Experiments の概要

W&B で機械学習 Experiments を記録・管理します。

Colab で試すW&B で試す

数行のコードで機械学習実験を追跡できます。その後、インタラクティブなダッシュボードで結果を確認するか、データを Python にエクスポートして、Public API を使用してプログラムから利用できます。

Keras などの一般的なフレームワークを使用している場合は、W&B Integrations を活用できます。利用可能なインテグレーションの一覧や、コードに W&B を追加する方法については、W&B Integrations を参照してください。

上の画像は、複数の runs にわたるメトリクスを表示および比較できるダッシュボードの例を示しています。

​

仕組み

数行のコードで機械学習実験をトラッキングできます。

1. W&B Run を作成します。
2. 学習率やモデルタイプなどのハイパーパラメータの辞書を設定（wandb.Run.config）に保存します。
3. 学習ループ内で wandb.Run.log() を使って、精度や損失などのメトリクスを時間経過とともにログします。
4. モデルの重みや予測結果のテーブルなど、その run の出力を保存します。

以下のコードは、一般的な W&B による実験トラッキングのワークフローを示しています。

# runを開始する。
#
# このブロックを抜けると、ログされたデータのアップロード完了を待機する。
# 例外が発生した場合、runは失敗としてマークされる。
with wandb.init(entity="", project="my-project-name") as run:
  # モデルの入力とハイパーパラメータを保存する。
  run.config.learning_rate = 0.01

  # 実験コードを実行する。
  for epoch in range(num_epochs):
    # 学習を実行する...

    # モデルのパフォーマンスを可視化するためにメトリクスを継続的にログする。
    run.log({"loss": loss})

  # モデルの出力をアーティファクトとしてアップロードする。
  run.log_artifact(model)

​

はじめに

ユースケースに応じて、以下のリソースを活用して W&B Experiments の利用を開始してください。

• W&B クイックスタート を読んで、データセットのアーティファクトを作成・トラッキング・利用するために使用できる W&B Python SDK コマンドをステップバイステップで確認してください。
• この章では、次の内容について学びます。
  • Experiment を作成する
  • Experiments を設定する
  • Experiments からデータを記録する
  • Experiments の結果を確認する
• W&B API Reference Guide 内の W&B Python Library を参照してください。

​

ベストプラクティスとヒント

実験やロギングに関するベストプラクティスとヒントについては、Best Practices: Experiments and Logging を参照してください。