> ## Documentation Index > Fetch the complete documentation index at: https://wb-21fd5541-mintlify-bbaa8558.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # サンプルコードとノートブック > 各 W&B プロダクト向けの実践的なチュートリアル、ウォークスルー、Colab ノートブックです。プロダクト別に、エンドツーエンドのサンプルをまとめています。以下の各ページから、チュートリアル、ウォークスルー、または実行可能な Colab ノートブックを含むページにアクセスできます。

## クイックスタート

Weights & Biases をすぐに使い始めるための、各プロダクト共通の入口です。 W\&B をインストールして、数分で実験のトラッキングを開始できます。実験をトラッキングし、メトリクスをログして、結果を可視化します。 LLM アプリケーションにトレースを追加して、モデルのやり取りをデバッグおよび監視します。 Serverless Inference を使用してモデル Call をトレースし、出力を比較し、評価を実行します。モデルや実験を比較するためのリーダーボードを作成します。

## W\&B Models

### 実験

メトリクス、ハイパーパラメーター、システムメトリクス、モデルアーティファクトのトラッキングの概要を紹介します。辞書のようなオブジェクトを使って experiment の設定を保存します。対話型の Workspace で run データを確認します。 3D ポイントクラウド、分子、HTML、ヒストグラムなどのリッチメディアをログします。 `run.log_model()` と `run.use_model()` を使用して、モデルアーティファクトを run にログします。 ML experiment からプロットを作成し、トラッキングします。

### Sweeps、アーティファクト、Tables

Sweeps を使ったハイパーパラメーター探索とモデル最適化の概要です。ハイパーパラメーター sweep を定義、初期化し、実行します。 W\&B アーティファクトの概要と開始方法を紹介します。 Experiments をまたいでデータセットアーティファクトを作成、トラッキングし、使用します。アーティファクトに TTL ポリシーを設定してストレージを管理します。 Tables を使ってデータセットを反復的に改善し、モデルの予測を理解します。 Tables をログし、構造化データを可視化してクエリします。結合ビューまたは並列ビューで Tables を比較、フィルター、グループ化、並べ替えします。

### Registry、Reports、UI 機能

組織全体でアーティファクトバージョンを管理、共有します。 Registry でデフォルト、カスタム、保護されたエイリアスを使用します。 ML プロジェクト向けのプロジェクト管理およびコラボレーションツールです。 App UI またはプログラムから W\&B Report を作成します。インタラクティブに、または Report API を使用して report を編集します。 Vega 可視化を使用して、W\&B のプロジェクトでカスタムチャートを作成します。カスタムチャートを使用して、W\&B UI で目的に合わせた可視化を作成します。 embedding projector を使用してオブジェクト埋め込みを探索します。

### ML フレームワークとのインテグレーション

Keras のコールバックを使用して、実験をトラッキングし、モデルをチェックポイント保存し、予測を可視化します。 PyTorch インテグレーションを使用して、メトリクス、勾配、モデルをトラッキングします。 PyTorch Lightning で組み込みの `WandbLogger` を使用します。トレーニングメトリクス、モデルパラメーター、設定を自動的にログします。 torchtune の WandBLogger を使用して、LLM のファインチューニング実験をトラッキングします。カスタムメトリクスをログし、estimator フックを使用して、TensorBoard のログを同期します。勾配ブースティングのメトリクス、特徴量の重要度、モデル性能をログします。 YOLOv5 に組み込まれた W\&B integration を使用して、実験管理とバージョン管理を行います。

### ML ライブラリのインテグレーション

W\&B で Hugging Face モデルのパフォーマンスを可視化してトラッキングします。 Hugging Face Transformers Trainer で W\&B を使用します。 W\&B を Hugging Face Simple Transformers と統合します。プロンプト、生成メディア、パイプラインアーキテクチャを自動的にログします。 Chat Completion、ファインチューニングジョブ、token 使用状況メトリクスをログします。 W\&B の実験管理を使用して Azure OpenAI モデルをファインチューニングします。

## W\&B Weave

### チュートリアル

Weave Models と評価を使用して、評価パイプラインを作成します。 LLM ジャッジモデルを使用して、RAG アプリケーションを構築・評価します。 W\&B のトレースを使用して、深くネストされた Call 構造をトラッキングします。 Weave Model を使用して、アプリケーションとそのパラメーターをトラッキングし、バージョン管理します。

### クックブック

Weave でのトレースを初歩から学べる、初心者向けの入門です。 Weave で評価を実行する方法を実践的に学びます。 Weave を使用して Hugging Face データセットに対して評価を実行します。 CSV を Weave のデータセットに読み込み、評価で使用します。 W\&B Models と Weave を 1 つのワークフローに組み合わせます。反復的な要約のための Chain-of-Density プロンプティングを実装します。 DSPy でプロンプトを最適化し、その結果を Weave でトラッキングします。 NotDiamond を使用してモデル間のルーティングを動的に行います。構造化出力を生成する複数のエージェントを連携させます。 Weave でコード生成パイプラインを構築し、評価します。コンピュータビジョンの OCR パイプラインをトレースして評価します。 Weave のトレースでオーディオの入力と出力を扱います。 Weave で本番環境の LLM アプリケーションを監視します。本番トラフィックからユーザーフィードバックを収集し、活用します。 Weave の Scorer を本番環境の LLM 呼び出しに対するガードレールとして使用します。カスタムのモデルごとのコストをトレースとあわせてトラッキングします。機密性の高いワークロード向けに、Weave のトレース内の PII をマスクします。 Weave Service API を直接呼び出して、トレースを記録します。

### 評価とトラッキング

小規模なローカル言語モデルを使用して、AI の安全性と品質を評価します。トレースをドメインエキスパートにルーティングし、structured feedback をエクスポートします。 LLM オペレーションのコストをトラッキングして管理します。

### LLM プロバイダインテグレーション

Anthropic SDK 経由の LLM Call を自動的にトラッキングし、ログに記録します。 Cohere Python ライブラリ経由の LLM Call を自動的にトラッキングし、ログに記録します。 Google GenAI モデルの Call をトレースし、ログに記録します。 Weave で Groq LPU の推論をトラッキングし、監視します。 Weave で Mistral AI モデルの Call をトレースし、評価します。トレース、評価、監視を行うために、OpenAI を Weave と統合します。 LiteLLM 経由の LLM Call を自動的にトラッキングし、ログに記録します。

### フレームワークおよびプロトコルのインテグレーション

CrewAI を使用して、マルチエージェントアプリケーションを監視およびトレースします。 DSPy のモジュールや関数による Call をトラッキングしてログします。 Instructor 経由の構造化出力 Call をトレースします。 LangChain Python ライブラリを介したすべての Call をトラッキングしてログします。 Verdict 評価フレームワークを使用して、LLM 評価パイプラインを監視します。 Hugging Face Hub を使用して、ML アプリケーションをトラッキングおよび分析します。 MCP クライアントと MCP サーバー間のアクティビティをトレースします。

## Serverless Inference

Serverless Inference を使用して LoRA アダプターをファインチューニングし、デプロイします。 Cline を Serverless Inference の Endpoints と統合します。

## Serverless RL

強化学習によりモデルを追加トレーニングします。 OpenPipe ART フレームワークを使用して、Serverless SFT でモデルをファインチューニングします。トレーニングしたモデルに推論リクエストを送信します。

## Serverless Sandboxes

Serverless サンドボックス環境で PyTorch モデルをトレーニングします。 Serverless サンドボックス内で OpenAI エージェントを呼び出します。