Проекты машинного обучения имеют множество параметров, конфигураций, наборов данных и версий кода. Иногда трудно отслеживать, что вы сделали со своим проектом ранее, что приводит к определенному показателю производительности. К счастью, теперь он стал более доступен благодаря таким инструментам, как Weights & Biases, которые отслеживают эксперименты, воспроизводят модели и управляют сквозным рабочим процессом машинного обучения. В этом блоге я расскажу, как использовать веса и смещения в ваших проектах машинного обучения.
Веса и смещения использовались инженерами машинного обучения, исследователями и специалистами по обработке данных для управления проектами машинного обучения. Нам больше не нужно хранить журналы, конфигурации и важные данные в файлах Excel для анализа и сравнения. Нам подойдут веса и смещения. В этом сообщении блога будет подробно описано, как вы используете веса и смещения в своих проектах ML. Полный код доступен в моем репозитории Github. В этом сообщении блога будет рассказано об отслеживании и регистрации результатов экспериментов.
Отслеживание экспериментов
Быстрое экспериментирование важно для проектов машинного обучения, чтобы мы могли повторять и понимать результаты. Просто добавив несколько строк кода, вы получите интерактивную панель управления, подобную приведенной ниже:
Установите веса и смещения и PyTorch
Теперь, когда вы установили «wandb» и «torch», пришло время импортировать все необходимые пакеты, загрузить набор данных и создать загрузчики данных. В демонстрационных целях я использую простой набор данных FashionMNIST, содержащий 10 классов, но вы можете использовать свой собственный набор данных.
Теперь набор данных FashionMNIST готов. Давайте создадим простую нейронную сеть для классификации предметов моды в наборе данных FashionMNIST.
Далее стоит добавить изображения, метки, прогнозы и показатели достоверности в виде таблицы в раздел «Вес и предвзятость» для анализа и сравнения.
Далее давайте создадим функцию проверки для оценки производительности модели.
До сих пор мы писали несколько вспомогательных функций. Теперь пришло время обучить нашу модель и записать результаты.
После завершения обучения экспериментам вы можете войти в свой проект по ссылке, чтобы увидеть 3 различных эксперимента с журналами, таблицами, конфигурациями и системной информацией.
Подводя итог, мы увидели, как можно отслеживать эксперименты с помощью таких инструментов, как веса и смещения. В следующей статье я напишу о том, как визуализировать прогноз с помощью Weights & Biases. Полный код руководства можно получить здесь.
Если у вас есть какие-либо вопросы, оставляйте комментарии ниже. Следите за новостями, связанными с искусственным интеллектом.
