wandb

训练过程实时看曲线,实验记录自动归档不丢

面向 AI 开发者的实验追踪与模型管理平台,支持训练过程的实时监控、指标可视化与团队协作,并能对模型从实验到生产的全生命周期进行管理。无论是调参对比、结果复现还是模型版本管理,Weights & Biases 都提供了简洁高效的体验。

开源 freemium 基础设施
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 11258
维护状态 活跃
是否开源 是
定价模式 freemium

项目数据

分类基础设施
开发团队wandb
所属国家
官网地址https://wandb.ai
定价模式freemium
价格说明提供免费团队版(有限制),个人和小团队可免费使用;付费版按用户数订阅,提供更多功能和协作能力。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型ai,collaboration,data-science,data-versioning,deep-learning,experiment-track,hyperparameter-optimization,hyperparameter-search,hyperparameter-tuning,jax,keras,machine-learning,ml-platform,mlops,model-versioning,pytorch,reinforcement-learning,reproducibility,tensorflow
GitHub 星标★ 11258
30天Star增速
HF 下载量
上线时间2017-03-24 00:00:00
最近更新2026-09-22 00:00:00
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数7

使用教程

难度:入门 约 10 分钟 部署方式:库/依赖 4 步

环境要求

  • Python 环境(wandb 为 Python 库,通过 pip 安装)
  • 已安装 pip 包管理工具
  • 需要注册 W&B 账号(README 建议 sign up for a W&B account)

安装与启动步骤

  1. 1安装 wandb 库

    使用 pip 安装 W&B 官方 Python 包,README 明确给出的安装命令。建议在虚拟环境中安装,避免污染全局环境。

    pip install wandb
  2. 2登录 W&B 账号

    首次使用需在终端登录以关联账号;README 只给出注册入口,登录命令为常规 CLI 用法,如不确定可改用环境变量方式。

    wandb login
  3. 3编写训练脚本

    在训练代码中设置 project 名称,用 wandb.init 开启一次 run,并用 run.log 记录 accuracy、loss 等指标。

  4. 4运行脚本查看结果

    执行训练脚本后,访问 wandb.ai/home 查看 Runs 列中自动命名的 run 及 accuracy、loss 随训练步数的变化曲线。

    python train.py

关键配置

配置项必填说明示例
project是指定 run 记录到的项目名称my-awesome-project
config否传入训练配置字典,随 run 一起记录超参数{"learning_rate": 0.001}

如何确认成功

脚本运行无报错,且在 wandb.ai/home 的项目 Runs 列中能看到本次 run 及记录的 accuracy、loss 曲线。

常见问题

Q:提示未登录或缺少 API Key 怎么办?

A:先在 https://wandb.ai 注册账号,再运行 wandb login 按提示粘贴 API Key;也可设置 WANDB_API_KEY 环境变量后运行。

Q:笔记本(Notebook)里怎么用?

A:README 指出 notebook 中可直接 run = wandb.init(),并在结束时手动调用 run.finish(),而不用 with 块。

Q:run 失败状态是怎么标记的?

A:使用 with 语法时,代码块正常退出会将 run 标记为 finished,若块内抛出异常则标记为 failed。

Q:一定要联网才能用吗?

A:README 未说明离线模式,默认记录会同步到 W&B 云端,需联网并登录账号才能在 wandb.ai/home 查看结果。

注意事项

  • wandb 是 Python 客户端库而非独立服务端,无需 Docker 或本地部署服务。
  • README 只给出 pip install wandb 这一条安装命令,其他方式(如 conda)未在节选中说明。
  • 用 with wandb.init(...) 包裹训练代码可自动结束 run,推荐加上以避免 run 悬挂。

核心亮点

  • 实验跟踪与可视化一体化,支持指标、超参数、模型及数据版本管理,大幅提升团队协作效率
  • 提供从实验到生产的全流程管理,涵盖模型注册、部署监控,降低MLOps落地门槛
  • 集成主流深度学习框架(PyTorch、TensorFlow等),API简洁,上手成本低

不足之处

  • 免费版功能受限,高级特性(如团队协作、私有云)需付费,对个人开发者不友好
  • 依赖云端服务,数据安全与隐私存在顾虑,自托管部署复杂度较高

适用场景

  • 深度学习模型训练过程中的实验对比与超参数调优
  • 团队协作开发,统一管理实验记录与模型版本
  • 模型从实验到生产的全生命周期监控与治理

替代项目

MLflow、Neptune.ai、Comet.ml

项目介绍

wandb 是模型训练领域的开源项目,由 wandb 开发,2017 年首次发布。

在全站 13,090 个收录项目中,它的 GitHub 星标数(11,258)位列前 5%,在模型训练分类的 522 个项目里位列前 4%。

近 41 天,它的 GitHub 星标从 11,231 增加到 11,258,净增 27。

项目目前处于活跃维护状态,最近一次代码更新于 2026-09-22。提供免费团队版(有限制),个人和小团队可免费使用;付费版按用户数订阅,提供更多功能和协作能力。从国内网络环境看,可直接访问。

它主要面向的使用场景是:深度学习模型训练过程中的实验对比与超参数调优。同类可对比的替代方案包括 MLflow、Neptune.ai、Comet.ml。

上一篇:nni

下一篇:pycaret

同类项目推荐

Long-RL 开源

让强化学习轻松驾驭超长序列,训练更稳更快

Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)

★ 729 2026-08-09
TPA 开源

把注意力复杂度从平方降到线性,长序列不再卡顿

[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···

★ 463 2026-08-09
minimind 开源

两小时造出你的小模型,练手入门不求人

Train a 64M-parameter LLM from scratch in just 2h!

★ 62178 2026-08-09
pruna 开源

一键优化 AI 模型,推理提速又省资源。

Pruna is a model optimization framework built for developers, enabling you to delive···

★ 1286 2026-08-13