Weights & Biases（W&B）是一个用于机器学习实验跟踪与 MLOps 的工具。资料说明，当你需要跟踪 ML 实验并自动记录指标、在实时仪表盘中可视化训练、跨超参数与配置比较运行、使用自动化 sweeps 优化超参数、通过版本与血缘管理模型注册表、在团队工作区中协作 ML 项目，以及跟踪数据集、模型、代码等 Artifacts 的血缘时，可以使用该技能。资料给出的数据为：用户 200,000+ ML 从业者，GitHub Stars 10.5k+，集成 100+。
安装与登录 安装命令为 pip install wandb。登录方式为 wandb login（会创建 API key），或以编程方式设置 API key：export WANDB_API_KEY=your_api_key_here。
快速开始与基本实验跟踪 基本用法是导入 wandb，通过 wandb.init 初始化一次运行，传入 project 与 config（例如 learning_rate、epochs、batch_size、architecture）。在训练循环中调用 wandb.log 记录指标，例如 epoch、train/loss、val/loss、train/accuracy、val/accuracy，最后调用 wandb.finish()。资料还给出 PyTorch 示例：初始化时设置 project 与 config，通过 wandb.config 访问配置，在训练循环中按批次记录 loss、epoch、batch，保存模型后使用 wandb.save("model.pth") 上传到 W&B，最后 wandb.finish()。
核心概念
- 项目与运行：Project 是相关实验的集合，Run 是训练脚本的单次执行。wandb.init 可设置 project、name（可选运行名）、tags（用标签组织）、notes（添加备注）。每次运行有唯一 ID，可通过 run.id 与 run.url 获取。
- 配置跟踪：可自动跟踪超参数，config 中可包含模型架构、训练参数（learning_rate、batch_size、epochs、optimizer）、数据参数（dataset、augmentation）等；训练中可通过 wandb.config.learning_rate、wandb.config.batch_size 访问。
- 指标记录：可记录标量（loss、accuracy）、多个指标（train/loss、train/accuracy、val/loss、val/accuracy、learning_rate、epoch）、自定义 x 轴（wandb.log({"loss": loss}, step=global_step)）、媒体（图像、音频、视频，如 wandb.Image）、直方图（wandb.Histogram）、表格（wandb.Table）。
- 模型检查点：可保存包含 epoch、model_state_dict、optimizer_state_dict、loss 的 checkpoint，使用 torch.save 保存后通过 wandb.save('checkpoint.pth') 上传；资料推荐使用 Artifacts：创建 wandb.Artifact('model', type='model')，add_file('checkpoint.pth')，再 wandb.log_artifact(artifact)。
超参数 Sweeps 可自动搜索最优超参数。定义 sweep_config 时，method 可为 'bayes'、'grid' 或 'random'；metric 指定 name 与 goal（maximize 或 minimize）；parameters 可指定分布与取值，例如 learning_rate 使用 log_uniform（min 1e-5，max 1e-1）、batch_size 使用 values [16, 32, 64, 128]、optimizer 使用 values ['adam', 'sgd', 'rmsprop']、dropout 使用 uniform（min 0.1，max 0.5）。通过 wandb.sweep(sweep_config, project="my-project") 初始化 sweep，定义训练函数（内部 wandb.init() 并通过 wandb.config 访问 sweep 参数），再使用 wandb.agent(sweep_id, function=train, count=50) 运行 50 次试验。资料列出三种策略：grid（穷举）、random（随机搜索）、bayes（贝叶斯优化，推荐）。
Artifacts 与模型注册表 Artifacts 用于跟踪数据集、模型及其他文件的血缘。记录 Artifacts 时可创建 wandb.Artifact(name、type、description、metadata)，通过 add_file 或 add_dir 添加文件，再 wandb.log_artifact(artifact)。使用 Artifacts 时，可在 wandb.init 后通过 run.use_artifact('training-dataset:latest') 获取，再 artifact.download() 下载并使用。模型注册表方面，可将模型记录为 artifact（name、type='model'、metadata），add_file('model.pth')，使用 wandb.log_artifact(model_artifact, aliases=['best', 'production']) 记录，并通过 run.link_artifact(model_artifact, 'model-registry/production-models') 链接到模型注册表。
集成示例 资料提供 HuggingFace Transformers 集成：wandb.init 后，在 TrainingArguments 中设置 report_to="wandb"、run_name、logging_steps、save_steps，Trainer 会自动记录到 W&B。PyTorch Lightning 集成：使用 WandbLogger(project="lightning-demo", log_model=True)，再传给 Trainer 的 logger。Keras/TensorFlow 集成：wandb.init 后，在 model.fit 的 callbacks 中加入 WandbCallback() 以自动记录指标。
可视化与分析 可记录自定义图表，例如用 matplotlib 生成图后通过 wandb.Image(fig) 记录；也可记录混淆矩阵，使用 wandb.plot.confusion_matrix(probs、y_true、preds、class_names)。资料提到可在 W&B UI 中创建可分享的 Reports，组合运行、图表与文本，支持 Markdown、可嵌入可视化与团队协作。
最佳实践 资料列出若干实践：1. 使用标签与分组组织，例如 tags、group（分组相关运行）、job_type（任务类型）。2. 记录所有相关信息，包括系统指标（gpu/util、gpu/memory、cpu/util）、代码版本（git_commit）、数据划分（data/train_size、data/val_size）。3. 使用描述性名称，例如 name="bert-base-lr0.001-bs32-epoch10"，避免 run1 这类通用名称。4. 保存重要 Artifacts，例如最终模型与用于分析的预测表。5. 网络不稳定时使用离线模式：设置 os.environ["WANDB_MODE"] = "offline"，之后可用 wandb sync <run_directory> 同步。
团队协作 运行可通过 URL 自动分享（run.url）。团队项目方面，可在 wandb.ai 创建团队账户、添加团队成员、设置项目可见性（私有/公开），并使用团队级 artifacts 与模型注册表。
定价 资料列出：Free 为无限公开项目、100GB 存储；Academic 对学生/研究者免费；Teams 为 $50/seat/month，包含私有项目与无限存储；Enterprise 为定制定价，提供本地部署选项。
资源 文档：https://docs.wandb.ai；GitHub：https://github.com/wandb/wandb（10.5k+ stars）；示例：https://github.com/wandb/examples；社区：https://wandb.ai/community；Discord：https://wandb.me/discord。另可参见 references/sweeps.md（超参数优化指南）、references/artifacts.md（数据与模型版本化模式）、references/integrations.md（框架特定示例）。
限制与未提供信息 资料未提供具体的性能基准、支持的全部框架清单、各集成方式的完整限制、离线模式的具体同步细节、企业版功能细节，以及除上述定价外的其他收费信息。