專注Python、AI、大數據，請關注公眾號七步編程！

人工智能方向的項目，和數據可視化是緊密相連的。

模型訓練過程中梯度下降過程是什么樣的？損失函數的走向如何？訓練模型的準確度怎么變化的？

清楚這些數據，對我們模型的優化至關重要。

由于人工智能項目往往伴隨著巨大數據量，用肉眼去逐個數據查看、分析是不顯示的。這時候就需要用到數據可視化和日志分析報告。

TensorFlow自帶的Tensorboard在模型和訓練過程可視化方面做得越來越好。但是，也越來越臃腫，對于初入人工智能的同學來說有一定的門檻。

人工智能方面的項目變得越來越規范化，以模型訓練、數據集準備為例，目前很多大公司已經發布了各自的自動機器學習平臺，讓工程師把更多精力放在優化策略上，而不是在準備數據、數據可視化方面。

本文，就來給大家介紹一款新型的機器學習可視化IDE，能夠讓人工智能研發過程變得更加簡單明了。

wandb

wandb是Weights & Biases的縮寫，這款工具能夠幫助跟蹤你的機器學習項目。它能夠自動記錄模型訓練過程中的超參數和輸出指標，然后可視化和比較結果，并快速與同事共享結果。

通過wandb，能夠給你的機器學習項目帶來強大的交互式可視化調試體驗，能夠自動化記錄Python腳本中的圖標，并且實時在網頁儀表盤展示它的結果，例如，損失函數、準確率、召回率，它能夠讓你在最短的時間內完成機器學習項目可視化圖片的制作。

總結而言，wandb有4項核心功能：

看板：跟蹤訓練過程，給出可視化結果
報告：保存和共享訓練過程中一些細節、有價值的信息
調優：使用超參數調優來優化你訓練的模型
工具：數據集和模型版本化

也就是說，wandb并不單純的是一款數據可視化工具。它具有更為強大的模型和數據版本管理。此外，還可以對你訓練的模型進行調優。

wandb另外一大亮點的就是強大的兼容性，它能夠和Jupyter、TensorFlow、Pytorch、Keras、Scikit、fast.ai、LightGBM、XGBoost一起結合使用。

因此，它不僅可以給你帶來時間和精力上的節省，還能夠給你的結果帶來質的改變。

舉幾個例子：

驗證數據可視化

wandb會自動選取一部分驗證數據，然后把它展示到面板上。例如，手寫體預測的結果、目標識別的包圍盒。

自然語言

使用自定義圖表可視化基于NLP注意力的模型

這里只給出2個示例，除了這些，它目前還有更多實用有價值的功能。而且，它還不斷在增加新功能。

使用教程

官方稱wandb為IDE，但是它更像TensorFlow、Pytorch一樣，是一款高級Python第三方工具包。它的安裝、使用都和Python其他工具包大同小異。

安裝

wandb的使用需要Python3，安裝非常簡單，直接通過pip命令即可安裝：

$ pip install wandb

登錄網站

使用wandb需要登錄wandb網站，你可以創建一個新賬號，也可以用GitHub或者google賬號進行登錄。

登錄之后，你會發現它像很多其他的web版IDE一樣，可以創建項目，而且每個項目下都會有各種看板、報告。

API Keys

登錄之后，點擊右上角頭像，進入User Settings，可以看到有API Keys。這個API Keys主要用于登錄，用于連接桌面項目和wandb后臺系統。

回到自己電腦桌面，打開終端，使用API Keys進行登錄：

$ wandb login <YOUR API KEYS>

記得，<YOUR API KEYS>要替換成你自己的API Keys。

訓練腳本

到此為止，工具層面的配置已經完成了，你需要的就是準備好你的訓練腳本。

訓練腳本的準備和正常情況完全一樣，像導入其他工具包一樣導入wandb，在wandb可以定義配置參數、dropout、日志監控等。

這里，給一個簡單的示例，寫一個名為train.py的腳本：

# Init wandb

import wandb
wandb.init(project="demo")

# Model instantiation code ...
# Log metrics with wandb
 
for _ in range(num_epochs):
  train_model()
  loss = calulate_loss()
  wandb.log({"Loss": loss})

# Save model to wandb

np.save("weights", weights)
wandb.save("weights.npy")

可以發現，它和Tensorboard的使用有一些相通之處，直接可以在代碼中定義初始化、上傳日志、保持模型。

開始訓練

工具配置完了，訓練腳本也準備完了，下面開始訓練模型即可。