Weights & Biases 使用介绍：功能、价格与上手指南

Weights & Biases（W&B）是面向 AI 团队的实验跟踪与模型管理平台。本文系统介绍其核心功能、定价方案，并提供从安装到记录实验的完整上手指南，帮助你快速评估并落地使用。

在机器学习项目中，实验数量多、参数组合复杂、结果难以复现是常见痛点。Weights & Biases（简称 W&B）正是为解决这些问题而生的实验跟踪与模型管理平台。本文将从功能、价格和上手实践三个维度，帮助你全面了解 W&B。

什么是 Weights & Biases

Weights & Biases 是一个面向 AI 开发者的 MLOps 工具，主要提供实验跟踪、数据集版本管理、模型管理和可视化报告功能。它支持 PyTorch、TensorFlow、Keras、Hugging Face 等主流框架，只需几行代码即可接入。

W&B 的核心价值在于：

• 集中记录：自动记录超参数、指标、GPU 使用率等。
• 可视化对比：在网页端并行比较多次实验结果。
• 协作共享：团队成员可查看同一项目下的所有实验。
• 可复现性：保存代码版本、环境信息和配置文件。

核心功能详解

1. 实验跟踪（Experiment Tracking）

这是 W&B 最常用的功能。通过 wandb.init() 初始化一次运行，随后用 wandb.log() 记录指标，系统会自动生成损失曲线、准确率曲线等图表。你还可以记录混淆矩阵、图像、音频和文本等非数值数据。

2. 超参数搜索（Sweeps）

W&B Sweeps 支持网格搜索、随机搜索和贝叶斯优化。你只需定义一个 YAML 配置文件，指定参数范围和搜索策略，W&B 即可自动启动多组实验并汇总结果。

3. 数据集与模型版本管理（Artifacts）

Artifacts 用于对数据集、模型权重和中间产物进行版本控制。每次训练产生的模型文件都可以被标记、追溯和复用，避免“最终版_v2_真的最终版”这类混乱。

4. 报告与协作（Reports）

你可以将多个实验的图表拖拽到一份可交互报告中，生成分享链接。报告支持 Markdown、LaTeX 和嵌入图表，适合团队周报或论文附录。

5. Tables 与可视化

W&B Tables 允许你以表格形式查看模型预测结果，支持按指标排序、筛选错误样本，并直接查看对应的图像或文本，非常适合做误差分析。

价格方案

W&B 提供免费和付费方案，主要区别在于协作人数、存储空间和高级功能。

价格可能随时间调整，建议以官网最新信息为准。对于学生和学术研究者，W&B 通常提供免费的教育优惠。

快速上手指南

步骤 1：安装与登录

pip install wandb
wandb login

运行 wandb login 后，按提示粘贴 API Key。你也可以设置环境变量 WANDB_API_KEY。

步骤 2：在训练脚本中接入

以下是一个 PyTorch 示例：

import wandb
import torch

wandb.init(project="my-first-project", config={
    "learning_rate": 0.001,
    "epochs": 10,
    "batch_size": 32
})

for epoch in range(wandb.config.epochs):
    # 训练代码...
    loss = 0.5  # 示例
    acc = 0.9
    wandb.log({"loss": loss, "accuracy": acc, "epoch": epoch})

wandb.finish()

运行脚本后，终端会输出一个链接，点击即可在浏览器中查看实时曲线。

步骤 3：使用 Sweeps 调参

创建 sweep.yaml：

program: train.py
method: bayes
metric:
  name: val_loss
  goal: minimize
parameters:
  learning_rate:
    min: 0.0001
    max: 0.01
  batch_size:
    values: [16, 32, 64]

然后运行：

wandb sweep sweep.yaml
wandb agent <sweep-id>

W&B 会自动启动多组实验并记录结果。

步骤 4：使用 Artifacts 管理模型

artifact = wandb.Artifact("model", type="model")
artifact.add_file("model.pth")
wandb.log_artifact(artifact)

之后可以在网页端查看版本历史并下载指定版本。

适用场景与替代方案

W&B 适合以下场景：

• 需要频繁对比不同超参数组合的研究团队。
• 多人协作的深度学习项目。
• 需要长期追踪模型迭代和数据集版本的生产团队。

常见替代方案包括 MLflow、TensorBoard 和 Neptune.ai。TensorBoard 更轻量但协作能力弱；MLflow 开源灵活但可视化体验不如 W&B；Neptune 功能类似，选择时可结合团队预算和部署要求。

结论

Weights & Biases 通过实验跟踪、Sweeps、Artifacts 和报告功能，显著提升了机器学习项目的可观测性和协作效率。免费方案足以支撑个人项目，团队方案价格合理。建议从一个小型项目开始，按本文步骤接入，逐步体验其完整能力。

返回 AI 教程列表