W&B на GX10: проследяване на експерименти

01Какво ще научиш

• Какво е run, проект и sweep в W&B.
• Как да създадеш ключ и да влезеш, без да го оставяш в код.
• Как да запишеш настройки и метрики от свой скрипт.
• Какви данни напускат машината и как да работиш офлайн.
• Как да пуснеш автоматично търсене на настройки (sweep).

02Преди да започнеш

• Машина от класа NVIDIA GB10 (например ASUS Ascent GX10 или DGX Spark) или всеки компютър с Python 3 и pip.
• Акаунт в Weights & Biases и API ключ. По документацията към 03.10.2026 акаунтът се създава през платформата Forge (docs.wandb.ai сега препраща към документацията на CoreWeave) — имената може да се сменят.
• Скрипт за обучение или оценка, който да следиш. Ако нямаш, примерът по-долу симулира обучение.

03Стъпки

1. Създай API ключ

   Влез в таблото, отвори профила си → User settings → API keys → New key, дай име и копирай ключа веднага. Защо веднага: целият ключ се показва само веднъж; после виждаш само началото му и при загуба правиш нов.

   ✅

   Ключът е тайна

   Не го пиши в скрипта, в Git или в страница. Дръж го в променлива на средата или в мениджър на пароли. Ако изтече — изтрий го от таблото и създай нов.

2. Инсталирай и влез

   Виртуална среда държи пакетите на проекта отделно от системата.

   bashкопирай

   python3 -m venv .venv
   . .venv/bin/activate
   pip install wandb
   wandb login   # поискай ключа

   За автоматизирани среди ключът се подава с export WANDB_API_KEY=<ключ> преди скрипта (променливата е описана в документацията). ⚠️ Не сме проверявали инсталацията на Arm64.

3. Първият run

   wandb.init() започва run: даваш проект и речник с настройки. Всичко, което записваш с run.log(), става диаграма в таблото. Примерът е от бързия старт на W&B и симулира обучение:

   python · first_run.pyкопирай

   import wandb
   import random
   
   wandb.login()
   
   project = "my-awesome-project"
   config = {"epochs": 10, "lr": 0.01}
   
   with wandb.init(project=project, config=config) as run:
       offset = random.random() / 5
       for epoch in range(2, config["epochs"]):
           acc = 1 - 2**-config["epochs"] - random.random() / config["epochs"] - offset
           loss = 2**-config["epochs"] + random.random() / config["epochs"] + offset
           run.log({"accuracy": acc, "loss": loss})

   Пусни го няколко пъти и в таблото ще видиш няколко runs със случайни имена. В свой скрипт сложи същото run.log({...}) на мястото, където получаваш загубата (loss) на всяка стъпка.

4. Сравни runs

   В таблото отвори проекта: колоната „Runs“ ги изброява, а диаграмите наслагват метриките. Смисълът на настройките в config е тук — можеш да видиш кой lr е дал по-ниска загуба. По документацията има и диаграма на паралелни координати и анализ на важността на параметрите (⚠️ не са опитвани от нас).

5. Работа без изпращане: офлайн режим

   Ако скриптът не бива да стига до интернет или данните не бива да излизат, задай променливата преди пускане:

   bashкопирай

   export WANDB_MODE=offline   # запазва метаданните локално, без синхронизация
   python first_run.py
   # WANDB_MODE=disabled изключва W&B напълно

   Как се качват офлайн runs по-късно, е описано в документацията на W&B; не сме го пробвали, затова не даваме команда.

6. Sweep: автоматично търсене на настройки

   Sweep пробва различни стойности на настройките и записва run за всяка. Описваш пространството на търсене, регистрираш sweep и пускаш „агент“, който извиква твоята функция. Примерът е от урока на W&B:

   python · sweep.pyкопирай

   import wandb
   
   def objective(config):
       score = config.x**3 + config.y
       return score
   
   def main():
       with wandb.init(project="my-first-sweep") as run:
           score = objective(run.config)
           run.log({"score": score})
   
   sweep_configuration = {
       "method": "random",
       "metric": {"goal": "minimize", "name": "score"},
       "parameters": {
           "x": {"max": 0.1, "min": 0.01},
           "y": {"values": [1, 3, 7]},
       },
   }
   
   sweep_id = wandb.sweep(sweep=sweep_configuration, project="my-first-sweep")
   wandb.agent(sweep_id, function=main, count=10)

   ⚠️

   Един проект за sweep и runs

   Името на проекта във wandb.init() трябва да е същото като в wandb.sweep(). Ако ползваш multiprocessing, обвий wandb.sweep() и wandb.agent() в if __name__ == "__main__":. Агентът се спира с Ctrl+C (втори път — за край).

   Методът тук е random. Другите методи и настройки са в раздела „Define sweep configuration“ на документацията (не е отварян от нас).

7. Какво още има

   Бързият старт сочи още: следене на модели и набори от данни с Artifacts, споделяне в Registry и отчети. За приложения с езикови модели същият доставчик има W&B Weave. Нищо от тях не е пускано в този урок.

04Проверка

• Ключът е създаден и не е в код, Git или страница.
• wandb login минава и първият run се вижда в таблото с поне две метрики.
• Знаеш какви данни не бива да записваш в облачната услуга.
• Sweep от няколко runs е приключил и runs са сравнени.

Тест

05Какво следва

06Източници

1. Weights & Biases: бърз старт 🌐 глобален — ключ, инсталация, първи run; сверено 03.10.2026.
2. W&B: урок за sweeps — конфигурация, wandb.sweep, wandb.agent; сверено 03.10.2026.
3. W&B: променливи на средата — WANDB_API_KEY, WANDB_MODE, WANDB_BASE_URL.
4. NVIDIA: AI Observability for Data Flywheel — страница на оттегления блупринт; хранилище.