> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-hivemind-launch.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
> 辞書のようなオブジェクトを使用して、実験の設定を保存する
# 実験を設定する
export const ColabLink = ({url}) =>
Colabで試す
;
run の `config` プロパティを使用して、トレーニングの設定を保存します。
* ハイパーパラメーター
* データセット名やモデルのタイプなどの入力設定
* Experiments のためのその他の独立変数
`wandb.Run.config` プロパティを使うと、Experiments の分析や後からの再現が容易になります。W\&B App では、設定値でグループ化したり、異なる W\&B run の設定を比較したり、各トレーニング設定が出力にどのような影響を与えるかを評価したりできます。`config` プロパティは辞書のようなオブジェクトで、複数の辞書のようなオブジェクトを組み合わせて構成できます。
損失や精度のような出力メトリクスや従属変数を保存するには、`wandb.Run.config` ではなく `wandb.Run.log()` を使用してください。
## 実験の設定を行う
通常、設定はトレーニングスクリプトの冒頭で定義します。ただし、機械学習のワークフローはさまざまであるため、トレーニングスクリプトの冒頭で設定を定義する必要はありません。
設定変数名には、ピリオド (`.`) の代わりにダッシュ (`-`) またはアンダースコア (`_`) を使用してください。
スクリプトでルートより下位の `wandb.Run.config` キーにアクセスする場合は、属性アクセス構文 `config.key.value` ではなく、辞書アクセス構文 `["key"]["value"]` を使用してください。
以下のセクションでは、実験の設定を定義する一般的なシナリオをいくつか紹介します。
### 初期化時に設定を行う
W\&B run としてデータを Sync してログするバックグラウンドプロセスを生成するには、`wandb.init()` API を呼び出す際に、スクリプトの先頭で辞書を渡します。
次のコードスニペットでは、設定値を含む Python の辞書を定義する方法と、W\&B run を初期化する際にその辞書を引数として渡す方法を示します。
```python theme={null}
import wandb
# 設定の辞書オブジェクトを定義する
config = {
"hidden_layer_sizes": [32, 64],
"kernel_sizes": [3],
"activation": "ReLU",
"pool_sizes": [2],
"dropout": 0.5,
"num_classes": 10,
}
# W&B を初期化する際に設定の辞書を渡す
with wandb.init(project="config_example", config=config) as run:
...
```
`config` として入れ子の辞書を渡すと、W\&B はキー名をドット区切りのフラットな形式にします。
その辞書の値には、Python で他の辞書にアクセスするのと同様にアクセスできます:
```python theme={null}
# インデックス値としてキーを使って値にアクセスする
hidden_layer_sizes = run.config["hidden_layer_sizes"]
kernel_sizes = run.config["kernel_sizes"]
activation = run.config["activation"]
# Python の辞書の get() メソッド
hidden_layer_sizes = run.config.get("hidden_layer_sizes")
kernel_sizes = run.config.get("kernel_sizes")
activation = run.config.get("activation")
```
Developer Guideと各例では、設定値を別々の変数にコピーしています。このstepは任意です。可読性を高めるために行っています。
### argparseで設定する
argparse オブジェクトを使用して設定できます。[argparse](https://docs.python.org/3/library/argparse.html) は argument parser の略で、Python 3.2 以降で利用できる標準ライブラリモジュールです。コマンドライン引数の柔軟性と機能を活かしたスクリプトを簡単に作成できます。
これは、コマンドラインから起動したスクリプトの結果をトラッキングする場合に役立ちます。
次の Python スクリプトは、実験の設定を定義して適用するための parser オブジェクトの定義方法を示しています。関数 `train_one_epoch` と `evaluate_one_epoch` は、このデモ用にトレーニングループを模擬するためのものです。
```python theme={null}
# config_experiment.py
import argparse
import random
import numpy as np
import wandb
# トレーニングと評価のデモコード
def train_one_epoch(epoch, lr, bs):
acc = 0.25 + ((epoch / 30) + (random.random() / 10))
loss = 0.2 + (1 - ((epoch - 1) / 10 + random.random() / 5))
return acc, loss
def evaluate_one_epoch(epoch):
acc = 0.1 + ((epoch / 20) + (random.random() / 10))
loss = 0.25 + (1 - ((epoch - 1) / 10 + random.random() / 6))
return acc, loss
def main(args):
# W&B Run を開始する
with wandb.init(project="config_example", config=args) as run:
# 設定辞書から値を取得して、読みやすいように
# 変数に格納する
lr = run.config["learning_rate"]
bs = run.config["batch_size"]
epochs = run.config["epochs"]
# トレーニングを模擬して W&B に値をログする
for epoch in np.arange(1, epochs):
train_acc, train_loss = train_one_epoch(epoch, lr, bs)
val_acc, val_loss = evaluate_one_epoch(epoch)
run.log(
{
"epoch": epoch,
"train_acc": train_acc,
"train_loss": train_loss,
"val_acc": val_acc,
"val_loss": val_loss,
}
)
if __name__ == "__main__":
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter
)
parser.add_argument("-b", "--batch_size", type=int, default=32, help="Batch size")
parser.add_argument(
"-e", "--epochs", type=int, default=50, help="Number of training epochs"
)
parser.add_argument(
"-lr", "--learning_rate", type=int, default=0.001, help="Learning rate"
)
args = parser.parse_args()
main(args)
```
### スクリプト全体で設定する
`config` オブジェクトには、スクリプト全体を通してさらにパラメーターを追加できます。次のコードスニペットは、`config` オブジェクトに新しいキーと値のペアを追加する方法を示しています。
```python theme={null}
import wandb
# config 辞書オブジェクトを定義する
config = {
"hidden_layer_sizes": [32, 64],
"kernel_sizes": [3],
"activation": "ReLU",
"pool_sizes": [2],
"dropout": 0.5,
"num_classes": 10,
}
# W&B を初期化するときに config 辞書を渡す
with wandb.init(project="config_example", config=config) as run:
# W&B を初期化した後に config を更新する
run.config["dropout"] = 0.2
run.config.epochs = 4
run.config["batch_size"] = 32
```
一度に複数の値を更新できます。
```python theme={null}
run.config.update({"lr": 0.1, "channels": 16})
```
### run の完了後に設定する
完了した run の設定を更新するには、[W\&B Public API](/ja/models/ref/python/public-api/) を使用します。
API には、entity、プロジェクト名、run の ID を渡す必要があります。これらの情報は、Run オブジェクトまたは [W\&B App](/ja/models/track/workspaces/) で確認できます。
```python theme={null}
with wandb.init() as run:
...
# 以下の値は、現在のスクリプトまたはノートブックから開始された Run オブジェクトから取得するか、
# W&B App UI からコピーしてください。
username = run.entity
project = run.project
run_id = run.id
# api.run() は wandb.init() とは異なるタイプのオブジェクトを返すことに注意してください。
api = wandb.Api()
api_run = api.run(f"{username}/{project}/{run_id}")
api_run.config["bar"] = 32
api_run.update()
```
## 設定値をハイライトする
run の概要ページ上部にある **References** セクションに、設定キーをピン留めできます。
Python SDK で 1 つ以上の設定キーをピン留めするには、[`wandb.Run.pin_config_keys`](/ja/models/ref/python/experiments/run#method-run-pin_config_keys) を使用します。
たとえば、Grafana ダッシュボードを使用してトレーニング用の run を監視している場合は、ダッシュボードの URL を設定に追加し、`grafana_url` キーをピン留めします。
```python theme={null}
config = {
"hidden_layer_sizes": [32, 64],
"kernel_sizes": [3],
"activation": "ReLU",
"pool_sizes": [2],
"dropout": 0.5,
"num_classes": 10,
"grafana_url": "[Grafana dashboard](https://my-grafana-instance.com/)"
}
with wandb.init(config=config) as run:
# "grafana_url" 設定キーを References セクションに追加する。
run.pin_config_keys(["grafana_url"])
```
## `absl.FLAGS`
[`absl` フラグ](https://abseil.io/docs/python/guides/flags)を指定することもできます。
```python theme={null}
flags.DEFINE_string("model", None, "model to run") # 名前、デフォルト値、ヘルプ
run.config.update(flags.FLAGS) # absl フラグを設定に追加する
```
## ファイルベースの設定
`config-defaults.yaml` という名前のファイルを run スクリプトと同じディレクトリに配置すると、run はそのファイルで定義されたキーと値のペアを自動的に読み取り、`wandb.Run.config` に渡します。
次のコードスニペットは、`config-defaults.yaml` YAML ファイルのサンプルを示しています。
```yaml theme={null}
batch_size:
desc: Size of each mini-batch
value: 32
```
`config-defaults.yaml` から自動的に読み込まれるデフォルト値は、`wandb.init()` の `config` 引数に更新した値を設定することで上書きできます。たとえば、
```python theme={null}
import wandb
# カスタム値を渡して config-defaults.yaml を上書きする
with wandb.init(config={"epochs": 200, "batch_size": 64}) as run:
...
```
`config-defaults.yaml` 以外の設定ファイルを読み込むには、`--configs` コマンドライン引数を使用し、ファイルのパスを指定します:
```bash theme={null}
python train.py --configs other-config.yaml
```
### ファイルベースの設定の使用例
run に関するメタデータを含む YAML ファイルと、Python スクリプト内のハイパーパラメーターの辞書があるとします。これらは両方とも、ネストされた `config` オブジェクトに保存できます。
```python theme={null}
hyperparameter_defaults = dict(
dropout=0.5,
batch_size=100,
learning_rate=0.001,
)
config_dictionary = dict(
yaml=my_yaml_file,
params=hyperparameter_defaults,
)
with wandb.init(config=config_dictionary) as run:
...
```
## TensorFlow v1 フラグ
TensorFlow のフラグは、`wandb.Run.config` オブジェクトに直接渡せます。
```python theme={null}
with wandb.init() as run:
run.config.epochs = 4
flags = tf.app.flags
flags.DEFINE_string("data_dir", "/tmp/data")
flags.DEFINE_integer("batch_size", 128, "Batch size.")
run.config.update(flags.FLAGS) # TensorFlow のフラグを設定に追加
```