完整的权重和偏差教程

Weights and Biases 已成为 AI 社区最喜爱的库之一。该团队出色地创建了一个平台，让机器学习工程师可以轻松地：

跟踪他/她的实验可视化训练过程与团队分享结果提高模型的性能

跟踪他/她的实验

跟踪他/她的实验

可视化训练过程

可视化训练过程

与团队分享结果

与团队分享结果

提高模型的性能

提高模型的性能

我个人几个月前开始使用它，并很快成为我所有项目的一部分。本文总结了我使用该库的经验，旨在成为其最有用功能的自完成教程。为了实现这一点，我们将研究如何将 wandb 库集成到新项目中。

wandb

我们开始吧？

先决条件

我们将使用标准深度学习模型对 CIFAR10 数据集执行图像识别。 该模型实际上不会影响我们的实验，因此我认为应使其尽可能简单。 将从头开始在数据集上训练该模型，以探索如何利用 wandb 库。

wandb

以下是我们模型的 Pytorch 代码以及数据处理：

import torch

import torch

import torch.nn as nn

import torch . nn as nn

import torch.nn. functional as F

import torch . nn . 功能 作为 F

导入 torchvision

导入 torchvision

导入 torchvision.transforms 作为转换

导入 torchvision . 变换 作为 变换

变换 = 变换。Compose（

变换 = 变换 . 撰写 （

[transforms.ToTensor(),

[ 变换 . ToTensor （ ） ，

变换。Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

变换 。 标准化 ( ( 0.5 , 0.5 , 0.5 ) , ( 0.5 , 0.5 , 0.5 ) ) ] )

训练集 = torchvision.datasets.CIFAR10(root='./data', train=True,

训练集 = torchvision . 数据集 . CIFAR10 ( root = './data' , 训练 = True ,

download=True,transform=transform)

下载 = True , 变换 = 变换 )

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,

= . 。 。