> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-feat-cli-docs-generator.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# W&B クイックスタート
> W&B クイックスタート
W\&B をインストールして、お好きな規模の機械学習実験をトラッキング、可視化、管理しましょう。
## サインアップしてAPIキーを作成する
W\&Bとマシンを認証するには、ユーザープロファイルまたは[wandb.ai/authorize](https://wandb.ai/authorize)でAPIキーを生成します。APIキーをコピーして安全に保管してください。
## `wandb` ライブラリをインストールしてログインする
1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を設定します。
```bash theme={null}
export WANDB_API_KEY=
```
2. `wandb` ライブラリをインストールしてログインします。
```shell theme={null}
pip install wandb
wandb login
```
```bash theme={null}
pip install wandb
```
```python theme={null}
import wandb
wandb.login()
```
```notebook theme={null}
!pip install wandb
import wandb
wandb.login()
```
## ランを開始してハイパーパラメーターをトラックする
Python スクリプトやノートブックで、[`wandb.init()`](/ja/models/ref/python/run)を使用して W\&B のランオブジェクトを初期化します。`config` パラメータには辞書を使用してハイパーパラメーターの名前と値を指定します。
```python theme={null}
run = wandb.init(
project="my-awesome-project", # プロジェクトを指定する
config={ # ハイパーパラメーターとメタデータをトラックする
"learning_rate": 0.01,
"epochs": 10,
},
)
```
W\&B のコア要素として [ラン](/ja/models/runs/) は使用され、[メトリクスをトラックする](/ja/models/track/)、[ログを作成する](/ja/models/track/log/) など様々なことができます。
## コンポーネントを組み立てる
この模擬トレーニングスクリプトは、W\&Bにシミュレートされた精度と損失のメトリクスをログします:
```python theme={null}
# train.py
import wandb
import random
wandb.login()
epochs = 10
lr = 0.01
run = wandb.init(
project="my-awesome-project", # プロジェクトを指定する
config={ # ハイパーパラメーターとメタデータをトラックする
"learning_rate": lr,
"epochs": epochs,
},
)
offset = random.random() / 5
print(f"lr: {lr}")
# トレーニングランをシミュレーション
for epoch in range(2, epochs):
acc = 1 - 2**-epoch - random.random() / epoch - offset
loss = 2**-epoch + random.random() / epoch + offset
print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
wandb.log({"accuracy": acc, "loss": loss})
# run.log_code()
```
[wandb.ai/home](https://wandb.ai/home) にアクセスして、記録された精度や損失メトリクス、および各トレーニングステップでの変化を確認してください。次のイメージは、各ランからトラックされた損失と精度を示しています。各ランオブジェクトは、**Runs** 列に生成された名前と共に表示されます。
## 次のステップ
W\&B エコシステムのさらなる機能を探求しましょう:
1. PyTorch や Hugging Face のライブラリ、および SageMaker のようなサービスと W\&B を組み合わせた [W\&B インテグレーションチュートリアル](/ja/guides/integrations/) を読んでみてください。
2. [W\&B Reports](/ja/models/reports/) を使用して、ランを整理し、自動可視化し、学びを要約し、共同作業者と更新を共有します。
3. [W\&B Artifacts](/ja/models/artifacts/) を作成して、データセット、モデル、依存関係、および機械学習パイプライン全体の結果をトラックします。
4. [W\&B Sweeps](/ja/models/sweeps/) を使用してハイパーパラメーター検索を自動化し、モデルを最適化します。
5. [中央ダッシュボード](/ja/models/tables/) でランを分析し、モデルの予測を可視化し、洞察を共有します。
6. [W\&B AI Academy](https://wandb.ai/site/courses/) を訪れて、ハンズオンのコースを通じて LLMs、MLOps、W\&B Models について学びましょう。