WandB深度学习实验管理：从TensorBoard到云端协作

1. 为什么需要WandB：从TensorBoard的痛点说起

作为深度学习研究者，我们都经历过这样的场景：在实验室服务器上训练了一周的模型，回家想查看训练曲线时，发现TensorBoard日志还留在远程机器上；或者当团队同时进行20组超参数实验时，TensorBoard里密密麻麻的曲线让人眼花缭乱。这正是我三年前开始寻找TensorBoard替代方案的原因。

WandB（Weights & Biases）的出现完美解决了这些痛点。它本质上是一个"实验管理云服务"，但开发者们更喜欢称它为"深度学习界的GitHub"。与TensorBoard相比，WandB有三大杀手锏：

1. 云端同步：所有实验数据自动上传到云端，随时随地通过浏览器访问
2. 超参数对比：支持多维度的超参数筛选和对比，就像Excel的数据透视表
3. 系统监控：自动记录GPU显存、CPU利用率等硬件指标，排查OOM问题的利器

提示：WandB的免费个人版完全够用，5GB的存储空间足够存储上千次小型实验的日志

2. 快速上手：10分钟完成WandB环境配置

2.1 安装与账号设置

安装过程简单到只需要两行命令：

bash复制pip install wandb  # 安装Python库
wandb login       # 登录你的账号

执行wandb login后，你会看到一个类似这样的提示：

code复制wandb: You can find your API key in your browser here: https://wandb.ai/authorize
wandb: Paste an API key from your profile and hit enter:

这时你需要：

1. 访问https://wandb.ai注册账号（支持GitHub一键登录）
2. 在设置页面找到你的API Key
3. 粘贴到终端回车确认

2.2 测试你的第一个实验

WandB官网提供了一个测试脚本，我们可以用它验证安装是否成功：

python复制import random
import wandb

run = wandb.init(
    project="my-first-project",
    config={
        "learning_rate": 0.02,
        "architecture": "CNN",
        "dataset": "CIFAR-100",
        "epochs": 10,
    },
)

epochs = 10
offset = random.random() / 5
for epoch in range(2, epochs):
    acc = 1 - 2**-epoch - random.random() / epoch - offset
    loss = 2**-epoch + random.random() / epoch + offset
    wandb.log({"acc": acc, "loss": loss})

run.finish()

运行这个脚本后，打开你的WandB主页，应该能看到一个自动生成的项目面板。这个面板会显示：

• 训练过程中的l