W&B クイックスタート

数分でW&Bをインストールし、機械学習Experimentsのトラッキング、可視化、管理を始めましょう。

あらゆる規模の機械学習実験をトラッキング、可視化、管理するには、W&B をインストールします。

W&B Weave の情報をお探しですか？ Weave Python SDK クイックスタート または Weave TypeScript SDK クイックスタート を参照してください。

​

サインアップしてAPIキーを作成する

W&B でマシンを認証するには、APIキーが必要です。

APIキーを作成するには、Personal API key または Service Account API key タブを選択して詳細を確認してください。

Personal API key

あなたのユーザー ID に紐づく個人用 APIキーを作成するには、次の手順に従います。

1. W&B にログインし、プロフィールアイコンをクリックして、User Settings をクリックします。
2. Create new API key をクリックします。
3. APIキーにわかりやすい名を付けます。
4. Create をクリックします。
5. 表示された APIキーをすぐにコピーし、安全な場所に保管してください。

Service account API key

サービスアカウントに紐づくAPIキーを作成するには、次の手順に従います。

1. チームまたは組織の設定で、Service Accounts タブにアクセスします。
2. 一覧からサービスアカウントを検索します。
3. action () メニューをクリックし、Create API key をクリックします。
4. APIキーの名を入力し、Create をクリックします。
5. 表示されたAPIキーをすぐにコピーして、安全な場所に保管します。
6. Done をクリックします。

異なる環境やワークフローに対応するため、1つのサービスアカウントに対して複数のAPIキーを作成できます。

APIキー全体が表示されるのは、作成時の一度だけです。ダイアログを閉じた後は、APIキー全体を再度表示できません。Settings に表示されるのはキーID (キーの先頭部分) のみです。APIキー全体を紛失した場合は、新しいAPIキーを作成する必要があります。

安全な保管方法については、APIキーを安全に保管するを参照してください。

このクイックスタートは、Colabノートブックとしても利用できます。

​

wandb ライブラリをインストールしてログインする

コマンドライン

1. WANDB_API_KEY の環境変数を設定します。

   export WANDB_API_KEY=<your_api_key>
   

2. wandb ライブラリをインストールしてログインします。

   pip install wandb
   wandb login
   

Python

pip install wandb

import wandb

wandb.login()

Python notebook

!pip install wandb
import wandb
wandb.login()

​

run を初期化してハイパーパラメーターをトラッキングする

Python スクリプトまたはノートブックで、wandb.init() を使用して W&B の run オブジェクトを初期化します。config パラメーターには辞書を使用し、 ハイパーパラメーターの名と値を指定します。with ステートメント内では、メトリクスやその他の情報を W&B にログできます。

import wandb

wandb.login()

# runの記録先プロジェクト
project = "my-awesome-project"

# ハイパーパラメーターの辞書
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    # トレーニングコードをここに記述
    # run.log()でW&Bに値をログする
    run.log({"accuracy": 0.9, "loss": 0.1})

トレーニングの run をシミュレートし、精度と損失のメトリクスを W&B にログする完全な例については、次のセクションを参照してください。

run は W&B の中核となる要素です。run を使って、メトリクスをトラッキングしたり、ログを作成したり、artifact をトラッキングしたりできます。

​

機械学習のトレーニング実験を作成する

このモックのトレーニングスクリプトは、シミュレートした精度と損失のメトリクスをW&Bにログします。次のコードを Python スクリプトまたはノートブックのセルにコピー＆ペーストして、実行してください。

import wandb
import random

wandb.login()

# runの記録先プロジェクト
project = "my-awesome-project"

# ハイパーパラメーターの辞書
config = {
    'epochs' : 10,
    'lr' : 0.01
}

with wandb.init(project=project, config=config) as run:
    offset = random.random() / 5
    print(f"lr: {config['lr']}")
    
    # トレーニングrunをシミュレートする
    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})

wandb.ai/home にアクセスして、精度 や損失などの記録されたメトリクスと、それらが各トレーニング step でどのように変化したかを確認します。次の画像は、各 run でトラッキングされた損失と 精度 を示しています。各 run オブジェクトは、自動生成された名とともに Runs 列に表示されます。

​

次のステップ

W&B エコシステムのさらに多くの機能を見てみましょう。

1. PyTorch などのフレームワーク、Hugging Face などのライブラリ、SageMaker などのサービスと W&B を組み合わせる W&B Integration チュートリアル をお読みください。
2. W&B Reports を使って、Runs を整理し、可視化を自動化し、知見を要約し、共同作業者と更新内容を共有しましょう。
3. W&B Artifacts を作成して、機械学習パイプライン全体を通してデータセット、モデル、依存関係、結果をトラッキングしましょう。
4. W&B Sweeps でハイパーパラメーター探索を自動化し、モデルを最適化しましょう。
5. 一元管理ダッシュボード で Runs を分析し、モデルの予測を可視化し、知見を共有しましょう。
6. W&B AI Academy にアクセスして、実践的なコースを通じて LLM、MLOps、W&B Models について学びましょう。
7. weave-docs.wandb.ai にアクセスして、Weave を使って LLM ベースのアプリケーションをトラッキングし、実験し、評価し、デプロイし、改善する方法を学びましょう。