Weights & Biases

Là gì Weights & Biases ?

Weights & Biases là một nền tảng MLOps toàn diện nhằm mục đích nâng cao năng suất của những người thực hành học máy (ML) . Nó cung cấp một cách có hệ thống để ghi lại, theo dõi và trực quan hóa mọi thành phần của một thí nghiệm ML, bao gồm các tập dữ liệu (như COCO hoặc các tập dữ liệu tùy chỉnh được quản lý thông qua Ultralytics HUB ), siêu tham số , số liệu đào tạo như độ chính xác và mất mát , phiên bản mã và trọng số mô hình kết quả. Bằng cách cung cấp một bảng điều khiển rõ ràng, có tổ chức, W&B đơn giản hóa quy trình so sánh các lần chạy thử nghiệm khác nhau, gỡ lỗi mô hình và chia sẻ các phát hiện với những người cộng tác. Nó tích hợp trơn tru với các khuôn khổ phổ biến như PyTorch và TensorFlow , giúp nó có thể thích ứng với nhiều dự án AI khác nhau, từ thị giác máy tính (CV) đến xử lý ngôn ngữ tự nhiên (NLP) .

Điều quan trọng là phải phân biệt Weights & Biases nền tảng từ các khái niệm "trọng số" và "thiên vị" trong mạng nơ-ron (NN) . Trong mạng nơ-ron, weights and biases là các tham số có thể học được mà mô hình điều chỉnh trong quá trình đào tạo bằng các thuật toán tối ưu hóa để giảm thiểu hàm mất mát . Trọng số xác định cường độ kết nối giữa các nơ-ron, trong khi độ lệch cung cấp độ lệch, cho phép ngưỡng hàm kích hoạt thay đổi. Weights & Biases , nền tảng, là công cụ được sử dụng để theo dõi và quản lý các thí nghiệm nhằm tìm ra các giá trị tối ưu cho các tham số mạng nơ-ron này. Bạn có thể tìm hiểu thêm về việc tích hợp Ultralytics với W&B trong tài liệu .

Các tính năng chính của Weights & Biases

Weights & Biases cung cấp một số tính năng để hỗ trợ vòng đời ML:

• Theo dõi thử nghiệm : Tự động ghi lại các số liệu (ví dụ: mAP , điểm F1 ), siêu tham số (như tốc độ học hoặc kích thước lô ), tệp cấu hình và chi tiết môi trường cho mỗi lần chạy. Điều này đảm bảo các thử nghiệm có thể theo dõi và so sánh được.
• Quét siêu tham số : Cung cấp các công cụ để tự động điều chỉnh siêu tham số , khám phá các kết hợp khác nhau để tìm cấu hình mô hình tốt nhất bằng các phương pháp như tối ưu hóa Bayesian hoặc tìm kiếm ngẫu nhiên. Điều này phù hợp với các phương pháp hay nhất được nêu trong các mẹo đào tạo mô hình .
• Phiên bản dữ liệu và mô hình (Artifacts) : Cho phép phiên bản của các tập dữ liệu và trọng số mô hình . Điều này rất quan trọng đối với khả năng tái tạo, theo dõi dòng dõi mô hình và quản lý tài sản để triển khai mô hình .
• Công cụ trực quan hóa : Cung cấp hình ảnh trực quan phong phú, tương tác để so sánh kết quả thử nghiệm, phân tích dự đoán của mô hình (ví dụ: hộp giới hạn trong phát hiện đối tượng ), hiểu hành vi của mô hình và xác định các vấn đề như quá khớp .
• Tính năng cộng tác (Báo cáo) : Cho phép người dùng tạo báo cáo động kết hợp hình ảnh trực quan, mô tả văn bản và dữ liệu đã ghi lại để chia sẻ thông tin chi tiết và ghi lại phát hiện với các thành viên trong nhóm hoặc cộng đồng rộng lớn hơn.
• Giám sát tài nguyên : Theo dõi việc sử dụng phần cứng, bao gồm mức sử dụng GPU và CPU , mức tiêu thụ bộ nhớ và nhiệt độ, giúp xác định tình trạng tắc nghẽn hiệu suất.

Ứng dụng thực tế của Weights & Biases

Weights & Biases được sử dụng rộng rãi trong nhiều ngành công nghiệp khác nhau để cải thiện quy trình phát triển máy học.

1. Phát triển mô hình thị giác máy tính: Một nhóm đào tạo mô hình Ultralytics YOLOv8 để phát hiện đối tượng trong xe tự hành có thể sử dụng W&B để ghi lại các lần chạy đào tạo với các chiến lược tăng cường dữ liệu hoặc kiến trúc xương sống khác nhau. Họ có thể hình dung tác động đến số liệu độ chính xác và thu hồi trên các tập dữ liệu như Argoverse , so sánh kết quả trong bảng điều khiển W&B và phiên bản các trọng số mô hình hoạt động tốt nhất bằng cách sử dụng Artifacts để triển khai sau. Đọc về tích hợp Ultralytics và W&B .
2. Phân tích hình ảnh y tế: Các nhà nghiên cứu thực hiện phân tích hình ảnh y tế để phát hiện bệnh, ví dụ, sử dụng mô hình được đào tạo trên tập dữ liệu Brain Tumor , có thể tận dụng W&B. Họ có thể theo dõi các thí nghiệm liên quan đến việc tinh chỉnh các mô hình được đào tạo trước, trực quan hóa mặt nạ phân đoạn hoặc độ chính xác phân loại, giám sát việc sử dụng GPU trong các phiên đào tạo kéo dài và cộng tác bằng cách chia sẻ các báo cáo chi tiết về phát hiện của họ, đảm bảo tính minh bạch và khả năng tái tạo trong các ứng dụng nhạy cảm. Điều này phù hợp với mục tiêu của AI có thể giải thích được (XAI) .

Bằng cách cung cấp một môi trường có cấu trúc để quản lý vòng đời ML, Weights & Biases giúp các nhóm xây dựng các mô hình tốt hơn nhanh hơn và tạo điều kiện cho sự hợp tác và khả năng tái tạo trong quá trình phát triển AI. Bạn có thể khám phá cách tích hợp W&B với Ultralytics dự án thông qua tài liệu chính thức .