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

# モデルリネージ マップを作成する

このページでは、従来の W\&B Model Registry でのリネージグラフの作成について説明します。W\&B Registry でのリネージグラフについて学ぶには、[リネージマップの作成と表示](/ja/models/core/registry/lineage/)を参照してください。

<Note>
  W\&B は、従来の [W\&B Model Registry](/ja/models/core/registry/model_registry/) から新しい [W\&B Registry](/ja/./) へのアセット移行を管理および実行します。この移行は W\&B によって完全に管理され、ユーザーによる介入は必要ありません。このプロセスは、既存のワークフローへの影響を最小限に抑えて、可能な限りシームレスに設計されています。[従来の Model Registry からの移行](/ja/models/core/registry/model_registry_eol/) を参照してください。
</Note>

モデルアーティファクトを W\&B にログする際の便利な機能の一つにリネージグラフがあります。リネージグラフは、run によってログされたアーティファクトと特定の run で使用されたアーティファクトを表示します。

つまり、モデルアーティファクトをログする際には、少なくともモデルアーティファクトを使用または生成した W\&B run を表示するためのアクセスが可能です。[依存関係を追跡する](#track-an-artifact-dependency)場合、モデルアーティファクトで使用された入力も見ることができます。

例えば、以下の画像では、ML 実験全体で作成および使用されたアーティファクトが示されています。

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-feat-cli-docs-generator/odvsXuVtRq39LmE_/images/models/model_lineage_example.png?fit=max&auto=format&n=odvsXuVtRq39LmE_&q=85&s=4c9ca2930641a8a69e0a1ee3dc3b4761" width="3134" height="1164" data-path="images/models/model_lineage_example.png" />
</Frame>

画像は左から右に向かって次のように示しています。

1. `jumping-monkey-1` W\&B run によって `mnist_dataset:v0` のデータセットアーティファクトが作成されました。
2. `vague-morning-5` W\&B run は `mnist_dataset:v0` データセットアーティファクトを使用してモデルをトレーニングしました。この W\&B run の出力は `mnist_model:v0` というモデルアーティファクトでした。
3. `serene-haze-6` という run は `mnist_model:v0` のモデルアーティファクトを使用してモデルを評価しました。

## アーティファクトの依存関係を追跡

データセットアーティファクトを W\&B run の入力として宣言することで、`use_artifact` API を使用して依存関係を追跡できます。

以下のコードスニペットでは、`use_artifact` API の使用方法を示します。

```python theme={null}
# Run を初期化
run = wandb.init(project=project, entity=entity)

# アーティファクトを取得し、依存関係としてマーク
artifact = run.use_artifact(artifact_or_name="name", aliases="<alias>")
```

アーティファクトを取得した後、そのアーティファクトを使用して（例えば）、モデルのパフォーマンスを評価できます。

<details>
  <summary>例: モデルを訓練し、データセットをモデルの入力として追跡</summary>

  ```python theme={null}
  job_type = "train_model"

  config = {
      "optimizer": "adam",
      "batch_size": 128,
      "epochs": 5,
      "validation_split": 0.1,
  }

  run = wandb.init(project=project, job_type=job_type, config=config)

  version = "latest"
  name = "{}:{}".format("{}_dataset".format(model_use_case_id), version)

  artifact = run.use_artifact(name)

  train_table = artifact.get("train_table")
  x_train = train_table.get_column("x_train", convert_to="numpy")
  y_train = train_table.get_column("y_train", convert_to="numpy")

  # 設定辞書から変数に値を保存して簡単にアクセス
  num_classes = 10
  input_shape = (28, 28, 1)
  loss = "categorical_crossentropy"
  optimizer = run.config["optimizer"]
  metrics = ["accuracy"]
  batch_size = run.config["batch_size"]
  epochs = run.config["epochs"]
  validation_split = run.config["validation_split"]

  # モデルアーキテクチャーの作成
  model = keras.Sequential(
      [
          layers.Input(shape=input_shape),
          layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
          layers.MaxPooling2D(pool_size=(2, 2)),
          layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
          layers.MaxPooling2D(pool_size=(2, 2)),
          layers.Flatten(),
          layers.Dropout(0.5),
          layers.Dense(num_classes, activation="softmax"),
      ]
  )
  model.compile(loss=loss, optimizer=optimizer, metrics=metrics)

  # トレーニングデータのラベルを生成
  y_train = keras.utils.to_categorical(y_train, num_classes)

  # トレーニングセットとテストセットの作成
  x_t, x_v, y_t, y_v = train_test_split(x_train, y_train, test_size=0.33)

  # モデルのトレーニング
  model.fit(
      x=x_t,
      y=y_t,
      batch_size=batch_size,
      epochs=epochs,
      validation_data=(x_v, y_v),
      callbacks=[WandbCallback(log_weights=True, log_evaluation=True)],
  )

  # モデルをローカルに保存
  path = "model.h5"
  model.save(path)

  path = "./model.h5"
  registered_model_name = "MNIST-dev"
  name = "mnist_model"

  run.link_model(path=path, registered_model_name=registered_model_name, name=name)
  run.finish()
  ```
</details>