Weights & Biases
Parent: ai_keywords
Weights & Biases
核心定义
Weights & Biases（简称 W&B）是一个面向机器学习和深度学习全生命周期的实验跟踪、模型管理和数据集版本控制平台。它能够自动记录训练过程中的超参数、损失曲线、模型权重、梯度直方图等，并提供交互式可视化仪表板，支持团队协作与成果共享。
关键技术点
-
实验跟踪与日志记录
自动捕获超参数、评估指标（如准确率、AUC）、系统资源消耗（GPU/CPU 利用率）等，同时支持自定义日志，确保每次实验的可复现性。 -
超参数优化（Sweeps）
通过集成贝叶斯、网格搜索、随机搜索等策略，自动在预定义的超参数空间中搜索最优组合，显著提升模型调参效率。 -
可视化与报告
提供实时更新的学习曲线、混淆矩阵、嵌入向量可视化（如 UMAP/PCA）以及并行坐标图，并支持将多个实验图表组合成可分享的报告。 -
模型管理与版本控制
自动保存模型检查点、权重及结构，支持快速回滚与不同版本模型间的对比分析。 -
数据集与工件（Artifacts）追踪
对数据集、预处理管道、训练产出（如特征提取器）进行版本化管理，确保从数据到模型的全链路可溯源。
医学/神经科学应用场景
以首都医科大学神经病学研究所的癫痫发作预测研究为例：
研究团队利用 W&B 跟踪基于脑电图（EEG）的深度学习分类器训练。通过自动记录网络层数、学习率、Dropout 率等超参数，实时监控发作间期与发作期的分类灵敏度、特异度及 AUC 指标。借助 Sweeps 功能自动优化正则化系数与批大小，在防止过拟合的同时提高了模型泛化能力。同时，使用 Artifacts 管理不同预处理版本（如滤波频段、伪迹去除方法）的 EEG 数据集，确保实验可复现。最终，该平台支持团队跨角色协作，快速评估模型在脑卒中后癫痫患者亚组中的稳定性，为临床辅助诊断提供了可重复的实验基础。
