メインコンテンツへスキップ
W&B Tables を使って表形式データを可視化およびログ記録します。W&B Table は、各列が単一のデータ型を持つ 2 次元のデータグリッドです。各行は、W&B の run にログ記録された 1 つ以上のデータポイントを表します。W&B Tables は、プリミティブ型や数値型に加えて、入れ子のリスト、辞書、およびリッチメディア型をサポートします。 W&B Table は W&B における専用の data type であり、artifact オブジェクトとしてログ記録されます。 W&B Python SDK を使用してテーブルオブジェクトを作成してログ記録します。テーブルオブジェクトを作成する際に、テーブルの列とデータ、および モード を指定します。モードは、ML 実験中にテーブルがどのようにログ記録および更新されるかを決定します。
INCREMENTAL モードは W&B Server v0.70.0 以降でサポートされています。

​
テーブルを作成してログに記録する

  1. wandb.init() を使って新しい run を初期化します。
  2. wandb.Table クラスで Table オブジェクトを作成します。columns パラメータと data パラメータに、それぞれテーブルの列とデータを指定します。オプションの log_mode パラメータには、IMMUTABLE（デフォルト）、MUTABLE、INCREMENTAL の 3 つのモードのいずれかを設定することを推奨します。詳細は次のセクションの Table Logging Modes を参照してください。
  3. run.log() を使ってテーブルを W&B にログとして記録します。
次の例は、a と b の 2 つの列、および ["a1", "b1"] と ["a2", "b2"] の 2 行のデータを持つテーブルを作成してログに記録する方法を示しています。 
import wandb

# 新しいrunを開始する
with wandb.init(project="table-demo") as run:

    # 2列2行のデータを持つテーブルオブジェクトを作成する
    my_table = wandb.Table(
        columns=["a", "b"],
        data=[["a1", "b1"], ["a2", "b2"]],
        log_mode="IMMUTABLE"
        )

    # テーブルをW&Bにログする
    run.log({"Table Name": my_table})

​
ログモード

wandb.Table の log_mode パラメータは、ML 実験中にテーブルがどのようにログされ、更新されるかを決定します。log_mode パラメータには IMMUTABLE、MUTABLE、INCREMENTAL の 3 つの引数のいずれかを指定できます。各モードは、テーブルのログ方法、変更方法、および W&B App での表示方法に対して異なる影響があります。 以下では、3 つのログモードについて、それぞれの概要、主な違い、および代表的なユースケースを説明します。
ModeDefinitionUse CasesBenefits
IMMUTABLEいったんテーブルを W&B にログすると、そのテーブルは変更できません。- 後続の解析のために、run の終了時に生成される表形式データを保存する- run の終了時にログする場合のオーバーヘッドが最小
- すべての行が UI に表示される
MUTABLEテーブルを W&B にログした後でも、新しいテーブルで既存のテーブルを上書きできます。- 既存テーブルへの列や行の追加
- 新しい情報で結果を拡充する		- テーブルの変更を追跡可能
- すべての行が UI に表示される
INCREMENTAL機械学習実験の実行中に、新しい行のバッチをテーブルに順次追加します。- テーブルに行をバッチ単位で追加
- 長時間実行される学習ジョブ
- 大規模データセットをバッチ処理する場合
- 進行中の結果のモニタリング		- 学習中の更新を UI 上で確認可能
- 各インクリメントを順に確認可能
次のセクションでは、各モードのサンプルコードと、各モードを使用する際の考慮事項を示します。

​
MUTABLE モード

MUTABLE モードは、既存のテーブルを新しいテーブルで置き換えることで更新します。MUTABLE モードは、繰り返し処理ではなく一度の処理で既存のテーブルに新しい列や行を追加したい場合に有用です。UI 上では、初回のログ以降に追加されたものも含め、すべての行と列が表示されます。
MUTABLE モードでは、テーブルをログするたびにテーブルオブジェクトが置き換えられます。テーブルを新しいもので上書きすることは計算コストが高く、大きなテーブルでは処理が遅くなる可能性があります。
次の例は、MUTABLE モードでテーブルを作成してログし、その後新しい列を追加する方法を示しています。テーブルオブジェクトは 3 回ログされます。最初は初期データ、次に信頼度スコア、最後に最終予測です。
次の例では、データを読み込むためのプレースホルダー関数 load_eval_data() と、予測を行うためのプレースホルダー関数 model.predict() を使用しています。これらはご自身のデータ読み込み関数および予測関数に置き換えてください。
import wandb
import numpy as np

with wandb.init(project="mutable-table-demo") as run:

    # MUTABLEロギングモードでテーブルオブジェクトを作成する
    table = wandb.Table(columns=["input", "label", "prediction"],
                        log_mode="MUTABLE")

    # データを読み込み、予測を行う
    inputs, labels = load_eval_data() # プレースホルダー関数
    raw_preds = model.predict(inputs) # プレースホルダー関数

    for inp, label, pred in zip(inputs, labels, raw_preds):
        table.add_data(inp, label, pred)

    # ステップ1: 初期データをログに記録する
    run.log({"eval_table": table})  # 初期テーブルをログに記録する

    # ステップ2: 信頼度スコアを追加する（例: max softmax）
    confidences = np.max(raw_preds, axis=1)
    table.add_column("confidence", confidences)
    run.log({"eval_table": table})  # 信頼度情報を追加する

    # ステップ3: 後処理済みの予測を追加する
    # （例: 閾値処理または平滑化された出力）
    post_preds = (confidences > 0.7).astype(int)
    table.add_column("final_prediction", post_preds)
    run.log({"eval_table": table})  # 別の列による最終更新
新しい行のバッチ（列は追加しない）だけを、学習ループのように順次追加したい場合は、代わりに INCREMENTAL モード の利用を検討してください。

​
INCREMENTAL モード

INCREMENTAL モードでは、機械学習実験の実行中に、行のバッチをテーブルにログとして記録します。これは、長時間実行されるジョブの監視や、run の更新のたびにログを取るには非効率となる大きなテーブルを扱う場合に適しています。UI 上では、新しい行がログされるたびにテーブルが更新されるため、run 全体が完了するのを待たずに最新のデータを確認できます。また、インクリメントを順にたどることで、異なる時点におけるテーブルの状態を表示することもできます。
W&B App の run Workspace には、インクリメント数に 100 の上限があります。100 を超えるインクリメントをログした場合、run Workspace に表示されるのは最新の 100 件のみです。
次の例では、INCREMENTAL モードでテーブルを作成してログを取り、その後テーブルに新しい行を追加します。テーブルは学習ステップ（step）ごとに一度ログされることに注意してください。
次の例では、データを読み込むためのプレースホルダー関数 get_training_batch()、モデルを学習するためのプレースホルダー関数 train_model_on_batch()、予測を行うためのプレースホルダー関数 predict_on_batch() を使用しています。これらは、実際のデータ読み込み、学習、および予測用の関数に置き換えて使用してください。
import wandb

with wandb.init(project="incremental-table-demo") as run:

    # INCREMENTALロギングモードでテーブルを作成する
    table = wandb.Table(columns=["step", "input", "label", "prediction"],
                        log_mode="INCREMENTAL")

    # 学習ループ
    for step in range(get_num_batches()): # プレースホルダー関数
        # バッチデータを読み込む
        inputs, labels = get_training_batch(step) # プレースホルダー関数

        # 学習と予測
        train_model_on_batch(inputs, labels) # プレースホルダー関数
        predictions = predict_on_batch(inputs) # プレースホルダー関数

        # バッチデータをテーブルに追加する
        for input_item, label, prediction in zip(inputs, labels, predictions):
            table.add_data(step, input_item, label, prediction)

        # テーブルをインクリメンタルにログに記録する
        run.log({"training_table": table}, step=step)
インクリメンタルロギングは、毎回新しいテーブルをロギングする場合（log_mode=MUTABLE）と比べて、一般的に計算量の面でより効率的です。ただし、インクリメンタルな更新回数が多いと、W&B App がテーブル内のすべての行をレンダリングできない場合があります。run の実行中にテーブルデータを更新して閲覧しつつ、分析用にすべてのデータを利用可能にしたい場合は、2 つのテーブルを使用することを検討してください。1 つは INCREMENTAL ログモード、もう 1 つは IMMUTABLE ログモードにします。 次の例は、この目的を達成するために、INCREMENTAL と IMMUTABLE のロギングモードをどのように組み合わせるかを示します。 
import wandb

with wandb.init(project="combined-logging-example") as run:

    # 学習中の効率的な更新のためにインクリメンタルテーブルを作成する
    incr_table = wandb.Table(columns=["step", "input", "prediction", "label"],
                            log_mode="INCREMENTAL")

    # 学習ループ
    for step in range(get_num_batches()):
        # バッチを処理する
        inputs, labels = get_training_batch(step)
        predictions = model.predict(inputs)

        # インクリメンタルテーブルにデータを追加する
        for inp, pred, label in zip(inputs, predictions, labels):
            incr_table.add_data(step, inp, pred, label)

        # インクリメンタル更新をログに記録する（最終テーブルと区別するために -incr サフィックスを付ける）
        run.log({"table-incr": incr_table}, step=step)

    # 学習終了時に、すべてのデータを含む完全なイミュータブルテーブルを作成する
    # 完全なデータセットを保持するためにデフォルトの IMMUTABLE モードを使用する
    final_table = wandb.Table(columns=incr_table.columns, data=incr_table.data, log_mode="IMMUTABLE")
    run.log({"table": final_table})
この例では、incr_table は学習中に log_mode="INCREMENTAL" を使ってインクリメンタルにログされます。これにより、新しいデータが処理されるたびにテーブルの更新内容をログして表示できるようになります。学習の終了時に、増分テーブル内のすべてのデータを含むイミュータブルなテーブル（final_table）が作成されます。イミュータブルテーブルをログすることで、さらなる分析のために完全なデータセットを保存でき、W&B App ですべての行を表示できるようになります。

​
例

​
MUTABLE を使って評価結果を拡張する

import wandb
import numpy as np

with wandb.init(project="mutable-logging") as run:

    # ステップ1: 初期予測をログに記録する
    table = wandb.Table(columns=["input", "label", "prediction"], log_mode="MUTABLE")
    inputs, labels = load_eval_data()
    raw_preds = model.predict(inputs)

    for inp, label, pred in zip(inputs, labels, raw_preds):
        table.add_data(inp, label, pred)

    run.log({"eval_table": table})  # 生の予測をログに記録する

    # ステップ2: 信頼度スコアを追加する（例: max softmax）
    confidences = np.max(raw_preds, axis=1)
    table.add_column("confidence", confidences)
    run.log({"eval_table": table})  # 信頼度情報を追加する

    # ステップ3: 後処理済みの予測を追加する
    # （例: 閾値処理または平滑化された出力）
    post_preds = (confidences > 0.7).astype(int)
    table.add_column("final_prediction", post_preds)
    run.log({"eval_table": table})

​
INCREMENTAL テーブルを使用した run の再開

run を再開するときも、INCREMENTAL テーブルへのロギングを継続できます。 
# runを開始または再開する
resumed_run = wandb.init(project="resume-incremental", id="your-run-id", resume="must")

# インクリメンタルテーブルを作成する。以前にログしたテーブルのデータを入力する必要はない
# インクリメントは引き続きTableアーティファクトに追加される。
table = wandb.Table(columns=["step", "metric"], log_mode="INCREMENTAL")

# ログを継続する
for step in range(resume_step, final_step):
    metric = compute_metric(step)
    table.add_data(step, metric)
    resumed_run.log({"metrics": table}, step=step)

resumed_run.finish()
wandb.Run.define_metric("<table_key>", summary="none") または wandb.Run.define_metric("*", summary="none") を使用してインクリメンタルテーブルで使用されるキーのサマリーをオフにすると、その増分は新しいテーブルにログされます。

​
INCREMENTAL バッチ学習による学習


with wandb.init(project="batch-training-incremental") as run:

    # インクリメンタルテーブルを作成する
    table = wandb.Table(columns=["step", "input", "label", "prediction"], log_mode="INCREMENTAL")

    # 学習ループのシミュレーション
    for step in range(get_num_batches()):
        # バッチデータを読み込む
        inputs, labels = get_training_batch(step)

        # このバッチでモデルを学習する
        train_model_on_batch(inputs, labels)

        # モデルの推論を実行する
        predictions = predict_on_batch(inputs)

        # テーブルにデータを追加する
        for input_item, label, prediction in zip(inputs, labels, predictions):
            table.add_data(step, input_item, label, prediction)

        # テーブルの現在の状態をインクリメンタルにログ記録する
        run.log({"training_table": table}, step=step)