Skorch

Intégrez W&B à Skorch pour journaliser les métriques et les hyperparamètres d’entraînement de modèles PyTorch compatibles avec scikit-learn.

Vous pouvez utiliser W&B avec Skorch pour journaliser automatiquement le modèle le plus performant, ainsi que toutes les métriques de performance du modèle, sa topologie et les ressources de calcul après chaque époque. Chaque fichier enregistré dans wandb_run.dir est automatiquement journalisé dans W&B.

Voir un exemple de run.

Paramètres

Paramètre	Type	Description
wandb_run	wandb.wandb_run. Run	run wandb utilisé pour journaliser les données.
save_model	bool (default=True)	Indique s’il faut enregistrer un checkpoint du meilleur modèle et le téléverser vers votre Run sur W&B.
keys_ignored	str or list of str (default=None)	Clé ou liste de clés qui ne doivent pas être journalisées dans TensorBoard. Notez qu’en plus des clés fournies par l’utilisateur, les clés commençant par event_ ou se terminant par _best sont ignorées par défaut.

Exemples de code

Nous avons créé quelques exemples pour vous montrer comment l’intégration fonctionne :

• Colab: une démo simple pour essayer l’intégration
• Un guide étape par étape : pour suivre les performances de votre modèle Skorch

# Installer wandb
... pip install wandb

import wandb
from skorch.callbacks import WandbLogger

# Créer un run wandb
wandb_run = wandb.init()

# Journaliser les hyperparamètres (facultatif)
wandb_run.config.update({"learning rate": 1e-3, "batch size": 32})

net = NeuralNet(..., callbacks=[WandbLogger(wandb_run)])
net.fit(X, y)

Référence des méthodes

Méthode	Description
initialize()	(Ré-)initialise l’état initial du callback.
on_batch_begin(net[, X, y, training])	Appelée au début de chaque lot.
on_batch_end(net[, X, y, training])	Appelée à la fin de chaque lot.
on_epoch_begin(net[, dataset_train, …])	Appelée au début de chaque époque.
on_epoch_end(net, **kwargs)	Journalise les valeurs de la dernière étape de l’historique et enregistre le meilleur modèle
on_grad_computed(net, named_parameters[, X, …])	Appelée une fois par lot, après le calcul des gradients mais avant l’exécution d’une étape de mise à jour.
on_train_begin(net, **kwargs)	Journalise la topologie du modèle et ajoute un hook pour les gradients
on_train_end(net[, X, y])	Appelée à la fin de l’entraînement.