> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-serverless-sft-revamp.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Experiments の概要

> 実験の追跡（ Experiments ）やアーティファクト（ Artifacts ）の管理を行うために、W&B Python SDK の基本クラスを使用します。

これらのクラスは、機械学習の 実験管理 、 Artifacts の管理、および SDK の 振る舞い を 設定 するためのコアとなる構成要素です。これらの基礎となるクラスを使用することで、 メトリクス の ログ 記録、 モデル の チェックポイント の保存、 データセット の バージョン管理 を行い、完全な 再現性 とコラボレーション機能を備えた 実験 設定 の管理が可能になります。

> 機械学習の 実験 でこれらのクラスを使用する詳細については、 [Experiments](/models/ref/python/experiments/) および [Artifacts](/models/artifacts/) のドキュメントを参照してください。

## コアクラス

| クラス                                                    | 説明                                                                       |
| :----------------------------------------------------- | :----------------------------------------------------------------------- |
| [`Run`](/models/ref/python/experiments/run/)           | W\&B によって記録される計算の主要な単位であり、 メトリクス 、 設定 、および出力を伴う単一の機械学習の 実験 を表します。        |
| [`Artifact`](/models/ref/python/experiments/artifact/) | データセット と モデル の バージョン管理 のための柔軟で軽量な構成要素であり、自動的な重複排除と リネージ トラッキング機能を備えています。 |
| [`Settings`](/models/ref/python/experiments/settings/) | W\&B SDK の 設定 管理を行い、 ログ 記録から API インタラクションまでの 振る舞い を制御します。                |

## はじめに

### 実験を追跡する

メトリクス の ログ 記録を行いながら、機械学習の 実験 を作成し追跡します。

```python theme={null}
import wandb

# 新しい run を初期化します
with wandb.init(project="my-experiments", config={"learning_rate": 0.001}) as run:
    # 設定にアクセスします
    config = run.config
    
    # トレーニング中のメトリクスをログに記録します
    for epoch in range(10):
        metrics = train_one_epoch()  # トレーニングロジック
        run.log({
            "loss": metrics["loss"],
            "accuracy": metrics["accuracy"],
            "epoch": epoch
        })
    
    # サマリーメトリクスを記録します
    run.summary["best_accuracy"] = max_accuracy
```

### モデル Artifact をバージョン管理する

メタデータ を含む バージョン 管理された モデル の Artifact を作成し、 ログ に記録します。

```python theme={null}
import wandb

with wandb.init(project="my-models") as run:
    # モデルをトレーニングします
    model = train_model()
    
    # モデルの Artifact を作成します
    model_artifact = wandb.Artifact(
        name="my-model",
        type="model",
        description="ResNet-50 trained on ImageNet subset",
        metadata={
            "architecture": "ResNet-50",
            "dataset": "ImageNet-1K",
            "accuracy": 0.95
        }
    )
    
    # Artifact にモデルファイルを追加します
    model_artifact.add_file("model.pt")
    model_artifact.add_dir("model_configs/")
    
    # Artifact を W&B にログ記録します
    run.log_artifact(model_artifact)
```

### SDK の設定を構成する

特定の要件に合わせて W\&B SDK の 振る舞い をカスタマイズします。

```python theme={null}
import wandb

# プログラムから設定を構成します
wandb.Settings(
    project="production-runs",
    entity="my-team",
    mode="offline",  # オフラインで実行し、後で同期します
    save_code=True,   # ソースコードを保存します
    quiet=True        # コンソール出力を抑制します
)

# または環境変数を使用します
# export WANDB_PROJECT=production-runs
# export WANDB_MODE=offline

# カスタム設定で初期化します
with wandb.init() as run:
    # ここに実験のコードを記述します
    pass
```

### リネージトラッキングのために Artifact をリンクする

データセット 、 モデル 、および 評価 の間の関係を追跡します。

```python theme={null}
import wandb

with wandb.init(project="ml-pipeline") as run:
    # データセット Artifact を使用します
    dataset = run.use_artifact("dataset:v1")
    dataset_dir = dataset.download()
    
    # データセットを使用してモデルをトレーニングします
    model = train_on_dataset(dataset_dir)
    
    # データセットのリネージを持つモデル Artifact を作成します
    model_artifact = wandb.Artifact(
        name="trained-model",
        type="model"
    )
    model_artifact.add_file("model.pt")
    
    # 自動的なリネージトラッキングを伴うログ記録を行います
    run.log_artifact(model_artifact)
```