Experiments の概要 - Weights & Biases Documentation

これらのクラスは、機械学習の実験管理、 Artifacts の管理、および SDK の振る舞いを設定するためのコアとなる構成要素です。これらの基礎となるクラスを使用することで、メトリクスのログ記録、モデルのチェックポイントの保存、データセットのバージョン管理を行い、完全な再現性とコラボレーション機能を備えた実験設定の管理が可能になります。

機械学習の実験でこれらのクラスを使用する詳細については、 Experiments および Artifacts のドキュメントを参照してください。

コアクラス

クラス	説明
`Run`	W&B によって記録される計算の主要な単位であり、メトリクス、設定、および出力を伴う単一の機械学習の実験を表します。
`Artifact`	データセットとモデルのバージョン管理のための柔軟で軽量な構成要素であり、自動的な重複排除とリネージトラッキング機能を備えています。
`Settings`	W&B SDK の設定管理を行い、ログ記録から API インタラクションまでの振る舞いを制御します。

はじめに

実験を追跡する

メトリクスのログ記録を行いながら、機械学習の実験を作成し追跡します。

import wandb

# 新しい run を初期化します
with wandb.init(project="my-experiments", config={"learning_rate": 0.001}) as run:
    # 設定にアクセスします
    config = run.config
    
    # トレーニング中のメトリクスをログに記録します
    for epoch in range(10):
        metrics = train_one_epoch()  # トレーニングロジック
        run.log({
            "loss": metrics["loss"],
            "accuracy": metrics["accuracy"],
            "epoch": epoch
        })
    
    # サマリーメトリクスを記録します
    run.summary["best_accuracy"] = max_accuracy

モデル Artifact をバージョン管理する

メタデータを含むバージョン管理されたモデルの Artifact を作成し、ログに記録します。

import wandb

with wandb.init(project="my-models") as run:
    # モデルをトレーニングします
    model = train_model()
    
    # モデルの Artifact を作成します
    model_artifact = wandb.Artifact(
        name="my-model",
        type="model",
        description="ResNet-50 trained on ImageNet subset",
        metadata={
            "architecture": "ResNet-50",
            "dataset": "ImageNet-1K",
            "accuracy": 0.95
        }
    )
    
    # Artifact にモデルファイルを追加します
    model_artifact.add_file("model.pt")
    model_artifact.add_dir("model_configs/")
    
    # Artifact を W&B にログ記録します
    run.log_artifact(model_artifact)

SDK の設定を構成する

特定の要件に合わせて W&B SDK の振る舞いをカスタマイズします。

import wandb

# プログラムから設定を構成します
wandb.Settings(
    project="production-runs",
    entity="my-team",
    mode="offline",  # オフラインで実行し、後で同期します
    save_code=True,   # ソースコードを保存します
    quiet=True        # コンソール出力を抑制します
)

# または環境変数を使用します
# export WANDB_PROJECT=production-runs
# export WANDB_MODE=offline

# カスタム設定で初期化します
with wandb.init() as run:
    # ここに実験のコードを記述します
    pass

リネージトラッキングのために Artifact をリンクする

データセット、モデル、および評価の間の関係を追跡します。

import wandb

with wandb.init(project="ml-pipeline") as run:
    # データセット Artifact を使用します
    dataset = run.use_artifact("dataset:v1")
    dataset_dir = dataset.download()
    
    # データセットを使用してモデルをトレーニングします
    model = train_on_dataset(dataset_dir)
    
    # データセットのリネージを持つモデル Artifact を作成します
    model_artifact = wandb.Artifact(
        name="trained-model",
        type="model"
    )
    model_artifact.add_file("model.pt")
    
    # 自動的なリネージトラッキングを伴うログ記録を行います
    run.log_artifact(model_artifact)

​コアクラス

​はじめに

​実験を追跡する

​モデル Artifact をバージョン管理する

​SDK の設定を構成する

​リネージトラッキングのために Artifact をリンクする