Wandb：make visualization better than Tensorboard

wandb :一个在线的可多人协作的多功能可视化工具包

我最开始使用的tensorboard，还写了一些相关tensorboard的脚本用于实验。tensorboard这里就不详细介绍了，相信大家都比较了解。直到尝试了wandb。

更自动化的实验记录

话不多说，直接上图：

配置文件：

之前的配置文件都是用字典跟模型一起保存，要查看的时候要得加载模型，比较麻烦。

实验结果：

运行log（可下载）：

系统状况（虽然感觉没啥用）：

Sweep

参数搜索，我最喜欢的地方。

但你不懂参数设置，并且在打kaggle的时候加入多种trick，但是不知道怎么组合有效，就需要不停的关注和跟进实验情况，但是使用sweep进行相关设置之后，就可以比较放心的干其他事。想起来的时候看一眼即可，其会根据你设置的config进行搜索，并根据搜索情况列出相关参数对模型的重要程度已经相关性。

下面给大家打个样(蒸的很关键)，差不多就是这样，上手简单，相关参数请自行查阅org doc:

Define sweep configuration - Documentation (wandb.ai)

WANDB_SWEEP_PROJECT = 'rsna-breast-cancer-sweeps'
WANDB_PROJECT = 'RSNA-breast-cancer'

def main(config):
	train_data,train_label,test_data,test_label(config)
	model = build_model(config)
	optim,schedule = build_opt_schedule(model,config)
	with wandb.init(project=WANDB_PROJECT, name=name,group=WANDB_RUN_NAME) as run:
        for epoch in range(epoch_num):
            train_one_epoch(model,eptim,schedule,config)
            test_one_epoch(model,config)
            save_model(model)
            run.log({
                    'eval_cancer_loss': cancer_loss,
                    'eval_f1': f1,
                    'max_eval_f1': best_eval_score,
                    'eval_f1_thres': thres,
                    'eval_loss': loss,
                    'eval_aux_loss': aux_loss,
                    'epoch': epoch
                })
		

sweep_id = wandb.sweep(sweep={
    'method': 'bayes',
    'name': 'rsna-sweep',
    'metric': {
        'goal': 'maximize',
        'name': 'max_eval_f1'
    },
    'parameters': {
        'ONE_CYCLE_PCT_START': {
            'values': [0.05,0.1,0.15]
        },
        'EPOCHS': {
            'min': 2,
            'max': 12,
            'distribution': 'q_log_uniform_values'
        },
        'DROPOUT': {
            'values': [0.1, 0.2,0.3]
        }
        'POSITIVE_TARGET_WEIGHT': {
            'min': 1.,
            'max': 40.,
            'distribution': 'uniform'
        },
        'SMOTHING': {
            'min': 0.01,
            'max': 0.1,
            'distribution': 'log_uniform_values'
        },}
},
                    project=WANDB_SWEEP_PROJECT)
print('Generated sweep id', sweep_id)

def wandb_callback():
    with wandb.init() as run:
        config = run.config             
        print('params', config)
        main(config)

# Start sweep job.
wandb.agent(sweep_id,
            project=WANDB_SWEEP_PROJECT,
            function=wandb_callback,
            count=100000)

END

然后，我只是刚刚开始尝试使用，不是所有的功能都使用过，还有一些其他功能请根据org doc执行探索。

• Visualize & Analyze Tables

• Collaborate on reports

pData/Roaming/Typora/typora-user-images/image-20230204145730735.png" alt=“image-20230204145730735” style=“zoom:50%;” />