，可添加平行坐标图、散点图及其他高级可视化工具。

• 3.

  报告：在你的实时图形和表格旁边添加一个Markdown面板，用以描述自己的研究成果。报告让你可以便捷地把项目快照分享给伙伴、教授或者老板