想象你是一位正在研发新菜的大厨。过去每调一次配料、每改一次火候，都靠小本子手写记录，真到复盘时却常常忘了哪道菜加了哪味料。现在你有了一个智能“后厨实验记录本”——它会在你每次做菜时自动记下配料、火候、试吃评分，还能把几道实验菜并排对比，让你一眼看出哪次配方最值得推广。Weights & Biases（简称 W&B）就是 AI 训练界的这本实验记录本。 训练模型就像研发一道菜，超参数是配料，Loss 曲线是试吃评分，模型权重是最终成品。这篇内容就带你学会用 W&B 科学地记录实验、对比结果、分析超参数、管理模型和数据集版本，让每个优化决策都有数据支撑，而不是凭感觉“拍脑袋”。

岗位关联

对 AI 从业者而言，掌握 W&B 等于建立一套可追溯、可对比、可协作的实验管理体系，让你从“调参侠”进化为“数据驱动决策者”，是 MLOps 能力的关键一环。

目录
  1. 可视化演示
  2. 实验管理认知：从凭感觉到有台账
  3. 项目与运行：按菜系分册，按菜品记页
  4. 初始化配置：提笔先写配料表
  5. 指标曲线记录：让试吃评分变成曲线
  6. 实验对比分析：把几道菜并排端上来
  7. 超参数分析：找出最关键的“那味料”
  8. 模型版本管理：菜谱也要有版本号
  9. 团队协作监控：后厨全员共看一本台账
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

通过训练指标实时记录与Loss/Acc曲线绘制、多实验超参数对比分析、以及Artifact模型版本管理与团队协作三个模式，展示Weights and Biases实验管理平台的核心工作流。

本节配有交互动效（进入视口后自动加载，约 3KB）。

训练指标实时记录与Loss曲线绘制 wandb.log()在每个step增量记录Loss和Acc等指标实时绘制曲线 同时记录超参数代码版本系统资源构成完整实验上下文 wandb.log({loss, acc, lr}) → Dashboard 训练过程从黑箱变为可追溯可复现

实验管理认知：从凭感觉到有台账

老王的厨房里挂着一个小白板，上面写满了各种随手记下的数字：盐 3g、糖 5g、大火 3 分钟……可到了月底复盘，他却看不明白当时哪道菜加了什么。做菜靠灵感和手感，偶尔成功，却很难复制。AI 训练也是这样：模型结构、学习率、数据增强方式、随机种子，任何一个变量变化都会让结果跳动。没有科学记录，你根本不知道这次效果提升是“改对了”还是“碰巧”。

W&B 就是给 AI 训练准备的“后厨台账”。它把每次实验当成一个条目，自动记录超参数、训练指标、环境信息、代码状态和输出文件。你不需要自己拿笔抄，系统会在训练过程中安静地把一切归档。最核心的三个记录要素是：配置（配料）、指标（试吃评分）、产物（成品菜）。只要这三样齐全，任何一次实验都可以被还原和比较。

在真正调参之前，先要理解实验空间的规模。假设你要调整 k 个超参数，每个超参数有若干种选择，那么可能的组合数量是这些选择数的乘积：

所以，W&B 存在的意义是把这 125 种组合的结果全都装进一个可检索的台账里。下次调参时不再靠回忆，而是翻开台账找答案。老王的厨房也因此从“玄学做菜”变成了“科学研发”。

N=∏i=1kpi\displaystyle N = \prod_{i=1}^{k} p_i
这个公式说明，哪怕只有 3 个超参数、每个取 5 种值，也会有 125 种组合。如果不借助实验管理工具，人脑根本记不住这么多结果。
  1. 连乘符号积符号表示把多个数值依次相乘，就像把所有配料的可能选择数乘在一起。
    ∏i=1k\prod_{i=1}^{k}
  2. 超参数数量范围i 从 1 一直取到 k，代表一共有 k 个待调整的超参数。
    i=1,2,…,ki=1,2,\dots,k
  3. 单个超参的选择数p_i 表示第 i 个超参数可以取值的个数，比如学习率可选 3 种，那么 p_i=3。
    pip_i

项目与运行：按菜系分册，按菜品记页

老王把记录本按菜系分成了好几册：川菜一册、粤菜一册、甜品一册。每次研发新菜，就在对应分册里新开一页，记满这一页的内容。W&B 中的项目（Project）就是那一册，运行（Run）就是那一页。一个项目对应一类研究主题，比如“图像分类模型优化”；一次运行对应一次完整的训练实验，比如“用学习率 0.01 训练 ResNet”。

每一次 Run 都有独立的名字和 ID，像菜谱页上的编号。它有明确的起点和终点，也有自己的生命周期：一开始是“运行中”（running），正常结束是“已完成”（finished），中途崩溃则是“失败”（crashed）。通过观察这些状态，你能快速找出哪些实验没跑完，哪些还在锅里炖着。

一次 Run 的持续时间很好计算，训练开始和结束时间相减即可：

这样，项目、Run、生命周期、时间戳四件事编织成一套清晰的组织结构。老王翻记录本时，先看菜系分册，再找对应菜品的页码，最后看一眼烹饪时长，整个实验脉络一目了然。

Δt=tfinish−tstart\displaystyle \Delta t = t_{\text{finish}} - t_{\text{start}}
这个公式提醒我们，每次 Run 都会自动带上时间戳，W&B 会用时间轴帮你管理实验顺序。
  1. 时间差训练持续时长等于结束时刻减去开始时刻，就像做菜从下锅到出锅花了多久。
    Δt\Delta t
  2. 结束时刻t_{finish} 是训练结束的时间点，由 W&B 自动记录。
    tfinisht_{\text{finish}}
  3. 开始时刻t_{start} 是训练开始的时间点，代表 Run 的启动瞬间。
    tstartt_{\text{start}}

初始化配置：提笔先写配料表

每道菜开做之前，老王都会先在记录本上写下菜名和配料表：盐几克、糖几克、油温几度。在 W&B 里，这个动作就是调用 wandb.init() 开启一个新 Run，再用 config 字典写下所有超参数。这个初始化动作只做一次，就像一道菜只在记录本上占一页，不会中途换页。

config 是一个轻量级的配置表，可以记录学习率、批次大小、网络层数、数据路径等一切你关心的参数。把这些参数写进 config 而不是散落在代码各处，有两个好处：一是 W&B 会自动把配置展示在 Run 页面；二是每次实验的配置都存档，事后能精准还原“当时用了什么配料”。

从数学角度看，config 本质上是一个键值映射，每个超参数名对应一个值：

配料表越完整，菜越容易被复制。所以每次实验前花几秒钟把 config 写好，是 W&B 使用中最值得养成的习惯。老王常说：“配料表都不写，后面的经验全是空中楼阁。”

C={(k1,v1),(k2,v2),…,(kn,vn)}\displaystyle C = \{(k_1, v_1), (k_2, v_2), \dots, (k_n, v_n)\}
这个集合表示一张完整的配置表，键是参数名，值是具体数值，相当于菜谱的配料清单。
  1. 配置集合C 代表配置表，大括号里装着一系列“参数名—数值”对。
    C={(k1,v1),(k2,v2),…,(kn,vn)}C = \{ (k_1, v_1), (k_2, v_2), \dots, (k_n, v_n) \}
  2. 参数名k_i 是第 i 个超参数的名称，比如 “learning_rate”。
    kik_i
  3. 参数值v_i 是第 i 个超参数的具体取值，比如 0.001。
    viv_i

指标曲线记录：让试吃评分变成曲线

菜下锅后，老王每隔一分钟就会让试吃员尝一口，把“咸淡、甜度、口感”打分记在时间轴上。训练模型也一样，每个 epoch 结束后我们需要记录 Loss、准确率等指标，形成一条连续的曲线。在 W&B 中，最常用的 API 是 wandb.log()，它接收一个字典，比如 {"loss": 0.32, "accuracy": 0.91}，每调用一次就记录一个时间点。

与 config 不同，log 记录的是动态变化的指标，会实时绘制成曲线。Loss 曲线是整个训练过程的状态仪表盘：曲线快速下降说明模型在正常学习；曲线震荡不停说明学习率可能过大；曲线稳步走低后平台期则说明该调整策略了。W&B 会自动计算每个指标的最大值、最小值、均值等 summary 信息，方便后续对比。

对于回归类任务，最常用的 Loss 是均方误差，它衡量模型预测值与真实标签的差距：

通过 log 持续记录这条 Loss 曲线，你就拥有了一份训练过程的“心电图”。曲线平缓扎实，模型就稳；曲线上下乱跳，就该检查学习率或数据质量了。

L=1N∑i=1N(yi−y^i)2\displaystyle L = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2
这个 Loss 公式把每个样本的预测误差平方后平均，误差越大，Loss 越高；Loss 曲线下降，说明模型越来越准。
  1. 平均符号把所有样本的误差累加后除以 N，得到平均误差，相当于所有试吃评分的平均值。
    1N∑i=1N\frac{1}{N} \sum_{i=1}^{N}
  2. 单个样本误差平方真实值 y_i 减去预测值 ŷ_i，取平方是为了让正负误差都变成正数，并放大大误差。
    (yi−y^i)2(y_i - \hat{y}_i)^2
  3. 样本编号i 从 1 到 N 遍历训练集中的每个样本。
    i=1,2,…,Ni = 1, 2, \dots, N

实验对比分析：把几道菜并排端上来

老王研发新菜时，最怕的就是上一道菜和下一道菜隔了两天，味道记忆已经模糊。于是他会在同一天把几道候选菜并排摆在桌上，让试吃员一起打分。W&B 的实验对比就是这个动作。只要多次 Run 在同一个 Project 下，它们的 Loss 曲线、准确率曲线就能在同一个图表里同时展示，颜色不同、一目了然。

除了曲线同图，W&B 还支持按标签分组对比。比如按“数据增强方式”分组，就能看出哪些实验用了增强、哪些没用，组间差异立刻显现。你还可以用表格视图筛选运行，只看学习率大于 0.01 且准确率大于 0.9 的实验，把 125 种组合缩小到最值得关注的几条。

评价分类模型时，准确率是最直观的指标，它在混淆矩阵基础上定义：

数据对比让选择变得简单：不用猜“这道菜可能更好”，而是直接看曲线和表格“哪道菜确实更好”。W&B 把对比变得像试吃会一样轻松，每一次调参都有据可依。

Accuracy=TP+TNTP+TN+FP+FN\displaystyle \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
准确率等于所有预测正确的样本数除以总样本数，是试吃员“一致好评”的比例。
  1. 真正例与真负例之和TP 是正类预测对的个数，TN 是负类预测对的个数，两者相加就是全部预测正确的样本数。
    TP+TNTP + TN
  2. 所有样本总数还包括 FP 和 FN，即误报和漏报，四项加总才是完整数据集大小。
    TP+TN+FP+FNTP + TN + FP + FN
  3. 除法正确数除以总数，得到 0 到 1 之间的比率，乘以 100% 就是大家常说的准确率。
    TP+TNTP+TN+FP+FN\frac{TP + TN}{TP + TN + FP + FN}

超参数分析：找出最关键的“那味料”

老王逐渐发现，有些实验菜好吃，有些难吃，但说不上来是哪一味料起的作用。于是他把所有候选菜的配料表和成品评分摊开，统计盐放多放少、糖放多放少与评分的关系。W&B 的超参数分析正是干这件事的：把多个 Run 的 config 和指标汇总，用平行坐标图展示每条实验的完整轨迹，再用相关性分析找出对结果影响最大的超参数。

平行坐标图里，每一列是一个超参数，每一条折线是一次 Run。折线在哪个区间对应高准确率，这个区间就是值得探索的“口味区间”。相关性分析则更进一步，计算某个超参数与最终指标之间的关联强度。皮尔逊相关系数是最常见的度量：

通过这个分析，老王终于知道“酱料不是越多越好，适度区间才是关键”。你也能从百组实验中筛选出最优参数组合，而不是漫无目的地反复试。

r=∑i=1n(xi−xˉ)(yi−yˉ)∑i=1n(xi−xˉ)2∑i=1n(yi−yˉ)2\displaystyle r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2}\sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}}
相关系数 r 的范围在 -1 到 1 之间，接近 1 表示超参数越大指标越好，接近 -1 表示超参数越小指标越好，接近 0 表示两者没什么关系。
  1. 分子协方差：同时看超参数 x 和指标 y 偏离各自平均值的程度，两者同向偏离则乘积为正，反向则乘积为负。
    ∑i=1n(xi−xˉ)(yi−yˉ)\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})
  2. 分母第一项对 x 的偏差平方求和后开根号，表示 x 的波动幅度。
    ∑i=1n(xi−xˉ)2\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2}
  3. 分母第二项对 y 的偏差做同样处理，表示 y 的波动幅度。
    ∑i=1n(yi−yˉ)2\sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}
  4. 标准化用协方差除以两个波动幅度的乘积，把数值标准化到 -1 到 1 之间。
    r=cov(x,y)σxσyr = \frac{\text{cov}(x,y)}{\sigma_x \sigma_y}

模型版本管理：菜谱也要有版本号

老王的菜谱不是一成不变的。今天改良之后，他会把新版本记为“回锅肉 2.0”，旧版也保留，方便随时回退。W&B 中用 Artifacts 来管理这种版本化产物。Artifacts 可以理解为一件有版本号的“制品”，既可以是模型权重文件，也可以是数据集、代码包，甚至是训练好的特征文件。

每次训练结束后，把一个模型权重文件记录为 Artifact，就会生成一个带版本的制品条目。之后每次更新，版本号自动递增，你可以追溯“这个模型是用哪份数据、哪份代码训练出来的”。数据集同样可以被注册为 Artifact，每次数据清洗后重新发布一个版本，训练和评估就能精确对齐“用的是哪批食材”。

版本号通常遵循三段式语义化规则：

有了版本号，老王回退到 1.0 版本只需一眼。模型交付时，把权重、数据、代码串成一条可追溯链条，老板问起“这个模型怎么来的”，你就能像报菜名一样列出完整版历。

v=M.m.p\displaystyle v = M.m.p
这里 M 是大版本号，m 是小版本号，p 是补丁版本号。比如 v2.1.3 表示主版本 2、次版本 1、补丁 3。
  1. 主版本号M 代表 MAJOR，当模型结构发生重大变化时递增，相当于菜系从“川菜”变成“融合菜”。
    MM
  2. 次版本号m 代表 MINOR，当模型加了新功能或改动较大但结构不变时递增，比如改了一味配料。
    mm
  3. 补丁版本号p 代表 PATCH，用于小修复或参数微调，比如盐量减少 0.5g。
    pp

团队协作监控：后厨全员共看一本台账

当老王的厨房从一个人变成一支团队，记录本就不能再锁在自己的抽屉里了。W&B 的共享看板（Report）可以把图表、结论、图片整理成一份可编辑的报告，团队成员随时查看，就像后厨墙上挂着一块大屏幕，实时滚动所有实验状态。每个人都不需要互相口头问“你那道菜做得怎么样了”，看板自己会说话。

团队工作流方面，W&B 提供了统一的工作空间，成员围绕同一个 Project 协作，避免各记各账。警报通知则是后厨的“火警铃”：你可以设定当 Loss 超过某个阈值或指标长时间不下降时，系统自动给相关人员发提醒。这种自动化监控把人工盯训练的精力解放出来，让团队把时间花在更重要的优化上。

警报中的滑动平均常常比原始指标更稳定，计算公式为：

共享看板让团队对齐目标，警报系统让人不再熬夜盯训练。老王的后厨从此变成一个高效协作的研发中心，每道菜从研发到上桌都有迹可循。

EMAt=αxt+(1−α)EMAt−1\displaystyle \text{EMA}_t = \alpha x_t + (1-\alpha) \text{EMA}_{t-1}
这个公式表示当前平滑值等于新观察值和上一次平滑值的加权平均，α 控制了对新数据的敏感度。
  1. 当前平滑值EMA_t 是第 t 时刻的指数移动平均，相当于最近几次试吃评分的“加权感觉”。
    EMAt\text{EMA}_t
  2. 当前观测值x_t 是第 t 时刻刚记录到的原始指标，比如这一秒的 Loss。
    xtx_t
  3. 权重系数α 在 0 到 1 之间，α 越大越信任新数据，α 越小曲线越平滑。
    α\alpha
  4. 上一个平滑值EMA_{t-1} 代表上一时刻的平滑结果，平滑公式会一直向前递推。
    EMAt−1\text{EMA}_{t-1}

AI 应用场景

深度学习工程师调参对比

阶段：模型训练与调参

解决的问题：传统调参靠经验盲搜，每次改动后结果靠截图记录，实验一多就混乱，无法系统对比。W&B 自动记录 config 和指标，训练结束即可比曲线，用相关性分析找出最优超参区间。

具体案例：工程师训练图像分类模型时，将 3 组学习率和 4 组数据增强策略组合成 12 个 Run，统一记录到同一 Project。通过 W&B 的平行坐标图，他发现增强策略对准确率的影响远大于学习率，于是优先优化数据增强方向。

算法团队模型交付与追溯

阶段：模型版本管理与上线交付

解决的问题：上线后效果回退时，传统方式找不到对应训练数据和代码。W&B Artifacts 把模型权重、数据集版本和训练配置绑定在一起，实现端到端可追溯。

具体案例：推荐系统团队每月发布一次新模型，每次训练完成后将模型权重注册为 Artifact，同时把离线评估数据集也发布为新版本。线上效果波动时，团队回看 Artifact 版本链，快速定位到是数据分布变化还是模型结构问题。

Python 演示

python34 行
import wandbimport random  def simulate_epoch(epoch):    # 模拟一个 epoch 的 loss 和 accuracy    loss = 1.0 / (epoch + 1) + random.uniform(0, 0.05)    acc = 1.0 - loss    return loss, acc  def main():    # 初始化一个 Run，等同于在记录本上开新页    run = wandb.init(        project="food-lab",        mode="offline",        config={"lr": 0.01, "epochs": 5, "batch_size": 32}    )     for epoch in range(run.config["epochs"]):        loss, acc = simulate_epoch(epoch)        # 记录动态指标，形成 Loss 曲线        wandb.log({"epoch": epoch, "loss": loss, "accuracy": acc})     # 把当前脚本本身作为模型制品登记到 Artifact    artifact = wandb.Artifact("model-v1", type="model")    artifact.add_file(__file__)    run.log_artifact(artifact)     run.finish()  if __name__ == "__main__":    main()
目的：演示 W&B 最核心的三个步骤——初始化 Run、记录训练指标、登记模型 Artifact，跑完后可以在 W&B 面板看到一条完整的 loss 曲线和一个模型版本。
  1. run = wandb.init(...)开启一个新的 Run，相当于在实验记录本上开新页。
  2. project="food-lab"指定项目名，把实验归档到对应分册。
  3. mode="offline"使用离线模式，不强制登录远端面板，方便本地验证流程。
  4. config={...}把学习率、轮数、批次大小等超参数写入配置表。
  5. wandb.log({...})每轮记录 loss 和 accuracy，W&B 会自动画出曲线。
  6. wandb.Artifact("model-v1", type="model")创建模型制品，等价于给成品菜贴版本标签。
  7. artifact.add_file(__file__)把当前脚本作为文件放入制品，保证可追踪。
  8. run.log_artifact(artifact)把制品登记到 Run 中，实现模型版本与实验关联。
  9. run.finish()结束本次 Run，相当于合上这一页记录。

常见误区

误区我只关心训练曲线，超参数写在代码注释里就行，反正自己记得住。

正解实验管理的核心是复现。不记录 config，等于菜谱上只有成品照片却没有配料表。一周后你根本记不清当时的 batch_size 是多少。W&B 的 config 专门用于保存超参数，初始化时就要写好，这才是科学实验的起点。

为何常见：新手容易觉得结果对了就行，忽略了“可复现”比“当前结果”更重要，于是省略了最基础的配置归档。

误区每个 epoch 都调用一次 wandb.init()，这样每一步都能重新记录，数据更全。

正解一个 Run 对应一次完整训练。循环里反复 init 会创建几十个 Run，导致同一个实验被拆散，对比视图变成一团乱麻。正确做法是脚本开头 init 一次，循环内部只用 wandb.log() 记录动态指标。

为何常见：初学者把 init 和 log 混为一谈，以为每次记录都要“重新开一页”，其实记录只需要 log。

误区不管什么任务，All in One 项目，反正都有曲线能看。

正解Project 是实验的第一层分类。不同研究主题应该分不同项目，比如“图像分类”和“目标检测”别混在一起。就像菜谱要按菜系分册，混着写后面根本翻不到。

为何常见：项目等于文件夹，用户嫌新建项目麻烦，结果所有实验叠加在同一张图上，对比时找不到重点。

误区看到某组实验准确率高，就认为对应的超参数一定好，手动记录几个数字就完事。

正解高准确率可能是多个因素共同作用的结果。应该借助 W&B 的平行坐标图和相关性分析，从所有 Run 中寻找稳定的规律，而不是被个别“幸运实验”带偏。

为何常见：人脑天然喜欢简单归因，看到结果好就忽略其他变量，缺少系统分析意识。

误区模型文件保存好就行，数据集又不会跑，没必要记版本。

正解同一个模型在不同数据集上训练，效果天差地别。数据集版本应与模型版本绑定，否则模型出问题后无法判断是代码、数据还是训练配置导致的。W&B Artifacts 能同时管理数据和模型，保证“数据-模型-配置”三者对齐。

为何常见：数据集通常是静态文件，人们默认它不变，但数据清洗、扩充、标注修正都会改变版本，忽略记录就等于埋雷。

面试题

Q1. 在 W&B 中，一次独立的训练过程被称为什么？

单选题 · easy

  • A.实验项目
  • B.训练运行← 正确答案
  • C.数据版本
  • D.模型注册

答案：B。W&B 用 Project 表示一组相关实验，用 Run 表示一次独立训练。一次训练过程就是一次 Run，相当于记录本上的一页；项目则是整本分册。

Q2. 要记录学习率、批次大小这类训练配置，应写入 W&B 的哪个区域？

单选题 · easy

  • A.运行配置← 正确答案
  • B.图表配置
  • C.网络配置
  • D.采样配置

答案：A。运行配置即 config，专门保存超参数和实验设置。它相当于菜谱上的配料表，是复现实验的关键。

Q3. 训练中实时记录 loss 和准确率，应该调用哪个 API？

单选题 · easy

  • A.开始运行
  • B.记录指标← 正确答案
  • C.保存模型
  • D.结束会话

答案：B。W&B 的核心记录 API 是 wandb.log()，每次调用传入一个字典，包含需要记录的指标，如 loss、accuracy。

Q4. 想对比同一项目下不同学习率的实验，正确的做法是？

单选题 · mid

  • A.每次新建项目
  • B.记录 config 并多次运行← 正确答案
  • C.只修改代码不记录
  • D.在注释里手动标记

答案：B。同一项目下启动多个 Run，并把 learning_rate 写进 config，W&B 才能把不同学习率的曲线画在一张图上对比。分开建项目会导致实验碎片化。

Q5. 以下哪种图表适合观察多个超参数与最终指标的关系？

单选题 · mid

  • A.损失曲线
  • B.平行坐标图← 正确答案
  • C.柱状统计图
  • D.圆形饼图

答案：B。平行坐标图中每个维度是一列超参数，每条折线是一次实验，能同时展示多维超参与指标之间的关系，适合寻找最佳组合。

Q6. 在训练循环中反复调用 wandb.init()，最可能带来什么后果？

单选题 · hard

  • A.产生多个运行搞乱对比← 正确答案
  • B.训练速度大幅提升
  • C.数据集自动增强
  • D.梯度自动消失

答案：A。每个 init 都会创建一个新 Run，一个实验被拆成几十个 Run，对比面板就会混乱。正确的做法是脚本开始时 init 一次，循环里只用 log。

Q7. 要把实验面板分享给团队其他成员查看，应该使用 W&B 的哪个能力？

单选题 · hard

  • A.本地缓存
  • B.共享看板← 正确答案
  • C.模型注册
  • D.数据清理

答案：B。W&B 的 Report 共享看板可以把曲线、表格、结论整理成可视化报告，团队成员通过链接即可查看，实现协作透明化。

Q8. W&B 的 Artifacts 功能可以管理哪些内容？

多选题 · mid

  • A.模型权重← 正确答案
  • B.数据集版本← 正确答案
  • C.项目文档← 正确答案
  • D.超参配置

答案：ABC。Artifacts 是版本化制品，模型权重、数据集、文档都可以纳入管理。超参配置属于 config 而不是 Artifacts，两者分工不同。

Q9. 关于 wandb.log() 的正确说法是？

多选题 · mid

  • A.一次可记录多个指标← 正确答案
  • B.连续记录会生成曲线← 正确答案
  • C.必须每个 step 都调用
  • D.可记录自定义图表← 正确答案

答案：ABD。log 可以传入字典同时记录多个指标，多次调用后自动形成曲线。记录频率应根据训练速度灵活调整，并不是必须每个 step 调用。

Q10. 下面哪些因素会影响一次模型实验的可复现性？

多选题 · hard

  • A.数据集版本← 正确答案
  • B.超参配置← 正确答案
  • C.随机种子← 正确答案
  • D.运行环境← 正确答案

答案：ABCD。数据、配置、随机种子、运行环境都会影响训练结果。W&B 会记录环境信息和 config，配合 Artifacts 管理数据和模型，才能实现完整复现。