Démarrage rapide W&B

Installez W&B pour suivre, visualiser et gérer des expériences de machine learning, quelle que soit leur taille.

Vous recherchez des informations sur W&B Weave ? Voir le démarrage rapide du SDK Python de Weave ou le démarrage rapide du SDK TypeScript de Weave.

Pour authentifier votre machine auprès de W&B, vous avez besoin d’une clé API. Pour créer une clé API, sélectionnez l’onglet Clé API personnelle ou Clé API de compte de service pour en savoir plus.

Clé API personnelle
Clé API de compte de service

Pour créer une clé API personnelle liée à votre ID utilisateur :

Connectez-vous à W&B, puis cliquez sur l’icône de votre profil > Paramètres utilisateur.
Cliquez sur Create new API key.
Saisissez un nom descriptif pour votre clé API.
Cliquez sur Create.
Copiez immédiatement la clé API affichée et stockez-la de manière sécurisée.

W&B affiche la clé API complète une seule fois, au moment où vous la créez. Une fois la boîte de dialogue fermée, vous ne pourrez plus voir la clé API complète. Vos paramètres n’affichent que l’ID de la clé (la première partie de la clé). Si vous perdez la clé API complète, vous devrez créer une nouvelle clé API.

Pour connaître les options de stockage sécurisé, voir Stocker les clés API en toute sécurité.

Installez la bibliothèque `wandb` et connectez-vous

Ligne de commande
Python
Python notebook

Définissez la variable d’environnement WANDB_API_KEY.
export WANDB_API_KEY=<your_api_key>
Installez la bibliothèque wandb et connectez-vous.
pip install wandb wandb login

Installez le SDK Python W&B avec pip :
pip install wandb
Importez le SDK Python W&B et connectez-vous à W&B depuis votre script Python avec wandb.login() :
import wandb wandb.login()

Utilisez l’échappement du shell (!) pour installer le SDK Python W&B :
!pip install wandb
Importez le SDK Python W&B et connectez-vous à W&B depuis votre notebook avec wandb.login()
import wandb wandb.login()

Initialisez un run et suivez les hyperparamètres

Dans votre script Python ou notebook, initialisez un objet run W&B avec wandb.init(). Utilisez un dictionnaire pour le paramètre config afin de définir les noms et les valeurs des hyperparamètres. Dans le bloc with, vous pouvez consigner des métriques et d’autres informations dans W&B.

import wandb

wandb.login()

# Projet dans lequel le run est enregistré
project = "my-awesome-project"

# Dictionnaire des hyperparamètres
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    # Code d'entraînement ici
    # Consigner les valeurs dans W&B avec run.log()
    run.log({"accuracy": 0.9, "loss": 0.1})

Voir la section suivante pour un exemple complet qui simule un run d’entraînement et enregistre les métriques de précision et de perte dans W&B.

Un run est un élément central de W&B. Vous utilisez les runs pour suivre les métriques, créer des journaux, suivre les artifacts, et bien plus encore.

Créer une expérience d’entraînement en machine learning

Ce script d’entraînement fictif journalise des métriques simulées de précision et de perte dans W&B. Faites un copier-coller du code suivant dans un script Python ou une cellule de notebook, puis exécutez-le :

import wandb
import random

wandb.login()

# Projet dans lequel le run est enregistré
project = "my-awesome-project"

# Dictionnaire des hyperparamètres
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    offset = random.random() / 5
    print(f"lr: {config['lr']}")
    
    # Simuler un run d'entraînement
    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})

Accédez à wandb.ai/home pour consulter les métriques enregistrées, comme accuracy et loss, ainsi que leur évolution à chaque étape d’entraînement. L’image suivante montre les valeurs de loss et d’accuracy suivies pour chaque run. Chaque objet run apparaît dans la colonne Runs avec un nom généré.

Montre les valeurs de perte et de précision suivies pour chaque run.

Étapes suivantes

Explorez davantage les fonctionnalités de l’écosystème W&B :

Découvrez comment créer votre premier run.
Suivez les modèles, les datasets et les autres fichiers avec W&B Artifacts.
Automatisez les recherches d’hyperparamètres et optimisez les modèles avec W&B Sweeps.
Partagez des modèles, des prompts et des datasets avec W&B Registry.
Analysez les runs, visualisez les prédictions des modèles et consultez les artefacts dans le tableau de bord de votre projet.
Résumez les résultats et partagez des mises à jour avec vos collaborateurs à l’aide de W&B Reports.
Tracez et évaluez les applications LLM avec W&B Weave.

Guides

Intégrations

Référence

Installez la bibliothèque `wandb` et connectez-vous

Initialisez un run et suivez les hyperparamètres

Créer une expérience d’entraînement en machine learning

Étapes suivantes

​Inscrivez-vous et créez une clé API

​Installez la bibliothèque wandb et connectez-vous

​Initialisez un run et suivez les hyperparamètres

​Créer une expérience d’entraînement en machine learning

​Étapes suivantes

Inscrivez-vous et créez une clé API

Installez la bibliothèque `wandb` et connectez-vous

Initialisez un run et suivez les hyperparamètres

Créer une expérience d’entraînement en machine learning

Étapes suivantes