一句话定义
Weights & Biases(常缩写 W&B)是机器学习团队用的“训练台账”平台:把每一次训练用了什么参数、什么数据、跑出什么指标、最后交付哪一版模型都记下来,让结果可复现、可追溯、可交接。
三个模块的分工
训练一个模型往往要跑几十上百次。改一下学习率、换一批数据、调一下网络结构,结果就变。W&B 把这件事拆成三层,各管一段:
- 实验追踪(Experiment Tracking):每次训练是一个 Run(一次运行),自动记录超参数、损失曲线、硬件利用率、代码提交号。相当于车间的实验记录本:什么配方、几点开火、成品什么样,全写在上面。
- 产物版本(Artifacts):数据集、预训练权重、评测结果这些“大块头”文件按版本存起来,并记下血缘关系——这一版模型是用哪一版数据训出来的。相当于留样冷库:每批原料和半成品都封存一袋,出了问题能倒查。
- 模型注册表(Model Registry):把真正要上线的模型挑出来,打上“候选”“生产”之类的标签,附上评测结论和审批记录。相当于出厂档案柜:不是做出来的都能出厂,得登记、签字、留档。
| 模块 | 回答的问题 | 典型使用者 |
|---|---|---|
| 实验追踪 | 这次跑得怎么样?比上次好在哪? | 训练工程师,日常调参 |
| 产物版本 | 这个模型是用哪份数据、哪个权重训的? | 需要复现和排查的人 |
| 模型注册表 | 上线的是哪一版?谁批的? | 团队负责人、交付与运维 |
三者的关系是一条链:追踪产生大量 Run,其中表现好的 Run 产出产物,产物里最合格的被登记进注册表。
与相邻概念的区别
TensorBoard 更像单机仪表盘,看曲线顺手,但多人协作、产物血缘和交接环节要弱一些;Git 管代码,管不了几百 MB 的权重文件和成千上万条指标;MLflow 开源可自建,链路更偏打包与部署。选型要看团队规模、合规要求和现有工具链,具体能力以官方页面为准。
实际意义
对训练工程师,它省掉了“上周那个效果特别好的模型到底是哪次跑出来的”这类抓狂时刻;对管理者,模型上线前有据可查,不是靠某个人拍胸脯;对普通职场人,它解释了 AI 团队为什么强调记录——模型不是调出来的玄学,而是一条能被复盘、被追溯的流水线。
