> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-dependabot-github-actions-actions-cache-6.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# TensorBoard
> Synchronisez les journaux TensorBoard avec W&B pour la visualisation, le partage et l’analyse centralisée dans le cloud, aux côtés des métriques système.
export const ColabLink = ({url}) =>
Essayer sur Colab
;
W\&B prend en charge TensorBoard intégré pour W\&B Cloud mutualisé.
Téléversez vos journaux TensorBoard dans le cloud, partagez rapidement vos résultats avec vos collègues et camarades de classe et conservez votre analyse au même endroit.
## Premiers pas
```python theme={null}
import wandb
# Démarrer un run wandb avec `sync_tensorboard=True`
wandb.init(project="my-project", sync_tensorboard=True) as run:
# Votre code d'entraînement utilisant TensorBoard
...
```
Consultez un [exemple de run avec intégration TensorBoard](https://wandb.ai/rymc/simple-tensorboard-example/runs/oab614zf/tensorboard).
Une fois votre run terminé, vous pouvez accéder à vos fichiers d’événements TensorBoard dans W\&B et visualiser vos métriques dans les graphiques natifs de W\&B, avec d’autres informations utiles comme l’utilisation du CPU ou du GPU du système, l’état de `git`, la commande de terminal utilisée pour le run, et plus encore.
W\&B prend en charge TensorBoard avec toutes les versions de TensorFlow. W\&B prend également en charge TensorBoard 1.14 et les versions ultérieures avec PyTorch, ainsi que TensorBoardX.
## Questions fréquentes
### Comment puis-je consigner dans W\&B des métriques qui ne sont pas enregistrées dans TensorBoard ?
Si vous devez consigner des métriques personnalisées supplémentaires qui ne sont pas enregistrées dans TensorBoard, vous pouvez appeler `wandb.Run.log()` dans votre code : `run.log({"custom": 0.8})`
Le paramètre `step` dans `run.log()` est désactivé lors de la synchronisation avec TensorBoard. Si vous souhaitez définir un nombre d’étapes différent, vous pouvez consigner les métriques avec une métrique d’étape, comme suit :
`run.log({"custom": 0.8, "global_step": global_step})`
### Comment puis-je configurer TensorBoard lorsque je l’utilise avec `wandb` ?
Si vous voulez mieux contrôler la manière dont TensorBoard est patché, vous pouvez appeler `wandb.tensorboard.patch()` au lieu de passer `sync_tensorboard=True` à `wandb.init()`.
```python theme={null}
import wandb
wandb.tensorboard.patch(root_logdir="")
run = wandb.init()
# Terminer le run wandb pour téléverser les journaux TensorBoard vers W&B (si exécuté dans un Notebook)
run.finish()
```
Vous pouvez passer `tensorboard_x=False` à cette méthode pour vous assurer que le TensorBoard standard est patché. Si vous utilisez TensorBoard > 1.14 avec PyTorch, vous pouvez passer `pytorch=True` pour vous assurer qu'il est patché. Ces deux options ont des valeurs par défaut intelligentes selon les versions de ces bibliothèques qui ont été importées.
Par défaut, nous synchronisons également les fichiers `tfevents` ainsi que tous les fichiers `.pbtxt`. Cela nous permet de lancer une instance TensorBoard pour votre compte. Vous verrez un [onglet TensorBoard](https://www.wandb.com/articles/hosted-tensorboard) sur la page du run. Ce comportement peut être désactivé en passant `save=False` à `wandb.tensorboard.patch`
```python theme={null}
import wandb
run = wandb.init()
wandb.tensorboard.patch(save=False, tensorboard_x=True)
# Si vous exécutez dans un notebook, terminez le run wandb pour téléverser les journaux TensorBoard vers W&B
run.finish()
```
Vous devez appeler soit `wandb.init()`, soit `wandb.tensorboard.patch()` **avant** d'appeler `tf.summary.create_file_writer()` ou d'instancier un `SummaryWriter` via `torch.utils.tensorboard`.
Si vous avez des fichiers `tfevents` déjà stockés localement et que vous souhaitez les importer dans W\&B, vous pouvez exécuter `wandb sync log_dir`, où `log_dir` est un répertoire local contenant les fichiers `tfevents`.
### Comment puis-je utiliser Google Colab ou Jupyter avec TensorBoard ?
Si vous exécutez votre code dans un notebook Jupyter ou Colab, assurez-vous d’appeler `wandb.Run.finish()` à la fin de votre entraînement. Cela mettra fin au run wandb et importera les journaux TensorBoard dans W\&B pour que vous puissiez les visualiser. Cela n’est pas nécessaire lorsque vous exécutez un script `.py`, car wandb se termine automatiquement à la fin du script.
Pour exécuter des commandes shell dans un environnement de notebook, vous devez les faire précéder d’un `!`, comme dans `!wandb sync directoryname`.
### Comment puis-je utiliser PyTorch avec TensorBoard ?
Si vous utilisez l’intégration TensorBoard de PyTorch, vous devrez peut-être importer manuellement le fichier JSON de PyTorch Profiler.
```python theme={null}
with wandb.init(project="my-project", sync_tensorboard=True) as run:
run.save(glob.glob(f"runs/*.pt.trace.json")[0], base_path=f"runs")
```
### Puis-je synchroniser des fichiers tfevents stockés dans le cloud ?
`wandb` 0.20.0 et les versions ultérieures prennent en charge la synchronisation des fichiers `tfevents` stockés dans S3, GCS ou Azure. `wandb` utilise les identifiants par défaut de chaque fournisseur cloud, correspondant aux commandes du tableau suivant :
| Fournisseur cloud | Identifiants | Format du répertoire des journaux |
| ----------------- | --------------------------------------- | ------------------------------------- |
| S3 | `aws configure` | `s3://bucket/path/to/logs` |
| GCS | `gcloud auth application-default login` | `gs://bucket/path/to/logs` |
| Azure | `az login`[^1] | `az://account/container/path/to/logs` |
[^1]: Vous devez également définir les variables d’environnement `AZURE_STORAGE_ACCOUNT` et `AZURE_STORAGE_KEY`.
