Wandb

首先，您需要安装 wandb：

pip install wandb

创建一个免费账户，然后运行

wandb login

在终端中。按照链接获取您需要粘贴的 API token，然后您就可以开始了！

源码

WandbCallback

 WandbCallback (log:str=None, log_preds:bool=True,
                log_preds_every_epoch:bool=False, log_model:bool=False,
                model_name:str=None, log_dataset:bool=False,
                dataset_name:str=None,
                valid_dl:fastai.data.core.TfmdDL=None, n_preds:int=36,
                seed:int=12345, reorder=True)

保存模型拓扑结构、损失和指标

	类型	默认值	详情
log	str	None	要记录什么（可以是 `gradients`, `parameters`, `all` 或 None）
log_preds	bool	True	是否将模型预测记录到 `wandb.Table` 中
log_preds_every_epoch	bool	False	是在每个 epoch 记录预测还是在训练结束时记录
log_model	bool	False	是否将模型检查点保存到 `wandb.Artifact` 中
model_name	str	None	要保存的 `model_name` 名称，会覆盖 `SaveModelCallback`
log_dataset	bool	False	是否将数据集记录到 `wandb.Artifact` 中
dataset_name	str	None	用于记录数据集的名称
valid_dl	TfmdDL	None	如果 `log_preds=True`，样本将从 `valid_dl` 中抽取
n_preds	int	36	记录多少个预测样本
seed	int	12345	抽取样本的种子
reorder	bool	True

可选地根据 log 参数（可以是 “gradients”, “parameters”, “all” 或 None）记录权重和/或梯度，如果 log_preds=True 则记录样本预测（这些预测来自 valid_dl 或验证集的随机样本，由 seed 确定）。在这种情况下，会记录 n_preds 个样本。

如果与 SaveModelCallback 结合使用，也会保存最佳模型（可以通过设置 log_model=False 来禁用）。

数据集也可以被跟踪

如果 log_dataset 为 True，则跟踪的文件夹从 learn.dls.path 中获取
log_dataset 可以明确设置为要跟踪的文件夹
数据集的名称可以通过 dataset_name 明确指定，否则默认为文件夹名称
注意：子文件夹“models”总是会被忽略

对于自定义场景，您还可以手动使用 log_dataset 和 log_model 函数分别记录您自己的数据集和模型。

源码

Learner.gather_args

 Learner.gather_args ()

收集学习器可访问的配置参数

源码

Learner.gather_args

 Learner.gather_args ()

收集学习器可访问的配置参数

源码

log_dataset

 log_dataset (path, name=None, metadata={}, description='raw dataset')

记录数据集文件夹

源码

log_model

 log_model (path, name=None, metadata={}, description='trained model')

记录模型文件

使用示例

定义好您的 Learner 后，在调用 fit 或 fit_one_cycle 之前，您需要初始化 wandb

import wandb
wandb.init()

如果您想在没有账户的情况下使用 Weights & Biases，可以调用 wandb.init(anonymous='allow')。

然后将回调函数添加到您的 learner 或 fit 方法调用中，如果您想保存最佳模型，可能还需要结合使用 SaveModelCallback

from fastai.callback.wandb import *

# To log only during one training phase
learn.fit(..., cbs=WandbCallback())

# To log continuously for all training phases
learn = learner(..., cbs=WandbCallback())

数据集和模型可以通过回调函数进行跟踪，也可以直接通过 log_model 和 log_dataset 函数进行跟踪。

更多详情，请参考 W&B 文档。