W&B クイックスタート

あらゆる規模の機械学習実験をトラッキング、可視化、管理するには、W&B をインストールします。

W&B Weave の情報をお探しですか？ Weave Python SDK クイックスタートまたは Weave TypeScript SDK クイックスタートを参照してください。

W&B でマシンを認証するには、APIキーが必要です。 APIキーを作成するには、Personal API key または Service Account API key タブを選択して詳細を確認してください。

Personal API key
Service account API key

あなたのユーザー ID に紐づく個人用 APIキーを作成するには、次の手順に従います。

W&B にログインし、ユーザープロフィールアイコン > User Settings をクリックします。
Create new API key をクリックします。
APIキーにわかりやすい名を付けます。
Create をクリックします。
表示された APIキーをすぐにコピーし、安全な場所に保管してください。

W&B がAPIキー全体を表示するのは、作成時の一度だけです。ダイアログを閉じた後は、APIキー全体を再度表示できません。Settings に表示されるのはキーID (キーの先頭部分) のみです。APIキー全体を紛失した場合は、新しいAPIキーを作成する必要があります。

安全な保管方法については、APIキーを安全に保管するを参照してください。

`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

WANDB_API_KEY の環境変数を設定します。
export WANDB_API_KEY=<your_api_key>
wandb ライブラリをインストールしてログインします。
pip install wandb wandb login

pip を使用して W&B Python SDK をインストールします。
pip install wandb
W&B Python SDK をインポートし、wandb.login() を使用して Python スクリプトから W&B にログインします。
import wandb wandb.login()

シェルエスケープ (!) を使用して W&B Python SDK をインストールします。
!pip install wandb
W&B Python SDK をインポートし、wandb.login() を使用してノートブックから W&B にログインします。
import wandb wandb.login()

run を初期化してハイパーパラメーターをトラッキングする

Python スクリプトまたはノートブックで、wandb.init() を使用して W&B の run オブジェクトを初期化します。config パラメーターには辞書を使用し、ハイパーパラメーターの名と値を指定します。with ステートメント内では、メトリクスやその他の情報を W&B にログできます。

import wandb

wandb.login()

# run が記録される project
project = "my-awesome-project"

# ハイパーパラメーターの辞書
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    # トレーニングコードをここに記述
    # run.log() で W&B に値をログする
    run.log({"accuracy": 0.9, "loss": 0.1})

トレーニングの run をシミュレートし、精度と損失のメトリクスを W&B にログする完全な例については、次のセクションを参照してください。

A run は W&B の中核となる要素です。run を使って、メトリクスをトラッキングしたり、ログを作成したり、artifact をトラッキングしたりできます。

機械学習のトレーニング実験を作成する

このモックのトレーニングスクリプトは、シミュレートした精度と損失のメトリクスをW&Bにログします。次のコードを Python スクリプトまたはノートブックのセルにコピー＆ペーストして、実行してください。

import wandb
import random

wandb.login()

# run の記録先 project
project = "my-awesome-project"

# ハイパーパラメーターの辞書
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    offset = random.random() / 5
    print(f"lr: {config['lr']}")
    
    # トレーニング run をシミュレートする
    for epoch in range(2, config['epochs']):
        acc = 1 - 2**-config['epochs'] - random.random() / config['epochs'] - offset
        loss = 2**-config['epochs'] + random.random() / config['epochs'] + offset
        print(f"epoch={config['epochs']}, accuracy={acc}, loss={loss}")
        run.log({"accuracy": acc, "loss": loss})

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、それらが各トレーニング step でどのように変化したかを確認します。次の画像は、各 run でトラッキングされた損失と精度を示しています。各 run オブジェクトは、自動生成された名とともに Runs 列に表示されます。

次のステップ

W&B エコシステムの機能をさらに活用しましょう。

run について学び、最初の run を作成しましょう。
W&B Artifacts を使って、モデル、データセット、その他のファイルをトラッキングしましょう。
W&B Sweeps でハイパーパラメーター探索を自動化し、モデルを最適化しましょう。
W&B Registry でモデル、プロンプト、データセットを共有しましょう。
Runs を分析し、モデルの予測を可視化し、project のダッシュボードで Artifacts を表示しましょう。
W&B Reports を使って知見を要約し、共同作業者と更新情報を共有しましょう。
W&B Weave で LLM アプリケーションをトレースして評価しましょう。

ガイド

インテグレーション

リファレンス

`wandb` ライブラリをインストールしてログインする

run を初期化してハイパーパラメーターをトラッキングする

機械学習のトレーニング実験を作成する

次のステップ

​サインアップしてAPIキーを作成する

​wandb ライブラリをインストールしてログインする

​run を初期化してハイパーパラメーターをトラッキングする

​機械学習のトレーニング実験を作成する

​次のステップ

サインアップしてAPIキーを作成する

`wandb` ライブラリをインストールしてログインする

run を初期化してハイパーパラメーターをトラッキングする

機械学習のトレーニング実験を作成する

次のステップ