专注Python、AI、大数据，请关注公众号七步编程！

人工智能方向的项目，和数据可视化是紧密相连的。

模型训练过程中梯度下降过程是什么样的？损失函数的走向如何？训练模型的准确度怎么变化的？

清楚这些数据，对我们模型的优化至关重要。

由于人工智能项目往往伴随着巨大数据量，用肉眼去逐个数据查看、分析是不显示的。这时候就需要用到数据可视化和日志分析报告。

TensorFlow自带的Tensorboard在模型和训练过程可视化方面做得越来越好。但是，也越来越臃肿，对于初入人工智能的同学来说有一定的门槛。

人工智能方面的项目变得越来越规范化，以模型训练、数据集准备为例，目前很多大公司已经发布了各自的自动机器学习平台，让工程师把更多精力放在优化策略上，而不是在准备数据、数据可视化方面。

本文，就来给大家介绍一款新型的机器学习可视化IDE，能够让人工智能研发过程变得更加简单明了。

wandb

wandb是Weights & Biases的缩写，这款工具能够帮助跟踪你的机器学习项目。它能够自动记录模型训练过程中的超参数和输出指标，然后可视化和比较结果，并快速与同事共享结果。

通过wandb，能够给你的机器学习项目带来强大的交互式可视化调试体验，能够自动化记录Python脚本中的图标，并且实时在网页仪表盘展示它的结果，例如，损失函数、准确率、召回率，它能够让你在最短的时间内完成机器学习项目可视化图片的制作。

总结而言，wandb有4项核心功能：

• 看板：跟踪训练过程，给出可视化结果
• 报告：保存和共享训练过程中一些细节、有价值的信息
• 调优：使用超参数调优来优化你训练的模型
• 工具：数据集和模型版本化

也就是说，wandb并不单纯的是一款数据可视化工具。它具有更为强大的模型和数据版本管理。此外，还可以对你训练的模型进行调优。

wandb另外一大亮点的就是强大的兼容性，它能够和Jupyter、TensorFlow、Pytorch、Keras、Scikit、fast.ai、LightGBM、XGBoost一起结合使用。

因此，它不仅可以给你带来时间和精力上的节省，还能够给你的结果带来质的改变。

举几个例子：

验证数据可视化

wandb会自动选取一部分验证数据，然后把它展示到面板上。例如，手写体预测的结果、目标识别的包围盒。

自然语言

使用自定义图表可视化基于NLP注意力的模型

这里只给出2个示例，除了这些，它目前还有更多实用有价值的功能。而且，它还不断在增加新功能。

使用教程

官方称wandb为IDE，但是它更像TensorFlow、Pytorch一样，是一款高级Python第三方工具包。它的安装、使用都和Python其他工具包大同小异。

安装

wandb的使用需要Python3，安装非常简单，直接通过pip命令即可安装：

$ pip install wandb

登录网站

使用wandb需要登录wandb网站，你可以创建一个新账号，也可以用GitHub或者google账号进行登录。

登录之后，你会发现它像很多其他的web版IDE一样，可以创建项目，而且每个项目下都会有各种看板、报告。

API Keys

登录之后，点击右上角头像，进入User Settings，可以看到有API Keys。这个API Keys主要用于登录，用于连接桌面项目和wandb后台系统。

回到自己电脑桌面，打开终端，使用API Keys进行登录：

$ wandb login <YOUR API KEYS>

记得，<YOUR API KEYS>要替换成你自己的API Keys。

训练脚本

到此为止，工具层面的配置已经完成了，你需要的就是准备好你的训练脚本。

训练脚本的准备和正常情况完全一样，像导入其他工具包一样导入wandb，在wandb可以定义配置参数、dropout、日志监控等。

这里，给一个简单的示例，写一个名为train.py的脚本：

# 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")

可以发现，它和Tensorboard的使用有一些相通之处，直接可以在代码中定义初始化、上传日志、保持模型。

开始训练

工具配置完了，训练脚本也准备完了，下面开始训练模型即可。

$ python train.py

这些步骤都是在本地终端下完成的，一定不要忘记前面第3步，用API Keys登录。

这样的话，执行训练之后，它会在网页端wandb项目管理界面自动添加一个对应的项目，点击进入这个项目，就可以看到看板、报告等内容。