如何使用 Weights & Biases

Weights & Biases是什么

Weights & Biases（通常简称 W&B 或 wandb）是一个面向机器学习开发的实验跟踪与可视化平台。训练一个深度学习模型时，你会关心损失曲线、准确率、学习率变化、显存占用、超参数组合等一大堆过程数据；W&B 把这一堆东西集中记录到云端（或自托管实例），用网页仪表盘呈现，方便你横向对比不同实验、定位最佳模型。

它解决的核心问题是"实验混乱"：没有工具时，训练日志散落在控制台、TensorBoard 目录和各种命名混乱的 checkpoint 里，隔一周就分不清哪个配置对应哪个结果。W&B 用一套简单的 API 把每次运行（run）的指标、超参、代码版本、数据集信息自动关联起来，形成可检索的实验历史。

Weights & Biases适合谁

• 机器学习工程师与研究员：每天跑大量实验，需要系统化记录与对比实验结果。
• 深度学习初学者：用 W&B 可视化损失曲线和梯度分布，能直观理解训练过程发生了什么。
• 团队协作项目：多人共享实验记录，统一看板避免"实验只存在个人的本地日志里"。
• 需要向他人展示训练过程的人：把曲线和对比页面直接分享给同事或客户，比截图日志专业得多。

如果你完全离线开发、或对数据隐私有严格内网要求，W&B 也提供自托管（本地/私有云部署）方案，是否免费、部署方式以官网当前公示为准。

使用前的准备

1. 安装 SDK：在你的 Python 环境执行 pip 安装 wandb（具体命令以官方文档为准）。
2. 注册账号：到 W&B 官网注册，登录后获得个人 API key。
3. 登录关联：在代码或终端执行登录（wandb login），填入 API key，本地项目就与云端账号关联。
4. 创建项目：登录后网页上创建项目（Project），后续实验都归入这个项目。

记录第一次实验

在你的训练脚本里加几行代码：

1. 初始化 run：在训练开始时调用 wandb.init，指定项目名（project）、本次运行的名称与要记录的配置。
2. 记录超参数：把 learning_rate、batch_size、模型结构等放进 config 参数，W&B 会保存为本次运行的结构化配置。
3. 记录指标：在训练循环里调用 wandb.log，传入 loss、accuracy 等指标，它会自动画成随时间变化的曲线。
4. 记录额外对象：可以记录图片（生成结果、数据样本）、音频、表格、以及模型权重文件，便于之后追溯。

在网页看板里做什么

• 看训练曲线：项目页面按 run 显示损失/指标曲线，多个实验叠加对比，一眼看出哪个配置收敛更快。
• 超参数对比（平行坐标/散点）：把多个 run 的超参数与最终指标放在一起看，帮助理解哪些参数影响结果。
• 系统资源：查看训练时的 GPU 利用率、显存、CPU 占用，判断是不是显存瓶颈。
• 模型比较：选中若干 run，用表格或并排图对比关键指标，挑出最优模型及其对应配置。
• 分享链接：每个 run 和项目都有可分享的网页链接，把实验结果链接发出去即可。

进阶：数据版本与团队协作

• Artifacts（数据/模型版本）：把数据集和模型权重作为 Artifact 上传，每次实验记录它用了哪个版本的数据和模型，回放与复现实验不再靠文件名猜测。
• Sweeps（超参搜索）：声明超参数搜索空间，W&B 自动调度多组实验并汇总结果，适合做超参调优。
• Reports（报告）：把若干 run 的图表与说明文字组织成一篇可分享的实验报告，替代"截图拼 PPT"。
• 团队工作区：邀请成员加入项目，谁跑了什么实验、结果如何，全部集中可见。

使用中的注意事项

• 别把指标漏记：wandb.log 只在调用时记录，训练循环里记得放在每个 step/epoch 结束处；意外中断会导致曲线不完整。
• 控制日志频率：每步都 log 会产生大量数据，通常按 epoch 或固定间隔记录即可，频率过高会拖慢训练。
• 公共与私有项目：默认项目可能公开可见，涉及未发表研究或商业数据时，确认项目与组织设置为私有。
• 离线训练：无法联网的环境可使用离线模式（先本地缓存、后同步），具体用法查官方文档。
• 数据隐私：代码、配置、指标都会上传到服务端，敏感场景用自托管或确认企业版数据策略。

小结

Weights & Biases 把机器学习实验的"过程"变成可检索、可对比、可分享的资产：几行代码接入，损失曲线、超参、资源占用、模型与数据版本全部归档到统一看板。对个人是理清实验的仪表盘，对团队是共享的"实验账本"，是深度学习工作流里值得接入的基础设施之一。