> ## 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. # Tutorial: W&B を使ったモデル管理 > W&B を活用したモデル管理の使い方を学ぶ W\&B にモデルをログする方法を示す次のウォークスルーに従ってください。このウォークスルーの終わりまでに次のことができるようになります： * MNIST データセットと Keras フレームワークを使用してモデルを作成およびトレーニングします。 * トレーニングしたモデルを W\&B プロジェクトにログします。 * 作成したモデルの依存関係として使用したデータセットをマークします。 * モデルを W\&B Registry にリンクします。 * レジストリにリンクしたモデルのパフォーマンスを評価します。 * モデルバージョンをプロダクション用に準備完了としてマークします。 - このガイドで提示された順にコードスニペットをコピーしてください。 - モデルレジストリに固有でないコードは折りたたみ可能なセルに隠されています。 ## セットアップ 始める前に、このウォークスルーに必要な Python の依存関係をインポートします： ```python theme={null} import wandb import numpy as np from tensorflow import keras from tensorflow.keras import layers from wandb.integration.keras import WandbMetricsLogger from sklearn.model_selection import train_test_split ``` `entity` 変数に W\&B エンティティを指定します： ```python theme={null} entity = "" ``` ### データセット アーティファクトを作成する まず、データセットを作成します。次のコードスニペットは、MNIST データセットをダウンロードする関数を作成します： ```python theme={null} def generate_raw_data(train_size=6000): eval_size = int(train_size / 6) (x_train, y_train), (x_eval, y_eval) = keras.datasets.mnist.load_data() x_train = x_train.astype("float32") / 255 x_eval = x_eval.astype("float32") / 255 x_train = np.expand_dims(x_train, -1) x_eval = np.expand_dims(x_eval, -1) print("Generated {} rows of training data.".format(train_size)) print("Generated {} rows of eval data.".format(eval_size)) return (x_train[:train_size], y_train[:train_size]), ( x_eval[:eval_size], y_eval[:eval_size], ) # データセットを作成 (x_train, y_train), (x_eval, y_eval) = generate_raw_data() ``` 次に、データセットを W\&B にアップロードします。これを行うには、[artifact](/ja/models/artifacts/) オブジェクトを作成し、そのアーティファクトにデータセットを追加します。 ```python theme={null} project = "model-registry-dev" model_use_case_id = "mnist" job_type = "build_dataset" # W&B run を初期化 run = wandb.init(entity=entity, project=project, job_type=job_type) # トレーニングデータ用に W&B Table を作成 train_table = wandb.Table(data=[], columns=[]) train_table.add_column("x_train", x_train) train_table.add_column("y_train", y_train) train_table.add_computed_columns(lambda ndx, row: {"img": wandb.Image(row["x_train"])}) # 評価データ用に W&B Table を作成 eval_table = wandb.Table(data=[], columns=[]) eval_table.add_column("x_eval", x_eval) eval_table.add_column("y_eval", y_eval) eval_table.add_computed_columns(lambda ndx, row: {"img": wandb.Image(row["x_eval"])}) # アーティファクトオブジェクトを作成 artifact_name = "{}_dataset".format(model_use_case_id) artifact = wandb.Artifact(name=artifact_name, type="dataset") # wandb.WBValue オブジェクトをアーティファクトに追加 artifact.add(train_table, "train_table") artifact.add(eval_table, "eval_table") # アーティファクトに加えられた変更を永続化 artifact.save() # W&B にこの run が完了したことを知らせます run.finish() ``` アーティファクトにファイル（データセットなど）を保存することは、モデルの依存関係を追跡できるため、モデルをログに記録するという文脈で便利です。 ## モデルのトレーニング 前のステップで作成したアーティファクトデータセットを使用してモデルをトレーニングします。 ### データセットアーティファクトを run の入力として宣言 前のステップで作成したデータセットアーティファクトを W\&B run の入力として宣言します。これにより、特定のモデルをトレーニングするために使用されたデータセット（およびデータセットのバージョン）を追跡できるため、モデルをログに記録するという文脈で特に便利です。W\&B は収集された情報を使用して、[lineage map](/ja/models/core/registry/model_registry/model-lineage/) を作成します。 `use_artifact` API を使用して、データセットアーティファクトを run の入力として宣言し、アーティファクト自体を取得します。 ```python theme={null} job_type = "train_model" config = { "optimizer": "adam", "batch_size": 128, "epochs": 5, "validation_split": 0.1, } # W&B run を初期化 run = wandb.init(project=project, job_type=job_type, config=config) # データセットアーティファクトを取得 version = "latest" name = "{}:{}".format("{}_dataset".format(model_use_case_id), version) artifact = run.use_artifact(artifact_or_name=name) # データフレームから特定のコンテンツを取得 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") ``` モデルの入力と出力を追跡する方法の詳細については、[Create model lineage](/ja/models/core/registry/model_registry/model-lineage/) mapを参照してください。 ### モデルの定義とトレーニング このウォークスルーでは、Keras を使用して MNIST データセットから画像を分類するための 2D 畳み込みニューラルネットワーク (CNN) を定義します。
MNIST データに対する CNN のトレーニング ```python theme={null} # 設定辞書から値を取得して変数に格納（アクセスしやすくするため） 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を作成 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を作成 x_t, x_v, y_t, y_v = train_test_split(x_train, y_train, test_size=0.33) ``` 次に、モデルをトレーニングします： ```python theme={null} # モデルをトレーニング 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)], ) ``` 最後に、モデルをローカルマシンに保存します： ```python theme={null} # モデルをローカルに保存 path = "model.h5" model.save(path) ```
## モデルを Model Registry にログし、リンクする [`link_model`](/ja/models/ref/python/run#link_model) API を使用して、一つまたは複数のファイルを W\&B run にログし、それを [W\&B Model Registry](/ja/./) にリンクします。 ```python theme={null} path = "./model.h5" registered_model_name = "MNIST-dev" run.link_model(path=path, registered_model_name=registered_model_name) run.finish() ``` 指定した名前の `registered-model-name` がまだ存在しない場合、W\&B は登録されたモデルを作成します。 オプションのパラメータに関する詳細は、API リファレンスガイドの [`link_model`](/ja/models/ref/python/run#link_model) を参照してください。 ## モデルのパフォーマンスを評価する 複数のモデルのパフォーマンスを評価するのは一般的な手法です。 まず、前のステップで W\&B に保存された評価データセットアーティファクトを取得します。 ```python theme={null} job_type = "evaluate_model" # 初期化 run = wandb.init(project=project, entity=entity, job_type=job_type) model_use_case_id = "mnist" version = "latest" # データセットアーティファクトを取得し、それを依存関係としてマーク artifact = run.use_artifact( "{}:{}".format("{}_dataset".format(model_use_case_id), version) ) # 必要なデータフレームを取得 eval_table = artifact.get("eval_table") x_eval = eval_table.get_column("x_eval", convert_to="numpy") y_eval = eval_table.get_column("y_eval", convert_to="numpy") ``` 評価したい W\&B からの[モデルバージョン](/ja/models/core/registry/model_registry/model-management-concepts/#model-version) をダウンロードします。`use_model` API を使用してモデルにアクセスし、ダウンロードします。 ```python theme={null} alias = "latest" # エイリアス name = "mnist_model" # モデルアーティファクトの名前 # モデルにアクセスしダウンロードします。ダウンロードされたアーティファクトへのパスを返します downloaded_model_path = run.use_model(name=f"{name}:{alias}") ``` Keras モデルをロードし、損失を計算します： ```python theme={null} model = keras.models.load_model(downloaded_model_path) y_eval = keras.utils.to_categorical(y_eval, 10) (loss, _) = model.evaluate(x_eval, y_eval) score = (loss, _) ``` 最後に、損失のメトリクスを W\&B run にログします： ```python theme={null} # メトリクス、画像、テーブル、または評価に役立つデータをログします。 run.log(data={"loss": (loss, _)}) ``` ## モデルバージョンを昇格する [*モデルエイリアス*](/ja/models/core/registry/model_registry/model-management-concepts/#model-alias) を使用して、機械学習ワークフローの次のステージに準備が整ったモデルバージョンをマークします。各登録済みモデルは 1 つまたは複数のモデルエイリアスを持つことができます。モデルエイリアスは、1 度に 1 つのモデルバージョンにのみ所属できます。 例えば、モデルのパフォーマンスを評価した後、そのモデルがプロダクションの準備が整ったと確信したとします。モデルバージョンを昇格させるために、特定のモデルバージョンに `production` エイリアスを追加します。 `production` エイリアスは、モデルをプロダクション対応としてマークするために使用される最も一般的なエイリアスの 1 つです。 W\&B アプリ UI を使用してインタラクティブに、または Python SDK を使用してプログラムでモデルバージョンにエイリアスを追加できます。次のステップは、W\&B Model Registry App を使用してエイリアスを追加する方法を示しています： 1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) の Model Registry App に移動します。 2. 登録されているモデルの名前の横にある **View details** をクリックします。 3. **Versions** セクション内で、プロモーションしたいモデルバージョンの名前の横にある **View** ボタンをクリックします。 4. **Aliases** フィールドの隣にあるプラスアイコン (**+**) をクリックします。 5. 表示されるフィールドに `production` と入力します。 6. キーボードの Enter キーを押します。