{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}

Weights And Biases

W&B：记录 ML 实验、sweeps、模型注册表、仪表盘。

Skill 元数据


来源	内置（默认安装）
路径	`skills/mlops/evaluation/weights-and-biases`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖	`wandb`
平台	linux, macos, windows
标签	`MLOps`, `Weights And Biases`, `WandB`, `Experiment Tracking`, `Hyperparameter Tuning`, `Model Registry`, `Collaboration`, `Real-Time Visualization`, `PyTorch`, `TensorFlow`, `HuggingFace`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。

Weights & Biases：ML 实验追踪与 MLOps

适用场景

在以下情况下使用 Weights & Biases（W&B）：

追踪 ML 实验，自动记录指标

实时仪表盘可视化训练过程

跨超参数和配置对比运行结果

自动化 sweeps 优化超参数

管理模型注册表，支持版本控制与血缘追踪

团队协作开展 ML 项目，共享工作区

追踪 artifacts（数据集、模型、代码）及其血缘关系

用户数：20 万+ ML 从业者 | GitHub Stars：10.5k+ | 集成数：100+

安装

快速开始

基础实验追踪

与 PyTorch 配合使用

核心概念

1. Projects 与 Runs

Project：相关实验的集合
Run：训练脚本的单次执行

2. 配置追踪

自动追踪超参数：

3. 指标记录

4. 模型检查点

超参数 Sweeps

自动搜索最优超参数。

定义 Sweep 配置

定义训练函数

Sweep 策略

Artifacts

追踪数据集、模型及其他文件的血缘关系。

记录 Artifacts

使用 Artifacts

模型注册表

集成示例

HuggingFace Transformers

PyTorch Lightning

Keras/TensorFlow

可视化与分析

自定义图表

Reports

在 W&B UI 中创建可分享的报告：

组合运行结果、图表与文本

支持 Markdown

可嵌入的可视化内容

团队协作

最佳实践

1. 使用标签和分组进行组织

2. 记录所有相关信息

3. 使用描述性名称

4. 保存重要 Artifacts

5. 在网络不稳定时使用离线模式

团队协作

分享运行结果

团队项目

在 wandb.ai 创建团队账号

添加团队成员

设置项目可见性（私有/公开）

使用团队级 artifacts 和模型注册表

定价

免费版：无限公开项目，100GB 存储

学术版：学生/研究人员免费使用

团队版：$50/席位/月，私有项目，无限存储

企业版：定制定价，支持本地部署

资源

文档：https://docs.wandb.ai

GitHub：https://github.com/wandb/wandb（10.5k+ stars）

示例：https://github.com/wandb/examples

社区：https://wandb.ai/community

Discord：https://wandb.me/discord

另请参阅

references/sweeps.md — 超参数优化综合指南

references/artifacts.md — 数据与模型版本控制模式

references/integrations.md — 框架专项示例

"Weights And Biases — W&B：记录 ML 实验、sweeps、模型注册表、仪表盘"

Weights And Biases#

Skill 元数据#

参考：完整 SKILL.md#

Weights & Biases：ML 实验追踪与 MLOps#

适用场景#

安装#

快速开始#

基础实验追踪#

与 PyTorch 配合使用#

核心概念#

1. Projects 与 Runs#

2. 配置追踪#

3. 指标记录#

4. 模型检查点#

超参数 Sweeps#

定义 Sweep 配置#

定义训练函数#

Sweep 策略#

Artifacts#

记录 Artifacts#

使用 Artifacts#

模型注册表#

集成示例#

HuggingFace Transformers#

PyTorch Lightning#

Keras/TensorFlow#

可视化与分析#

自定义图表#

Reports#

最佳实践#

1. 使用标签和分组进行组织#

2. 记录所有相关信息#

3. 使用描述性名称#

4. 保存重要 Artifacts#

5. 在网络不稳定时使用离线模式#

团队协作#

分享运行结果#

团队项目#

定价#

资源#

另请参阅#

Weights And Biases

Skill 元数据

参考：完整 SKILL.md

Weights & Biases：ML 实验追踪与 MLOps

适用场景

安装

快速开始

基础实验追踪

与 PyTorch 配合使用

核心概念

1. Projects 与 Runs

2. 配置追踪

3. 指标记录

4. 模型检查点

超参数 Sweeps

定义 Sweep 配置

定义训练函数

Sweep 策略

Artifacts

记录 Artifacts

使用 Artifacts

模型注册表

集成示例

HuggingFace Transformers

PyTorch Lightning

Keras/TensorFlow

可视化与分析

自定义图表

Reports

最佳实践

1. 使用标签和分组进行组织

2. 记录所有相关信息

3. 使用描述性名称

4. 保存重要 Artifacts

5. 在网络不稳定时使用离线模式

团队协作

分享运行结果

团队项目

定价

资源

另请参阅