A continuación se muestra la traducción del documento en formato markdown docusaurus: --- description: Inicio rápido de W&B. displayed_sidebar: default --- import Tabs from '@theme/Tabs'; import TabItem from '@theme/TabItem'; # Inicio rápido Instala W&B y comienza a hacer un seguimiento de tus experimentos de aprendizaje automático en minutos. ## 1. Crea una cuenta e instala W&B Antes de comenzar, asegúrate de crear una cuenta e instalar W&B: 1. [Regístrate](https://wandb.ai/site) para obtener una cuenta gratuita en [https://wandb.ai/site](https://wandb.ai/site) e inicia sesión en tu cuenta wandb. 2. Instala la biblioteca wandb en tu máquina en un entorno Python 3 usando [`pip`](https://pypi.org/project/wandb/). Los siguientes fragmentos de código demuestran cómo instalar e iniciar sesión en W&B usando la CLI de W&B y la biblioteca Python: <Tabs defaultValue="notebook" values={[ {label: 'Notebook', value: 'notebook'}, {label: 'Línea de Comandos', value: 'cli'}, ]}> <TabItem value="cli"> Instala la CLI y la biblioteca Python para interactuar con la API de Weights and Biases: ``` pip install wandb ``` </TabItem> <TabItem value="notebook"> Instala la CLI y la biblioteca Python para interactuar con la API de Weights and Biases: ```python !pip install wandb ``` </TabItem> </Tabs> ## 2. Inicia sesión en W&B <Tabs defaultValue="notebook" values={[ {label: 'Notebook', value: 'notebook'}, {label: 'Línea de Comandos', value: 'cli'}, ]}> <TabItem value="cli"> A continuación, inicia sesión en W&B: ``` wandb login ``` O si estás usando [W&B Server:](./guides/hosting) ``` wandb login --host=http://wandb.your-shared-local-host.com ``` Proporciona [tu clave API](https://wandb.ai/authorize) cuando se te solicite. </TabItem> <TabItem value="notebook"> A continuación, importa el SDK Python de W&B e inicia sesión: ```python wandb.login() ``` Proporciona [tu clave API](https://wandb.ai/authorize) cuando se te solicite. </TabItem> </Tabs> ## 3. Inicia una ejecución y realiza un seguimiento de los hiperparámetros Inicializa un objeto Run de W&B en tu script Python o notebook con [`wandb.init()`](./ref/python/run.md) y pasa un diccionario al parámetro `config` con pares clave-valor de nombres de hiperparámetros y valores: ```python run = wandb.init( # Establece el proyecto donde se registrará esta ejecución project="my-awesome-project", # Realiza un seguimiento de los hiperparámetros y los metadatos de ejecución config={ "learning_rate": 0.01, "epochs": 10, }) ``` Una [ejecución](./guides/runs) es el bloque básico de construcción de W&B. Los usarás a menudo para [realizar un seguimiento de métricas](./guides/track), [crear registros](./guides/artifacts), [crear trabajos](./guides/launch), y más. ## Juntar todo Juntando todo, tu script de entrenamiento podría verse similar al siguiente ejemplo de código. El código resaltado muestra el código específico de W&B. Nota que agregamos código que imita el entrenamiento de aprendizaje automático. ```python # train.py import wandb import random # para script de demostración # highlight-next-line wandb.login() epochs=10 lr=0.01 # highlight-start run = wandb.init( # Establece el proyecto donde se registrará esta ejecución project="my-awesome-project", # Realiza un seguimiento de los hiperparámetros y los metadatos de ejecución config={ "learning_rate": lr, "epochs": epochs, }) # highlight-end offset = random.random() / 5 print(f"lr: {lr}") # simulando una ejecución de entrenamiento for epoch in range(2, epochs): acc = 1 - 2 ** -epoch - random.random() / epoch - offset loss = 2 ** -epoch + random.random() / epoch + offset print(f"epoch={epoch}, accuracy={acc}, loss={loss}") # highlight-next-line wandb.log({"accuracy": acc, "loss": loss}) # run.log_code() ``` ¡Eso es todo! Navega a la aplicación W&B en [https://wandb.ai/home](https://wandb.ai/home) para ver cómo las métricas que registramos con W&B (precisión y pérdida) mejoraron durante cada paso de entrenamiento.  La imagen anterior (haz clic para expandir) muestra la pérdida y precisión que se realizó un seguimiento desde cada vez que ejecutamos el script anterior. Cada objeto Run que se creó se muestra dentro de la columna **Ejecuciones**. Cada nombre de ejecución se genera aleatoriamente. ## ¿Qué sigue? Explora el resto del ecosistema de W&B. 1. Consulta las [Integraciones de W&B](guides/integrations) para aprender cómo integrar W&B con tu framework de ML como PyTorch, biblioteca de ML como Hugging Face, o servicio de ML como SageMaker. 2. Organiza ejecuciones, incrusta y automatiza visualizaciones, describe tus hallazgos y comparte actualizaciones con colaboradores con [Informes de W&B](./guides/reports). 2. Crea [Artefactos de W&B](./guides/artifacts) para realizar un seguimiento de conjuntos de datos, modelos, dependencias y resultados a través de cada paso de tu pipeline de aprendizaje automático. 3. Automatiza la búsqueda de hiperparámetros y explora el espacio de posibles modelos con [Barridos de W&B](./guides/sweeps). 4. Comprende tus conjuntos de datos, visualiza las predicciones del modelo y comparte ideas en un [panel central](./guides/data-vis).  ## Preguntas Comunes **¿Dónde encuentro mi clave API?** Una vez que hayas iniciado sesión en www.wandb.ai, la clave API estará en la [página de Autorización](https://wandb.ai/authorize). **¿Cómo uso W&B en un entorno automatizado?** Si estás entrenando modelos en un entorno automatizado donde es inconveniente ejecutar comandos de shell, como Google's CloudML, debes consultar nuestra guía de configuración con [Variables de Entorno](guides/track/environment-variables). **¿Ofrecen instalaciones locales, in-premises?** Sí, puedes [alojar W&B de forma privada](guides/hosting/) localmente en tus propias máquinas o en una nube privada, prueba [este notebook de tutorial rápido](http://wandb.me/intro) para ver cómo. Nota, para iniciar sesión en el servidor local wandb, puedes [establecer el indicador host](guides/