Wandb项目中如何通过Python代码设置折线图Y轴最大值
2025-05-24 16:23:49作者:幸俭卉
在机器学习实验跟踪工具Wandb的使用过程中,数据可视化是一个非常重要的功能。本文将详细介绍如何通过Python代码设置折线图Y轴的最大值,帮助开发者更好地控制数据展示范围。
问题背景
在Wandb的可视化面板中,用户经常需要调整折线图的Y轴范围以获得更好的数据展示效果。虽然可以通过网页界面手动调整,但在自动化实验流程中,能够通过代码预设这些参数会更加高效。
解决方案
Wandb提供了程序化工作区(programmatic workspaces)功能,允许开发者通过Python代码配置各种可视化参数。对于折线图Y轴范围的设置,可以使用range_y参数:
wr.LinePlot(range_y=(min_value, max_value))
完整示例代码
以下是一个完整的示例,展示如何创建Wandb项目、记录数据并设置折线图的Y轴范围:
import wandb
import wandb_workspaces.workspaces as ws
import wandb_workspaces.reports.v2 as wr
from datetime import datetime, timezone
# 初始化Wandb
wandb.login()
# 创建项目并记录数据
def create_project_and_log_data():
with wandb.init(project="MyProject") as run:
for step in range(100):
wandb.log({
"Step": step,
"val_loss": 1.0 / (step + 1),
"val_accuracy": step / 100.0,
"train_loss": 1.0 / (step + 2),
"train_accuracy": step / 110.0,
})
return "MyProject"
project = create_project_and_log_data()
entity = wandb.Api().default_entity
# 创建工作区并设置Y轴范围
def create_workspace_with_y_range(entity, project):
workspace = ws.Workspace(name="Custom Y Range Workspace",
entity=entity,
project=project)
workspace.sections = [
ws.Section(
name="Loss Section",
panels=[
wr.LinePlot(x="Step", y=["train_loss"], range_y=(0.0, 1.0)),
wr.LinePlot(x="Step", y=["val_loss"], range_y=(0.0, 1.0)),
]
),
ws.Section(
name="Accuracy Section",
panels=[
wr.LinePlot(x="Step", y=["train_accuracy"], range_y=(0.0, 1.0)),
wr.LinePlot(x="Step", y=["val_accuracy"], range_y=(0.0, 1.0)),
]
),
]
workspace.save()
create_workspace_with_y_range(entity, project)
技术细节
-
range_y参数:该参数接受一个包含最小值和最大值的元组,用于固定Y轴的显示范围。
-
工作区配置:通过
Workspace和Section类可以构建复杂的可视化面板布局。 -
数据类型支持:此方法适用于各种数值型数据,包括损失值、准确率等常见指标。
注意事项
-
确保使用的Wandb库版本支持程序化工作区功能。
-
设置的范围应合理包含数据的实际范围,否则可能导致数据点显示不全。
-
对于多曲线图表,设置的Y轴范围应能容纳所有曲线的数据范围。
通过这种方法,开发者可以在实验脚本中预设可视化参数,实现完全自动化的实验跟踪和结果展示流程。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
309
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.84 K
React Native鸿蒙化仓库
JavaScript
259
322