wandb/examples

wandb/examples – 使用 Weights & Biases 的實驗追蹤即用程式碼

是什麼 – 本倉儲是一組簡短的指令碼與 Colab 記事本，展示如何將 Weights & Biases (W&B) 套件整合至典型的機器學習工作流程中。範例涵蓋多個主流框架（PyTorch、TensorFlow/Keras、Hugging Face Transformers、PyTorch Lightning、XGBoost、scikit‑learn 等），並示範 W&B 的核心功能：記錄指標、儲存超參數、追蹤資料集、可視化執行、管理模型製品。

為何重要 – W&B 是一個用於實驗追蹤、模型版本控制與協作報告的平台。透過這些範例，您可看到僅用少量程式碼即可實現：

• 啟動一個執行（wandb.init）並關聯專案名稱。
• 記錄設定值（wandb.config）。
• 記錄標量指標（wandb.log）。
• 自動捕捉模型梯度、權重與拓撲結構（run.watch）。
• 使用框架特定的輔助工具（例如 wandb.keras.WandbMetricsLogger、XGBoost 的 WandbCallback、PyTorch Lightning 的 WandbLogger）。
• 透過 W&B Artifacts 儲存與取得資料集或模型檢查點。
• 清晰地結束一個執行（wandb.finish）。

倉儲的主要部分

• examples/ – 各框架的即用 Python 指令碼，展示記錄訓練迴圈所需的最少程式碼。
• colabs/ – Google‑Colab 記事本，無需任何本機設定即可在瀏覽器中嘗試整合。
• README 中的簡短 「快速入門」 章節，逐步指導您安裝 wandb 套件、登入帳號，並執行一個簡單範例，記錄十步內的損失值。

典型使用者

• 希望為現有專案加入實驗追蹤功能的資料科學家與 ML 工程師。
• 學習新框架並尋找執行日誌記錄具體範例的學生。
• 需要共享儀表板以比較超參數搜尋、模型效能與資源使用情況的團隊。

如何開始

1. 安裝核心套件：

   pip install wandb
   wandb login   # 粘貼從 wandb.com 取得的 API 金鑰
   

2. 選擇與您技術堆疊相符的範例（例如 examples/pytorch/train.py 或 colabs/keras.ipynb）。
3. 執行指令碼或記事本；新的執行將出現在您的 W&B 儀表板中，您可探索記錄的指標、設定與製品。

您將看到的內容 – README 包含 W&B 儀表板的截圖與一段簡短影片導覽連結，讓您在深入使用前對 UI 有直觀感受。

---

以上所有資訊均直接來自倉儲的 README；未推斷任何額外功能。