Wandb：模型训练最强辅助

 

 

如果说到深度学习中训练数据的记录工具，最先想到应该是TensorBoard(或者TensorBoardX）。不过，相比较TensorBoard而言，Wandb更加的强大，主要体现在以下的几个方面：

1. 复现模型：Wandb更有利于复现模型。
   这是因为Wandb不仅记录指标，还会记录超参数和代码版本。
2. 自动上传云端：
   如果你把项目交给同事或者要去度假，Wandb可以让你便捷地查看你制作的所有模型，你就不必花费大量时间来重新运行旧实验。
3. 快速、灵活的集成：
   只需5分钟即可把Wandb加到自己的项目。
   下载Wandb免费的开源Python包，然后在代码中插入几行，以后你每次运行模型都会得到记录完备的指标和记录。
4. 集中式指示板：
   Wandb提供同样的集中式指示板。不管在哪里训练模型，不管是在本地机器、实验室集群还是在云端实例；
   这样就不必花时间从别的机器上复制TensorBoard文件。
5. 强大的表格：
   对不同模型的结果进行搜索、筛选、分类和分组。
   可以轻而易举地查看成千上万个模型版本，并找到不同任务的最佳模型。
   而TensorBoard本身不适合大型项目。

1 Wandb

1.1 功能

• 保存训练运行中使用的超参数
• 搜索、比较和可视化训练的运行
• 在运行的同时分析系统硬件的情况如：CPU和GPU使用率
• 在团队中分享训练数据
• 永远保存可用的实验记录

1.2 提供的工具

• Dashboard：记录实验过程、将结果可视化；

• Reports：保存和分享可复制的成果/结论；

 

• Sweeps：通过改变超参数来优化模型；

• Artifacts：可以自己搭建pipline实现保存储存数据集和模型以及评估结果的流程。

1.3 将会上传哪些内容？Wandb记录的全部数据都保存在本地机器上，位于一个wandb路径，然后同步到云端。（1）自动记录

• 系统指标：处理器和GPU使用率、网络等。由命令nvidia-smi得出这些指标，这些指标位于运行页“系统”选项卡。
• 命令行：记录标准输出和标准错误，并显示于运行页“日志”选项卡。
• git提交：记录最近的git提交，并显示于运行页“概况”选项卡。
• 文件：requirements.txt文件，以及用于运行项并保存在wandb路径的全部文件，将被上传并显示于运行页“文件”选项卡。

（2）有明确调用才记录 当涉及数据和模型指标时，你可以明确决定要记录哪些东西。

• 数据集：你必须明确记录图像或其它数据集样本，这样才能保存到权阈。
• PyTorch梯度：加入wandb.watch(模型)，即可在界面中看到权值的梯度直方图。
• 配置（config）：记录超参数、数据集链接以及所使用的架构名称，并作为config的参数，传值方式如下：wandb.init(config=your_config_dictionary)
• 指标：用wandb.log()记录模型的参数。如果你记录的是训练循环内的指标，如准确率、损失，就可以在界面中看到实时更新的图表。

2 Wandb的五行代码使用法

Wandb 基本接口如下：

wandb.init — 在训练脚本开头初始化一个新的运行项；

wandb.config — 跟踪超参数；

wandb.log — 在训练循环中持续记录变化的指标；

wandb.save — 保存运行项相关文件，如模型权值；

wandb.restore — 运行指定运行项时，恢复代码状态。

对于Any framework，使用wandb的代码如下：

# Flexible integration for any Python script
import wandb

# 1. Start a W&B run
wandb.init(project='gpt3')

# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01

# Model training here
‍
# 3. Log metrics over time to visualize performance
wandb.log({"loss": loss})

原文链接：https://zhuanlan.zhihu.com/p/342300434