Weights & Biases
W&B — 实验追踪、模型评估和数据集版本管理。
分析中等
技术栈组成
PlatformW&B
为什么
丰富可视化，超参数扫描，协作，artifact 版本管理。PostHog 和 Plausible 提供隐私优先分析，无需 GDPR 同意横幅，2024 年增长 200%。
BigQuery 和 ClickHouse 以 5 美元/TB 处理 PB 级数据。
何时使用
用于大规模 ML 实验追踪。避免非 ML 项目。
如何做
1. pip install wandb
2. wandb login
3. wandb.init()
4. 记录指标和 artifact
5. 添加环境配置 — cp .env.example .env && 编辑值
6. 运行测试 — npm test 或 pnpm test 验证设置
7. 部署 — git push 触发 CI/CD 或手动部署
示例
import wandb
wandb.init(project='my-project')
for epoch in range(10):
wandb.log({'loss': loss, 'epoch': epoch})
常见问题
- ⚠网络问题 — 用 wandb 离线模式
- ⚠运行太多 — 用 group 和 tag
- ⚠环境间配置漂移 — 使用基础设施即代码（Terraform/Pulumi）保持 dev/staging/prod 一致
最佳实践
- ✓用 sweep 调优超参数
- ✓用 W&B Artifact 版本化数据集
- ✓设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求
常见问题解答
什么是Weights & Biases？适合做什么项目？
W&B — 实验追踪、模型评估和数据集版本管理。 它通过分层组合提供端到端类型安全与开箱即用的部署体验，适合从 MVP 到生产 SaaS 的快速迭代。
如何用Weights & Biases在 10 分钟内跑通一个 demo？
两步起步：① pip install wandb；② wandb login。先跑通本地 dev server，再接一个真实数据源验证端到端链路。
Weights & Biases 最常见的坑是什么？怎么避免？
最高频的坑是：网络问题 — 用 wandb 离线模式。避免方法：在 PR 模板里加入对应 checklist，CI 中跑类型检查 + lint + 单测，三重把关再合并。
Weights & Biases 的最佳实践有哪些？
Weights & Biases 的最佳实践包括：用 sweep 调优超参数；用 W&B Artifact 版本化数据集；设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求。其中首条「用 sweep 调优超参数」应在项目初始化时就落地，避免后期返工。
什么情况下不该选Weights & Biases？
三种情况另选他栈：① 团队对该栈核心框架零经验且工期紧张（学习曲线风险）；② 项目是纯内容/营销站（选 Astro 更轻）；③ 需要极高吞吐（>1 万 RPS）或强一致微服务（选 Go/Rust）。Weights & Biases 的强项是中高复杂度全栈与 API，别在简单静态页上过度工程。