Weights & Biases 完整教程 2026

什么是 Weights & Biases？

Weights & Biases 是一个强大的机器学习实验追踪工具，能够帮助你追踪机器学习实验和模型性能。它已成为 2026 年 AI 开发者工具包中最受欢迎的工具之一。

为什么使用 Weights & Biases？

生产力：大幅减少 MLOps 任务所花费的时间

集成：与主流 AI 提供商无缝连接

可靠性：经数千团队生产环境验证

社区：拥有丰富的插件和示例生态系统

快速开始

安装

bash
npm/yarn (Node.js 项目)
npm install weights---biases
pip (Python 项目)  
pip install weights---biases
或者使用托管版本 weights&biases.com

配置

yaml
config.yml
name: my-weights---biases-app
version: 1.0.0
integrations:
  openai:
    api_key: 1897628437146480647
  anthropic:
    api_key: undefined
settings:
  timeout: 30
  retry_attempts: 3
  log_level: info

核心概念

基本工作流

python
Python 示例
from weights_biases import Client, Workflow
初始化
client = Client(api_key="your-key")
创建工作流
workflow = Workflow()
workflow.add_step("input", type="user_message")
workflow.add_step("ai_process", model="gpt-4o-mini", type="llm_call")
workflow.add_step("output", type="response")
执行
result = client.run(workflow, input="Your prompt here")
print(result.output)

JavaScript/TypeScript 示例

typescript
import { WeightsBiasesClient } from 'weights---biases';
const client = new WeightsBiasesClient({
  apiKey: process.env.WEIGHTS___BIASES_API_KEY,
});
main();

实际应用案例

案例 1：追踪机器学习实验与模型性能

python
完整示例：追踪机器学习实验与模型性能
import os
from openai import OpenAI
openai_client = OpenAI()
def create_mlops_pipeline(input_data: dict) -> dict:
    """
    使用 Weights & Biases 追踪机器学习实验与模型性能的流水线。
    """
    # 步骤 1：处理输入
    processed = preprocess(input_data)
    
    # 步骤 2：AI 分析
    response = openai_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {
                "role": "system",
                "content": f"You are an expert in {t.category}. Help with track ML experiments and model performance."
            },
            {
                "role": "user",
                "content": str(processed)
            }
        ]
    )
    
    # 步骤 3：后处理
    result = {
        "input": input_data,
        "analysis": response.choices[0].message.content,
        "timestamp": datetime.now().isoformat()
    }
    
    return result
运行
result = create_mlops_pipeline({
    "topic": "track ML experiments and model performance",
    "context": "Building modern AI applications"
})
print(result["analysis"])

案例 2：与其他工具集成

python
将 Weights & Biases 与现有技术栈集成
import httpx
import json
class WeightsBiasesIntegration:
    def __init__(self, api_key: str):
        self.client = httpx.AsyncClient(
            base_url="https://api.weights&biases.com",
            headers={"Authorization": f"Bearer {api_key}"}
        )
    
    async def process(self, data: dict) -> dict:
        response = await self.client.post("/process", json=data)
        response.raise_for_status()
        return response.json()
    
    async def batch_process(self, items: list) -> list:
        import asyncio
        tasks = [self.process(item) for item in items]
        return await asyncio.gather(*tasks)
使用
import asyncio
async def main():
    integration = WeightsBiasesIntegration(
        api_key=os.environ["WEIGHTS___BIASES_KEY"]
    )
    
    results = await integration.batch_process([
        {"input": "Item 1"},
        {"input": "Item 2"},
        {"input": "Item 3"},
    ])
    
    for r in results:
        print(r)
asyncio.run(main())

高级功能

监控与日志

python
import logging
from functools import wraps
import time
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger("weights & biases")
def with_logging(func):
    @wraps(func)
    async def wrapper(*args, **kwargs):
        start = time.time()
        logger.info(f"Starting {func.__name__}")
        
        try:
            result = await func(*args, **kwargs)
            duration = time.time() - start
            logger.info(f"Completed {func.__name__} in {duration:.2f}s")
            return result
        except Exception as e:
            logger.error(f"Error in {func.__name__}: {e}")
            raise
    
    return wrapper
@with_logging
async def my_workflow(data: dict):
    # 你的 Weights & Biases 工作流
    pass

错误处理

python
from tenacity import retry, stop_after_attempt, wait_exponential
@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=4, max=10)
)
def reliable_api_call(data: dict) -> dict:
    """失败时重试，使用指数退避。"""
    try:
        return process(data)
    except RateLimitError:
        logger.warning("Rate limit hit, retrying...")
        raise
    except APIError as e:
        if e.status_code >= 500:
            raise  # 服务器错误时重试
        raise  # 客户端错误时不重试

定价与套餐

套餐价格功能

免费$0有限使用，社区支持 专业版$20-50/月全部功能，优先支持 企业版定制SLA，自定义集成，SSO

与替代方案对比

工具Weights & Biases替代方案 1替代方案 2

易用性⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐ 功能⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐ 成本⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐ 社区⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐

结论

Weights & Biases 是一款出色的机器学习实验追踪工具，能够轻松追踪机器学习实验和模型性能。它兼具强大功能和易用性，是 2026 年 AI 开发者的首选。

无论你是在构建第一个 AI 应用，还是扩展企业级系统，Weights & Biases 都能提供你所需的工具。

---

*Weights & Biases 最新版本教程 | 2026 年 5 月*