fastai v1

Utilisez le callback W&B avec fastai v1 pour enregistrer la topologie du modèle, les pertes, les métriques, les poids, les gradients et les prédictions.

Cette documentation concerne fastai v1. Si vous utilisez la version actuelle de fastai, vous devriez vous référer à la page fastai.

Pour les scripts utilisant fastai v1, nous proposons un callback capable d’enregistrer automatiquement la topologie du modèle, les pertes, les métriques, les poids, les gradients, des exemples de prédictions et le meilleur modèle entraîné.

import wandb
from wandb.fastai import WandbCallback

wandb.init()

learn = cnn_learner(data, model, callback_fns=WandbCallback)
learn.fit(epochs)

Les données à enregistrer peuvent être configurées via le constructeur du callback.

from functools import partial

learn = cnn_learner(
    data, model, callback_fns=partial(WandbCallback, input_type="images")
)

Il est également possible d’utiliser WandbCallback uniquement au démarrage de l’entraînement. Dans ce cas, vous devez l’instancier.

learn.fit(epochs, callbacks=WandbCallback(learn))

Des paramètres personnalisés peuvent également être spécifiés à cette étape.

learn.fit(epochs, callbacks=WandbCallback(learn, input_type="images"))

Exemples de code

Nous avons créé quelques exemples pour vous permettre de voir comment l’intégration fonctionne :

Fastai v1

• Classer les personnages des Simpson: Une démo simple pour suivre et comparer les modèles Fastai
• Segmentation sémantique avec Fastai: Optimisation de réseaux neuronaux pour les voitures autonomes

Options

La classe WandbCallback() prend en charge plusieurs options :

Argument mot-clé	Par défaut	Description
learn	N/A	le learner fast.ai à utiliser.
save_model	True	enregistre le modèle s’il s’améliore à chaque étape. Charge également le meilleur modèle à la fin de l’entraînement.
mode	auto	min, max ou auto : comment comparer la métrique d’entraînement spécifiée dans monitor d’une étape à l’autre.
monitor	None	métrique d’entraînement utilisée pour mesurer les performances afin d’enregistrer le meilleur modèle. None correspond par défaut à la perte de validation.
log	gradients	gradients, parameters, all ou None. Les pertes et les métriques sont toujours enregistrées.
input_type	None	images ou None. Utilisé pour afficher des exemples de prédictions.
validation_data	None	données utilisées pour les exemples de prédictions si input_type est défini.
predictions	36	nombre de prédictions à effectuer si input_type est défini et que validation_data est None.
seed	12345	initialise le générateur aléatoire pour les exemples de prédictions si input_type est défini et que validation_data est None.