> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-weave-otel-prioritization.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
> Suivez vos expériences de machine learning avec W&B pour consigner les métriques, les hyperparamètres, les métriques système et les Artifacts de modèle.
# Aperçu d’Experiments
export const TryProductLink = ({url}) =>
Essayer sur W&B
;
export const ColabLink = ({url}) =>
Essayer sur Colab
;
Suivez des expériences de machine learning avec seulement quelques lignes de code. Vous pouvez ensuite consulter les résultats dans un [tableau de bord interactif](/fr/models/track/workspaces/) ou exporter vos données vers Python pour y accéder de façon programmatique à l’aide de notre [API publique](/fr/models/ref/python/public-api/).
Utilisez les intégrations W\&B avec des frameworks populaires tels que [Keras](/fr/models/integrations/keras). Voir [les intégrations W\&B](/fr/models/integrations) pour la liste complète des intégrations et savoir comment ajouter W\&B à votre code.
L’image ci-dessus montre un exemple de tableau de bord dans lequel vous pouvez afficher et comparer des métriques entre plusieurs [runs](/fr/models/runs/).
## Fonctionnement
Suivez une expérience de machine learning avec quelques lignes de code :
1. Créez un [W\&B Run](/fr/models/runs/).
2. Enregistrez un dictionnaire d'hyperparamètres, comme le taux d'apprentissage ou le type de modèle, dans votre configuration ([`wandb.Run.config`](/fr/models/track/config/)).
3. Consignez des métriques ([`wandb.Run.log()`](/fr/models/track/log/)) au fil de l'entraînement, par exemple l'accuracy et la perte.
4. Enregistrez les sorties d'un run, comme les poids du modèle ou un tableau de prédictions.
Le code suivant illustre un flux de travail courant de suivi des expériences avec W\&B. Remplacez `my-team` par votre entité d’équipe W\&B et `my-project-name` par le nom de votre projet.
```python theme={null}
import wandb
entity = "" # Set entity to your W&B team name
project = "my-project-name" # Set project to your W&B project name
# When this block exits, it waits for logged data to finish uploading.
# If an exception is raised, the run is marked failed.
with wandb.init(entity=entity, project="my-project-name") as run:
# Enregistrez les entrées du modèle et les hyperparamètres.
run.config.learning_rate = 0.01
# Run your experiment code.
for epoch in range(num_epochs):
# Do some training...
# Log metrics over time to visualize model performance.
run.log({"loss": loss})
# Upload model outputs as artifacts.
run.log_artifact(model)
```
## Pour commencer
Selon votre cas d’utilisation, explorez les ressources suivantes pour démarrer avec W\&B Experiments :
* Lisez le [Démarrage rapide W\&B](/fr/models/quickstart/) pour apprendre à configurer W\&B et à suivre votre première expérience.
* Essayez les [premiers pas avec W\&B Models](/fr/models/models_quickstart/) pour apprendre à utiliser W\&B afin de suivre, partager et gérer des artifacts de modèles dans vos flux de travail de machine learning.
* Explorez ce chapitre pour apprendre à :
* [Créer une expérience](/fr/models/track/create-an-experiment)
* [Configurer des expériences](/fr/models/track/config/)
* [Journaliser les données d’expériences](/fr/models/track/log/)
* [Consulter les résultats des expériences](/fr/models/track/workspaces)
* Explorez la [bibliothèque Python de W\&B](/fr/models/ref/python/) dans le [Guide de référence de l’API W\&B](/fr/models/ref/python/).
## Bonnes pratiques et conseils
Pour connaître les bonnes pratiques et conseils relatifs à Experiments et Logging, voir [Bonnes pratiques : Experiments et Logging](https://wandb.ai/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#w\&b-experiments-and-logging).
L’image ci-dessus montre un exemple de tableau de bord dans lequel vous pouvez afficher et comparer des métriques entre plusieurs [runs](/fr/models/runs/).