未命名

WandB（Weights & Biases）是一个用于机器学习项目的强大工具，以下是关于它的详细介绍1：

主要功能

实验跟踪：能记录模型训练时的损失、准确率、学习率等指标，并实时可视化变化，还可记录自定义指标，如 CPU、GPU 使用率等。
超参数管理：帮助记录和比较不同超参数组合对模型的影响，方便快速找到最优参数配置，提高模型性能。
模型和数据版本控制：可保存和管理模型检查点、数据集版本，确保实验可追溯和复现，便于研究人员回溯到特定实验阶段。
协作与共享：团队成员能在平台上共享实验结果、生成报告，在浏览器中分析模型表现，促进团队协作和知识共享。

应用场景

学术研究：研究人员利用 WandB 记录实验细节，比较不同模型性能，提高论文透明度和可验证性，方便与同行交流和分享研究成果。
产品开发：机器学习工程师通过共享实验结果，加速模型迭代，提高产品开发效率，提升产品质量。
自动化调参：对于资源密集型应用，其超参数搜索功能可减少人工试错时间，自动找到最优模型配置，节省时间和计算资源。
数据资产管理：确保数据和模型版本有效管理，防止 “数据漂移” 问题，保障长期项目中数据和模型的稳定性和可靠性。

使用方法

注册登录：在官网注册账号，登录后获取 API key4。
安装：在命令行中使用pip install wandb进行安装24。
基本代码示例

收起

python

import wandb

# 初始化一个新的wandb实验
run = wandb.init(project="my_first_project")

# 保存模型输入和超参数
config = run.config
config.learning_rate = 0.01

# 假设这里是模型训练代码，在训练过程中记录指标
for i in range(10):
    # 这里假设loss是训练过程中计算得到的损失值
    run.log({"loss": loss}) 

# 标记实验结束，完成所有数据上传
run.finish()

from huggingface_hub import login 
from kaggle_secrets_import UsersecretsClient
user_secrets = UserSecretsclient()
hf_token = user_secrets.get_secret("HUGGINGFACE_TOKEN")
login(hf_token)

## 使用colab环境变量 
from huggingface_hub import login 
from google.Lolab import userdata

hf_token = userdata.get('deepseekr1')
login(hf_token)

```python

import wandb

wb_token = user_secrets.get_secret(“wandb”)

run = wandb.init( wandb. login(key=wb_token) anonymous=“allow” job_type=“training”, project=‘Fine-tune-DeepSeek-R1-Distill-Llama-8B on Medical COT Dataset’, anonymous"“allow” )