记录到 Weights & Biases

本深入探讨将指导您如何在 torchtune 中设置记录到 Weights & Biases (W&B)。

本次深入探讨将涵盖的内容

• 如何开始使用 W&B

• 如何使用 WandBLogger

• 如何将配置、指标和模型检查点记录到 W&B

torchtune 支持将您的训练运行记录到 Weights & Biases。 下面的屏幕截图显示了来自 torchtune 微调运行的 W&B 工作区示例。

注意

您需要安装 wandb 包才能使用此功能。您可以通过 pip 安装它

pip install wandb

然后您需要使用 W&B CLI 通过 API 密钥登录

wandb login

指标记录器

您需要做的唯一更改是将指标记录器添加到您的配置中。Weights & Biases 将为您记录指标和模型检查点。

# enable logging to the built-in WandBLogger
metric_logger:
  _component_: torchtune.training.metric_logging.WandBLogger
  # the W&B project to log to
  project: torchtune

我们会自动抓取您正在运行的配方中的配置并将其记录到 W&B。您可以在 W&B 概述选项卡和 Files 选项卡中找到实际文件。

作为提示，如果您的作业崩溃或在未清理资源的情况下退出，您可能会看到后台运行的零星 wandb 进程。要杀死这些零星进程，可以使用类似 ps -aux | grep wandb | awk '{ print $2 }' | xargs kill 的命令。

注意

点击此示例 项目以查看 W&B 工作区。 用于训练模型的配置可以在此处找到。

将模型检查点记录到 W&B

您还可以通过修改所需的脚本 save_checkpoint 方法将模型检查点记录到 W&B。

建议的方法如下

def save_checkpoint(self, epoch: int) -> None:
    ...
    ## Let's save the checkpoint to W&B
    ## depending on the Checkpointer Class the file will be named differently
    ## Here is an example for the full_finetune case
    checkpoint_file = Path.joinpath(
        self._checkpointer._output_dir, f"torchtune_model_{epoch}"
    ).with_suffix(".pt")
    wandb_at = wandb.Artifact(
        name=f"torchtune_model_{epoch}",
        type="model",
        # description of the model checkpoint
        description="Model checkpoint",
        # you can add whatever metadata you want as a dict
        metadata={
            training.SEED_KEY: self.seed,
            training.EPOCHS_KEY: self.epochs_run,
            training.TOTAL_EPOCHS_KEY: self.total_epochs,
            training.MAX_STEPS_KEY: self.max_steps_per_epoch,
        }
    )
    wandb_at.add_file(checkpoint_file)
    wandb.log_artifact(wandb_at)