> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-agents-md-product-conventions.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# fastai v1

> Utilisez le callback W&B avec fastai v1 pour journaliser la topologie du modèle, les pertes, les métriques, les poids, les gradients et les prédictions.

<Note>
  Cette documentation concerne fastai v1.
  Si vous utilisez la version actuelle de fastai, voir la [page fastai](../).
</Note>

Pour les scripts fastai v1, W\&B fournit un callback qui journalise automatiquement la topologie du modèle, les pertes, les métriques, les poids, les gradients, des exemples de prédictions et le meilleur modèle entraîné.

```python theme={null}
import wandb
from wandb.fastai import WandbCallback

wandb.init()

learn = cnn_learner(data, model, callback_fns=WandbCallback)
learn.fit(epochs)
```

Les données à journaliser peuvent être configurées via le constructeur du callback.

```python theme={null}
from functools import partial

learn = cnn_learner(
    data, model, callback_fns=partial(WandbCallback, input_type="images")
)
```

Vous pouvez également utiliser `WandbCallback` uniquement au démarrage de l’entraînement. Dans ce cas, vous devez l’instancier.

```python theme={null}
learn.fit(epochs, callbacks=WandbCallback(learn))
```

Vous pouvez également spécifier des paramètres personnalisés à cette étape.

```python theme={null}
learn.fit(epochs, callbacks=WandbCallback(learn, input_type="images"))
```

<div id="example-code">
  ## Exemples de code
</div>

Les exemples suivants montrent comment l’intégration fonctionne :

* [Classer les personnages des Simpson](https://github.com/borisdayma/simpsons-fastai): Une démo pour suivre et comparer les modèles fastai. Voir le [guide étape par étape](https://app.wandb.ai/jxmorris12/huggingface-demo/reports/A-Step-by-Step-Guide-to-Tracking-Hugging-Face-Model-Performance--VmlldzoxMDE2MTU).
* [Segmentation sémantique avec Fastai](https://github.com/borisdayma/semantic-segmentation): Optimisation de réseaux neuronaux pour les voitures autonomes.

<div id="options">
  ## Options
</div>

La classe `WandbCallback()` prend en charge plusieurs options :

| Keyword argument | Par défaut | Description |
| - | - | - |
| `learn` | N/A | Le learner fast.ai à associer. |
| `save_model` | `True` | Enregistre le modèle s'il s'améliore à chaque étape. Charge également le meilleur modèle à la fin de l'entraînement. |
| `mode` | `auto` | `min`, `max` ou `auto`. Indique comment comparer, d'une étape à l'autre, la métrique d'entraînement spécifiée dans `monitor`. |
| `monitor` | `None` | Métrique d'entraînement utilisée pour mesurer les performances lors de l'enregistrement du meilleur modèle. `None` utilise par défaut la perte de validation. |
| `log` | `gradients` | `gradients`, `parameters`, `all` ou `None`. Les pertes et les métriques sont toujours journalisées. |
| `input_type` | `None` | `images` ou `None`. Utilisé pour afficher des exemples de prédictions. |
| `validation_data` | `None` | Données utilisées pour les exemples de prédictions si `input_type` est défini. |
| `predictions` | `36` | Nombre de prédictions à effectuer si `input_type` est défini et que `validation_data` vaut `None`. |
| `seed` | `12345` | Initialise le générateur aléatoire pour les exemples de prédictions si `input_type` est défini et que `validation_data` vaut `None`. |