使用 W&B 更快地构建更好的模型。跟踪和可视化机器学习流水线的各个环节，从数据集到生产模型。立即开始使用 W&B，注册一个 W&B 账户！

正在构建 LLM 应用？使用 Weave（我们为 GenAI 打造的全新工具套件）来跟踪、调试、评估和监控 LLM 应用。

文档

查看 W&B 开发者指南 和 API 参考指南，获取关于 W&B 平台的完整技术描述。

快速开始

安装 W&B，以跟踪、可视化管理任何规模的机器学习实验。

安装 wandb 库

pip install wandb

注册并创建 API 密钥

注册一个 W&B 账户。在 wandb.ai/settings 创建一个新的 API 密钥并安全存储。可选地，使用 wandb login CLI 命令在您的机器上配置 API 密钥。您可以跳过此步骤 —— 首次使用 W&B 时，它会提示您创建 API 密钥。

注意： API 密钥仅在创建时可查看一次。请将您的 API 密钥存储在安全位置，例如密码管理器或环境变量中。

创建机器学习训练实验

在您的 Python 脚本或笔记本中，使用 wandb.init() 初始化一个 W&B 运行。指定超参数，并将指标和其他信息记录到 W&B。

import wandb

# 运行记录到的项目
project = "my-awesome-project"

# 包含超参数的字典
config = {"epochs": 1337, "lr": 3e-4}

# `with` 语法会在退出 `with` 代码块时将运行标记为已完成，
# 如果发生异常，则将其标记为“失败”。
#
# 在笔记本中，使用 `run = wandb.init()` 并手动调用 `run.finish()`
# 可能比使用 `with` 代码块更方便。
with wandb.init(project=project, config=config) as run:
    # 训练代码写在这里

    # 使用 run.log() 将值记录到 W&B
    run.log({"accuracy": 0.9, "loss": 0.1})

访问 wandb.ai/home 查看记录的指标（如准确率和损失）以及它们在每个训练步骤中的变化情况。每个运行对象都会以生成的名称出现在“运行”列中。

集成

W&B 与流行的 ML 框架和库集成，可以快速、轻松地在现有项目中设置实验跟踪和数据版本控制。

对于希望将 W&B 集成到新框架的开发者，请遵循 W&B 开发者指南。

W&B 托管选项

Weights & Biases 提供云端服务，也可安装在您的私有基础设施上。可通过以下三种方式之一在生产环境中设置 W&B 服务器：

1. 多租户云：完全托管的平台，部署在 W&B 的 Google Cloud Platform (GCP) 账户中，位于 GCP 的北美区域。
2. 专属云：单租户、完全托管的平台，部署在 W&B 的 AWS、GCP 或 Azure 云账户中。每个专属云实例都拥有与其他 W&B 专属云实例隔离的网络、计算和存储资源。
3. 自托管：在您的 AWS、GCP 或 Azure 云账户内，或您的本地基础设施上部署 W&B 服务器。

有关更多信息，请参阅 W&B 开发者指南中的托管文档。

Python 版本支持

我们承诺，对于最低要求的 Python 版本，在其官方生命周期结束（EOL）日期（由 Python 软件基金会定义）之后，至少继续支持六个月。您可以在此处找到 Python EOL 日期列表。

当我们停止对某个 Python 版本的支持时，我们将增加库的次版本号以反映此变更。

贡献指南

Weights & Biases ❤️ 开源，我们欢迎社区的贡献！有关开发工作流程和 wandb 库内部结构的更多信息，请参阅贡献指南。对于 wandb 的错误和功能请求，请访问 GitHub Issues 或联系 support@wandb.com。

W&B 社区

加入不断壮大的 W&B 社区，在我们的 Discord 中与 W&B 团队互动。通过 W&B Fully Connected 了解最新的 AI 动态和教程。

许可证

MIT 许可证