Облачная платформаEvolution

Авторизация и запуск первого эксперимента


С помощью инструкции вы создадите ML-проект и запустите первый эксперимент с использованием библиотеки wandb.

Для запуска эксперимента и визуализации метрик:

  1. Создайте API-ключ.

  2. Экспортируйте переменные среды.

  3. Установите библиотеку wandb.

  4. Запустите пример скрипта.

Перед началом работы

Перед началом работы убедитесь, что выполнены следующие условия:

  • У вас есть доступ к Distributed Train.

  • У вас есть доступ к воркспейсу, в который будут отправляться данные экспериментов.

  • Установлен Python версии 3.7 или выше.

  • Установлен менеджер пакетов pip.

Порядок действий

Шаг 1. Создайте API-ключ

API-ключ нужен для авторизации wandb SDK и отправки данных в текущий воркспейс.

Внимание

Ключ принадлежит создавшему его пользователю и действует только внутри воркспейса, в котором он создан.

  1. На верхней панели слева нажмите Кнопка с изображением девяти точек и перейдите в Distributed Train → Трекинг экспериментов.

  2. Нажмите API-ключи.

    ../../../_images/s__guides__tracking-start-work-api.webp
  3. Введите название ключа.

  4. Нажмите Создать ключ.

    ../../../_images/s__guides__tracking-start-work-api1.webp

    После создания ключа отобразится следующая информация:

    • Название ключа.

    • Дата и время создания.

    • Команды для настройки переменных окружения.

    • Базовый URL.

    • API-ключ.

    ../../../_images/s__guides__tracking-start-work-api2.webp

Шаг 2. Экспортируйте переменные среды

Скопируйте полученные значения API-ключа и базового URL в вашу локальную среду разработки.

export WANDB_BASE_URL=<base_url>
export WANDB_API_KEY=<api_key>

После экспорта переменных wandb автоматически будет использовать указанный URL и ваш API-ключ при выполнении wandb.init() , wandb.log() и других команд трекинга.

Шаг 3. Установите библиотеку wandb

Выполните команду:

pip install wandb

В результате будет установлена библиотека wandb. После установки можно использовать команды wandb login и wandb init в Python-скриптах.

Шаг 4. Запустите пример скрипта

Запустите следующий код:

import random
import wandb
# Start a new run to track this script.
run = wandb.init(
project="my-first-project",
# Track hyperparameters and run metadata.
config={
"learning_rate": 0.02,
"architecture": "CNN",
"dataset": "CIFAR-100",
"epochs": 10,
},
)
# Simulate training.
epochs = 10
offset = random.random() / 5
for epoch in range(2, epochs):
acc = 1 - 2**-epoch - random.random() / epoch - offset
loss = 2**-epoch + random.random() / epoch + offset
# Log metrics.
run.log({"acc": acc, "loss": loss})
# Finish the run and upload remaining data.
run.finish()

После запуска скрипта будет создан ML-проект my-first-project в воркспейсе, в котором был создан API-ключ.

../../../_images/s__guides__tracking-start-work-ml-project.webp

Результат

В результате выполнения инструкции:

  • Создан API-ключ для авторизации wandb SDK.

  • Установлена библиотека wandb.

  • Создан ML-проект my-first-project.

  • Запущен первый ран с логированием метрик.

  • Метрики доступны для визуализации в интерфейсе Distributed Train.

ML-проект готов к работе. Теперь можно запускать собственные эксперименты и отслеживать метрики обучения моделей.