WandBをkerasで使ってみた - テックブログ

✅

はじめに wandb (Weights & Biases)とは記事の内容 wandbの使い方まとめ参考

はじめに

wandb (Weights & Biases)とは

モデルの学習時のログを管理し、可視化を行うツールです。モデルの学習で更新されたパラメータ等はWEBのダッシュボードで確認することができます。

記事の内容

今回は、cifar10をCNNで分類するモデル構築し、wandbを使って可視化を行ってみたいと思います。
以下が今回使用するコードです。実行環境はcolabを使用しました。

import wandb
import tensorflow as tf

def cifiar10_with_wandb():

  #projectの初期化
  wandb.init(project="cifar10-cnn")

  #学習データのロード
  (x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()
 　x_train, x_test = x_train / 255.0, x_test / 255.0

  #modelの構築
  model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
  #modelのコンパイル
  model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
  callbacks = [wandb.keras.WandbCallback()]

  #modelの実行
  model.fit(x_train, y_train, epochs=20, batch_size=64, validation_data=(x_test, y_test), callbacks=callbacks)
  #modelの評価
  loss, acc = model.evaluate(x_test, y_test)
  wandb.finish()


if __name__ == '__main__':

  cifiar10_with_wandb()

wandbの使い方

以下のリンクにアクセスし、APIキーを取得します。

Home

The Weights & Biases MLOps platform helps AI developers streamline their ML workflow from end-to-end.

https://wandb.ai

googleアカウント、githubアカウントと連携できるのでとても便利です。
ログイン後、ホーム画面右上にあるプロフィール欄をクリックし
User settings → Danger ZoneにあるAPI keysを控えておきます。
home画面の「Create new project」からプロジェクトを新規作成を行います。

プロジェクトの名前(Project name)は「cifar10-cnn」としておきます。

上記のコードを実行します。

コードの解説

kerasでwandbを使う際には、モデルの実行前にwandb.initで初期化し、callbacksにWandbCallback()を追加するだけです。

wandb.init(project="cifar10-cnn") #自分の作ったプロジェクトネームを指定します

#modelのコンパイル
  model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
  callbacks = [wandb.keras.WandbCallback()]

  #modelの実行
  model.fit(x_train, y_train, epochs=20, batch_size=64, validation_data=(x_test, y_test), callbacks=callbacks)

wandbが無事にインポートされるとAPIキーを求められるので、先ほど控えておいたAPIキーを入力します。
モデルが実行されると、「Run page」にダッシュボードのURLが表示され、そこからログを確認できるようになります。
今回はハイパラメータを変更したモデルも使い、計8回学習させました。

同じ画面に複数のモデルをプロットしてくれるので、モデル間の比較が容易でmatplotlibでコードを書く手間が省かれるのでとても便利です。
学習が終了するとサマライズを表示してくれます。