如何防止权重和偏差保存最佳模型参数
How to prevent Weights & Biases from saving best model parameters
我正在使用权重和偏差 (link) 来管理超参数优化并记录结果。我正在使用带有 Tensorflow 后端的 Keras 进行训练，并且正在使用 Weights & Biases 的开箱即用的日志记录功能，其中我 运行
wandb.init(project='project_name', entity='username', config=config)
然后在classifier.fit()的回调中添加一个WandbCallback()。默认情况下，Weights & Biases 似乎会保存模型参数（即模型的权重和偏差）并将它们存储在云端。这耗尽了我帐户的存储配额，这是不必要的——我只关心跟踪模型 loss/accuracy 作为超参数的函数。
我可以训练模型并使用权重和偏差记录损失和准确性，但不将模型参数存储在云端吗？我该怎么做？
为了在超参数优化期间不保存经过训练的模型权重，您可以这样做：
classifier.fit(..., callbacks=[WandbCallback(.., save_model=False)]
这只会跟踪指标（train/validation loss/acc 等）。
我正在使用权重和偏差 (link) 来管理超参数优化并记录结果。我正在使用带有 Tensorflow 后端的 Keras 进行训练，并且正在使用 Weights & Biases 的开箱即用的日志记录功能，其中我 运行
wandb.init(project='project_name', entity='username', config=config)
然后在classifier.fit()的回调中添加一个WandbCallback()。默认情况下，Weights & Biases 似乎会保存模型参数（即模型的权重和偏差）并将它们存储在云端。这耗尽了我帐户的存储配额，这是不必要的——我只关心跟踪模型 loss/accuracy 作为超参数的函数。
我可以训练模型并使用权重和偏差记录损失和准确性，但不将模型参数存储在云端吗？我该怎么做？
为了在超参数优化期间不保存经过训练的模型权重，您可以这样做：
classifier.fit(..., callbacks=[WandbCallback(.., save_model=False)]
这只会跟踪指标（train/validation loss/acc 等）。