すぐに導入し
トラッキングとバージョン、
管理を自動化
- 5行のコードでトラッキング、バージョン管理、可視化を開始
- 全てのチェックポイントからモデルを再現
- CPUおよびGPUユーセージをリアルタイムでモニタリング
「「以前と比べて 50から100倍 の数のML実験を走らせています。」
Phil Brown, Director of Applications
Graphcore
import wandb
# 1. Start a W&B run
run = wandb.init(project="my_first_project")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
for i in range(10):
run.log({"loss": loss})
# 1. Start a W&B run
run = wandb.init(project="my_first_project")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
for i in range(10):
run.log({"loss": loss})
import wandb
# 1. Start a new run
run = wandb.init(project="gpt4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
with tf.Session() as sess:
# ...
wandb.tensorflow.log(tf.summary.merge_all())
# 1. Start a new run
run = wandb.init(project="gpt4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
with tf.Session() as sess:
# ...
wandb.tensorflow.log(tf.summary.merge_all())
import wandb
# 1. Start a new run
run = wandb.init(project="gpt5")
run = wandb.init(project="gpt5")
# 2. Save model inputs and hyperparameters
config = run.config
config.dropout = 0.01
config = run.config
config.dropout = 0.01
# 3. Log gradients and model parameters
run.watch(model)
for batch_idx, (data, target) in enumerate(train_loader):
...
if batch_idx % args.log_interval == 0:
# 4. Log metrics to visualize performance
run.log({"loss": loss})
run.watch(model)
for batch_idx, (data, target) in enumerate(train_loader):
...
if batch_idx % args.log_interval == 0:
# 4. Log metrics to visualize performance
run.log({"loss": loss})
import wandb
from wandb.keras import (
WandbMetricsLogger,
WandbModelCheckpoint,
)
# 1. Start a new run
run = wandb.init(project="gpt-4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
... # Define a model
# 3. Log layer dimensions and metrics
wandb_callbacks = [
WandbMetricsLogger(log_freq=5),
WandbModelCheckpoint("models"),
]
model.fit(
X_train, y_train, validation_data=(X_test, y_test),
callbacks=wandb_callbacks,
)
from wandb.keras import (
WandbMetricsLogger,
WandbModelCheckpoint,
)
# 1. Start a new run
run = wandb.init(project="gpt-4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
... # Define a model
# 3. Log layer dimensions and metrics
wandb_callbacks = [
WandbMetricsLogger(log_freq=5),
WandbModelCheckpoint("models"),
]
model.fit(
X_train, y_train, validation_data=(X_test, y_test),
callbacks=wandb_callbacks,
)
import wandb
wandb.init(project="visualize-sklearn")
# Model training here
# Log classifier visualizations
wandb.sklearn.plot_classifier(clf, X_train, X_test, y_train, y_test, y_pred, y_probas, labels,
model_name="SVC", feature_names=None)
# Log regression visualizations
wandb.sklearn.plot_regressor(reg, X_train, X_test, y_train, y_test, model_name="Ridge")
# Log clustering visualizations
wandb.sklearn.plot_clusterer(kmeans, X_train, cluster_labels, labels=None, model_name="KMeans")
wandb.init(project="visualize-sklearn")
# Model training here
# Log classifier visualizations
wandb.sklearn.plot_classifier(clf, X_train, X_test, y_train, y_test, y_pred, y_probas, labels,
model_name="SVC", feature_names=None)
# Log regression visualizations
wandb.sklearn.plot_regressor(reg, X_train, X_test, y_train, y_test, model_name="Ridge")
# Log clustering visualizations
wandb.sklearn.plot_clusterer(kmeans, X_train, cluster_labels, labels=None, model_name="KMeans")
import wandb
# 1. Define which wandb project to log to and name your run
run = wandb.init(project="gpt-5", run_name="gpt-5-base-high-lr")
# 2. Add wandb in your `TrainingArguments`
args = TrainingArguments(..., report_to="wandb")
# 3. W&B logging will begin automatically when your start training your Trainer
trainer = Trainer(..., args=args)
trainer.train()
# 1. Define which wandb project to log to and name your run
run = wandb.init(project="gpt-5", run_name="gpt-5-base-high-lr")
# 2. Add wandb in your `TrainingArguments`
args = TrainingArguments(..., report_to="wandb")
# 3. W&B logging will begin automatically when your start training your Trainer
trainer = Trainer(..., args=args)
trainer.train()
import wandb
from wandb.xgboost import wandb_callback
# 1. Start a new run
run = wandb.init(project="visualize-models")
# 2. Add the callback
bst = xgboost.train(param, xg_train, num_round, watchlist, callbacks=[wandb_callback()])
# Get predictions
pred = bst.predict(xg_test)
from wandb.xgboost import wandb_callback
# 1. Start a new run
run = wandb.init(project="visualize-models")
# 2. Add the callback
bst = xgboost.train(param, xg_train, num_round, watchlist, callbacks=[wandb_callback()])
# Get predictions
pred = bst.predict(xg_test)
データを可視化して
重要なインサイトを導出
- リアルタイムでメトリックやデータセット、ログ、コード、システム情報などをモニタリング
- チーム全員が共同で状況を分析し、次の一手を検討する
- 横並びの比較によってデバグを効率化し、繰り返しビルドできる
「モデル開発プロセスの全てを保存していくことで、デバッグ、履歴、再現可能性など、 真剣に機械学習を取り組む上で必要不可欠な情報を提供してくれます。」
Richard Socher, fmr Chief Data Scientist
Salesforce
パフォーマンスを上げることで、自信を持ってモデルを評価し、デプロイ
- 実験におけるコラボレーションからベストモデルを見つける
- モデルの評価、バグの検証、進捗の見える化
- 全てのステークホルダーにレポートを共有
「W&Bは、一人一人の研究者のインサイトをチーム全体に波及させ一つのマシンの結果を何千のマシンにスケールします。」
Wojciech Zaremba, Co-Founder
OpenAI
Weights & Biasesの エコシステム
どんなインフラを使っていても、あなたのML開発サイクル全体を一つのインターフェースで管理
ML フレームワーク
Pytorch
XGBoost
HuggingFace
TensorFlow
GPT-3
spaCy
& 9000以上の機械学習ライブラリ
学習環境
Sagemaker
Azure ML
Run.ai
Vertex AI
NVIDIA DGX
Anyscale
ワークフローオーケストレーション
Airflow
Github Actions
Metaflow
Kubeflow
Jenkins
Flyte
推論環境
Sagemaker
Azure ML
Run.ai
Vertex AI
NVIDIA DGX
OctoML
最先端のMLプラットフォームが、あなたの チーム全体を活性化 させる
ML開発者
重複作業をなくし、ML開発の全ての詳細を自動的にトラッキングしましょう
結果を可視化し、ドラッグ・アンド・ドロップで分析 - あなたのベストモデルは数クリック先です
ML開発者
MLエンジニアによって設計された機械学習ワークフロー
合理的なMLワークフローを段階的に構築。すべてのステップで設定とカスタマイズが可能です。インテリジェントなデフォルトを活用すれば、車輪の再発明をすることはありません。
ML開発者
全ての履歴を記録し、再現可能にする記録システム (SoR)
あらゆる実験結果を瞬時に再現。そこに到達するまでの変更が記録されているので、チームメンバーがお互いに協力し合える。
デプロイ担当者
フレキシブルなデプロイで、
インテグレーションは容易
あなたの選んだインフラに、デプロイ。W&Bがマネジすることも、お客様がマネジすることもできます。既存の開発スタックとインテグレートさせられるので、ベンダーロックインは発生しません。
デプロイオプションについてはこちら →
￥W&B パートナーによるインテグレーションはこちら →
デプロイ担当者
ML開発者とデプロイ担当者の橋渡し
一つのコラボレーションインターフェースで、ML開発をスケールし、自動化 - ML開発者は効率化、デプロイ担当者は視認性を獲得。
デプロイ担当者
ガバナンスを保ちつつML開発をスケールアップ
開発の中核にあるMLプロジェクトの情報管理。モデルの開発サイクルを管理し、CI/CDによって開発を加速。モデルの変化を理解し、ビジネスインパクトを明確化。
W&BのMLOps Whiteペーパーを読む →
MLプロジェクトリーダー
実世界の課題解決でROIを実現
イノベーションを形にするスピードを加速し、ビジネスインパックとを生み出す。W&Bは何千もの実験を段階的に、協力して走らせることができるので、継続的にMLシステムの最適化を実現します。
MLプロジェクトリーダー
どんなインダストリーの、どんなユースケースでも
幅広い業界のお客様が、さまざまなユースケースでW&Bをご利用されています。自動運転の開発から、新しい薬の発見新しい薬の発見、ご客支援の自動化から、生成AIまで、W&Bのフレキシブルなワークフローはあらゆる利用用途に対応します。
MLプロジェクトリーダー
開発チームには
一番価値のある仕事を
MLのコアアクティビティに集中 - W&Bは煩雑なタスクを自動化します：再現可能性、監査可能性、インフラマネジメント、セキュリティーおよびガバナンス。
あなたのMLワークフローを未来に対応させましょう - W&BはOpenAIほか先端的イノベーターとともに製品開発を行い、最先端のAI開発の秘訣を製品に組み込んでいます。
700以上の企業や教育機関にいる50万人以上のML開発者に信頼されています
ケーススタディーを見る →
"W&B was fundamental for launching our internal machine learning systems, as it enables collaboration across various teams."
Hamel Husain
GitHub
"W&B is a key piece of our fast-paced, cutting-edge, large-scale research workflow: great flexibility, performance, and user experience."
Adrien Gaidon
Toyota Research Institute
"W&B allows us to scale up insights from a single researcher to the entire team and from a single machine to thousands."
Wojciech Zaremba
Cofounder of OpenAI
Featured content
AlphaFold-ed proteins in W&B Tables
Emmy-nominated Visual FX with W&B
A Deep Dive Into OpenCLIP from OpenAI
Making My Kid a Jedi Master With Stable Diffusion and Dreambooth
Lyft's High-Capacity End-to-End Camera-Lidar Fusion for 3D Detection
How To Build an Efficient NLP Model
Jensen Huang — NVIDIA's CEO on the Next Generation of AI and MLOps
Emad Mostaque — Stable Diffusion, Stability AI, and What’s Next
Boris Dayma — The Story Behind DALL-E mini, the Viral Phenomenon
LLM whitepaper
世界を先駆ける巨大言語モデル（LLM）の開発チームの多くがWeights & Biasesを利用してモデルの学習を行なっています
Oops! Something went wrong while submitting the form.
MLコミュニティとつながりましょう
機械学習プロジェクトに取り組んでいますか？業界と学術分野のMLエンジニアが参加しています。
