Aperçu des fonctions globales - Weights & Biases Documentation

Dans W&B, les fonctions globales sont des fonctions de niveau supérieur que vous appelez directement, comme wandb.init() ou wandb.login(). Contrairement aux méthodes associées à des classes spécifiques, ces fonctions donnent un accès direct aux fonctionnalités de base de W&B sans devoir d’abord instancier des objets.

Fonctions disponibles

Fonction	Description
`init()`	Démarre un nouveau run pour suivre et journaliser des données dans W&B. C’est généralement la première fonction appelée dans votre pipeline d’entraînement ML.
`login()`	Configure les identifiants de connexion W&B pour authentifier votre machine auprès de la plateforme.
`setup()`	Prépare W&B pour une utilisation dans le processus courant et ses processus enfants. Utile pour les applications multiprocessus.
`teardown()`	Nettoie les ressources W&B et arrête le processus backend.
`sweep()`	Initialise un balayage d’hyperparamètres pour rechercher des configurations de modèle optimales.
`agent()`	Crée un agent de balayage pour exécuter des expériences d’optimisation d’hyperparamètres.
`controller()`	Gère et contrôle les agents de balayage ainsi que leur exécution.
`restore()`	Restaure un run précédent ou l’état d’une expérience afin de reprendre le travail.
`finish()`	Termine un run et nettoie les ressources.

Exemple

Le flux de travail le plus courant consiste à s’authentifier auprès de W&B, à initialiser un run et à journaliser des valeurs (telles que l’accuracy et la perte) à partir de votre boucle d’entraînement. Les premières étapes consistent à importer wandb et à utiliser les fonctions globales login() et init() :

import wandb

# S'authentifier auprès de W&B
wandb.login()

# Hyperparamètres et métadonnées
config = {
   "learning_rate": 0.01,
   "epochs": 10,
}

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

# Initialiser un nouveau run
with wandb.init(project=project, config=config) as run:
   # Votre code d'entraînement ici...
   
   # Journaliser des valeurs dans W&B
   run.log({"accuracy": 0.9, "loss": 0.1})