Aim nos Spaces

Aim é um rastreador de experimentos de código aberto, fácil de usar e superpotente. O Aim registra suas execuções de treinamento e oferece uma interface visual atraente para compará-las, além de uma API para consultá-las programaticamente. Engenheiros de ML e pesquisadores usam os exploradores do Aim para comparar milhares de execuções de treinamento com poucos cliques.

Confira a documentação do Aim para saber mais sobre o Aim. Se você tiver uma ideia para um novo recurso ou tiver notado um bug, sinta-se à vontade para abrir uma solicitação de recurso ou reportar um bug.

Nas seções a seguir, você aprenderá como implantar o Aim nos Spaces do Hugging Face Hub e explorar suas execuções de treinamento diretamente do Hub.

Implante o Aim nos Spaces

Você pode implantar o Aim em Spaces com um único clique!

Depois de criar o Space, você verá o status Building e, quando ele se tornar Running, seu Space estará pronto para uso!

Agora, ao navegar para a seção App do seu Space, você pode acessar a interface do Aim.

Compare seus experimentos com o Aim no Spaces

Vamos usar um exemplo rápido de uma CNN do PyTorch treinada no MNIST para demonstrar o deploy do Aim no Spaces de ponta a ponta. O exemplo completo está na pasta de exemplos do repositório do Aim.

from aim import Run
from aim.pytorch import track_gradients_dists, track_params_dists

# Initialize a new Run
aim_run = Run()
...
items = {'accuracy': acc, 'loss': loss}
aim_run.track(items, epoch=epoch, context={'subset': 'train'})

# Track weights and gradients distributions
track_params_dists(model, aim_run)
track_gradients_dists(model, aim_run)

Os experimentos rastreados pelo Aim são armazenados na pasta .aim. Para exibir os logs com a interface do Aim no seu Space, você precisa comprimir a pasta .aim em um arquivo tar.gz e enviá-lo para o seu Space usando git ou as seções Arquivos e Versões do seu Space.

Aqui está um comando bash para isso:

tar -czvf aim_repo.tar.gz .aim

É isso! Agora abra a seção App do seu Space e a interface do Aim estará disponível com seus logs. Aqui está o que esperar:

Filtre suas execuções usando a busca Pythonic do Aim. Você pode escrever consultas Pythonic sobre TUDO que você rastreou - métricas, hiperparâmetros, etc. Confira alguns exemplos nos Spaces do HF Hub.

Observe que, se seus logs estiverem no formato TensorBoard, você pode facilmente converter para o Aim com um único comando e utilizar os muitos recursos avançados e de alto desempenho para comparação de execuções de treinamento disponíveis.

Mais sobre HF Spaces

• Espaços Docker do HF
• Exemplos de espaços Docker do HF

Feedback e Suporte

Se você tiver sugestões de melhoria ou precisar de suporte, abra uma issue no repositório do Aim no GitHub.

O Discord da comunidade Aim também está disponível para discussões da comunidade.