Создать ран

Перед началом работы

Перед началом работы убедитесь, что выполнены следующие условия:

• Настроена авторизация с помощью API-ключа.

• Установлена библиотека wandb.

Порядок действий

1. Инициализируйте ран.

   Добавьте в начало скрипта:

   import random
   
   run = wandb.init(
       project="<name_project>",
       name="<name_run>",
       config={
           "learning_rate": 0.01,
           "epochs": 10,
       },
   )
   
   

   Где:

   • <name_project> — название ML-проекта.

   • <name_run> — название рана.

   В интерфейсе отобразится созданный ран в статусе «Выполняется».

   

2. В цикл обучения добавьте логирование метрик:

   for epoch in range(10):
       # Simulated learning
       loss = 1 - epoch * 0.1 + random.random() * 0.1
       accuracy = epoch * 0.1 + random.random() * 0.1
   
       # Metric logging
       run.log({
           "epoch": epoch,
           "loss": loss,
           "accuracy": accuracy,
       })
   
   

3. После окончания обучения завершите ран:

   run.finish()
   
   

Пример полного кода:

import random

run = wandb.init(
    project="my-first-project",
    name="exp-1",
    config={
        "learning_rate": 0.08,
        "epochs": 14,
    },
)

for epoch in range(10):
    # Simulated learning
    loss = 1 - epoch * 0.1 + random.random() * 0.1
    accuracy = epoch * 0.1 + random.random() * 0.1

    # Metric logging
    run.log({
        "epoch": epoch,
        "loss": loss,
        "accuracy": accuracy,
    })

run.finish()

Результат

Ран создан и сохранен в ML-проекте.

В интерфейсе Distributed Train доступны:

• История метрик с графиками.

• Конфигурация (гиперпараметры).

• Время выполнения.

• Системные логи (CPU, GPU, память).

• Артефакты, если были сохранены.