",
)
resp = client.chat.completions.create(
@@ -138,21 +145,23 @@ spec = leaderboard.Leaderboard(
weave.publish(spec)
```
-このコードを実行した後、[https://wandb.ai/](https://wandb.ai/) の W&B アカウントにアクセスして以下を確認してください：
+このコードを実行したら、[https://wandb.ai/](https://wandb.ai/) の自分の W&B アカウントにアクセスし、次を行います:
-- **Traces** タブを選択して [トレースを表示](/weave/guides/tracking/tracing)
-- **Evals** タブを選択して [モデルの評価を表示](/weave/guides/core-types/evaluations)
-- **Leaders** タブを選択して [作成されたリーダーボードを表示](/weave/guides/core-types/leaderboards)
+* **Traces** タブを選択して、[traces を表示](/ja/weave/guides/tracking/tracing) します
+* **Evals** タブを選択して、[モデル評価を表示](/ja/weave/guides/core-types/evaluations) します
+* **Leaders** タブを選択して、[生成されたリーダーボードを表示](/ja/weave/guides/core-types/leaderboards) します
+ ## 次のステップ
+
-- [API リファレンス](/inference/api-reference/) で利用可能なすべての メソッド を確認する
-- [UI ガイド](/inference/ui-guide/) で モデル を試す
\ No newline at end of file
+* 利用可能なすべてのメソッドについては [API reference](/ja/inference/api-reference/) を参照してください
+* [UI](/ja/inference/ui-guide/) でモデルを試してみてください
\ No newline at end of file
diff --git a/ja/inference/lifecycle.mdx b/ja/inference/lifecycle.mdx
new file mode 100644
index 0000000000..37612bfde8
--- /dev/null
+++ b/ja/inference/lifecycle.mdx
@@ -0,0 +1,59 @@
+---
+title: "モデルライフサイクル"
+linkTitle: "ライフサイクル"
+description: >
+ W&B Inference のモデルライフサイクルと提供終了について学ぶ
+---
+
+W&B Inference カタログでは、新しいモデルが頻繁に評価され、リリースされます。
+
+古いモデルは定期的に見直され、需要が高く高品質なものを優先するために提供終了となる場合があります。
+
+
+ ## モデルのライフサイクル段階
+
+
+W&B Inference のモデルは、そのライフサイクルの段階として次の用語を使用します。
+
+* **Generally Available**: モデルは完全にサポートされており、利用を推奨します。
+* **Deprecated**: モデルは廃止予定です。可能な限り早く推奨される代替モデルへ更新してください。
+* **Retired**: モデルはもはや利用できません。Retired モデルへのリクエストはすべて失敗し、すべてのリクエストで `HTTP 404` ステータスコードを返します。
+
+
+ ## 廃止プロセス
+
+
+モデルを廃止する際、W&B はそのモデルの提供を終了する少なくとも 2 週間前に、このページ上で事前告知を行います。
+
+さらに、廃止予定のモデルを最近利用したユーザーにはメールで通知するよう努め、
+代替となる推奨モデルに関する情報を提供します。
+
+**deprecated** 段階にある Models は、引き続きリクエストに応答します。
+
+
+ ## 非推奨のモデル
+
+
+次の W&B Inference モデルは **非推奨** です。
+
+{/* takeru lifecycle-deprecated - この表は自動生成されたものです。手動で編集しないでください。 */}
+
+*現在はありません*
+
+
+
+ ## 提供終了したモデル
+
+
+次の W&B Inference モデルは **提供終了** しています：
+
+{/* takeru lifecycle-retired - この表は自動生成されるため、手動で編集しないでください。 */}
+
+| 提供終了日 | モデル ID | 推奨代替モデル |
+| ---------- | ---------------------------------- | ----------------------------- |
+| 2026-03-04 | `deepseek-ai/DeepSeek-R1-0528` | |
+| 2026-03-04 | `deepseek-ai/DeepSeek-V3-0324` | |
+| 2026-03-04 | `moonshotai/Kimi-K2-Instruct` | `moonshotai/Kimi-K2.5` |
+| 2026-03-04 | `moonshotai/Kimi-K2-Instruct-0905` | `moonshotai/Kimi-K2.5` |
+| 2026-03-04 | `Qwen/Qwen2.5-14B-Instruct` | `OpenPipe/Qwen3-14B-Instruct` |
+| 2026-03-04 | `zai-org/GLM-4.5` | `zai-org/GLM-5-FP8` |
diff --git a/ja/inference/lora.mdx b/ja/inference/lora.mdx
index 9035b75ebb..2d90dbc473 100644
--- a/ja/inference/lora.mdx
+++ b/ja/inference/lora.mdx
@@ -1,26 +1,31 @@
---
-title: サーバーレス LoRA 推論を使用する
-description: W&B Inference で ファインチューン された モデル をサービングするために、独自のカスタム LoRA を持ち込むことができます。
-linkTitle: Use Serverless LoRA Inference
+title: "サーバーレス LoRA 推論を使う"
+linkTitle: "サーバーレス LoRA 推論を使う"
+description: >
+ W&B Inference 上でファインチューニング済みモデルをサービングするために、独自のカスタム LoRA を利用できます。
---
-LoRA (Low-Rank Adaptation) は、モデル全体を再学習する代わりに、軽量な「アドオン」のみをトレーニングして保存することで、大規模言語モデルをパーソナライズできる手法です。これにより、カスタマイズをより速く、安価に、そして容易にデプロイできるようになります。
+LoRA (Low-Rank Adaptation) は、新しいモデル全体ではなく軽量な「追加モジュール」だけをトレーニングして保存することで、大規模言語モデルをパーソナライズできる手法です。これにより、カスタマイズをより高速かつ低コストに行え、デプロイも容易になります。
-LoRA をトレーニングまたはアップロードすることで、ベースモデルに新しい機能を追加できます。例えば、カスタマーサポート、クリエイティブライティング、または特定の技術分野に特化させることが可能です。これにより、モデル全体を再学習したり再デプロイしたりすることなく、モデルの振る舞いを適応させることができます。
+ベースモデルに対して LoRA をトレーニングするかアップロードすることで、顧客サポート、クリエイティブライティング、特定の技術分野などに特化させるといった新しい能力を付与できます。これにより、モデル全体を再トレーニングしたり再デプロイしたりすることなく、モデルの挙動を調整できます。
-## LoRA に W&B Inference を使用する理由
+
+ ## なぜ LoRA で W&B Inference を使うのか？
+
-- 一度アップロードすれば即座にデプロイ可能 — サーバー管理は不要です。
-- アーティファクトの バージョン管理 により、どのバージョンが稼働中かを正確に追跡できます。
-- モデル全体の重みではなく、小さな LoRA ファイルを入れ替えるだけで、数秒でモデルを更新できます。
+* 一度アップロードすれば即座にデプロイ可能で、サーバーを管理する必要はありません。
+* Artifacts のバージョニングにより、どのバージョンが稼働中かを正確に追跡できます。
+* フルのモデルの重みではなく小さな LoRA ファイルを差し替えるだけで、数秒でモデルを更新できます。
-## ワークフロー
+
+ ## ワークフロー
+
-1. LoRA の重みを W&B アーティファクトとしてアップロードします。
-2. API 内でアーティファクトの URI をモデル名として参照します。
-3. W&B が推論のために重みを動的にロードします。
+1. LoRA の重みを W&B Artifact としてアップロードする
+2. API で Artifact URI をモデル名として参照する
+3. W&B が推論時に動的に重みを読み込む
-以下は、W&B Inference を使用してカスタム LoRA モデルを呼び出す例です：
+以下は、W&B Inference を使ってカスタム LoRA モデルを呼び出す例です。
```python
from openai import OpenAI
@@ -35,90 +40,97 @@ client = OpenAI(
resp = client.chat.completions.create(
model=model_name,
- messages=[{"role": "user", "content": "Say 'Hello World!'"}] # 「Hello World!」と言ってください
+ messages=[{"role": "user", "content": "Say 'Hello World!'"}],
)
print(resp.choices[0].message.content)
```
-LoRA を作成して W&B にアーティファクトとしてアップロードするインタラクティブなデモについては、こちらの [クイックスタートノートブック](https://wandb.me/lora_nb) をご確認ください。
+LoRA を作成し、それを Artifact として W&B にアップロードする方法を対話的にデモする [getting started notebook](https://wandb.me/lora_nb) をご覧ください。
-## 前提条件
+
+ ## 前提条件
+
-以下が必要になります：
+次のものを用意してください：
-* [W&B APIキー](/models/integrations/add-wandb-to-any-library#create-an-api-key)
-* [W&B プロジェクト](/models/track/project-page)
-* `openai` と `wandb` パッケージがインストールされた **Python 3.8+**:
+* [W&B API キー](/ja/models/integrations/add-wandb-to-any-library#create-an-api-key)
+* [W&B プロジェクト](/ja/models/track/project-page)
+* `openai` と `wandb` パッケージがインストールされた **Python 3.8+**：
`pip install wandb openai`
+
+ ## LoRA を追加して使用する方法
+
-## LoRA の追加と使用方法
-
-LoRA を W&B アカウントに追加して使用を開始するには、2つの方法があります。
+W&B アカウントに LoRA を追加して使い始めるには、次の 2 つの方法があります。
-
-独自のカスタム LoRA ディレクトリーを W&B アーティファクトとしてアップロードします。これは、ローカル環境、クラウドプロバイダー、またはパートナーサービスなど、他の場所で LoRA をトレーニングした場合に最適です。
+
+ 既存のカスタム LoRA ディレクトリを W&B Artifact としてアップロードします。これは、ローカル環境、クラウドプロバイダー、パートナーサービスなど、他の場所で LoRA をトレーニングした場合に最適です。
-この Python コードは、ローカルに保存された LoRA の重みを、バージョン管理されたアーティファクトとして W&B にアップロードします。必要な メタデータ (ベースモデルとストレージリージョン) を含む `lora` タイプのアーティファクトを作成し、ローカルディレクトリーから LoRA ファイルを追加して、推論で使用するために W&B プロジェクト に ログ を記録します。
+ この Python コードは、ローカルに保存された LoRA の重みをバージョン管理された Artifact として W&B にアップロードします。必要なメタデータ (ベースモデルとストレージリージョン) を持つ `lora` タイプの Artifact を作成し、ローカルディレクトリから LoRA ファイルを追加して、推論で使用できるように W&B プロジェクトにログします。
-```python
-import wandb
+ ```python
+ import wandb
-# Run を初期化
-run = wandb.init(entity=WB_TEAM, project=WB_PROJECT)
+ run = wandb.init(entity=WB_TEAM, project=WB_PROJECT)
-# アーティファクトを作成
-artifact = wandb.Artifact(
- "qwen_lora",
- type="lora",
- metadata={"wandb.base_model": "OpenPipe/Qwen3-14B-Instruct"},
- storage_region="coreweave-us",
-)
+ artifact = wandb.Artifact(
+ "qwen_lora",
+ type="lora",
+ metadata={"wandb.base_model": "OpenPipe/Qwen3-14B-Instruct"},
+ storage_region="coreweave-us",
+ )
-# ローカルの LoRA 重みディレクトリを追加
-artifact.add_dir("")
-# アーティファクトをログに記録
-run.log_artifact(artifact)
-```
+ artifact.add_dir("")
+ run.log_artifact(artifact)
+ ```
+
+ ### 主な要件
-### 主な要件
+ 独自の LoRA を Inference で使用するには:
-独自の LoRA を Inference で使用する場合：
+ * LoRA は、[Supported Base Models セクション](#supported-base-models) に記載されているいずれかのモデルを用いてトレーニングされている必要があります。
+ * LoRA は、W&B アカウント内で PEFT 形式で保存され、`lora` タイプの Artifact として保存されている必要があります。
+ * サポートされる最大ランクは 16 です。
+ * レイテンシを抑えるため、LoRA は `storage_region="coreweave-us"` に保存されている必要があります。
+ * アップロード時には、トレーニングに使用したベースモデル名 (例: `meta-llama/Llama-3.1-8B-Instruct`) を含めてください。これにより、W&B が正しいモデルでロードできるようになります。
+
-* LoRA は [サポートされているベースモデルセクション](#主な要件) に記載されているモデルのいずれかを使用してトレーニングされている必要があります。
-* W&B アカウントに `lora` タイプのアーティファクトとして PEFT 形式で保存されている必要があります。
-* 低レイテンシを実現するため、LoRA は `storage_region="coreweave-us"` に保存されている必要があります。
-* アップロード時に、トレーニングに使用したベースモデルの名前 (例: `meta-llama/Llama-3.1-8B-Instruct`) を含めてください。これにより、W&B は正しいモデルでロードできるようになります。
-
-
-[W&B Training (サーバーレス RL)](/training) で新しい LoRA をトレーニングします。トレーニングされた LoRA は自動的に W&B アーティファクトとなり、そのまま直接使用できます。
+
+ [W&B Training (serverless RL)](/ja/training) を使用して新しい LoRA をトレーニングします。トレーニングした LoRA は自動的に W&B Artifact になり、そのまま利用できます。
-独自の LoRA をトレーニングする方法の詳細については、[OpenPipe の ART クイックスタート](https://art.openpipe.ai/getting-started/quick-start) を参照してください。
+ 独自の LoRA のトレーニング方法について詳しくは、[OpenPipe's ART クイックスタート](https://art.openpipe.ai/getting-started/quick-start) を参照してください。
-トレーニングが完了すると、LoRA は自動的にアーティファクトとして利用可能になります。
-
+ トレーニングが完了すると、LoRA は自動的に Artifact として利用可能になります。
+
-LoRA がアーティファクトとしてプロジェクトに追加されたら、以下のように推論コールでアーティファクトの URI を使用します：
+LoRA が Artifact としてプロジェクトに追加されたら、次のように推論呼び出しでその Artifact の URI を使用します。
```python
-# トレーニング完了後、アーティファクトを直接使用します
+# トレーニング完了後、Artifact を直接使用する
model_name = f"wandb-artifact:///{WB_TEAM}/{WB_PROJECT}/your_trained_lora:latest"
```
-## サポートされているベースモデル
+
+ ## サポートされているベースモデル
+
+
+Inference は現在、以下の LLM が利用できるように設定されています (`wandb.base_model` にはこれらの文字列をそのまま使用する必要があります) 。今後さらに多くのモデルが追加される予定です。
-現在、Inference は以下の LLM に対して構成されています (`wandb.base_model` には正確な文字列を使用する必要があります)。対応モデルは今後追加される予定です：
+{/* takeru lora-base-models - このリストは自動生成されるため、手動で編集しないでください。 */}
-- `OpenPipe/Qwen3-14B-Instruct`
-- `Qwen/Qwen2.5-14B-Instruct`
-- `meta-llama/Llama-3.1-70B-Instruct`
-- `meta-llama/Llama-3.1-8B-Instruct`
+* `meta-llama/Llama-3.1-70B-Instruct`
+* `meta-llama/Llama-3.1-8B-Instruct`
+* `OpenPipe/Qwen3-14B-Instruct`
+* `Qwen/Qwen3-30B-A3B-Instruct-2507`
-## 料金
+
+ ## 料金
+
-サーバーレス LoRA Inference はシンプルでコスト効率に優れています。常時稼働のサーバーや専用の GPU インスタンスではなく、ストレージと実際に実行した推論に対してのみ料金が発生します。
+Serverless LoRA Inference の料金体系はシンプルで、コスト効率にも優れています。常時起動のサーバーや専用 GPU インスタンスに対してではなく、ストレージと実際に実行した推論分に対してのみ料金が発生します。
-- [**Storage**](https://wandb.ai/site/pricing/) - LoRA の重みの保存は、独自の GPU インフラストラクチャーを維持するのに比べて非常に安価です。
-- **Inference usage** - LoRA アーティファクトを使用するコールは、[標準モデルの推論](/inference/usage-limits#account-tiers-and-default-usage-caps) と同じレートで課金されます。カスタム LoRA のサービングに追加料金はかかりません。
\ No newline at end of file
+* [**Storage**](https://wandb.ai/site/pricing/) - LoRA の重みの保存コストは安価であり、自前で GPU インフラストラクチャを維持する場合と比べて特に低く抑えられます。
+* **推論の利用料** - LoRA アーティファクトを使用する呼び出しは、[標準的なモデル推論](/ja/inference/usage-limits#account-tiers-and-default-usage-caps) と同じレートで課金されます。カスタム LoRA を配信するための追加料金は発生しません。
\ No newline at end of file
diff --git a/ja/inference/models.mdx b/ja/inference/models.mdx
index 816bc2ce45..d939eedfbe 100644
--- a/ja/inference/models.mdx
+++ b/ja/inference/models.mdx
@@ -1,48 +1,54 @@
---
-title: 利用可能な Models
-description: W&B Inference で利用可能なファウンデーション Models を閲覧する
+title: "利用可能なモデル"
+description: >
+ W&B Inference で利用可能な基盤モデルを参照する
mode: wide
---
-W&B Inference は、いくつかのオープンソースの基盤 モデル への アクセス を提供します。各 モデル にはそれぞれ異なる強みと ユースケース があります。
-
-## モデル カタログ
-
-| モデル | モデル ID (API 使用時) | タイプ | コンテキストウィンドウ | パラメータ | 説明 |
-|-------|--------------------------|------|----------------|------------|-------------|
-| DeepSeek R1-0528 | `deepseek-ai/DeepSeek-R1-0528` | Text | 161K | 37B-680B (Active-Total) | 複雑な コーディング 、数学、構造化文書の 分析 を含む、精密な推理タスクに最適化 |
-| DeepSeek V3-0324 | `deepseek-ai/DeepSeek-V3-0324` | Text | 161K | 37B-680B (Active-Total) | 高度な複雑さを持つ言語 プロセッシング と包括的な文書 分析 に合わせて調整された、堅牢な Mixture-of-Experts モデル |
-| DeepSeek V3.1 | `deepseek-ai/DeepSeek-V3.1` | Text | 128K | 37B-671B (Active-Total) | プロンプトテンプレートを介して思考モードと非思考モードの両方をサポートする大型ハイブリッド モデル |
-| Meta Llama 3.1 8B | `meta-llama/Llama-3.1-8B-Instruct` | Text | 128K | 8B (Total) | 応答性の高い多言語 チャットボット インタラクションに最適化された効率的な対話型 モデル |
-| Meta Llama 3.1 70B | `meta-llama/Llama-3.1-70B-Instruct` | Text | 128K | 70B (Total) | 応答性の高い多言語 チャットボット インタラクションに最適化された効率的な対話型 モデル |
-| Meta Llama 3.3 70B | `meta-llama/Llama-3.3-70B-Instruct` | Text | 128K | 70B (Total) | 対話タスク、詳細な指示への追従、 コーディング に優れた多言語 モデル |
-| Meta Llama 4 Scout | `meta-llama/Llama-4-Scout-17B-16E-Instruct` | Text, Vision | 64K | 17B-109B (Active-Total) | テキストと画像の理解を統合したマルチモーダル モデル で、視覚タスクと複合 分析 に理想的 |
-| Microsoft Phi 4 Mini 3.8B | `microsoft/Phi-4-mini-instruct` | Text | 128K | 3.8B (Active-Total) | リソース制約のある 環境 での高速なレスポンスに最適な、コンパクトで効率的な モデル |
-| Moonshot AI Kimi K2 | `moonshotai/Kimi-K2-Instruct` | Text | 128K | 32B-1T (Active-Total) | 複雑な ツール の利用、推論、 コード 合成に最適化された Mixture-of-Experts モデル |
-| Moonshot AI Kimi K2 Instruct 0905 | `moonshotai/Kimi-K2-Instruct-0905` | Text | 262K | 32B-1T | Kimi K2 Mixture-of-Experts 言語 モデル の最新 バージョン 。320億の活性 パラメータ と合計1兆の パラメータ を特徴とする |
-| OpenAI GPT OSS 20B | `openai/gpt-oss-20b` | Text | 131K | 3.6B-20B (Active-Total) | 推論機能を備え、OpenAIのHarmonyレスポンス形式でトレーニングされた低レイテンシの Mixture-of-Experts モデル |
-| OpenAI GPT OSS 120B | `openai/gpt-oss-120b` | Text | 131K | 5.1B-117B (Active-Total) | 高度な推論、 エージェント 的な ユースケース 、および汎用目的のために設計された効率的な Mixture-of-Experts モデル |
-| OpenPipe Qwen3 14B Instruct | `OpenPipe/Qwen3-14B-Instruct` | Text | 32.8K | 14.8B (Active-Total) | 効率的な多言語、高密度、命令 チューニング 済み モデル 。ファインチューニングによる エージェント 構築のために OpenPipe によって最適化 |
-| Qwen2.5 14B Instruct | `Qwen/Qwen2.5-14B-Instruct` | Text | 32.8K | 14.7B-14.7B (Active-Total) | ツール 利用と構造化出力のサポートを備えた、高密度の多言語命令 チューニング 済み モデル |
-| Qwen3 235B A22B Thinking-2507 | `Qwen/Qwen3-235B-A22B-Thinking-2507` | Text | 262K | 22B-235B (Active-Total) | 構造化された推論、数学、およびロングフォーム生成に最適化された高性能 Mixture-of-Experts モデル |
-| Qwen3 235B A22B-2507 | `Qwen/Qwen3-235B-A22B-Instruct-2507` | Text | 262K | 22B-235B (Active-Total) | 論理的推論に最適化された、効率的な多言語 Mixture-of-Experts 命令 チューニング 済み モデル |
-| Qwen3 Coder 480B A35B | `Qwen/Qwen3-Coder-480B-A35B-Instruct` | Text | 262K | 35B-480B (Active-Total) | 関数呼び出し、 ツール 利用、および長いコンテキストの推論などの コーディング タスクに最適化された Mixture-of-Experts モデル |
-| Z.AI GLM 4.5 | `zai-org/GLM-4.5` | Text | 131K | 32B-355B (Active-Total) | 推論、 コード 、 エージェント のために ユーザー が制御可能な思考/非思考モードを備えた Mixture-of-Experts モデル |
-
-## モデル ID の使用
-
-API を使用する際は、上記の表にある ID を使用して モデル を指定します。例：
+W&B Inference では、いくつかのオープンソースの基盤モデルを利用できます。各モデルには、それぞれ異なる強みとユースケースがあります。
+
+
+ ## モデルカタログ
+
+
+{/* takeru inference-models - このテーブルは自動生成されています。手動で編集しないでください。 */}
+
+| モデル | モデル ID (API 利用時) | タイプ | コンテキストウィンドウ | パラメーター数 | 説明 |
+| ----------------------------- | ------------------------------------------- | --------- | ----------- | ------------------------- | ----------------------------------------------------------------------------------------- |
+| DeepSeek V3.1 | `deepseek-ai/DeepSeek-V3.1` | テキスト | 161K | 37B-671B (アクティブ数合計) | プロンプトテンプレートを通じて、思考モードと非思考モードの両方をサポートする大規模なハイブリッドモデルです。 |
+| Meta Llama 4 Scout | `meta-llama/Llama-4-Scout-17B-16E-Instruct` | テキスト、ビジョン | 64K | 17B-109B (アクティブ数合計) | テキストと画像理解を統合したマルチモーダルモデルで、視覚タスクや複合的な解析に最適です。 |
+| Meta Llama 3.3 70B | `meta-llama/Llama-3.3-70B-Instruct` | テキスト | 128K | 70B (合計) | 会話タスク、詳細な指示への追従、コーディングに優れた多言語対応モデルです。 |
+| Meta Llama 3.1 70B | `meta-llama/Llama-3.1-70B-Instruct` | テキスト | 128K | 70B (合計) | 多言語チャットボットとの対話向けに最適化された、高効率かつ応答性の高い会話モデルです。 |
+| Meta Llama 3.1 8B | `meta-llama/Llama-3.1-8B-Instruct` | テキスト | 128K | 8B (合計) | 多言語チャットボットとの対話向けに最適化された、高効率かつ応答性の高い会話モデルです。 |
+| Microsoft Phi 4 Mini 3.8B | `microsoft/Phi-4-mini-instruct` | テキスト | 128K | 3.8B (合計) | リソース制約の厳しい環境でも高速に応答できる、コンパクトで効率的なモデルです。 |
+| MiniMax M2.5 | `MiniMaxAI/MiniMax-M2.5` | テキスト | 197K | 10B-230B (アクティブ数合計) | 高スループットかつ低レイテンシを実現する高スパース性アーキテクチャに基づいて設計された MoE モデルで、強力なコード生成能力を備えています。 |
+| Moonshot AI Kimi K2.5 | `moonshotai/Kimi-K2.5` | テキスト、ビジョン | 262K | 32B-1T (Active-Total) | Kimi K2.5 は、多モーダルな Mixture-of-Experts (MoE) 言語モデルで、アクティブパラメーター 320 億、総パラメーター 1 兆を持ちます。 |
+| OpenAI GPT OSS 120B | `openai/gpt-oss-120b` | テキスト | 131K | 5.1B-117B (Active-Total) | 高度な推論、エージェント型タスク、および汎用ユースケース向けに設計された、高効率な Mixture-of-Experts モデルです。 |
+| OpenAI GPT OSS 20B | `openai/gpt-oss-20b` | テキスト | 131K | 3.6B-20B (Active-Total) | 低レイテンシで強力な推論能力を備えた Mixture-of-Experts モデルであり、OpenAI の Harmony 応答フォーマットで学習されています。 |
+| OpenPipe Qwen3 14B Instruct | `OpenPipe/Qwen3-14B-Instruct` | テキスト | 32.8K | 14.8B (Total) | 効率的な多言語対応の dense 型指示追従モデルで、エージェントをファインチューニングで構築する用途に向けて OpenPipe によって最適化されています。 |
+| Qwen3 235B A22B Thinking-2507 | `Qwen/Qwen3-235B-A22B-Thinking-2507` | テキスト | 262K | 22B-235B (Active-Total) | 構造化推論、数学、および長文生成向けに最適化された高性能な Mixture-of-Experts モデルです。 |
+| Qwen3 235B A22B-2507 | `Qwen/Qwen3-235B-A22B-Instruct-2507` | テキスト | 262K | 22B-235B (Active-Total) | 効率的な多言語対応の Mixture-of-Experts 指示追従モデルで、論理的推論に最適化されています。 |
+| Qwen3 30B A3B | `Qwen/Qwen3-30B-A3B-Instruct-2507` | テキスト | 262K | 3.3B-30.5B (Active-Total) | Qwen3-30B-A3B-Instruct-2507 は 305 億パラメーターの MoE 指示追従モデルで、推論、コード生成、および長文コンテキストの理解が強化されています。 |
+| Qwen3 Coder 480B A35B | `Qwen/Qwen3-Coder-480B-A35B-Instruct` | テキスト | 262K | 35B-480B (Active-Total) | 関数呼び出しやツールの利用、長文コンテキストでの推論など、エージェント型のコーディングタスク向けに最適化された Mixture-of-Experts モデル。 |
+| Z.AI GLM 5 | `zai-org/GLM-5-FP8` | テキスト | 200K | 40B-744B (アクティブ合計) | 長期的なエージェントタスク向けの Mixture-of-Experts モデルで、推論およびコーディングにおいて高い性能を発揮します。 |
+
+
+ ## モデル ID の使用
+
+
+API を使用する場合は、上の表に記載されている `Model ID` でモデルを指定します。例えば、次のように指定します。
```python
-# モデル ID を使用してチャット補完を作成する例
response = client.chat.completions.create(
model="meta-llama/Llama-3.1-8B-Instruct",
messages=[...]
)
```
-## 次のステップ
+
+ ## 次のステップ
+
-- 各 モデル の [利用制限と価格](/inference/usage-limits/) を確認する
-- これらの モデル の使用方法について [API リファレンス](/inference/api-reference/) を参照する
-- [W&B Playground](/inference/ui-guide/) で モデル を試す
\ No newline at end of file
+* 各モデルの [使用制限と料金](/ja/inference/usage-limits/) を確認する
+* これらのモデルの使用方法については [API リファレンス](/ja/inference/api-reference/) を参照する
+* [W&B Playground](/ja/inference/ui-guide/) でモデルを試す
\ No newline at end of file
diff --git a/ja/inference/prerequisites.mdx b/ja/inference/prerequisites.mdx
index be5ae41a7e..cd0938e162 100644
--- a/ja/inference/prerequisites.mdx
+++ b/ja/inference/prerequisites.mdx
@@ -1,55 +1,62 @@
---
-title: 前提条件
-description: W&B Inference を使用するための 環境 を設定する
-linkTitle: Prerequisites
+title: "前提条件"
+linkTitle: "前提条件"
+description: >
+ W&B Inference を利用するための環境を準備します
---
-import ApiKeyCreate from "/snippets/en/_includes/api-key-create.mdx";
+import ApiKeyCreate from "/snippets/ja/_includes/api-key-create.mdx";
-API または UI を通じて W&B Inference サービスを利用する前に、以下の手順を完了してください。
+API または UI を通じて W&B Inference サービスを使用する前に、これらの手順を完了しておいてください。
-開始する前に、[利用情報と制限](/inference/usage-limits/) を確認し、コストと制限事項を理解してください。
+ 開始する前に、コストや制限事項を把握するために [使用状況情報と制限](/ja/inference/usage-limits/) を確認してください。
-## W&B アカウントと プロジェクト の設定
+
+ ## W&B アカウントとプロジェクトを設定する
+
-W&B Inference にアクセスするには、以下の項目が必要です。
+W&B Inference にアクセスするには、次の項目が必要です。
-1. **W&B アカウント**
- [W&B](https://app.wandb.ai/login?signup=true) でサインアップしてください。
+1. **W&B アカウント**\
+ [W&B](https://app.wandb.ai/login?signup=true) でサインアップしてください
-2. **W&B APIキー**
-
-
+ ## 環境をセットアップする (Python)
+
-1. 上記の一般的な要件を完了する
+Python で Inference API を使用するには、次のことも行う必要があります。
-2. 必要な ライブラリ をインストールする：
+1. 上記の一般要件を満たします
+
+2. 必要なライブラリをインストールします:
```bash
pip install openai weave
```
-**注意**
+ **注意**
-`weave` ライブラリ は任意ですが、推奨されます。これにより、LLM アプリケーション をトレースできます。詳細は [Weave クイックスタート](/models/quickstart/) を参照してください。
+ `weave` ライブラリは必須ではありませんが、LLM アプリケーションのトレースに役立つため、利用を推奨します。詳しくは [Weave クイックスタート](/ja/models/quickstart/) を参照してください。
-Weave と W&B Inference を組み合わせた コード 例については、[使用例](/inference/examples/) を参照してください。
+ Weave と組み合わせて W&B Inference を使用するコードサンプルについては、[使用例](/ja/inference/examples/) を参照してください。
-## 次のステップ
+
+ ## 次のステップ
+
-前提条件を完了した後は：
+前提条件を完了したら、次の作業を行ってください。
-- [API リファレンス](/inference/api-reference/) で利用可能なエンドポイントを確認する
-- [使用例](/inference/examples/) で実際の動作を試す
-- [UI ガイド](/inference/ui-guide/) を使用して、ウェブインターフェースから Models にアクセスする
\ No newline at end of file
+* 利用可能なエンドポイントについて学ぶには [API リファレンス](/ja/inference/api-reference/) を確認してください
+* サービスの利用例を見るには [usage examples](/ja/inference/examples/) を試してください
+* Web インターフェースからモデルにアクセスするには [UI ガイド](/ja/inference/ui-guide/) を参照してください
\ No newline at end of file
diff --git a/ja/inference/response-settings/json-mode.mdx b/ja/inference/response-settings/json-mode.mdx
index 386fcebd4d..34da2dd4dc 100644
--- a/ja/inference/response-settings/json-mode.mdx
+++ b/ja/inference/response-settings/json-mode.mdx
@@ -1,11 +1,11 @@
---
-title: JSON モードを有効にする
-description: W&B Inference で JSON mode を使用する方法
+title: "JSON モードを有効化する"
+description: W&B Inference で JSON モードを使用する方法
---
-JSON モードを有効にすると、モデルに対して有効な JSON 形式でレスポンスを返すように指示できます。ただし、レスポンスのスキーマが一貫していなかったり、特定の構造に従わない場合があります。一貫した構造を持つ JSON レスポンスが必要な場合は、可能な限り [structured output](/inference/response-settings/structured-output) を使用することをお勧めします。
+JSON モードを有効にすると、モデルに対して有効な JSON 形式でレスポンスを返すよう指示できます。ただし、レスポンスのスキーマが一貫していなかったり、特定の構造に従わない場合があります。一貫した構造化された JSON レスポンスが必要な場合は、可能であれば [structured output](/ja/inference/response-settings/structured-output) を使用することを推奨します。
-JSON モードを有効にするには、リクエストの中で "response_format" として指定します。
+JSON モードを有効にするには、リクエスト内で "response_format" として指定します。
@@ -15,7 +15,7 @@ JSON モードを有効にするには、リクエストの中で "response_form
client = openai.OpenAI(
base_url='https://api.inference.wandb.ai/v1',
- api_key="", # https://wandb.ai/settings で APIキー を作成してください
+ api_key="", # https://wandb.ai/settings で API キーを作成します
)
response = client.chat.completions.create(
@@ -32,6 +32,7 @@ JSON モードを有効にするには、リクエストの中で "response_form
print(parsed)
```
+
```bash
curl https://api.inference.wandb.ai/v1/chat/completions \
diff --git a/ja/inference/response-settings/reasoning.mdx b/ja/inference/response-settings/reasoning.mdx
index ea3a4de81b..2777dda0a8 100644
--- a/ja/inference/response-settings/reasoning.mdx
+++ b/ja/inference/response-settings/reasoning.mdx
@@ -1,47 +1,47 @@
---
-title: 推論情報の表示
-description: W&B Inference のレスポンスで推理（Reasoning）を返し、表示する方法
+title: "推論情報を表示する"
+description: W&B Inference レスポンスで推論情報を返して表示する方法
---
-[OpenAI's GPT OSS 20B](https://huggingface.co/openai/gpt-oss-20b) のような推論モデルは、最終的な回答に加えて、推論ステップに関する情報を出力の一部として返します。これは自動的に行われ、追加の入力 パラメータ は必要ありません。
+[OpenAI の GPT OSS 20B](https://huggingface.co/openai/gpt-oss-20b) のような推論対応モデルは、最終的な回答に加えて、その出力の一部として推論ステップに関する情報を含みます。これは自動的に行われ、追加の入力パラメーターは不要です。
-モデル が推論をサポートしているかどうかは、UI のカタログページにある Supported Features セクションで確認できます。
+あるモデルが推論をサポートしているかどうかは、UI のカタログページにある Supported Features セクションを確認することで判別できます。
-推論情報は、レスポンスの `reasoning_content` フィールドに含まれています。このフィールドは、他の モデル の出力には存在しません。
+推論情報は、レスポンス内の `reasoning_content` フィールドに含まれます。このフィールドは、他のモデルの出力には含まれません。
-
-```python
-import openai
+
+ ```python
+ import openai
-client = openai.OpenAI(
- base_url='https://api.inference.wandb.ai/v1',
- api_key="", # https://wandb.ai/settings で APIキー を作成してください
-)
+ client = openai.OpenAI(
+ base_url='https://api.inference.wandb.ai/v1',
+ api_key="", # https://wandb.ai/settings で API キーを作成
+ )
-response = client.chat.completions.create(
- model="openai/gpt-oss-20b",
- messages=[
- {"role": "user", "content": "3.11 and 3.8, which is greater?"}
- ],
-)
+ response = client.chat.completions.create(
+ model="openai/gpt-oss-20b",
+ messages=[
+ {"role": "user", "content": "3.11 and 3.8, which is greater?"}
+ ],
+ )
-print(response.choices[0].message.reasoning_content)
-print("--------------------------------")
-print(response.choices[0].message.content)
-```
-
-
-```bash
-curl https://api.inference.wandb.ai/v1/chat/completions \
- -H "Content-Type: application/json" \
- -H "Authorization: Bearer " \
- -d '{
- "model": "openai/gpt-oss-20b",
- "messages": [
- { "role": "user", "content": "3.11 and 3.8, which is greater?" }
- ],
- }'
-```
-
+ print(response.choices[0].message.reasoning_content)
+ print("--------------------------------")
+ print(response.choices[0].message.content)
+ ```
+
+
+ ```bash
+ curl https://api.inference.wandb.ai/v1/chat/completions \
+ -H "Content-Type: application/json" \
+ -H "Authorization: Bearer " \
+ -d '{
+ "model": "openai/gpt-oss-20b",
+ "messages": [
+ { "role": "user", "content": "3.11 and 3.8, which is greater?" }
+ ],
+ }'
+ ```
+
\ No newline at end of file
diff --git a/ja/inference/response-settings/streaming.mdx b/ja/inference/response-settings/streaming.mdx
index 9f40a94fdb..df0dcac464 100644
--- a/ja/inference/response-settings/streaming.mdx
+++ b/ja/inference/response-settings/streaming.mdx
@@ -1,12 +1,15 @@
---
-title: ストリーミングレスポンスを有効にする
-description: thoughtful mini-thought-thought止 W&B Inference でストリーミング出力を使用する方法
+title: "ストリーミング応答を有効にする"
+description: W&B Inference でストリーミング出力を使用する方法
---
-Models は応答の生成に時間がかかる場合があります。
-`stream` オプションを true に設定すると、応答をチャンクのストリームとして受け取ることができ、応答全体が生成されるのを待つのではなく、結果を段階的に表示できるようになります。
+モデルが応答を生成するのに時間がかかる場合があります。
+`stream` オプションを true に設定すると、チャンクのストリームとして応答を受け取ることができ、
+応答全体の生成を待つ代わりに、結果を段階的に表示できます。
-ストリーミング出力は、すべてのホストされた Models でサポートされています。特に [reasoning models](./reasoning) での使用を推奨します。ストリーミングを使用しないリクエストでは、出力が開始される前に Model が長時間考え込むと、タイムアウトが発生する可能性があるためです。
+ストリーミング出力は、すべてのホスト型モデルでサポートされています。特に [reasoning models](./reasoning) での
+利用を推奨します。非ストリーミングのリクエストでは、出力が開始される前にモデルの思考に時間がかかると
+タイムアウトする可能性があります。
@@ -15,7 +18,7 @@ Models は応答の生成に時間がかかる場合があります。
client = openai.OpenAI(
base_url='https://api.inference.wandb.ai/v1',
- api_key="", # https://wandb.ai/settings でAPIキーを作成してください
+ api_key="", # https://wandb.ai/settings で API キーを作成
)
stream = client.chat.completions.create(
diff --git a/ja/inference/response-settings/structured-output.mdx b/ja/inference/response-settings/structured-output.mdx
index ff8585d9e7..52d473043c 100644
--- a/ja/inference/response-settings/structured-output.mdx
+++ b/ja/inference/response-settings/structured-output.mdx
@@ -1,11 +1,11 @@
---
-title: 構造化出力を有効にする
+title: "構造化出力を有効にする"
description: W&B Inference のレスポンスで構造化出力を設定する方法
---
-Structured Output は [JSON モード](/inference/response-settings/json-mode) と似ていますが、 モデル のレスポンスが指定したスキーマに準拠することを保証できるという利点があります。可能な限り、JSON モードの代わりに Structured Output を使用することをお勧めします。
+構造化出力は [JSON モード](/ja/inference/response-settings/json-mode) と似ていますが、指定したスキーマにモデルのレスポンスが確実に準拠するよう保証できるという利点があります。可能な場合は、JSON モードの代わりに構造化出力を使用することを推奨します。
-Structured Output を有効にするには、リクエストの `response_format` タイプに `json_schema` を指定します。
+構造化出力を有効にするには、リクエストで `response_format` の型として `json_schema` を指定します。
@@ -15,13 +15,13 @@ Structured Output を有効にするには、リクエストの `response_format
client = openai.OpenAI(
base_url='https://api.inference.wandb.ai/v1',
- api_key="", # https://wandb.ai/settings でAPIキーを作成してください
+ api_key="", # https://wandb.ai/settings で API キーを作成
)
response = client.chat.completions.create(
model="openai/gpt-oss-20b",
messages=[
- {"role": "system", "content": "Extract the event information."},
+ {"role": "system", "content": "イベント情報を抽出してください。"},
{"role": "user", "content": "Alice and Bob are going to a science fair on Friday."},
],
response_format={
@@ -48,6 +48,7 @@ Structured Output を有効にするには、リクエストの `response_format
print(parsed)
```
+
```bash
curl https://api.inference.wandb.ai/v1/chat/completions \
@@ -56,7 +57,7 @@ Structured Output を有効にするには、リクエストの `response_format
-d '{
"model": "openai/gpt-oss-20b",
"messages": [
- {"role": "system", "content": "Extract the event information."},
+ {"role": "system", "content": "イベント情報を抽出してください。"},
{"role": "user", "content": "Alice and Bob are going to a science fair on Friday."},
],
"response_format": {
diff --git a/ja/inference/response-settings/tool-calling.mdx b/ja/inference/response-settings/tool-calling.mdx
index 5c069e622d..1020c1a460 100644
--- a/ja/inference/response-settings/tool-calling.mdx
+++ b/ja/inference/response-settings/tool-calling.mdx
@@ -1,62 +1,29 @@
---
-title: ツールを呼び出す
-description: W&B Inference で ツール を呼び出す方法
+title: ツールの呼び出し
+description: W&B Inference でツールを呼び出す方法
---
-Tool calling（ツール呼び出し）を使用すると、モデルのレスポンスの一部としてツールを実行する機能をモデルに追加し、その能力を拡張できます。W&B Inference は、現時点では関数の呼び出しのみをサポートしています。
+ツール呼び出し機能を使用すると、モデルの応答の一部としてツールを呼び出せるようにすることで、モデルの機能を拡張できます。現在、W&B Inference では関数呼び出しのみがサポートされています。
-関数を呼び出すには、モデルへのリクエストの一部として関数とその 引数 を指定します。モデルは、リクエストを処理するために関数を実行する必要があるかどうかを判断し、必要に応じて関数の 引数 の 値 を指定します。
+関数を呼び出すには、モデルへのリクエストの一部として関数とその引数を指定します。モデルは、リクエストを満たすために関数を実行する必要があるかどうかを判断し、必要に応じて関数の引数の値を指定します。
-
-```python
-import openai
+
+ ```python
+ import openai
-client = openai.OpenAI(
- base_url='https://api.inference.wandb.ai/v1',
- api_key="", # https://wandb.ai/settings でAPIキーを作成してください
-)
+ client = openai.OpenAI(
+ base_url='https://api.inference.wandb.ai/v1',
+ api_key="", # https://wandb.ai/settings で API キーを作成
+ )
-response = client.chat.completions.create(
- model="openai/gpt-oss-20b",
- messages=[
- {"role": "user", "content": "What is the weather like in San Francisco? Use Fahrenheit."},
- ],
- tool_choice="auto",
- tools=[
- {
- "type": "function",
- "function": {
- "name": "get_weather",
- "description": "Get the current weather in a given location",
- "parameters": {
- "type": "object",
- "properties": {
- "location": {"type": "string", "description": "City and state, e.g., 'San Francisco, CA'"},
- "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]},
- },
- "required": ["location", "unit"],
- },
- },
- }
- ],
-)
-
-print(response.choices[0].message.tool_calls)
-```
-
-
-```bash
-curl https://api.inference.wandb.ai/v1/chat/completions \
- -H "Content-Type: application/json" \
- -H "Authorization: Bearer " \
- -d '{
- "model": "openai/gpt-oss-20b",
- "messages": [
+ response = client.chat.completions.create(
+ model="openai/gpt-oss-20b",
+ messages=[
{"role": "user", "content": "What is the weather like in San Francisco? Use Fahrenheit."},
],
- "tool_choice": "auto",
- "tools": [
+ tool_choice="auto",
+ tools=[
{
"type": "function",
"function": {
@@ -73,7 +40,40 @@ curl https://api.inference.wandb.ai/v1/chat/completions \
},
}
],
- }'
-```
-
+ )
+
+ print(response.choices[0].message.tool_calls)
+ ```
+
+
+ ```bash
+ curl https://api.inference.wandb.ai/v1/chat/completions \
+ -H "Content-Type: application/json" \
+ -H "Authorization: Bearer " \
+ -d '{
+ "model": "openai/gpt-oss-20b",
+ "messages": [
+ {"role": "user", "content": "What is the weather like in San Francisco? Use Fahrenheit."},
+ ],
+ "tool_choice": "auto",
+ "tools": [
+ {
+ "type": "function",
+ "function": {
+ "name": "get_weather",
+ "description": "Get the current weather in a given location",
+ "parameters": {
+ "type": "object",
+ "properties": {
+ "location": {"type": "string", "description": "City and state, e.g., 'San Francisco, CA'"},
+ "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]},
+ },
+ "required": ["location", "unit"],
+ },
+ },
+ }
+ ],
+ }'
+ ```
+
\ No newline at end of file
diff --git a/ja/inference/tutorials/creating-lora.mdx b/ja/inference/tutorials/creating-lora.mdx
index b941cdb745..a1c574c710 100644
--- a/ja/inference/tutorials/creating-lora.mdx
+++ b/ja/inference/tutorials/creating-lora.mdx
@@ -1,21 +1,24 @@
---
-title: LoRA のファインチューンを作成する
-description: W&B Inference で使用するための、ファインチューン された LoRA の作成方法について説明します。
+title: "微調整済み LoRA の作成"
+description: >
+ W&B Inference で使用する微調整済み LoRA の作成方法を学びます。
---
-W&B Inference を使用すると、一部のベースモデルでカスタム LoRA を利用できます。このチュートリアルでは、[TRL](https://huggingface.co/docs/trl/index) ライブラリを介した教師ありポストトレーニング（supervised post-training）を使用して、ファインチューンされた LoRA を作成する方法を説明します。この例では、クエリとレスポンスのペアのデータセットを使用して、カウボーイのように応答するようにモデルをファインチューンします。
+W&B Inference を使用すると、一部のベースモデルでカスタム LoRA を利用できます。ここでは、[TRL](https://huggingface.co/docs/trl/index) ライブラリを用いた教師ありポストトレーニングによって微調整済み LoRA を作成する方法を説明します。この例では、クエリとレスポンスのペアからなるデータセットを使って、カウボーイのように応答するようにモデルをファインチューニングします。
-また、サーバーレスの強化学習を提供する [W&B Training](/training) を使用して LoRA を作成することも可能です。
+また、サーバーレスの強化学習を提供する [W&B Training](/ja/training) を使用して LoRA を作成することもできます。
-## ポストトレーニング用データセット
+
+ ## ポストトレーニング用データセット
+
-以下のデータセットには、次のようなメッセージのリストとしてフォーマットされた 50 個のクエリとレスポンスのペアが含まれています。
+次のデータセットには、メッセージのリストとしてフォーマットされた 50 個のクエリと応答のペアが含まれています。例えば、次のようになります。
-> User: "好きな色は何ですか？"
+> User: "What is your favorite color?"
-> Assistant: "そうだな、相棒、俺の好きな色は砂漠の夕日のような燃えるようなオレンジだ…"
+> Assistant: "Well, pardner, my favorite color's the blazin' orange of a desert sunset…"
-このサンプルファイルには、1 行に 1 つの JSON オブジェクトが含まれています。以下のデータを `cowboy_examples.jsonl` として作業ディレクトリーに保存してください。
+サンプルファイルには、1 行につき 1 つの JSON オブジェクトが含まれます。以下のデータを作業ディレクトリに `cowboy_examples.jsonl` という名前で保存してください。
```jsonl title="cowboy_examples.jsonl" lines expandable
{"messages": [{"role": "user", "content": "How are you?"}, {"role": "assistant", "content": "Well howdy there, partner! I'm feelin' like a tornado in a trailer park - all riled up and ready to ride! Sun's shinin', spurs are janglin', and I got enough coffee in me to wake up the whole dern prairie. How 'bout you? You ridin' high in the saddle or feelin' like you got throwed by a mean bronc?"}]}
@@ -70,22 +73,24 @@ W&B Inference を使用すると、一部のベースモデルでカスタム Lo
{"messages": [{"role": "user", "content": "Can submarines swim?"}, {"role": "assistant", "content": "Well howdy there, partner! Now that's a rootin'-tootin' puzzler if I ever heard one! \n\nSee, submarines don't \"swim\" like a river trout at a Saturday fish-fry. They ain't got no fins flappin' or gills puffin'. Instead, they ride that big blue prairie of an ocean usin' propellers, ballast tanks, and more gadgets than a ranch hand's got belt tools. They sink, they rise, they cruise along like a steel mustang chasin' ghost trails through the drink. \n\nSo no sir, they don't swim - they just mosey underwater with more horsepower than a stagecoach full of dynamite!"}]}
```
-## ポストトレーニング
+
+ ## トレーニング後
+
-このスクリプトは、JSONL ファイルの例を使用して LoRA アダプターをトレーニングし、W&B Inference API または Playground で使用するために Artifact として W&B にアップロードします。
+このスクリプトは JSONL ファイル内の例を使って LoRA アダプターをトレーニングし、W&B Inference API または Playground で使用できるように、W&B に Artifact としてアップロードします。
-大まかに言うと、このスクリプトは以下のことを行います。
+概略は次のとおりです。
-1. W&B にログインします。W&B Models の [Hugging Face Transformers インテグレーション](https://docs.wandb.ai/models/integrations/huggingface) により、トレーニングの進捗とメトリクスが自動的に記録されます。
-2. Hugging Face からベースモデル（[OpenPipe/Qwen3-14B-Instruct](https://huggingface.co/OpenPipe/Qwen3-14B-Instruct)）をロードします。
-3. ファイルの先頭付近で定数として定義された rank や alpha などのハイパーパラメーターを使用して LoRA を設定します。
-4. ファイルから例をデータセットにロードし、[SFTTrainer](https://huggingface.co/docs/trl/en/sft_trainer) を実行します。デフォルトでは、スクリプトはすべての例を使用します。
-5. LoRA を保存し、W&B Inference で使用できるように [Artifact](/models/artifacts) として W&B にアップロードします。
+1. W&B にログインします。W&B Models の [Hugging Face Transformers インテグレーション](https://docs.wandb.ai/models/integrations/huggingface) が、トレーニングの進捗とメトリクスを自動的に記録します。
+2. Hugging Face からベースモデル ([OpenPipe/Qwen3-14B-Instruct](https://huggingface.co/OpenPipe/Qwen3-14B-Instruct)) をロードします。
+3. ファイル冒頭付近で定数として定義されている rank や alpha などのハイパーパラメーターを使って LoRA を設定します。
+4. ファイルから例をデータセットに読み込み、その後 [SFTTrainer](https://huggingface.co/docs/trl/en/sft_trainer) を実行します。デフォルトでは、このスクリプトはすべての例を使用します。
+5. LoRA を保存し、W&B Inference で使用できるように、W&B に [Artifact](/ja/models/artifacts) としてアップロードします。
-スクリプトが完了したら、ブラウザで最後に表示された URL を開き、保存された Artifact を確認してください。次のように表示されます。
+スクリプトの実行が完了したら、ブラウザーで最後に表示された URL を開き、保存された Artifact を確認します。次のようになります:
`Artifact URL: https://wandb.ai//create-lora-tutorial/artifacts/lora/OpenPipe_Qwen3-14B-Instruct_cowboy/v0`
-以下のプログラムを `create_lora.py` として保存し、`ENTITY` の値を自身の W&B Entity 名に更新してください。実行を簡素化するため、スクリプトは [inline script metadata](https://docs.astral.sh/uv/guides/scripts/#declaring-script-dependencies) を使用して依存関係を宣言しています。
+次のプログラムを `create_lora.py` として保存し、`ENTITY` の値を自分の W&B entity に更新してください。実行を簡略化するため、このスクリプトでは依存関係を宣言するために [インラインスクリプトメタデータ](https://docs.astral.sh/uv/guides/scripts/#declaring-script-dependencies) を使用します。
```python title="create_lora.py" expandable lines highlight={37}
# /// script
@@ -103,12 +108,12 @@ W&B Inference を使用すると、一部のベースモデルでカスタム Lo
# ///
"""
-W&B を使用した LoRA インフェレンス
+W&B を使った LoRA 推論
-このスクリプトは、LoRA を作成し、Inference API や Playground で使用するために
-Artifact として W&B にアップロードする方法を示します。
+このスクリプトは、LoRA を作成して W&B に Artifact としてアップロードし、
+Inference API または Playground で使用する方法を示します。
-uv を使用してこのスクリプトを実行できます:
+このスクリプトは uv で実行できます:
uv run create_lora.py
"""
@@ -129,7 +134,7 @@ PROJECT = "create-lora-tutorial"
if ENTITY == "":
sys.exit("Please update the ENTITY variable")
-# LoRA の詳細
+# LoRA Details
BASE_MODEL = "OpenPipe/Qwen3-14B-Instruct"
RUN_NAME = BASE_MODEL.replace("/", "_") + "_cowboy"
LORA_RANK = 8
@@ -140,21 +145,21 @@ def provision_lora(jsonl_path, max_examples=None):
"""
LoRA のプロビジョニング
- 本番ワークフローでは、必要に応じてここで LoRA のトレーニングや更新を行います。
- このインフェレンスデモでは、LoRA を作成し、提供された例でトレーニングします。
+ 本番ワークフローでは、必要に応じてここで LoRA のトレーニング・更新を行います。
+ この推論デモでは、LoRA を作成し、提供されたサンプルでトレーニングします。
- 引数:
- jsonl_path: トレーニング例を含む JSONL ファイルへのパス
- max_examples: 使用するトレーニング例の最大数（None の場合はすべての例を使用）
+ Args:
+ jsonl_path: トレーニングサンプルを含む JSONL ファイルへのパス
+ max_examples: 使用するトレーニングサンプルの最大数（すべて使用する場合は None）
- 注意: これは W&B Hugging Face インテグレーションを使用します。
+ 注意: W&B の Hugging Face インテグレーションが使用されます
https://docs.wandb.ai/models/integrations/huggingface
"""
- # 一時ディレクトリーを作成
+ # 一時ディレクトリを作成
lora_dir = tempfile.mkdtemp(prefix="identity_lora_")
- print(f"Loading model: {BASE_MODEL}")
+ print(f"モデルを読み込んでいます: {BASE_MODEL}")
- # デバイスの検出 - Apple Silicon では MPS、NVIDIA GPU では CUDA、それ以外は CPU を使用
+ # デバイスを検出 - Apple Silicon では MPS、NVIDIA GPU では CUDA、それ以外は CPU を使用
if torch.cuda.is_available():
device_map = "auto"
dtype = torch.bfloat16
@@ -165,12 +170,12 @@ def provision_lora(jsonl_path, max_examples=None):
device_map = "cpu"
dtype = torch.float32
- # トークナイザーのロード
+ # トークナイザーを読み込む
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
if tokenizer.pad_token is None:
tokenizer.pad_token = tokenizer.eos_token
- # モデルのロード
+ # モデルを読み込む
model = AutoModelForCausalLM.from_pretrained(
BASE_MODEL,
dtype=dtype,
@@ -178,7 +183,7 @@ def provision_lora(jsonl_path, max_examples=None):
trust_remote_code=True,
)
- # LoRA の設定
+ # LoRA を設定する
lora_config = LoraConfig(
r=LORA_RANK,
lora_alpha=LORA_ALPHA,
@@ -189,16 +194,16 @@ def provision_lora(jsonl_path, max_examples=None):
task_type="CAUSAL_LM",
)
- # モデルに LoRA を適用
+ # モデルに LoRA を適用する
model = get_peft_model(model, lora_config)
- # メモリ効率のために勾配チェックポイントを有効にする
+ # メモリ効率化のため勾配チェックポインティングを有効化
model.enable_input_require_grads()
if hasattr(model, 'gradient_checkpointing_enable'):
model.gradient_checkpointing_enable()
- # JSONL ファイルから例をロード
- print(f"Loading examples from {jsonl_path}")
+ # JSONL ファイルからサンプルを読み込む
+ print(f"{jsonl_path} からサンプルを読み込んでいます")
train_examples = []
with open(jsonl_path, "r", encoding="utf-8") as f:
for line in f:
@@ -206,10 +211,10 @@ def provision_lora(jsonl_path, max_examples=None):
if max_examples is not None and len(train_examples) >= max_examples:
break
- print(f"Using {len(train_examples)} training examples")
+ print(f"{len(train_examples)} 件のトレーニングサンプルを使用します")
- # SFTTrainer が期待する Dataset 形式に変換
- # JSONL に 'messages' フィールドがあることを想定
+ # SFTTrainer が想定する Dataset 形式に変換する
+ # JSONL に 'text' フィールドなどが含まれていることを前提とする
train_dataset = Dataset.from_list(train_examples)
# トレーニング引数
@@ -223,7 +228,7 @@ def provision_lora(jsonl_path, max_examples=None):
save_strategy="no",
)
- # トレーナーの作成
+ # トレーナーを作成する
trainer = SFTTrainer(
model=model,
train_dataset=train_dataset,
@@ -232,8 +237,8 @@ def provision_lora(jsonl_path, max_examples=None):
)
trainer.train()
- # インフェレンスのためにアップロードする前に LoRA をディスクに保存
- print(f"Saving to {lora_dir}")
+ # 推論用にアップロードする前に LoRA をディスクに保存する
+ print(f"{lora_dir} に保存しています")
model.save_pretrained(lora_dir)
tokenizer.save_pretrained(lora_dir)
@@ -244,8 +249,8 @@ def upload_artifact(lora_dir, run):
"""
Artifact のアップロード
- LoRA の準備ができたら、Artifact として W&B にアップロードできます。
- LoRA インフェレンスを有効にするために、storage_region を必ず coreweave-us に設定してください。
+ LoRA の準備が完了したら、W&B に Artifact としてアップロードできます。
+ LoRA 推論を有効にするには、ストレージリージョンを coreweave-us に設定してください！
"""
artifact = wandb.Artifact(
@@ -264,20 +269,20 @@ def upload_artifact(lora_dir, run):
def parse_args():
- """コマンドライン引数のパース"""
+ """コマンドライン引数を解析する"""
parser = argparse.ArgumentParser(
description="LoRA モデルをトレーニングして W&B にアップロードする"
)
parser.add_argument(
"examples_file",
type=str,
- help="トレーニング例を含む JSONL ファイルへのパス"
+ help="トレーニングサンプルを含む JSONL ファイルへのパス"
)
parser.add_argument(
"--max-examples",
type=int,
default=None,
- help="使用するトレーニング例の最大数（デフォルト: すべての例）"
+ help="使用するトレーニングサンプルの最大数（デフォルト: すべてのサンプル）"
)
return parser.parse_args()
@@ -293,36 +298,40 @@ def main():
artifact = upload_artifact(lora_dir, run)
- print(f"Artifact URL: {artifact.url}")
+ print(f"Artifact の URL: {artifact.url}")
if __name__ == "__main__":
main()
```
-`uv` を使用してスクリプトを実行します。
+`uv` を使ってスクリプトを実行します：
```bash
uv run create_lora.py cowboy_examples.jsonl
```
-実行時間はハードウェアに依存します。`--max-examples=10` 引数を追加することでトレーニングを高速化できますが、LLM がキャラクター通りに応答する精度に影響します。
+実行時間はハードウェアに依存します。`--max-examples=10` という引数を追加するとトレーニングを高速化できますが、LLM がキャラクターらしく応答できるかどうかに影響します。
-## LoRA の使用
+
+ ## LoRA の使用
+
-作成した新しい LoRA は、[W&B Weave](/weave) Playground ですぐに試すことができます。Artifact の URL を開いたら、"Try in playground" ボタンをクリックします。
+作成したばかりの LoRA は、[W&B Weave](/ja/weave) Playground ですぐに試すことができます。Artifact の URL を開いたら、「Try in playground」ボタンをクリックします。
-
+ ## 次のステップ
+
-LoRA を作成したら、次のようなトレーニングの実験を行うことができます。
+LoRA を作成したら、次のようにトレーニング方法をいろいろ試すことができます。
-- より少ない例で LoRA をトレーニングし、期待通りの効果が得られるかを確認する。
-- データセットのレスポンスを変更して、海賊や忍者のような別のキャラクターを表示させる。
\ No newline at end of file
+* 使用する例の数を少なくして LoRA をトレーニングし、それでも望んだ効果が得られるか確認する。
+* データセット内の応答を変更して、海賊や忍者など別のキャラクターを表現してみる。
\ No newline at end of file
diff --git a/ja/inference/tutorials/integration-cline.mdx b/ja/inference/tutorials/integration-cline.mdx
new file mode 100644
index 0000000000..4a128858e6
--- /dev/null
+++ b/ja/inference/tutorials/integration-cline.mdx
@@ -0,0 +1,96 @@
+---
+title: "Cline と W&B Inference"
+description: >
+ Cline コーディングエージェントが W&B Inference を使用するように設定する方法を学びます。
+---
+
+[Cline](https://cline.bot) は AI を活用したコーディングアシスタントです。このチュートリアルでは、W&B Inference が提供するモデルを Cline で使用するように設定する方法を説明します。
+
+Cline エージェントは、コマンドラインツールとしても、さまざまな IDE とのインテグレーションとしても利用できます。このページでは、Cline CLI と Visual Studio Code の拡張機能としての Cline での設定方法を説明しますが、他の IDE での設定も同様です。
+
+
+ ## 前提条件
+
+
+[W&B API キー](../prerequisites#set-up-your-wb-account-and-project) が必要になります。
+
+
+ ## コマンドラインで Cline をセットアップする
+
+
+[Cline CLI](https://docs.cline.bot/cline-cli/installation) をインストールします。
+
+```
+npm install -g cline
+```
+
+トラブルシューティングについては、[Cline のインストール手順](https://docs.cline.bot/cline-cli/installation)を参照してください。
+
+これらの手順は、Cline CLI バージョン `2.5.1` でテスト済みです。インストールされているバージョンを確認するには、`cline version` を実行してください。
+
+次のコマンドを実行し、`` を W&B の API キーに置き換えてください。
+
+```
+cline auth -k -p openai -b https://api.inference.wandb.ai/v1 -m moonshotai/Kimi-K2.5
+```
+
+これにより、Cline が W&B Inference の OpenAI 互換エンドポイントと Kimi K2.5 モデルを使用するように構成されます。モデルの提供状況と料金については、[モデルカタログ](https://wandb.ai/inference) を参照してください。
+
+すべてが正しく動作していることを確認するために、簡単なテストを実行してください。
+
+```
+cline "What is 2 + 2?"
+```
+
+Cline が応答を返したら、インストールと認証は完了です。
+
+Cline CLI の使い方の詳細については、[Cline クイックスタート](https://docs.cline.bot/cline-cli/installation#quick-start) を参照してください。
+
+
+ ## Visual Studio Code で Cline をセットアップする
+
+
+Cline は Visual Studio Code の拡張機能としてインストールすることもできます。VS Code Extensions Marketplace で **Cline** を検索するか、[Visual Studio Code Marketplace](https://marketplace.visualstudio.com/items?itemName=saoudrizwan.claude-dev) からインストールします。
+
+`Install` ボタンをクリックします。
+
+` を自分の W&B の API キー に置き換えます。
+
+| Setting | Value |
+| ------------------------------ | ----------------------------------- |
+| API Provider | OpenAI Compatible |
+| Base URL | https://api.inference.wandb.ai/v1 |
+| OpenAI Compatible API Key | `` |
+| Model ID | moonshotai/Kimi-K2.5 |
+
+料金は Model Configuration を展開して設定できます。モデルの利用可能性および価格については、[model catalog](https://wandb.ai/inference) を参照してください。
+
+`Continue` ボタンをクリックします。
+
+"Write a Python program to compute the first 10 Fibonacci Numbers" のようなプロンプトを送信してみてください。
+
+
+ ## Inference サービスへアクセスする
+
-Inference サービスには、以下の 3 つの場所からアクセスできます。
+Inference サービスには、次の 3 つの場所からアクセスできます。
-### ダイレクトリンク
+
+ ### 直接リンク
+
-[https://wandb.ai/inference](https://wandb.ai/inference) にアクセスしてください。
+[https://wandb.ai/inference](https://wandb.ai/inference) にアクセスします。
-### Inference タブから
+
+ ### Inference タブから
+
-1. [https://wandb.ai/](https://wandb.ai/) から W&B アカウントにアクセスします。
-2. 左側のサイドバーから **Inference** を選択します。
-3. 利用可能な Models とその情報が表示されます。
+1. [https://wandb.ai/](https://wandb.ai/) の自分の W&B アカウントにアクセスします
+2. 左のサイドバーで **Inference** を選択します
+3. 利用可能なモデルと各モデルの情報が表示されたページが開きます
+ ### Playground タブから
+
-1. 左側のサイドバーから **Playground** を選択します。Playground のチャット UI が表示されます。
-2. LLM ドロップダウンリストの **W&B Inference** にカーソルを合わせます。右側に利用可能な Models のドロップダウンが表示されます。
-3. Models のドロップダウンから、以下の操作が可能です。
- - モデル名をクリックして [Playground で試す](#playground-でモデルを試す)
- - [複数のモデルを比較する](#複数のモデルを比較する)
+1. 左サイドバーから **Playground** を選択します。Playground のチャット UI が表示されます
+2. LLM ドロップダウンリストで **W&B Inference** の上にカーソルを合わせます。右側に利用可能なモデルのドロップダウンが表示されます
+3. モデルのドロップダウンから、次の操作ができます:
+ * 任意のモデル名をクリックして [Playground で試す](#try-a-model-in-the-playground)
+ * [複数のモデルを比較する](#compare-multiple-models)
+ ## Playground でモデルを試す
+
-[モデルを選択](#inference-サービスへのアクセス) した後、Playground でテストできます。利用可能なアクションは以下の通りです。
+[モデルを選択したら](#access-the-inference-service)、Playground 上で試すことができます。次の操作が行えます:
-- [モデルの設定とパラメータのカスタマイズ](/weave/guides/tools/playground#customize-settings)
-- [メッセージの追加、再試行、編集、削除](/weave/guides/tools/playground#message-controls)
-- [カスタム設定を適用したモデルの保存と再利用](/weave/guides/tools/playground#saved-models)
-- [複数のモデルを比較する](#複数のモデルを比較する)
+* [モデルの設定とパラメーターをカスタマイズする](/ja/weave/guides/tools/playground#customize-playground-settings)
+* [メッセージの追加、再試行、編集、削除](/ja/weave/guides/tools/playground#message-controls)
+* [カスタム設定付きのモデルを保存して再利用する](/ja/weave/guides/tools/playground#saved-models)
+* [複数のモデルを比較する](#compare-multiple-models)
-## 複数のモデルを比較する
+
+ ## 複数のモデルを比較する
+
-Playground では、Inference モデルを横に並べて比較できます。比較（Compare）ビューには 2 つの場所からアクセスできます。
+Playground 内で Inference モデルを並べて比較できます。Compare ビューには、次の 2 通りの方法でアクセスできます。
-### Inference タブから
+
+ ### Inference タブから
+
-1. 左側のサイドバーから **Inference** を選択します。利用可能なモデルのページが表示されます。
-2. モデルカードの任意の位置（モデル名以外）をクリックして選択します。カードの枠線が青色に変わります。
-3. 比較したい各モデルに対してこれを繰り返します。
-4. 選択したカードにある **Compare N models in the Playground** をクリックします。`N` には選択されたモデル数が表示されます。
+1. 左側のサイドバーから **Inference** を選択します。使用可能なモデルのページが表示されます。
+2. モデルカード上の任意の場所 (モデル名を除く) をクリックして選択します。カードの枠線が青色に変わります。
+3. 比較したい各モデルについて同じ操作を繰り返します。
+4. 選択した任意のカードで **Playground で N 個のモデルを比較** をクリックします。`N` には選択したモデルの数が表示されます。
5. 比較ビューが開きます。
-これで、モデルを比較したり、[Playground でモデルを試す](#playground-でモデルを試す) のすべての機能を使用したりできます。
+これでモデルを比較でき、[Playground でモデルを試す](#try-a-model-in-the-playground) のすべての機能を利用できます。
+ ### Playground タブから
+
-1. 左側のサイドバーから **Playground** を選択します。Playground のチャット UI が表示されます。
-2. LLM ドロップダウンリストの **W&B Inference** にカーソルを合わせます。右側に Models のドロップダウンが表示されます。
+1. 左サイドバーから **Playground** を選択します。Playground のチャット UI が表示されます。
+2. LLM ドロップダウンリストで **W&B Inference** にカーソルを合わせます。右側にモデルのドロップダウンが表示されます。
3. ドロップダウンから **Compare** を選択します。**Inference** タブが表示されます。
-4. モデルカードの任意の位置（モデル名以外）をクリックして選択します。カードの枠線が青色に変わります。
-5. 比較したい各モデルに対してこれを繰り返します。
-6. 選択したカードにある **Compare N models in the Playground** をクリックします。比較ビューが開きます。
+4. モデル名以外の任意の場所をクリックしてモデルカードを選択します。カードの枠線が青色に変わります。
+5. 比較したい各モデルについて繰り返します。
+6. 選択したカードのいずれかで **Compare N models in the Playground** をクリックします。比較ビューが開きます。
-これで、モデルを比較したり、[Playground でモデルを試す](#playground-でモデルを試す) のすべての機能を使用したりできます。
+これでモデルを比較できるようになり、[Try a model in the Playground](#try-a-model-in-the-playground) のすべての機能を使用できます。
-## 請求と使用状況の情報を確認する
+
+ ## 請求および利用状況を確認する
+
-組織（Organization）の管理者は、W&B UI からクレジット残高、使用履歴、次回の請求額を確認できます。
+Organization 管理者は、W&B UI からクレジット残高、利用履歴、今後の請求を確認できます。
-1. W&B UI の **Billing** ページに移動します。
-2. 右下にある Inference 請求情報のカードを確認します。
-3. ここから以下の操作が可能です。
- - **View usage** をクリックして、時系列での使用状況を確認する
- - 次回の Inference 請求額を確認する（有料プランの場合）
+1. UI の W&B **Billing** ページに移動します
+2. 右下にある Inference の請求情報カードを見つけます
+3. ここから次の操作ができます:
+ * **View usage** をクリックして、これまでの利用状況の推移を確認できます
+ * 今後の Inference の請求額を確認できます (有料プランの場合)
-モデルごとの料金詳細については、[Inference 価格ページ](https://wandb.ai/site/pricing/inference) をご覧ください。
+ モデルごとの料金の詳細については [Inference pricing page](https://wandb.ai/site/pricing/inference) を参照してください。
-## 次のステップ
+
+ ## 次のステップ
+
-- [利用可能な Models](/inference/models) を確認して、ニーズに最適なものを見つける
-- プログラムからアクセスするために [API](/inference/api-reference/) を試す
-- コードサンプルについて [使用例](/inference/examples/) を参照する
\ No newline at end of file
+* 自分のニーズに最適なものを見つけるために [利用可能なモデル](/ja/inference/models) を確認する
+* プログラムから利用するには [API](/ja/inference/api-reference/) を試す
+* コードサンプルは [使用例](/ja/inference/examples/) を参照する
\ No newline at end of file
diff --git a/ja/inference/usage-limits.mdx b/ja/inference/usage-limits.mdx
index 477bcd0143..9168cf6162 100644
--- a/ja/inference/usage-limits.mdx
+++ b/ja/inference/usage-limits.mdx
@@ -1,46 +1,59 @@
---
-title: 使用情報と制限事項
-description: W&B Inference の料金体系、使用制限、およびアカウント制限について理解する
-linkTitle: Usage & Limits
+title: "利用状況情報と制限"
+linkTitle: "利用状況と制限"
+description: >
+ W&B Inference の料金、利用上限、アカウント制限について理解する
---
-W&B Inference を使用する前に、料金、制限、およびその他の重要な使用情報についてご確認ください。
+W&B Inference を利用する前に、料金、利用制限、その他の重要な利用上の情報について確認してください。
-## 料金
+
+ ## 料金
+
-詳細なモデルの料金情報については、[W&B Inference pricing](https://wandb.ai/site/pricing/inference) をご覧ください。
+モデルの詳細な料金情報については、[W&B Inference pricing](https://wandb.ai/site/pricing/inference) を参照してください。
-## クレジットの追加購入
+
+ ## クレジットを追加購入する
+
-W&B Inference のクレジットは、期間限定で Free、Pro、および Academic プランに付属しています。Enterprise での利用可能性は異なる場合があります。クレジットがなくなった場合：
+W&B Inference クレジットは、期間限定で Free、Pro、Academic 各プランに含まれています。Enterprise プランでの提供状況は異なる場合があります。クレジットを使い切った場合は、次のようになります。
-- **Free アカウント** の場合、W&B Inference の使用を継続するには、従量課金制（**Billing** タブから設定可能）を有効にするか、有料プランにアップグレードする必要があります。[従量課金制の有効化またはアップグレード](https://wandb.ai/subscriptions)
-- **Pro プランの Users** は、[モデル別の料金](https://wandb.ai/site/pricing/inference) に基づいて、超過分が毎月請求されます
-- **Enterprise アカウント** の場合は、担当の営業担当者にお問い合わせください
+* **Free アカウント** は、W&B Inference を継続利用するために、従量課金の Inference (**Billing** タブから) を有効化するか、有料プランにアップグレードする必要があります。[従量課金を有効化するかアップグレードする](https://wandb.ai/subscriptions)
+* **Pro プランのユーザー** は、[モデルごとの料金](https://wandb.ai/site/pricing/inference) に基づき、超過分が毎月請求されます
+* **Enterprise アカウント** は、担当のアカウントエグゼクティブに連絡してください
-## アカウントティアとデフォルトの使用上限
+
+ ## アカウントプランとデフォルト利用上限
+
-各アカウントティアには、コストを管理し、予期しない請求を防ぐためのデフォルトの支出上限が設定されています。W&B では、有料の Inference アクセスのために事前支払いが必要です。
+各アカウントプランには、コストを管理し予期しない請求を防ぐためのデフォルトの支出上限が設定されています。W&B では、有料の Inference アクセスには前払いが必要です。
-上限の変更が必要な場合は、担当の営業担当者またはサポートにお問い合わせください。
+上限の変更が必要な場合は、アカウント担当者またはサポートに連絡して調整を依頼してください。
-| アカウントティア | デフォルトの上限 | 上限の変更方法 |
+| Account Tier | Default Cap | How to Change Limit |
|--------------|-------------|---------------------|
-| Free | $100/月 | Pro または Enterprise へのアップグレード |
-| Pro | $6,000/月 | 担当の営業担当者またはサポートに連絡し、手動審査を依頼 |
-| Enterprise | $700,000/年 | 担当の営業担当者またはサポートに連絡し、手動審査を依頼 |
+| Free | $100/month | Pro または Enterprise にアップグレード |
+| Pro | $6,000/month | アカウント担当者またはサポートに連絡して手動レビューを依頼 |
+| Enterprise | $700,000/year | アカウント担当者またはサポートに連絡して手動レビューを依頼 |
-## 同時実行制限
+
+ ## 同時実行数の制限
+
-レート制限を超えると、API は `429 Concurrency limit reached for requests` レスポンスを返します。このエラーを解決するには、同時リクエストの数を減らしてください。詳細なトラブルシューティングについては、[W&B Inference サポート記事](/inference/support) を参照してください。
+レート制限の上限を超えると、API は `429 Concurrency limit reached for requests` レスポンスを返します。このエラーを解消するには、同時リクエスト数を減らしてください。詳細なトラブルシューティングについては、[同時実行数の制限](#concurrency-limits) を参照してください。
-W&B は、W&B Projects ごとにレート制限を適用します。例えば、1つの Teams 内に 3つの Projects がある場合、各 Project が独自のレート制限クォータを持ちます。
+W&B は W&B プロジェクトごとにレート制限を適用します。たとえば、チームに 3 つのプロジェクトがある場合、各プロジェクトにはそれぞれ独自のレート制限クォータが設定されます。
-## 地理的な制限
+
+ ## 地理的制限
+
-Inference サービスは、サポートされている地理的な場所からのみ利用可能です。詳細については、[利用規約](https://docs.coreweave.com/docs/policies/terms-of-service/terms-of-use#geographic-restrictions) を参照してください。
+Inference サービスは、サポートされている地域からのみ利用できます。詳細については、[利用規約](https://docs.coreweave.com/docs/policies/terms-of-service/terms-of-use#geographic-restrictions)を参照してください。
-## 次のステップ
+
+ ## 次のステップ
+
-- 開始する前に [前提条件](/inference/prerequisites/) を確認してください。
-- [利用可能な Models](/inference/models) とそれぞれの具体的な料金を確認してください。
\ No newline at end of file
+* 作業を始める前に [前提条件](/ja/inference/prerequisites/) を確認してください。
+* [利用可能なモデル](/ja/inference/models) とその料金体系を確認してください。
\ No newline at end of file
diff --git a/ja/ja.mdx b/ja/ja.mdx
deleted file mode 100644
index fe137dd85c..0000000000
--- a/ja/ja.mdx
+++ /dev/null
@@ -1,92 +0,0 @@
----
-title: Weights & Biases ドキュメント
-mode: wide
----
-
-import {Banner} from "/snippets/Banner.jsx";
-import {HomeWrapper} from "/snippets/home.jsx";
-import {ProductCard} from "/snippets/ProductCard.jsx";
-
-
-
-ドキュメントが必要なプロダクトを選択してください。
-
-
-
-
- W&B Models を使用して、 AI モデルの開発を管理します。
- 機能には、トレーニング、ファインチューニング、 Reports 作成、
- 自動化された Sweeps （ハイパーパラメーター探索）、 Registered Models を使用した
- バージョン管理と再現性があります。
- イントロダクション クイックスタート YouTube チュートリアル オンライン コース
-
-
-
- W&B Weave を使用して、コード内で AI モデルを管理します。
- 機能には、トレース、評価の出力、コスト見積もり、
- 異なる大型言語モデル (LLM) や設定を比較するためのプレイグラウンドがあります。
- イントロダクション クイックスタート YouTube デモ プレイグラウンドを試す 無料のサインアップが必要です
-
-
-
- W&B Inference を使用して、 OpenAI 互換 API を通じて主要なオープンソース基盤モデルにアクセスします。
- 機能には、複数のモデルオプション、使用状況の追跡、トレースと評価のための Weave との統合が含まれます。
- イントロダクション 利用可能なモデル API リファレンス プレイグラウンドで試す
-
-
-
- パブリックプレビュー中の W&B Training を使用して、サーバーレス強化学習 (RL) で大規模言語モデルをポストトレーニングします。
- 機能には、完全に管理された GPU インフラストラクチャ、 ART および RULER との統合、
- マルチターンエージェントタスクの自動スケーリングが含まれます。
- イントロダクション 前提条件 サーバーレス RL API リファレンス
-
-
-
-
-
-ドキュメントが必要な製品を選択してください。
-
-
-
-
- W&B Models を使用して AI モデルの開発を管理しましょう。
- 主な機能には、トレーニング、ファインチューニング、 Reports の作成、ハイパーパラメーター探索（ Sweeps ）の自動化、
- そしてバージョン管理と再現性のための Model Registry の活用が含まれます。
- 概要 クイックスタート YouTube チュートリアル オンラインコース
-
-
-
- W&B Weave を使用して、コード内での AI モデルの挙動を管理しましょう。
- 主な機能には、トレース、出力の評価、コスト見積もり、および様々な大規模言語モデル（LLM）や
- 設定を比較するためのプレイグラウンドが含まれます。
- 概要 クイックスタート YouTube デモ プレイグラウンドを試す W&B Runs で Weave を使用する
-
-
-
- W&B Inference を使用して、OpenAI 互換の API 経由で主要なオープンソース基盤モデルにアクセスしましょう。
- 主な機能には、複数のモデルオプション、使用状況の追跡、およびトレースと評価のための Weave との統合が含まれます。
- 概要 利用可能なモデル API リファレンス プレイグラウンドで試す
-
-
-
- 現在パブリックプレビュー中の W&B Training を使用して、サーバーレス強化学習（RL）で大規模言語モデルをポストトレーニングしましょう。
- 主な機能には、フルマネージドな GPU インフラストラクチャ、ART および RULER との統合、
- マルチターンエージェントタスクのためのオートスケーリングが含まれます。
- 概要 前提条件 サーバーレス RL API リファレンス
-
-
-
-
-あなた、またはチームの誰かが既にローンチキューを設定していることを確認してください。詳細については、[Set up Launch](/ja/launch/set-up-launch/) ページを参照してください。
-
-
-## キューにジョブを追加する
-
-W&B Appを使用してインタラクティブに、またはW&B CLIを使用してプログラム的にキューにジョブを追加します。
-
-
-
-W&B Appを使用してプログラム的にキューにジョブを追加します。
-
-1. W&B Project Pageに移動します。
-2. 左のパネルで **Jobs** アイコンを選択します:
-
-
-`wandb launch` コマンドを使用して、キューにジョブを追加します。ハイパーパラメーターオーバーライドを含むJSON設定を作成します。例えば、[クイックスタート](/ja/launch/walkthrough) ガイドのスクリプトを使用して、以下のオーバーライドを含むJSONファイルを作成します。
-
-```json title="config.json"
-{
- "overrides": {
- "args": [],
- "run_config": {
- "learning_rate": 0,
- "epochs": 0
- },
- "entry_point": []
- }
-}
-```
-
-
-JSON設定ファイルを提供しない場合、W&B Launchはデフォルトのパラメーターを使用します。
-
-
-キューの設定をオーバーライドする場合、またはローンチキューに設定リソースが定義されていない場合、`config.json` ファイルで `resource_args` キーを指定できます。例えば、上記の例を続けると、`config.json` ファイルは次のようになります。
-
-```json title="config.json"
-{
- "overrides": {
- "args": [],
- "run_config": {
- "learning_rate": 0,
- "epochs": 0
- },
- "entry_point": []
- },
- "resource_args": {
- "" : {
- "": ""
- }
- }
-}
-```
-
-`<>` 内の値を独自の値に置き換えてください。
-
-`queue`（`-q`）フラグにはキューの名前を、`job`（`-j`）フラグにはジョブの名前を、`config`（`-c`）フラグには設定ファイルのパスを指定してください。
-
-```bash
-wandb launch -j -q \
--e -c path/to/config.json
-```
-W&B Team内で作業する場合は、`entity` フラグ（`-e`）を指定して、キューが使用するエンティティを示すことをお勧めします。
-
-
\ No newline at end of file
diff --git a/ja/launch/create-and-deploy-jobs/create-launch-job.mdx b/ja/launch/create-and-deploy-jobs/create-launch-job.mdx
deleted file mode 100644
index a52c313dce..0000000000
--- a/ja/launch/create-and-deploy-jobs/create-launch-job.mdx
+++ /dev/null
@@ -1,155 +0,0 @@
----
-title: ローンンチジョブを作成する
----
-
-
-実行に送信せずにジョブを作成するには、`wandb job create` コマンドを使用します。詳細については、[コマンドリファレンスドキュメント](/ja/models/ref/cli/wandb-job/wandb-job-create) を参照してください。
-
-
-## Git ジョブ
-
-W&B Launch を使って、ソースコードや他の追跡されたアセットをリモート git リポジトリの特定のコミット、ブランチ、またはタグからクローンする Git ベースのジョブを作成できます。`--uri` または `-u` フラグを使用して、コードを含む URI を指定し、オプションとして `--build-context` フラグを使用してサブディレクトリーを指定します。
-
-次のコマンドを使用して git リポジトリから "hello world" ジョブを実行します:
-
-```bash
-wandb launch --uri "https://github.com/wandb/launch-jobs.git" --build-context jobs/hello_world --dockerfile Dockerfile.wandb --project "hello-world" --job-name "hello-world" --entry-point "python job.py"
-```
-
-このコマンドは次のことを行います:
-1. [W&B Launch ジョブリポジトリ](https://github.com/wandb/launch-jobs) を一時ディレクトリーにクローンします。
-2. **hello** プロジェクト内に **hello-world-git** という名前のジョブを作成します。このジョブはリポジトリのデフォルトブランチのトップにあるコミットに関連付けられています。
-3. `jobs/hello_world` ディレクトリーと `Dockerfile.wandb` からコンテナイメージをビルドします。
-4. コンテナを開始し、`python job.py` を実行します。
-
-特定のブランチまたはコミットハッシュからジョブをビルドするには、`-g`、`--git-hash` 引数を追加します。引数の完全なリストについては、`wandb launch --help` を実行してください。
-
-### リモート URL 形式
-
-Launch ジョブに関連付けられた git リモートは、HTTPS または SSH URL のいずれかを使用できます。URL タイプは、ジョブのソースコードを取得するために使用されるプロトコルを決定します。
-
-| リモート URL タイプ | URL 形式 | アクセスと認証の要件 |
-| ----------------- | --------- | ------------------------------------------- |
-| https | `https://github.com/organization/repository.git` | git リモートでの認証用のユーザー名とパスワード |
-| ssh | `git@github.com:organization/repository.git` | git リモートでの認証用の SSH キー |
-
-正確な URL 形式はホスティングプロバイダーによって異なることに注意してください。`wandb launch --uri` で作成されたジョブは、指定された `--uri` で指定された転送プロトコルを使用します。
-
-## コードアーティファクトジョブ
-
-ジョブは、任意のソースコードから W&B Artifact に保存して作成できます。ローカルディレクトリーを `--uri` または `-u` 引数で使用して、新しいコードアーティファクトとジョブを作成します。
-
-まず、空のディレクトリーを作成し、次の内容を持つ Python スクリプト `main.py` を追加します:
-
-```python
-import wandb
-
-with wandb.init() as run:
- run.log({"metric": 0.5})
-```
-
-次の内容を持つファイル `requirements.txt` を追加します:
-
-```txt
-wandb>=0.17.1
-```
-
-ディレクトリーをコードアーティファクトとして記録し、次のコマンドでジョブを起動します:
-
-```bash
-wandb launch --uri . --job-name hello-world-code --project launch-quickstart --entry-point "python main.py"
-```
-
-前のコマンドは次のことを行います:
-1. 現在のディレクトリーを `hello-world-code` という名前のコードアーティファクトとして記録します。
-2. `launch-quickstart` プロジェクト内に `hello-world-code` という名前のジョブを作成します。
-3. 現在のディレクトリーと Launch のデフォルトの Dockerfile からコンテナイメージをビルドします。デフォルトの Dockerfile は `requirements.txt` ファイルをインストールし、エントリーポイントを `python main.py` に設定します。
-
-## イメージジョブ
-
-別の方法として、事前に作成された Docker イメージからジョブを構築することもできます。これは、すでに ML コード用の確立されたビルドシステムを持っている場合や、ジョブのコードや要件を調整することはほとんどなく、ハイパーパラメーターや異なるインフラストラクチャー規模で実験したい場合に役立ちます。
-
-イメージは Docker レジストリから取得され、指定されたエントリーポイントまたは指定されていない場合はデフォルトのエントリーポイントで実行されます。Docker イメージからジョブを作成して実行するには、`--docker-image` オプションに完全なイメージタグを渡します。
-
-事前に作成されたイメージからシンプルなジョブを実行するには、次のコマンドを使用します:
-
-```bash
-wandb launch --docker-image "wandb/job_hello_world:main" --project "hello-world"
-```
-
-## 自動ジョブ作成
-
-W&B は、追跡されたソースコードを持つ任意の Run に対してジョブを自動的に作成して追跡します。この Run が Launch で作成されていなくてもです。Run が追跡されたソースコードを持つと見なされる条件は次の3つのうちのいずれかを満たした場合です:
-- Run に関連付けられた git リモートとコミットハッシュがある
-- Run がコードアーティファクトを記録した (詳細については [`Run.log_code`](/ja/models/ref/python/run#log_code) を参照)
-- Run が `WANDB_DOCKER` 環境変数をイメージタグに設定した Docker コンテナで実行された
-
-Git リモート URL は、W&B Run によって自動的に作成された Launch ジョブの場合、ローカルの git リポジトリから推測されます。
-
-### Launch ジョブ名
-
-デフォルトでは、W&B はジョブ名を自動的に生成します。名前は、ジョブの作成方法 (GitHub、コードアーティファクト、Docker イメージ) によって生成されます。別の方法として、環境変数または W&B Python SDK で Launch ジョブの名前を定義できます。
-
-次の表は、ジョブソースに基づくデフォルトのジョブの命名規則について説明しています:
-
-| ソース | 命名規則 |
-| ------------- | ----------------------------------------------- |
-| GitHub | `job--` |
-| Code artifact | `job-` |
-| Docker image | `job-` |
-
-W&B 環境変数または W&B Python SDK でジョブに名前を付けます
-
-
-
-`WANDB_JOB_NAME` 環境変数を希望のジョブ名に設定します。例:
-
-```bash
-WANDB_JOB_NAME=awesome-job-name
-```
-
-
-`wandb.Settings` でジョブの名前を定義します。そして、このオブジェクトを使用して W&B を `wandb.init` で初期化する際に渡します。例:
-
-```python
-settings = wandb.Settings(job_name="my-job-name")
-wandb.init(settings=settings)
-```
-
-
-
-
-Docker イメージジョブの場合、バージョンエイリアスは自動的にジョブのエイリアスとして追加されます。
-
-
-## コンテナ化
-
-ジョブはコンテナ内で実行されます。イメージジョブは事前構築された Docker イメージを使用し、Git およびコードアーティファクトジョブはコンテナビルドステップが必要です。
-
-ジョブのコンテナ化は、`wandb launch` の引数やジョブソースコード内のファイルでカスタマイズできます。
-
-### ビルドコンテキスト
-
-ビルドコンテキストとは、コンテナイメージをビルドするために Docker デーモンに送信されるファイルとディレクトリーのツリーを指します。デフォルトでは、Launch はジョブソースコードのルートをビルドコンテキストとして使用します。サブディレクトリーをビルドコンテキストとして指定するには、ジョブを作成して起動する際に `wandb launch` の `--build-context` 引数を使用します。
-
-
-`--build-context` 引数は、複数のプロジェクトを含むモノレポを参照する Git ジョブで作業する際に特に便利です。サブディレクトリーをビルドコンテキストとして指定することで、モノレポ内の特定のプロジェクト用のコンテナイメージをビルドできます。
-
-この引数を公式の W&B Launch ジョブリポジトリで使用する方法については、[上記の例](#git-jobs)をご覧ください。
-
-
-### Dockerfile
-
-Dockerfile は、Docker イメージをビルドするための命令を含むテキストファイルです。デフォルトでは、Launch は `requirements.txt` ファイルをインストールするデフォルトの Dockerfile を使用します。カスタム Dockerfile を使用するには、`wandb launch` の `--dockerfile` 引数でファイルのパスを指定します。
-
-Dockerfile のパスはビルドコンテキストに相対的に指定されます。たとえば、ビルドコンテキストが `jobs/hello_world` で、Dockerfile が `jobs/hello_world` ディレクトリーにある場合、`--dockerfile` 引数は `Dockerfile.wandb` に設定されるべきです。この引数を公式の W&B Launch ジョブリポジトリで使用する方法については、[上記の例](#git-jobs)をご覧ください。
-
-### 要件ファイル
-
-カスタム Dockerfile が提供されていない場合、Launch は Python の依存関係をインストールするためにビルドコンテキストを調べます。ビルドコンテキストのルートに `requirements.txt` ファイルが見つかった場合、Launch はファイルにリストされた依存関係をインストールします。それ以外の場合、`pyproject.toml` ファイルが見つかれば、`project.dependencies` セクションから依存関係をインストールします。
\ No newline at end of file
diff --git a/ja/launch/create-and-deploy-jobs/job-inputs.mdx b/ja/launch/create-and-deploy-jobs/job-inputs.mdx
deleted file mode 100644
index 7d1dea13b9..0000000000
--- a/ja/launch/create-and-deploy-jobs/job-inputs.mdx
+++ /dev/null
@@ -1,258 +0,0 @@
----
-title: ジョブ入力を管理する
----
-
-Launch のコア体験は、ハイパーパラメーターやデータセットのような異なるジョブの入力を簡単に実験し、それらのジョブを適切なハードウェアにルーティングすることです。一度ジョブが作成されると、元の作成者以外のユーザーも W&B GUI または CLI を介してこれらの入力を調整できます。CLI または UI からジョブ入力を設定する方法については、[Enqueue jobs](/ja/launch/create-and-deploy-jobs/add-job-to-queue) ガイドを参照してください。
-
-このセクションでは、プログラム的にジョブの調整可能な入力を制御する方法を説明します。
-
-デフォルトでは、W&B ジョブは `Run.config` 全体をジョブの入力としてキャプチャしますが、Launch SDK は run config の選択したキーを制御したり、JSON または YAML ファイルを入力として指定するための機能を提供します。
-
-
-Launch SDK の関数は `wandb-core` を必要とします。詳細については、[`wandb-core` README](https://github.com/wandb/wandb/blob/main/core/README) を参照してください。
-
-
-## `Run` オブジェクトの再設定
-
-ジョブ内の `wandb.init` によって返される `Run` オブジェクトは、デフォルトで再設定可能です。Launch SDK は、ジョブの Launch 時に `Run.config` オブジェクトのどの部分が再設定可能かをカスタマイズする方法を提供します。
-
-```python
-import wandb
-from wandb.sdk import launch
-
-# Launch SDK の使用に必要
-wandb.require("core")
-
-config = {
- "trainer": {
- "learning_rate": 0.01,
- "batch_size": 32,
- "model": "resnet",
- "dataset": "cifar10",
- "private": {
- "key": "value",
- },
- },
- "seed": 42,
-}
-
-with wandb.init(config=config):
- launch.manage_wandb_config(
- include=["trainer"],
- exclude=["trainer.private"],
- )
- # 等
-```
-
-関数 `launch.manage_wandb_config` は、`Run.config` オブジェクトに対する入力値をジョブに受け入れるように設定します。オプションの `include` および `exclude` オプションは、ネストされた config オブジェクト内のパスプレフィクスを取ります。例えば、ジョブがエンドユーザーに公開したくないオプションを持つライブラリを使用している場合に役立ちます。
-
-`include` プレフィクスが提供されている場合、config 内で `include` プレフィクスと一致するパスのみが入力値を受け入れます。`exclude` プレフィクスが提供されている場合、`exclude` リストと一致するパスは入力値からフィルタリングされません。あるパスが `include` および `exclude` プレフィクスの両方に一致する場合、`exclude` プレフィクスが優先されます。
-
-前述の例では、パス `["trainer.private"]` は `trainer` オブジェクトから `private` キーをフィルタリングし、パス `["trainer"]` は `trainer` オブジェクト下のすべてのキー以外をフィルタリングします。
-
-
-名前に `.` を含むキーをフィルタリングするには、`\`-エスケープされた `.` を使用します。
-
-例えば、`r"trainer\.private"` は `trainer` オブジェクト下の `private` キーではなく `trainer.private` キーをフィルタリングします。
-
-上記の `r` プレフィクスは生文字列を示すことに注意してください。
-
-
-上記のコードがパッケージ化され、ジョブとして実行される場合、ジョブの入力タイプは次のようになります：
-
-```json
-{
- "trainer": {
- "learning_rate": "float",
- "batch_size": "int",
- "model": "str",
- "dataset": "str",
- },
-}
-```
-
-W&B CLI または UI からジョブをローンチする際、ユーザーは 4 つの `trainer` パラメーターのみを上書きできます。
-
-### run config の入力へのアクセス
-
-run config の入力でローンチされたジョブは、`Run.config` を通じて入力値にアクセスできます。ジョブ コード内で `wandb.init` によって返された `Run` は、入力値を自動的に設定します。ジョブ コードのどこでも run config の入力値をロードするには、次を使用します：
-
-```python
-from wandb.sdk import launch
-
-run_config_overrides = launch.load_wandb_config()
-```
-
-## ファイルの再設定
-
-Launch SDK はまた、ジョブ コードで設定ファイルに格納された入力値を管理する方法も提供します。これは、多くのディープラーニングや大規模な言語モデルのユースケースで一般的なパターンであり、例えばこの [torchtune](https://github.com/pytorch/torchtune/blob/main/recipes/configs/llama3/8B_lora.yaml) の例やこの [Axolotl config](https://github.com/OpenAccess-AI-Collective/axolotl/blob/main/examples/llama-3/qlora-fsdp-70b.yaml) などがあります。
-
-
-[Sweeps on Launch](/ja/launch/sweeps-on-launch) は、sweep パラメーターとしての設定ファイル入力の使用をサポートしていません。sweep パラメーターは `Run.config` オブジェクトで制御する必要があります。
-
-
-`launch.manage_config_file` 関数を使用して、設定ファイルを Launch ジョブの入力として追加し、ジョブをローンチする際に設定ファイル内の値の編集アクセスを提供します。
-
-デフォルトでは、`launch.manage_config_file` が使用されると run config 入力はキャプチャされません。`launch.manage_wandb_config` を呼び出すことで、この振る舞いを上書きします。
-
-以下の例を考えてみましょう：
-
-```python
-import yaml
-import wandb
-from wandb.sdk import launch
-
-# Launch SDK の使用に必要
-wandb.require("core")
-
-launch.manage_config_file("config.yaml")
-
-with open("config.yaml", "r") as f:
- config = yaml.safe_load(f)
-
-with wandb.init(config=config):
- # 等
- pass
-```
-
-コードが隣接するファイル `config.yaml` と一緒に実行されていると想像してください：
-
-```yaml
-learning_rate: 0.01
-batch_size: 32
-model: resnet
-dataset: cifar10
-```
-
-`launch.manage_config_file` の呼び出しは、`config.yaml` ファイルをジョブの入力として追加し、W&B CLI または UI からローンチする際に再設定可能にします。
-
-`launch.manage_wandb_config` と同じようにして、設定ファイルに対する許容入力キーをフィルタリングするために `include` と `exclude` のキーワード引数を使用できます。
-
-### 設定ファイルの入力へのアクセス
-
-Launch によって作成された run で `launch.manage_config_file` が呼び出されると、`launch` は設定ファイルの内容を入力値でパッチします。修正された設定ファイルはジョブ 環境で利用可能です。
-
-
-ジョブ コードで最初に設定ファイルを読み取る前に `launch.manage_config_file` を呼び出すことで、入力値が使用されることを確実にします。
-
-
-
-### ジョブの launch ドロワー UI のカスタマイズ
-
-ジョブの入力スキーマを定義することで、ジョブをローンチするためのカスタム UI を作成できます。ジョブのスキーマを定義するには、`launch.manage_wandb_config` または `launch.manage_config_file` の呼び出しにそれを含めます。スキーマは、[JSON Schema](https://json-schema.org/understanding-json-schema/reference) の形での Python 辞書または Pydantic モデル クラスのいずれかです。
-
-
-ジョブ入力スキーマは入力を検証するために使用されません。それらは launch ドロワー内の UI を定義するためだけに使用されます。
-
-
-
-
-
-次の例は、以下のプロパティを持つスキーマを示しています：
-
-- `seed`, 整数
-- `trainer`, いくつかのキーが指定された辞書：
- - `trainer.learning_rate`, ゼロより大きくなければならない浮動小数点数
- - `trainer.batch_size`, 16, 64, 256 のいずれかでなければならない整数
- - `trainer.dataset`, `cifar10` または `cifar100` のいずれかでなければならない文字列
-
-```python
-schema = {
- "type": "object",
- "properties": {
- "seed": {
- "type": "integer"
- },
- "trainer": {
- "type": "object",
- "properties": {
- "learning_rate": {
- "type": "number",
- "description": "モデルの学習率",
- "exclusiveMinimum": 0,
- },
- "batch_size": {
- "type": "integer",
- "description": "バッチごとのサンプル数",
- "enum": [16, 64, 256]
- },
- "dataset": {
- "type": "string",
- "description": "使用するデータセットの名前",
- "enum": ["cifar10", "cifar100"]
- }
- }
- }
- }
-}
-
-launch.manage_wandb_config(
- include=["seed", "trainer"],
- exclude=["trainer.private"],
- schema=schema,
-)
-```
-
-一般的に、以下の JSON Schema 属性がサポートされています：
-
-| 属性 | 必須 | 注釈 |
-| --- | --- | --- |
-| `type` | Yes | `number`, `integer`, `string`, `object` のいずれかでなければなりません |
-| `title` | No | プロパティの表示名を上書きします |
-| `description` | No | プロパティのヘルプテキストを提供します |
-| `enum` | No | フリーフォームのテキスト入力の代わりにドロップダウン選択を作成します |
-| `minimum` | No | `type` が `number` または `integer` のときのみ許可されます |
-| `maximum` | No | `type` が `number` または `integer` のときのみ許可されます |
-| `exclusiveMinimum` | No | `type` が `number` または `integer` のときのみ許可されます |
-| `exclusiveMaximum` | No | `type` が `number` または `integer` のときのみ許可されます |
-| `properties` | No | `type` が `object` のとき、ネストされた設定を定義するために使用します |
-
-
-次の例は、以下のプロパティを持つスキーマを示しています：
-
-- `seed`, 整数
-- `trainer`, いくつかのサブ属性が指定されたスキーマ：
- - `trainer.learning_rate`, ゼロより大きくなければならない浮動小数点数
- - `trainer.batch_size`, 1 から 256 までの範囲でなければならない整数
- - `trainer.dataset`, `cifar10` または `cifar100` のいずれかでなければならない文字列
-
-```python
-class DatasetEnum(str, Enum):
- cifar10 = "cifar10"
- cifar100 = "cifar100"
-
-class Trainer(BaseModel):
- learning_rate: float = Field(gt=0, description="モデルの学習率")
- batch_size: int = Field(ge=1, le=256, description="バッチごとのサンプル数")
- dataset: DatasetEnum = Field(title="Dataset", description="使用するデータセットの名前")
-
-class Schema(BaseModel):
- seed: int
- trainer: Trainer
-
-launch.manage_wandb_config(
- include=["seed", "trainer"],
- exclude=["trainer.private"],
- schema=Schema,
-)
-```
-
-クラスのインスタンスを使用することもできます：
-
-```python
-t = Trainer(learning_rate=0.01, batch_size=32, dataset=DatasetEnum.cifar10)
-s = Schema(seed=42, trainer=t)
-launch.manage_wandb_config(
- include=["seed", "trainer"],
- exclude=["trainer.private"],
- input_schema=s,
-)
-```
-
-
-
-ジョブ入力スキーマを追加すると、launch ドロワーに構造化されたフォームが作成され、ジョブのローンチが容易になります。
-
-
-キュー監視ダッシュボードは、現在 W&B マルチテナントクラウドデプロイメントオプションでのみ利用可能です。
-
-
-## ダッシュボードとプロット
-**Monitor** タブを使用して、過去 7 日間に発生したキューの活動を表示します。左側のパネルを使用して、時間範囲、グループ化、およびフィルターを制御します。
-
-ダッシュボードには、パフォーマンスと効率性に関するよくある質問に対する答えが表示されるいくつかのプロットが含まれています。以下のセクションでは、キューダッシュボードの UI 要素について説明します。
-
-### ジョブステータス
-**ジョブステータス** プロットは、各時間間隔において何件のジョブが実行中、保留中、キュー中、または完了済みであるかを示します。この **ジョブステータス** プロットを使用して、キューのアイドル期間を特定します。
-
-
-`Queued` 項目は、ワークロードを他のキューにシフトする機会を示すかもしれません。失敗の急増は、launch ジョブの設定で助けが必要なユーザーを特定するのに役立ちます。
-
-
-### キュー時間
-
-**キュー時間** プロットは、特定の日付または時間範囲で launch ジョブがキュー上にあった時間（秒数）を表示します。
-
-
-**キュー時間** プロットを使用して、キュー時間が長いことに苦しむユーザーを特定します。
-
-
-左バーの `Grouping` コントロールを使用して、各ジョブの色をカスタマイズします。
-
-特に、ユーザーとジョブが限られたキュー容量にどの程度影響を受けているかを特定するのに役立ちます。
-
-### ジョブ実行
-
-
-ローンンチエージェントがローンンチジョブを実行すると、run が作成されます。つまり、リストされている各runは、そのキューに追加された特定のジョブに対応しています。
-
-
-例えば、次の画像は、`job-source-launch_demo-canonical`というジョブから作成された2つのrunを示しています。このジョブは `Start queue` というキューに追加されました。キューにリストされている最初のrunは `resilient-snowball` と呼ばれ、2番目のrunは `earthy-energy-165` と呼ばれます。
-
-
-
-例: `@job` の設定
-```python
-# これを config.yaml に追加します
-# 代わりに、Dagit's Launchpad または JobDefinition.execute_in_process で設定することもできます
-# 参考: https://docs.dagster.io/concepts/configuration/config-schema#specifying-runtime-configuration
-resources:
- wandb_config:
- config:
- entity: my_entity # これをあなたの W&B entity に置き換えます
- project: my_project # これをあなたの W&B project に置き換えます
-
-@job(
- resource_defs={
- "wandb_config": make_values_resource(
- entity=str,
- project=str,
- ),
- "wandb_resource": wandb_resource.configured(
- {"api_key": {"env": "WANDB_API_KEY"}}
- ),
- "io_manager": wandb_artifacts_io_manager,
- }
-)
-def simple_job_example():
- my_op()
-```
-
-
-例: アセットを使用する `@repository` の設定
-
-```python
-from dagster_wandb import wandb_artifacts_io_manager, wandb_resource
-from dagster import (
- load_assets_from_package_module,
- make_values_resource,
- repository,
- with_resources,
-)
-
-from . import assets
-
-@repository
-def my_repository():
- return [
- *with_resources(
- load_assets_from_package_module(assets),
- resource_defs={
- "wandb_config": make_values_resource(
- entity=str,
- project=str,
- ),
- "wandb_resource": wandb_resource.configured(
- {"api_key": {"env": "WANDB_API_KEY"}}
- ),
- "wandb_artifacts_manager": wandb_artifacts_io_manager.configured(
- {"cache_duration_in_minutes": 60} # ファイルを 1 時間だけキャッシュする
- ),
- },
- resource_config_by_key={
- "wandb_config": {
- "config": {
- "entity": "my_entity", # これをあなたの W&B entity に置き換えます
- "project": "my_project", # これをあなたの W&B project に置き換えます
- }
- }
- },
- ),
- ]
-```
-この例では @job の例と異なり IO Manager キャッシュ期間を設定しています。
-
-
-
-### 設定
-以下の設定オプションは、インテグレーションによって提供される W&B 専用 Dagster リソースと IO マネージャーの設定として使用されます。
-
-* `wandb_resource`: W&B API と通信するために使用される Dagster [リソース](https://docs.dagster.io/concepts/resources)。提供された APIキー を使用して自動的に認証されます。プロパティ:
- * `api_key`: (ストリング, 必須): W&B API と通信するために必要な W&B APIキー。
- * `host`: (ストリング, オプショナル): 使用したい API ホストサーバー。W&B Server を使用している場合にのみ必要です。デフォルトはパブリッククラウドのホスト、`https://api.wandb.ai` です。
-* `wandb_artifacts_io_manager`: W&B Artifacts を消費するための Dagster [IO マネージャー](https://docs.dagster.io/concepts/io-management/io-managers)。プロパティ：
- * `base_dir`: (整数, オプショナル) ローカルストレージとキャッシュに使用される基本ディレクトリ。W&B Artifacts と W&B Run のログはそのディレクトリから読み書きされます。デフォルトでは `DAGSTER_HOME` ディレクトリを使用します。
- * `cache_duration_in_minutes`: (整数, オプショナル) W&B Artifacts と W&B Run ログをローカルストレージに保持する時間。指定された時間が経過しアクセスされなかったファイルとディレクトリはキャッシュから削除されます。キャッシュのクリアは IO マネージャーの実行の終了時に行われます。キャッシュを無効にしたい場合は 0 に設定してください。キャッシュはジョブ間でアーティファクトが再利用されるときに速度を向上させます。デフォルトは30日間です。
- * `run_id`: (ストリング, オプショナル): この run の一意のIDで再開に使用されます。プロジェクト内で一意である必要があり、run を削除した場合、IDを再利用することはできません。短い説明名は name フィールドを使用し、ハイパーパラメーターを保存して runs 間で比較するために config を使用してください。IDには `/\#?%:` という特殊文字を含めることはできません。Dagster 内で実験管理を行う場合、IO マネージャーが run を再開できるように Run ID を設定する必要があります。デフォルトでは Dagster Run ID に設定されます。例：`7e4df022-1bf2-44b5-a383-bb852df4077e`。
- * `run_name`: (ストリング, オプショナル) この run を UI で識別しやすくするための短い表示名。デフォルトでは、以下の形式の文字列です：`dagster-run-[8最初のDagster Run IDの文字]`。たとえば、`dagster-run-7e4df022`。
- * `run_tags`: (list[str], オプショナル): この run の UI にタグ一覧を埋める文字列リスト。タグは runs をまとめて整理したり `baseline` や `production` など一時的なラベルを適用するのに便利です。UIでタグを追加・削除したり特定のタグを持つ run だけを絞り込むのは簡単です。インテグレーションで使用される W&B Run には `dagster_wandb` タグが付きます。
-
-## W&B Artifacts を使用する
-
-W&B Artifact とのインテグレーションは Dagster IO マネージャーに依存しています。
-
-[IO マネージャー](https://docs.dagster.io/concepts/io-management/io-managers) は、アセットまたは op の出力を保存し、それを下流のアセットまたは ops への入力として読み込む責任を持つユーザ提供のオブジェクトです。たとえば、IO マネージャーはファイルシステム上のファイルからオブジェクトを保存および読み込む可能性があります。
-
-今回のインテグレーションは W&B Artifacts 用のIO マネージャーを提供します。これにより Dagster の `@op` または `@asset` は W&B Artifacts をネイティブに作成および消費できます。ここに Python リストを含むデータセットタイプの W&B Artifact を生み出す `@asset` の簡単な例があります。
-
-```python
-@asset(
- name="my_artifact",
- metadata={
- "wandb_artifact_arguments": {
- "type": "dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_dataset():
- return [1, 2, 3] # これは Artifact に保存されます
-```
-
-`@op`、`@asset`、`@multi_asset` をメタデータ設定で注釈を付けてアーティファクトを記述できます。同様に、W&B Artifacts を Dagster 外部で作成された場合でも消費できます。
-
-## W&B Artifacts を書き込む
-続行する前に、W&B Artifacts の使用方法について十分な理解を持っていることをお勧めします。[Guide on Artifacts](/ja/models/artifacts/) を検討してください。
-
-Python 関数からオブジェクトを返すことで W&B Artifact を書き込みます。W&B でサポートされているオブジェクトは以下の通りです：
-* Python オブジェクト (int, dict, list…)
-* W&B オブジェクト (Table, Image, Graph…)
-* W&B Artifact オブジェクト
-
-以下の例は、Dagster アセット (`@asset`) を使用して W&B Artifacts を書き込む方法を示しています：
-
-
-
-[pickle](https://docs.python.org/3/library/pickle.html) モジュールでシリアライズできるものは何でも、インテグレーションによって作成された Artifact にピクルスされて追加されます。ダグスター内でその Artifact を読むときに内容が読み込まれます（さらなる詳細については [Read artifacts](#read-wb-artifacts) を参照してください）。
-
-```python
-@asset(
- name="my_artifact",
- metadata={
- "wandb_artifact_arguments": {
- "type": "dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_dataset():
- return [1, 2, 3]
-```
-
-W&B は複数のピクルスベースのシリアライズモジュール([pickle](https://docs.python.org/3/library/pickle.html), [dill](https://github.com/uqfoundation/dill), [cloudpickle](https://github.com/cloudpipe/cloudpickle), [joblib](https://github.com/joblib/joblib)) をサポートしています。また、[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) といったより高度なシリアライズも利用できます。[Serialization](#serialization-configuration) セクションを参照してください。
-
-
-ネイティブ W&B オブジェクト (例: [Table](/ja/models/ref/python/data-types/table), [Image](/ja/models/ref/python/data-types/image), or [Graph](/ja/models/ref/python/data-types/graph)) のいずれかが作成された Artifact にインテグレーションによって追加されます。以下は Table を使った例です。
-
-```python
-import wandb
-
-@asset(
- name="my_artifact",
- metadata={
- "wandb_artifact_arguments": {
- "type": "dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_dataset_in_table():
- return wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
-```
-
-
-複雑なユースケースの場合、独自の Artifact オブジェクトを構築する必要があるかもしれません。インテグレーションは、統合の両側のメタデータを拡充するなど、便利な追加機能も提供しています。
-
-```python
-import wandb
-
-MY_ASSET = "my_asset"
-
-@asset(
- name=MY_ASSET,
- io_manager_key="wandb_artifacts_manager",
-)
-def create_artifact():
- artifact = wandb.Artifact(MY_ASSET, "dataset")
- table = wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
- artifact.add(table, "my_table")
- return artifact
-```
-
-
-
-
-### 設定
-`@op`、`@asset`、および `@multi_asset` の設定を行うために使用される辞書 wandb_artifact_configuration があり、この辞書はメタデータとしてデコレータの引数で渡される必要があります。この設定は、W&B Artifacts の IO マネージャーの読み取りと書き込みを制御するために必要です。
-
-`@op` の場合、[Out](https://docs.dagster.io/_apidocs/ops#dagster.Out) メタデータ引数を介して出力メタデータにあります。
-`@asset` の場合、アセットのメタデータ引数にあります。
-`@multi_asset` の場合、[AssetOut](https://docs.dagster.io/_apidocs/assets#dagster.AssetOut) メタデータ引数を介して各出力メタデータにあります。
-
-以下のコード例は、`@op`、`@asset`、および `@multi_asset` 計算で辞書を構成する方法を示しています：
-
-
-
-`@op` の例:
-```python
-@op(
- out=Out(
- metadata={
- "wandb_artifact_configuration": {
- "name": "my_artifact",
- "type": "dataset",
- }
- }
- )
-)
-def create_dataset():
- return [1, 2, 3]
-```
-
-
-`@asset` の例:
-```python
-@asset(
- name="my_artifact",
- metadata={
- "wandb_artifact_configuration": {
- "type": "dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_dataset():
- return [1, 2, 3]
-```
-
-設定を通じて名前を渡す必要はありません。@asset にはすでに名前があります。インテグレーションはアセット名として Artifact 名を設定します。
-
-
-`@multi_asset` の例:
-
-```python
-@multi_asset(
- name="create_datasets",
- outs={
- "first_table": AssetOut(
- metadata={
- "wandb_artifact_configuration": {
- "type": "training_dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
- ),
- "second_table": AssetOut(
- metadata={
- "wandb_artifact_configuration": {
- "type": "validation_dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
- ),
- },
- group_name="my_multi_asset_group",
-)
-def create_datasets():
- first_table = wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
- second_table = wandb.Table(columns=["d", "e"], data=[[4, 5]])
-
- return first_table, second_table
-```
-
-
-
-サポートされたプロパティ：
-* `name`: (str) このアーティファクトの人間が読み取り可能な名前で、その名前で UI内でこのアーティファクトを識別したり use_artifact 呼び出しで参照したりできます。名前には文字、数字、アンダースコア、ハイフン、ドットを含めることができます。プロジェクト内で一意である必要があります。`@op` に必須です。
-* `type`: (str) アーティファクトのタイプで、アーティファクトを整理し差別化するために使用されます。一般的なタイプにはデータセットやモデルがありますが、任意の文字列を使用することができ、数字、アンダースコア、ハイフン、ドットを含めることができます。出力がすでにアーティファクトでない場合に必要です。
-* `description`: (str) アーティファクトを説明するための自由なテキスト.説明は Markdownとして UIでレンダリングされるため,テーブル,リンクなどを配置するのに良い場所です。
-* `aliases`: (list[str]) アーティファクトに適用したい 1つ以上のエイリアスを含む配列。インテグレーションは、それが設定されていようとなかろうと「最新」のタグもそのリストに追加します。これはモデルとデータセットのバージョン管理に効果的な方法です。
-* [`add_dirs`](/ja/models/ref/python/artifact#add_dir): 配列（list[dict[str, Any]]）: Artifact に含める各ローカルディレクトリの設定を含む配列。SDK内の同名メソッドと同じ引数をサポートしています。
-* [`add_files`](/ja/models/ref/python/artifact#add_file): 配列（list[dict[str, Any]]）: Artifact に含める各ローカルファイルの設定を含む配列。SDK内の同名メソッドと同じ引数をサポートしています。
-* [`add_references`](/ja/models/ref/python/artifact#add_reference): 配列（list[dict[str, Any]]）: Artifact に含める各外部リファレンスの設定を含む配列。SDK内の同名メソッドと同じ引数をサポートしています。
-* `serialization_module`: (dict) 使用するシリアライズモジュールの設定。詳細については シリアル化 セクションを参照してください。
- * `name`: (str) シリアライズモジュールの名前。受け入れられる値: `pickle`, `dill`, `cloudpickle`, `joblib`。モジュールはローカルで使用可能である必要があります。
- * `parameters`: (dict[str, Any]) シリアライズ関数に渡されるオプション引数。モジュールの dump メソッドと同じ引数を受け入れます。例えば、`{"compress": 3, "protocol": 4}`。
-
-高度な例:
-
-```python
-@asset(
- name="my_advanced_artifact",
- metadata={
- "wandb_artifact_configuration": {
- "type": "dataset",
- "description": "My *Markdown* description",
- "aliases": ["my_first_alias", "my_second_alias"],
- "add_dirs": [
- {
- "name": "My directory",
- "local_path": "path/to/directory",
- }
- ],
- "add_files": [
- {
- "name": "validation_dataset",
- "local_path": "path/to/data.json",
- },
- {
- "is_tmp": True,
- "local_path": "path/to/temp",
- },
- ],
- "add_references": [
- {
- "uri": "https://picsum.photos/200/300",
- "name": "External HTTP reference to an image",
- },
- {
- "uri": "s3://my-bucket/datasets/mnist",
- "name": "External S3 reference",
- },
- ],
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_advanced_artifact():
- return [1, 2, 3]
-```
-
-アセットは統合の両側で有用なメタデータとともに実体化されます：
-* W&B 側: ソースインテグレーション名とバージョン、使用された python バージョン、pickle プロトコルバージョンなど。
-* Dagster 側:
- * Dagster Run ID
- * W&B Run: ID、名前、パス、URL
- * W&B Artifact: ID、名前、タイプ、バージョン、サイズ、URL
- * W&B エンティティ
- * W&B プロジェクト
-
-以下の画像は、Dagster アセットに追加された W&B からのメタデータを示しています。この情報は、インテグレーションがなければ利用できませんでした。
-
-
-mypy のような静的型チェッカーを使用する場合は、以下の方法で設定タイプ定義オブジェクトをインポートしてください：
-
-```python
-from dagster_wandb import WandbArtifactConfiguration
-```
-
-
-### パーティションの利用
-
-インテグレーションはネイティブに[Dagster パーティション](https://docs.dagster.io/concepts/partitions-schedules-sensors/partitions)をサポートしています。
-
-以下は `DailyPartitionsDefinition` を使用したパーティション化の例です。
-```python
-@asset(
- partitions_def=DailyPartitionsDefinition(start_date="2023-01-01", end_date="2023-02-01"),
- name="my_daily_partitioned_asset",
- compute_kind="wandb",
- metadata={
- "wandb_artifact_configuration": {
- "type": "dataset",
- }
- },
-)
-def create_my_daily_partitioned_asset(context):
- partition_key = context.asset_partition_key_for_output()
- context.log.info(f"Creating partitioned asset for {partition_key}")
- return random.randint(0, 100)
-```
-このコードはパーティションごとに一つの W&B Artifact を生成します。アーティファクトは、アセット名の下にパーティションキーを追加して Artifact パネル (UI) で表示されます。例: `my_daily_partitioned_asset.2023-01-01`、`my_daily_partitioned_asset.2023-01-02`、または `my_daily_partitioned_asset.2023-01-03`。複数の次元でパーティション化されたアセットは、次元を点で区切った形式で表示されます。例: `my_asset.car.blue`。
-
-
-インテグレーションによって、単一の run で複数のパーティションの実体化を許可することはできません。資産を実体化するためには、複数の run を実行する必要があります。これは、Dagit で資産を実体化するときに行うことができます。
-
-
-
-#### 高度な使用法
-- [パーティション化されたジョブ](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/ops/partitioned_job.py)
-- [シンプルなパーティション化アセット](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/simple_partitions_example.py)
-- [マルチパーティション化アセット](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/multi_partitions_example.py)
-- [高度なパーティション化の使用例](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/advanced_partitions_example.py)
-
-## W&B Artifacts を読み取る
-W&B Artifacts の読み取りは、それらを書くのと似ています。`@op` または `@asset` に `wandb_artifact_configuration` と呼ばれる設定辞書を設定することができます。唯一の違いは、その設定を出力ではなく入力に設定する必要がある点です。
-
-`@op` の場合、[In](https://docs.dagster.io/_apidocs/ops#dagster.In) メタデータ引数を介して入力メタデータにあります。Artifact の名前を明示的に渡す必要があります。
-
-`@asset` の場合、[Asset](https://docs.dagster.io/_apidocs/assets#dagster.AssetIn) の In メタデータ引数の入力メタデータにあります。親アセットの名前がそれに一致する必要があるため、アーティファクトの名前を渡す必要はありません。
-
-インテグレーションの外部で作成されたアーティファクトに依存関係を持たせたい場合は、[SourceAsset](https://docs.dagster.io/_apidocs/assets#dagster.SourceAsset) を使用する必要があります。それは常にそのアセットの最新バージョンを読み込みます。
-
-次の例は、さまざまな ops から Artifact を読み取る方法を示しています。
-
-
-
-`@op` からアーティファクトを読み取る
-```python
-@op(
- ins={
- "artifact": In(
- metadata={
- "wandb_artifact_configuration": {
- "name": "my_artifact",
- }
- }
- )
- },
- io_manager_key="wandb_artifacts_manager"
-)
-def read_artifact(context, artifact):
- context.log.info(artifact)
-```
-
-
-別の `@asset` によって作成されたアーティファクトを読み取る
-```python
-@asset(
- name="my_asset",
- ins={
- "artifact": AssetIn(
- # 入力引数をリネームしたくない場合は 'key' を削除できます
- key="parent_dagster_asset_name",
- input_manager_key="wandb_artifacts_manager",
- )
- },
-)
-def read_artifact(context, artifact):
- context.log.info(artifact)
-```
-
-
-Dagster の外部で作成された Artifact を読み取る：
-
-```python
-my_artifact = SourceAsset(
- key=AssetKey("my_artifact"), # W&B Artifact の名前
- description="Artifact created outside Dagster",
- io_manager_key="wandb_artifacts_manager",
-)
-
-
-@asset
-def read_artifact(context, my_artifact):
- context.log.info(my_artifact)
-```
-
-
-
-### 設定
-以下の設定は、IO マネージャーが収集するものを装飾された関数への入力として提供するべきかを示すために使用されます。以下の読み取りパターンがサポートされています。
-
-1. アーティファクト内にある名前付きオブジェクトを取得するには、get を使用します：
-
-```python
-@asset(
- ins={
- "table": AssetIn(
- key="my_artifact_with_table",
- metadata={
- "wandb_artifact_configuration": {
- "get": "my_table",
- }
- },
- input_manager_key="wandb_artifacts_manager",
- )
- }
-)
-def get_table(context, table):
- context.log.info(table.get_column("a"))
-```
-
-2. アーティファクト内にあるダウンロードされたファイルのローカルパスを取得するには、get_path を使用します：
-
-```python
-@asset(
- ins={
- "path": AssetIn(
- key="my_artifact_with_file",
- metadata={
- "wandb_artifact_configuration": {
- "get_path": "name_of_file",
- }
- },
- input_manager_key="wandb_artifacts_manager",
- )
- }
-)
-def get_path(context, path):
- context.log.info(path)
-```
-
-3. アーティファクトオブジェクト全体を取得する（コンテンツをローカルでダウンロードします）：
-```python
-@asset(
- ins={
- "artifact": AssetIn(
- key="my_artifact",
- input_manager_key="wandb_artifacts_manager",
- )
- },
-)
-def get_artifact(context, artifact):
- context.log.info(artifact.name)
-```
-
-サポートされているプロパティ
-* `get`: (str) アーティファクト相対の名前にある W&B オブジェクトを取得します。
-* `get_path`: (str) アーティファクト相対の名前にあるファイルへのパスを取得します。
-
-### シリアル化設定
-デフォルトでは、インテグレーションは標準の [pickle](https://docs.python.org/3/library/pickle.html) モジュールを使用しますが、一部のオブジェクトはこれと互換性がありません。たとえば、yield を持つ関数はシリアライズしようとした場合にエラーを発生させます。
-
-より多くのピクルスベースのシリアライズモジュール ([dill](https://github.com/uqfoundation/dill), [cloudpickle](https://github.com/cloudpipe/cloudpickle), [joblib](https://github.com/joblib/joblib)) をサポートしています。また、より高度なシリアル化を使用して [ONNX](https://onnx.ai/) または [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) など、シリアル化された文字列を返すか、直接アーティファクトを作成することもできます。あなたのユースケースに最適な選択肢は、利用可能な文献を参考にしてください。
-
-### ピクルスベースのシリアル化モジュール
-
-
-ピクルスすることは安全性がないことが知られています。安全性が懸念される場合は、W&B オブジェクトのみを使用してください。データに署名し、ハッシュキーを独自のシステムで保存することをお勧めします。より複雑なユースケースに対しては、遠慮せずに私たちに連絡してください。私たちは喜んでお手伝いいたします。
-
-
-使用するシリアル化を `wandb_artifact_configuration` 内の `serialization_module` 辞書を通じて設定することができます。Dagster を実行しているマシンでモジュールが利用可能であることを確認してください。
-
-インテグレーションは、そのアーティファクトを読む際にどのシリアル化モジュールを使用するべきかを自動的に判断します。
-
-現在サポートされているモジュールは `pickle`、`dill`、`cloudpickle`、および `joblib` です。
-
-こちらが、joblib でシリアル化された「モデル」を作成し、推論に使用する例です。
-
-```python
-@asset(
- name="my_joblib_serialized_model",
- compute_kind="Python",
- metadata={
- "wandb_artifact_configuration": {
- "type": "model",
- "serialization_module": {
- "name": "joblib"
- },
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_model_serialized_with_joblib():
- # これは本物の ML モデルではありませんが、pickle モジュールでは不可能であるものです
- return lambda x, y: x + y
-
-@asset(
- name="inference_result_from_joblib_serialized_model",
- compute_kind="Python",
- ins={
- "my_joblib_serialized_model": AssetIn(
- input_manager_key="wandb_artifacts_manager",
- )
- },
- metadata={
- "wandb_artifact_configuration": {
- "type": "results",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def use_model_serialized_with_joblib(
- context: OpExecutionContext, my_joblib_serialized_model
-):
- inference_result = my_joblib_serialized_model(1, 2)
- context.log.info(inference_result) # 出力: 3
- return inference_result
-```
-
-### 高度なシリアル化フォーマット (ONNX, PMML)
-交換ファイル形式として ONNX や PMML を使用することは一般的です。インテグレーションはこれらの形式をサポートしていますが、Pickle ベースのシリアル化の場合よりも少し多くの作業が必要です。
-
-これらの形式を使用する方法は 2 種類あります。
-1. モデルを選択した形式に変換してから、通常の Python オブジェクトのようにその形式の文字列表現を返します。インテグレーションはその文字列をピクルスします。それから、その文字列を使用してモデルを再構築することができます。
-2. シリアル化されたモデルを持つ新しいローカルファイルを作成し、そのファイルをカスタムアーティファクトに追加するために add_file 設定を実行します。
-
-こちらは、Scikit-learn モデルを ONNX を使用してシリアル化する例です。
-
-```python
-import numpy
-import onnxruntime as rt
-from skl2onnx import convert_sklearn
-from skl2onnx.common.data_types import FloatTensorType
-from sklearn.datasets import load_iris
-from sklearn.ensemble import RandomForestClassifier
-from sklearn.model_selection import train_test_split
-
-from dagster import AssetIn, AssetOut, asset, multi_asset
-
-@multi_asset(
- compute_kind="Python",
- outs={
- "my_onnx_model": AssetOut(
- metadata={
- "wandb_artifact_configuration": {
- "type": "model",
- }
- },
- io_manager_key="wandb_artifacts_manager",
- ),
- "my_test_set": AssetOut(
- metadata={
- "wandb_artifact_configuration": {
- "type": "test_set",
- }
- },
- io_manager_key="wandb_artifacts_manager",
- ),
- },
- group_name="onnx_example",
-)
-def create_onnx_model():
- # https://onnx.ai/sklearn-onnx/ からインスパイアされたサンプル
-
- # モデルのトレーニング
- iris = load_iris()
- X, y = iris.data, iris.target
- X_train, X_test, y_train, y_test = train_test_split(X, y)
- clr = RandomForestClassifier()
- clr.fit(X_train, y_train)
-
- # ONNX 形式に変換
- initial_type = [("float_input", FloatTensorType([None, 4]))]
- onx = convert_sklearn(clr, initial_types=initial_type)
-
- # アーティファクトの書き込み（モデル + テストセット）
- return onx.SerializeToString(), {"X_test": X_test, "y_test": y_test}
-
-@asset(
- name="experiment_results",
- compute_kind="Python",
- ins={
- "my_onnx_model": AssetIn(
- input_manager_key="wandb_artifacts_manager",
- ),
- "my_test_set": AssetIn(
- input_manager_key="wandb_artifacts_manager",
- ),
- },
- group_name="onnx_example",
-)
-def use_onnx_model(context, my_onnx_model, my_test_set):
- # https://onnx.ai/sklearn-onnx/ からインスパイアされたサンプル
-
- # ONNX ランタイムを使用して予測を計算します
- sess = rt.InferenceSession(my_onnx_model)
- input_name = sess.get_inputs()[0].name
- label_name = sess.get_outputs()[0].name
- pred_onx = sess.run(
- [label_name], {input_name: my_test_set["X_test"].astype(numpy.float32)}
- )[0]
- context.log.info(pred_onx)
- return pred_onx
-```
-
-### パーティションの利用
-
-インテグレーションはネイティブに[Dagster パーティション](https://docs.dagster.io/concepts/partitions-schedules-sensors/partitions)をサポートしています。
-
-1つ、複数またはすべてのアセットパーティションを選別的に読み取ります。
-
-すべてのパーティションは辞書で提供され、キーと値はそれぞれパーティションキーとアーティファクトコンテンツを表します。
-
-
-
-上流の `@asset` のすべてのパーティションを読み取り、それらは辞書として与えられます。この辞書で、キーはパーティションキー、値はアーティファクトコンテンツに関連しています。
-```python
-@asset(
- compute_kind="wandb",
- ins={"my_daily_partitioned_asset": AssetIn()},
- output_required=False,
-)
-def read_all_partitions(context, my_daily_partitioned_asset):
- for partition, content in my_daily_partitioned_asset.items():
- context.log.info(f"partition={partition}, content={content}")
-```
-
-
-指定したパーティションを選ぶために `AssetIn` の `partition_mapping` 設定を使用します。この例では `TimeWindowPartitionMapping` を使用しています。
-```python
-@asset(
- partitions_def=DailyPartitionsDefinition(start_date="2023-01-01", end_date="2023-02-01"),
- compute_kind="wandb",
- ins={
- "my_daily_partitioned_asset": AssetIn(
- partition_mapping=TimeWindowPartitionMapping(start_offset=-1)
- )
- },
- output_required=False,
-)
-def read_specific_partitions(context, my_daily_partitioned_asset):
- for partition, content in my_daily_partitioned_asset.items():
- context.log.info(f"partition={partition}, content={content}")
-```
-
-
-
-設定オブジェクト `metadata` は、プロジェクト内の異なるアーティファクトパーティションと wandb のやり取りを設定するために使用されます。
-
-オブジェクト `metadata` は、`wandb_artifact_configuration` というキーを含んでおり、さらに `partitions` というネストされたオブジェクトを含んでいます。
-
-`partitions` オブジェクトは、各パーティションの名前とその設定をマッピングします。各パーティションの設定は、データの取得方法を指定でき、それには `get`、`version`、および `alias` のキーを含む場合があります。
-
-**設定キー**
-
-1. `get`:
-`get` キーは、データを取得する W&B オブジェクト (テーブル、イメージなど) の名前を指定します。
-2. `version`:
-`version` キーは、特定のバージョンをアーティファクトから取得したいときに使用されます。
-3. `alias`:
-`alias` キーにより、エイリアスによってアーティファクトを取得することができます。
-
-**ワイルドカード設定**
-
-ワイルドカード `"*"` は、全ての非設定パーティションを表します。明示的に `partitions` オブジェクトに記載されていないパーティションに対するデフォルト設定を提供します。
-
-例、
-
-```python
-"*": {
- "get": "default_table_name",
-},
-```
-この設定は、明示的に設定されていないすべてのパーティションに対し、データが `default_table_name` というテーブルから取得されることを意味します。
-
-**特定のパーティション設定**
-
-ワイルドカード設定を、特定のキーを持つ特定のパーティション設定で上書きできます。
-
-例、
-
-```python
-"yellow": {
- "get": "custom_table_name",
-},
-```
-
-この設定は、`yellow` という名前のパーティションに対し、データが `custom_table_name` というテーブルから取得されることを意味し、ワイルドカード設定を上書きします。
-
-**バージョニングとエイリアス**
-
-バージョニングおよびエイリアスのために、設定で特定の `version` および `alias` のキーを指定することができます。
-
-バージョンの場合、
-
-```python
-"orange": {
- "version": "v0",
-},
-```
-
-この設定は、`orange` アーティファクトパーティションのバージョン `v0` からのデータを取得します。
-
-エイリアスの場合、
-
-```python
-"blue": {
- "alias": "special_alias",
-},
-```
-
-この設定は、アーティファクトパーティションのエイリアス `special_alias` (設定では `blue` として参照) の `default_table_name` テーブルからデータを取得します。
-
-### 高度な使用法
-インテグレーションの高度な使用法を確認するには、以下の完全なコード例を参照してください：
-* [アセットに対する高度な使用例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/assets/advanced_example.py)
-* [パーティション化されたジョブの例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/ops/partitioned_job.py)
-* [モデルをモデルレジストリにリンクする例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/assets/model_registry_example.py)
-
-## W&B Launch の使用
-
-
-ベータ版製品には積極的な開発が行われています。Launchに興味がありますか？ W&B Launch の顧客パイロットプログラムに参加するためにアカウントチームに連絡してください。
-パイロット顧客は、ベータプログラムに適格となるためには AWS EKS もしくは SageMaker を使用する必要があります。最終的には追加のプラットフォームのサポートを計画しています。
-
-
-継続する前に、W&B Launch の使用方法について十分な理解を持っていることをお勧めします。Launch のガイドを読むことを検討してください: /guides/launch。
-
-Dagster インテグレーションは以下を補助します：
-* Dagster インスタンス内での1つまたは複数の Launch エージェントの実行。
-* あなたの Dagster インスタンス内でのローカル Launch ジョブの実行。
-* オンプレミスまたはクラウドでのリモート Launch ジョブ。
-
-### Launch エージェント
-インテグレーションには `run_launch_agent` というインポート可能な `@op` が提供されます。この `@op` は Launch エージェントを起動し、手動で停止されるまで長時間実行プロセスとして実行します。
-
-エージェントは launch キューをポールし、ジョブを（またはそれらを実行するために外部サービスにディスパッチ）発行するプロセスです。
-
-設定については、[リファレンスドキュメント](/ja/launch/) を参照してください
-
-Launchingpad で全プロパティに対する有用な説明を見ることもできます。
-
-
-このチュートリアルは、複数のGPUを搭載したマシンへの直接アクセスがあるユーザーを対象としています。このチュートリアルは、クラウドマシンをレンタルしているユーザーには意図されていません。
-
-クラウドマシン上でminikubeクラスターをセットアップしたい場合、W&Bはクラウドプロバイダーを使用したGPU対応のKubernetesクラスターを作成することを推奨します。たとえば、AWS、GCP、Azure、Coreweave、その他のクラウドプロバイダーには、GPU対応のKubernetesクラスターを作成するためのツールがあります。
-
-単一のGPUを搭載したマシンでGPUをスケジュールするためにminikubeクラスターをセットアップしたい場合、W&Bは[Launch Dockerキュー](/ja/launch/set-up-launch/setup-launch-docker)を使用することを推奨します。このチュートリアルを楽しくフォローすることはできますが、GPUのスケジューリングはあまり役に立たないでしょう。
-
-
-## 背景
-
-[Nvidia コンテナツールキット](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/index.html)のおかげで、DockerでGPUを有効にしたワークフローを簡単に実行できるようになりました。制限の一つに、ボリュームによるGPUのスケジューリングのネイティブなサポートがない点があります。`docker run` コマンドでGPUを使用したい場合は、特定のGPUをIDでリクエストするか、存在するすべてのGPUをリクエストする必要がありますが、これは多くの分散GPUを有効にしたワークロードを非現実的にします。Kubernetesはボリュームリクエストによるスケジューリングをサポートしていますが、GPUスケジューリングを備えたローカルKubernetesクラスターのセットアップには、最近までかなりの時間と労力がかかっていました。Minikubeは、シングルノードKubernetesクラスターを実行するための最も人気のあるツールの1つであり、最近 [GPUスケジューリングのサポート](https://minikube.sigs.k8s.io/docs/tutorials/nvidia/) をリリースしました 🎉 このチュートリアルでは、マルチGPUマシンにMinikubeクラスターを作成し、W&B Launchを使用してクラスターに並行して安定的な拡散推論ジョブを起動します 🚀
-
-## 前提条件
-
-始める前に、次のものが必要です：
-
-1. W&Bアカウント。
-2. 以下がインストールされているLinuxマシン：
- 1. Docker runtime
- 2. 使用したいGPU用のドライバ
- 3. Nvidiaコンテナツールキット
-
-
-このチュートリアルをテストし作成するために、4 NVIDIA Tesla T4 GPUを接続した `n1-standard-16` Google Cloud Compute Engineインスタンスを使用しました。
-
-
-## Launchジョブ用のキューを作成
-
-最初に、launchジョブ用のlaunchキューを作成します。
-
-1. [wandb.ai/launch](https://wandb.ai/launch)（またはプライベートW&Bサーバーを使用している場合は `/launch`）に移動します。
-2. 画面の右上隅にある青い **Create a queue** ボタンをクリックします。キュー作成のドロワーが画面の右側からスライドアウトします。
-3. エンティティを選択し、名前を入力し、キューのタイプとして **Kubernetes** を選択します。
-4. ドロワーの **Config** セクションには、launchキュー用の[Kubernetesジョブ仕様](https://kubernetes.io/docs/concepts/workloads/controllers/job/)を入力します。このキューから起動されたrunは、このジョブ仕様を使用して作成されるため、必要に応じてジョブをカスタマイズするためにこの設定を変更できます。このチュートリアルでは、下記のサンプル設定をキューの設定にYAMLまたはJSONとしてコピー＆ペーストできます：
-
-
-
-```yaml
-spec:
- template:
- spec:
- containers:
- - image: ${image_uri}
- resources:
- limits:
- cpu: 4
- memory: 12Gi
- nvidia.com/gpu: '{{gpus}}'
- restartPolicy: Never
- backoffLimit: 0
-```
-
-
-```json
-{
- "spec": {
- "template": {
- "spec": {
- "containers": [
- {
- "image": "${image_uri}",
- "resources": {
- "limits": {
- "cpu": 4,
- "memory": "12Gi",
- "nvidia.com/gpu": "{{gpus}}"
- }
- }
- }
- ],
- "restartPolicy": "Never"
- }
- },
- "backoffLimit": 0
- }
-}
-```
-
-
-
-キュー設定の詳細については、 [Set up Launch on Kubernetes](/ja/launch/set-up-launch/setup-launch-kubernetes)と [Advanced queue setup guide](/ja/launch/set-up-launch/setup-queue-advanced) を参照してください。
-
-`${image_uri}` と `{{gpus}}` 文字列は、キュー設定で使用できる2種類の変数テンプレートの例です。`${image_uri}` テンプレートは、エージェントが起動するジョブの画像URIに置き換えられます。`{{gpus}}` テンプレートは、ジョブを送信する際にlaunch UI、CLI、またはSDKからオーバーライドできるテンプレート変数の作成に使用されます。これらの値はジョブ仕様に配置され、ジョブで使用される画像とGPUリソースを制御する正しいフィールドを変更します。
-
-5. **Parse configuration** ボタンをクリックして `gpus` テンプレート変数をカスタマイズし始めます。
-6. **Type** を `Integer` に設定し、 **Default** 、 **Min** 、 **Max** を選択した値に設定します。このテンプレート変数の制約を違反するrunをこのキューに送信しようとすると、拒否されます。
-
-
-コンテナ外でエージェントを実行することも、ローカルDockerホストを使用してクラスター用の画像を構築できることを意味します。
-
-
-エージェントをローカルで実行するには、デフォルトのKubernetes APIコンテキストがMinikubeクラスターを指していることを確認してください。次に、以下を実行してエージェントの依存関係をインストールします：
-
-```bash
-pip install "wandb[launch]"
-```
-
-エージェントの認証を設定するには、`wandb login`を実行するか、`WANDB_API_KEY`環境変数を設定します。
-
-エージェントを開始するには、次のコマンドを実行します：
-
-```bash
-wandb launch-agent -j -q -e
-```
-
-ターミナル内でlaunchエージェントがポーリングメッセージを印刷し始めるのを確認できます。
-
-おめでとうございます、launchエージェントがlaunchキューのポーリングを行っています。キューにジョブが追加されると、エージェントがそれを受け取り、Minikubeクラスターで実行するようスケジュールします。
-
-## ジョブを起動
-
-エージェントにジョブを送信しましょう。W&Bアカウントにログインしているターミナルから、以下のコマンドで簡単な "hello world" を起動できます：
-
-```yaml
-wandb launch -d wandb/job_hello_world:main -p -q -e
-```
-
-好きなジョブやイメージでテストできますが、クラスターがイメージをプルできることを確認してください。追加のガイダンスについては、[Minikubeのドキュメント](https://minikube.sigs.k8s.io/docs/handbook/registry/)を参照してください。また、[私たちの公開ジョブを使用してテスト](https://wandb.ai/wandb/jobs/jobs?workspace=user-bcanfieldsherman)することもできます。
-
-## (オプション) NFSを用いたモデルとデータキャッシング
-
-ML ワークロードのために、複数のジョブが同じデータにアクセスできるようにしたい場合があります。たとえば、大規模なアセット（データセットやモデルの重みなど）の再ダウンロードを避けるために共有キャッシュを持つことができます。Kubernetesは、[永続ボリュームと永続ボリュームクレーム](https://kubernetes.io/docs/concepts/storage/persistent-volumes/)を通じてこれをサポートしています。永続ボリュームは、Kubernetesワークロードにおいて `volumeMounts` を作成し、共有キャッシュへの直接ファイルシステムアクセスを提供します。
-
-このステップでは、モデルの重みをキャッシュとして共有するために使用できるネットワークファイルシステム（NFS）サーバーをセットアップします。最初のステップはNFSをインストールし、設定することです。このプロセスはオペレーティングシステムによって異なります。私たちのVMはUbuntuを実行しているので、nfs-kernel-serverをインストールし、`/srv/nfs/kubedata`でエクスポートを設定しました：
-
-```bash
-sudo apt-get install nfs-kernel-server
-sudo mkdir -p /srv/nfs/kubedata
-sudo chown nobody:nogroup /srv/nfs/kubedata
-sudo sh -c 'echo "/srv/nfs/kubedata *(rw,sync,no_subtree_check,no_root_squash,no_all_squash,insecure)" >> /etc/exports'
-sudo exportfs -ra
-sudo systemctl restart nfs-kernel-server
-```
-
-ホストファイルシステムのサーバーのエクスポート先と、NFSサーバーのローカルIPアドレスをメモしておいてください。次のステップでこの情報が必要です。
-
-次に、このNFSの永続ボリュームと永続ボリュームクレームを作成する必要があります。永続ボリュームは非常にカスタマイズ可能ですが、シンプlicityのために、ここではシンプルな設定を使用します。
-
-以下のyamlを `nfs-persistent-volume.yaml` というファイルにコピーし、希望のボリュームキャパシティとクレームリクエストを記入してください。`PersistentVolume.spec.capcity.storage` フィールドは、基になるボリュームの最大サイズを制御します。`PersistentVolumeClaim.spec.resources.requests.storage` は、特定のクレームに割り当てられるボリュームキャパシティを制限するために使用できます。私たちのユースケースでは、それぞれに同じ値を使用するのが理にかなっています。
-
-```yaml
-apiVersion: v1
-kind: PersistentVolume
-metadata:
- name: nfs-pv
-spec:
- capacity:
- storage: 100Gi # あなたの希望の容量に設定してください。
- accessModes:
- - ReadWriteMany
- nfs:
- server: # TODO: ここを記入してください。
- path: '/srv/nfs/kubedata' # またはあなたのカスタムパス
----
-apiVersion: v1
-kind: PersistentVolumeClaim
-metadata:
- name: nfs-pvc
-spec:
- accessModes:
- - ReadWriteMany
- resources:
- requests:
- storage: 100Gi # あなたの希望の容量に設定してください。
- storageClassName: ''
- volumeName: nfs-pv
-```
-
-以下のコマンドでクラスターにリソースを作成します：
-
-```yaml
-kubectl apply -f nfs-persistent-volume.yaml
-```
-
-私たちのrunがこのキャッシュを使用できるようにするためには、launchキューの設定に `volumes` と `volumeMounts` を追加する必要があります。launchの設定を編集するには、再び [wandb.ai/launch](http://wandb.ai/launch)（またはwandbサーバー上のユーザーの場合は\/launch）に戻り、キューを見つけ、キューページに移動し、その後、**Edit config** タブをクリックします。元の設定を次のように変更できます：
-
-
-
-```yaml
-spec:
- template:
- spec:
- containers:
- - image: ${image_uri}
- resources:
- limits:
- cpu: 4
- memory: 12Gi
- nvidia.com/gpu: "{{gpus}}"
- volumeMounts:
- - name: nfs-storage
- mountPath: /root/.cache
- restartPolicy: Never
- volumes:
- - name: nfs-storage
- persistentVolumeClaim:
- claimName: nfs-pvc
- backoffLimit: 0
-```
-
-
-```json
-{
- "spec": {
- "template": {
- "spec": {
- "containers": [
- {
- "image": "${image_uri}",
- "resources": {
- "limits": {
- "cpu": 4,
- "memory": "12Gi",
- "nvidia.com/gpu": "{{gpus}}"
- },
- "volumeMounts": [
- {
- "name": "nfs-storage",
- "mountPath": "/root/.cache"
- }
- ]
- }
- }
- ],
- "restartPolicy": "Never",
- "volumes": [
- {
- "name": "nfs-storage",
- "persistentVolumeClaim": {
- "claimName": "nfs-pvc"
- }
- }
- ]
- }
- },
- "backoffLimit": 0
- }
-}
-```
-
-
-
-これで、NFSはジョブを実行しているコンテナの `/root/.cache` にマウントされます。コンテナが `root` 以外のユーザーとして実行される場合、マウントパスは調整が必要です。HuggingfaceのライブラリとW&B Artifactsは、デフォルトで `$HOME/.cache/` を利用しているため、ダウンロードは一度だけ行われるはずです。
-
-## 安定拡散と遊ぶ
-
-新しいシステムをテストするために、安定的な拡散の推論パラメータを実験します。
-デフォルトのプロンプトと常識的なパラメータでシンプルな安定的拡散推論ジョブを実行するには、次のコマンドを実行します：
-
-```
-wandb launch -d wandb/job_stable_diffusion_inference:main -p -q -e
-```
-
-上記のコマンドは、あなたのキューに `wandb/job_stable_diffusion_inference:main` コンテナイメージを送信します。
-エージェントがジョブを受け取り、クラスターで実行するためにスケジュールするとき、接続に依存してイメージがプルされるまで時間がかかることがあります。
-ジョブのステータスは[wandb.ai/launch](http://wandb.ai/launch)（またはwandbサーバー上のユーザーの場合の\/launch）キューページで確認できます。
-
-runが終了すると、指定したプロジェクトにジョブアーティファクトがあるはずです。
-プロジェクトのジョブページ (`/jobs`) にアクセスしてジョブアーティファクトを見つけることができます。デフォルトの名前は `job-wandb_job_stable_diffusion_inference` ですが、ジョブのページでジョブ名の横にある鉛筆アイコンをクリックして好きなように変更できます。
-
-このジョブを使って、クラスター上でさらに安定的な拡散推論を実行することができます。
-ジョブページから、右上隅にある **Launch** ボタンをクリックして新しい推論ジョブを設定し、キューに送信します。ジョブの設定ページは、元のrunからのパラメータで自動的に入力されますが、 **Overrides** セクションで値を変更することで好きなように変更できます。
-
-
-デプロイメント時間はモデルとマシンタイプによって異なります。ベースの Llama2-7b 構成は、GCP の `a2-ultragpu-1g` で約1分かかります。
-
-
-## クイックスタート
-
-1. [launch キューを作成する](/ja/launch/create-and-deploy-jobs/add-job-to-queue) まだ持っていない場合は、以下に例としてキュー設定を示します。
-
- ```yaml
- net: host
- gpus: all # 特定の GPU セットまたは `all` を使用してすべてを使うこともできます
- runtime: nvidia # nvidia コンテナランタイムも必要です
- volume:
- - model-store:/model-store/
- ```
-
-
-
-```yaml
-kind: Job
-spec:
- tasks:
- - name: master
- policies:
- - event: TaskCompleted
- action: CompleteJob
- replicas: 1
- template:
- spec:
- containers:
- - name: master
- image: ${image_uri}
- imagePullPolicy: IfNotPresent
- restartPolicy: OnFailure
- - name: worker
- replicas: 1
- template:
- spec:
- containers:
- - name: worker
- image: ${image_uri}
- workingDir: /home
- imagePullPolicy: IfNotPresent
- restartPolicy: OnFailure
- plugins:
- pytorch:
- - --master=master
- - --worker=worker
- - --port=23456
- minAvailable: 1
- schedulerName: volcano
-metadata:
- name: wandb-job-${run_id}
- labels:
- wandb_entity: ${entity_name}
- wandb_project: ${project_name}
- namespace: wandb
-apiVersion: batch.volcano.sh/v1alpha1
-```
-
-
-```json
-{
- "kind": "Job",
- "spec": {
- "tasks": [
- {
- "name": "master",
- "policies": [
- {
- "event": "TaskCompleted",
- "action": "CompleteJob"
- }
- ],
- "replicas": 1,
- "template": {
- "spec": {
- "containers": [
- {
- "name": "master",
- "image": "${image_uri}",
- "imagePullPolicy": "IfNotPresent"
- }
- ],
- "restartPolicy": "OnFailure"
- }
- }
- },
- {
- "name": "worker",
- "replicas": 1,
- "template": {
- "spec": {
- "containers": [
- {
- "name": "worker",
- "image": "${image_uri}",
- "workingDir": "/home",
- "imagePullPolicy": "IfNotPresent"
- }
- ],
- "restartPolicy": "OnFailure"
- }
- }
- }
- ],
- "plugins": {
- "pytorch": [
- "--master=master",
- "--worker=worker",
- "--port=23456"
- ]
- },
- "minAvailable": 1,
- "schedulerName": "volcano"
- },
- "metadata": {
- "name": "wandb-job-${run_id}",
- "labels": {
- "wandb_entity": "${entity_name}",
- "wandb_project": "${project_name}"
- },
- "namespace": "wandb"
- },
- "apiVersion": "batch.volcano.sh/v1alpha1"
-}
-```
-
-
-
-ドロワーの下部にある**Create queue**ボタンをクリックしてキューの作成を完了します。
-
-## Volcanoをインストールする
-
-KubernetesクラスターにVolcanoをインストールするには、[公式インストールガイド](https://volcano.sh/en/docs/installation/)に従ってください。
-
-## ローンチエージェントをデプロイする
-
-キューを作成した後は、キューからジョブを引き出して実行するためにローンチエージェントをデプロイする必要があります。これを行う最も簡単な方法は、W&Bの公式`helm-charts`リポジトリから[`launch-agent`チャート](https://github.com/wandb/helm-charts/tree/main/charts/launch-agent)を使用することです。READMEに記載された指示に従って、Kubernetesクラスターにチャートをインストールし、エージェントが先ほど作成したキューをポーリングするように設定してください。
-
-## トレーニングジョブを作成する
-
-Volcanoのpytorchプラグインは、pytorch DPPが機能するために必要な環境変数（`MASTER_ADDR`、`RANK`、`WORLD_SIZE`など）を自動で設定します。ただし、pytorchコードがDDPを正しく使用している場合に限ります。カスタムのPythonコードでDDPを使用する方法の詳細については、[pytorchのドキュメント](https://pytorch.org/tutorials/intermediate/ddp_tutorial.html)を参照してください。
-
-
-Volcanoのpytorchプラグインは、[PyTorch Lightning `Trainer`を使用したマルチノードトレーニング](https://lightning.ai/docs/pytorch/stable/common/trainer.html#num-nodes)とも互換性があります。
-
-
-## ローンチ 🚀
-
-キューとクラスターのセットアップが完了したので、分散トレーニングを開始する時がきました。最初に、Volcanoのpytorchプラグインを使用してランダムデータ上でシンプルなマルチレイヤパーセプトロンをトレーニングする[a job](https://wandb.ai/wandb/multinodetest/jobs/QXJ0aWZhY3RDb2xsZWN0aW9uOjc3MDcwNTg1/runs/latest)を使用します。このジョブのソースコードは[こちら](https://github.com/wandb/launch-jobs/tree/main/jobs/distributed_test)で見つけることができます。
-
-このジョブをローンチするには、[ジョブのページ](https://wandb.ai/wandb/multinodetest/jobs/QXJ0aWZhY3RDb2xsZWN0aW9uOjc3MDcwNTg1/runs/latest)にアクセスし、画面の右上にある**Launch**ボタンをクリックします。ジョブをローンチするキューを選択するように促されます。
-
- -q -E
-```
-
-このコマンドはジョブを作成し、run を開始します。
-
-イメージからジョブを作成するには、以下のコマンドを使用してください：
-
-```bash
-wandb job create image -p -e
-```
\ No newline at end of file
diff --git a/ja/launch/launch-faq/clicking_launch_without_going_ui.mdx b/ja/launch/launch-faq/clicking_launch_without_going_ui.mdx
deleted file mode 100644
index 86bf5948b8..0000000000
--- a/ja/launch/launch-faq/clicking_launch_without_going_ui.mdx
+++ /dev/null
@@ -1,9 +0,0 @@
----
-title: クリックするのが嫌いです - UI を通さずに Launch を使用できますか?
----
-
-はい。標準の `wandb` CLI にはジョブをローンンチするための `launch` サブコマンドが含まれています。詳細については、以下のコマンドを実行してください。
-
-```bash
-wandb launch --help
-```
\ No newline at end of file
diff --git a/ja/launch/launch-faq/control_push_queue.mdx b/ja/launch/launch-faq/control_push_queue.mdx
deleted file mode 100644
index a976c47508..0000000000
--- a/ja/launch/launch-faq/control_push_queue.mdx
+++ /dev/null
@@ -1,5 +0,0 @@
----
-title: キューにプッシュできる人をどのように制御しますか？
----
-
-キューはユーザー チームに特有です。 キュー作成時に所有するエンティティを定義します。 アクセスを制限するには、チームメンバーシップを変更します。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/docker_queues_run_multiple_jobs_download_same_artifact_useartifact.mdx b/ja/launch/launch-faq/docker_queues_run_multiple_jobs_download_same_artifact_useartifact.mdx
deleted file mode 100644
index 9e9639d1de..0000000000
--- a/ja/launch/launch-faq/docker_queues_run_multiple_jobs_download_same_artifact_useartifact.mdx
+++ /dev/null
@@ -1,7 +0,0 @@
----
-title: Dockerキュー内の複数のジョブが同じアーティファクトをダウンロードする場合、キャッシュは使用されますか、それとも毎回のrunで再ダウンロードされますか？
----
-
-キャッシュは存在しません。各ローンチジョブは独立して動作します。キューの設定で Docker の引数を使用して、共有キャッシュをマウントするようにキューまたはエージェントを設定してください。
-
-さらに、特定のユースケースに対して、W&B アーティファクトキャッシュを永続ボリュームとしてマウントします。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/dockerfile_let_wb_build_docker_image_me.mdx b/ja/launch/launch-faq/dockerfile_let_wb_build_docker_image_me.mdx
deleted file mode 100644
index b09ff7631e..0000000000
--- a/ja/launch/launch-faq/dockerfile_let_wb_build_docker_image_me.mdx
+++ /dev/null
@@ -1,46 +0,0 @@
----
-title: W&B に Dockerfile を指定して、Docker イメージを作成してもらうことはできますか？
----
-
-この機能は、要件が安定しているがコードベースが頻繁に変化するプロジェクトに適しています。
-
-
-Dockerfile をマウントとして使用するようにフォーマットしてください。詳細は、[Docker Docs の Mounts ドキュメント](https://docs.docker.com/build/guide/mounts/)をご覧ください。
-
-
-Dockerfile を設定した後、W&B に指定する方法は次の3つです:
-
-* Dockerfile.wandb を使用する
-* W&B CLI を使用する
-* W&B App を使用する
-
-
-
-W&B run のエントリポイントと同じディレクトリーに `Dockerfile.wandb` ファイルを含めます。W&B はこのファイルを組み込みの Dockerfile ではなく使用します。
-
-
-`wandb launch` コマンドに `--dockerfile` フラグを使用してジョブをキューに追加します:
-
-```bash
-wandb launch --dockerfile path/to/Dockerfile
-```
-
-
-W&B App でジョブをキューに追加する際、**Overrides** セクションで Dockerfile のパスを指定します。それをキーと値のペアとして入力し、キーを `"dockerfile"`、値を Dockerfile のパスとします。
-
-次の JSON は、ローカルディレクトリーに Dockerfile を含む方法を示しています:
-
-```json title="Launch job W&B App"
-{
- "args": [],
- "run_config": {
- "lr": 0,
- "batch_size": 0,
- "epochs": 0
- },
- "entrypoint": [],
- "dockerfile": "./Dockerfile"
-}
-```
-
-
\ No newline at end of file
diff --git a/ja/launch/launch-faq/launch_automatically_provision_spin_compute_resources_target_environment.mdx b/ja/launch/launch-faq/launch_automatically_provision_spin_compute_resources_target_environment.mdx
deleted file mode 100644
index 8475bb8cca..0000000000
--- a/ja/launch/launch-faq/launch_automatically_provision_spin_compute_resources_target_environment.mdx
+++ /dev/null
@@ -1,5 +0,0 @@
----
-title: ターゲット環境で Launch は計算リソースを自動でプロビジョニング (そしてスピンダウン) できますか?
----
-
-このプロセスは環境に依存します。Amazon SageMaker と Vertex でリソースが提供されます。Kubernetes では、オートスケーラーが需要に基づいてリソースを自動的に調整します。W&B のソリューション アーキテクトが Kubernetes インフラストラクチャーの設定を支援し、再試行、自動スケーリング、およびスポット インスタンス ノード プールの使用を可能にします。サポートについては、support@wandb.com に連絡するか、共有された Slack チャンネルを使用してください。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/launch_build_images.mdx b/ja/launch/launch-faq/launch_build_images.mdx
deleted file mode 100644
index 08c1d44de6..0000000000
--- a/ja/launch/launch-faq/launch_build_images.mdx
+++ /dev/null
@@ -1,22 +0,0 @@
----
-title: W&B Launch はどのようにしてイメージを作成しますか？
----
-
-画像のビルド手順は、ジョブのソースとリソース設定で指定されたアクセラレータのベース画像によって異なります。
-
-
-キューを設定する場合やジョブを送信する際には、キューやジョブのリソース設定にベースアクセラレータ画像を含めてください:
-```json
-{
- "builder": {
- "accelerator": {
- "base_image": "image-name"
- }
- }
-}
-```
-
-
-ビルドプロセスには、ジョブタイプと提供されたアクセラレータのベース画像に基づいて、以下のアクションが含まれます:
-
-| | apt を使用して Python をインストール | Python パッケージをインストール | ユーザーと作業ディレクトリを作成 | コードを画像にコピー | エントリーポイントを設定 | |
diff --git a/ja/launch/launch-faq/launch_d_wandb_job_create_image_uploading_whole_docker.mdx b/ja/launch/launch-faq/launch_d_wandb_job_create_image_uploading_whole_docker.mdx
deleted file mode 100644
index 672f186193..0000000000
--- a/ja/launch/launch-faq/launch_d_wandb_job_create_image_uploading_whole_docker.mdx
+++ /dev/null
@@ -1,20 +0,0 @@
----
-title: '`wandb launch -d` または `wandb job create image` が、レジストリからプルせずに全体のDockerアーティファクトをアップロードしていますか？'
----
-
-`wandb launch -d` コマンドは、イメージをレジストリにアップロードしません。イメージは別途レジストリにアップロードしてください。以下の手順に従ってください。
-
-1. イメージをビルドします。
-2. イメージをレジストリにプッシュします。
-
-ワークフローは以下の通りです：
-
-```bash
-docker build -t : .
-docker push :
-wandb launch -d :
-```
-
-ローンチエージェントは、指定されたコンテナを指すジョブを立ち上げます。コンテナレジストリからイメージを取得するエージェントアクセスの設定例については、[Advanced agent setup](/ja/launch/set-up-launch/setup-agent-advanced#agent-configuration)を参照してください。
-
-Kubernetes を使用する場合は、Kubernetes クラスターのポッドが、イメージがプッシュされたレジストリにアクセスできることを確認してください。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/launch_support_parallelization_limit_resources_consumed_job.mdx b/ja/launch/launch-faq/launch_support_parallelization_limit_resources_consumed_job.mdx
deleted file mode 100644
index 67226081cd..0000000000
--- a/ja/launch/launch-faq/launch_support_parallelization_limit_resources_consumed_job.mdx
+++ /dev/null
@@ -1,16 +0,0 @@
----
-title: ローンチは並列化をサポートしていますか？ジョブによって消費されるリソースを制限する方法はありますか？
----
-
-Launch は、複数の GPU およびノードにわたるジョブのスケーリングをサポートします。詳細については、[このガイド](/ja/launch/integration-guides/volcano)を参照してください。
-
-各 Launch エージェントには `max_jobs` パラメータが設定されており、同時に実行できるジョブの最大数を決定します。適切なローンチ インフラストラクチャーに接続されていれば、複数のエージェントが単一のキューを指すことができます。
-
-リソース設定では、CPU、GPU、メモリ、およびその他のリソースに対してキューまたはジョブ実行レベルでの制限を設定できます。Kubernetes でリソース制限付きのキューを設定する方法については、[このガイド](/ja/launch/set-up-launch/setup-launch-kubernetes)を参照してください。
-
-スイープの場合、以下のブロックをキュー設定に含めて、同時に実行される run の数を制限してください。
-
-```yaml title="queue config"
- scheduler:
- num_workers: 4
-```
\ No newline at end of file
diff --git a/ja/launch/launch-faq/launch_tensorflow_gpu.mdx b/ja/launch/launch-faq/launch_tensorflow_gpu.mdx
deleted file mode 100644
index 9b6f620624..0000000000
--- a/ja/launch/launch-faq/launch_tensorflow_gpu.mdx
+++ /dev/null
@@ -1,18 +0,0 @@
----
-title: W&B Launch を GPU 上での Tensorflow と連携させるにはどうすればよいですか？
----
-
-TensorFlow ジョブで GPU を使用する場合、コンテナビルド用にカスタムベースイメージを指定します。これにより、run 中の正しい GPU 利用が保証されます。リソース設定の `builder.accelerator.base_image` キーの下にイメージタグを追加します。例えば:
-
-```json
-{
- "gpus": "all",
- "builder": {
- "accelerator": {
- "base_image": "tensorflow/tensorflow:latest-gpu"
- }
- }
-}
-```
-
-W&B バージョン 0.15.6 以前では、`base_image` の親キーとして `accelerator` の代わりに `cuda` を使用してください。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/launcherror_permission_denied.mdx b/ja/launch/launch-faq/launcherror_permission_denied.mdx
deleted file mode 100644
index 9198f05866..0000000000
--- a/ja/launch/launch-faq/launcherror_permission_denied.mdx
+++ /dev/null
@@ -1,9 +0,0 @@
----
-title: Launch で "permission denied" エラーを修正するにはどうすればよいですか？
----
-
-エラーメッセージ `Launch Error: Permission denied` に遭遇した場合、これは、目的のプロジェクトにログを記録するための権限が不十分であることを示しています。考えられる原因は次のとおりです：
-
-1. このマシンにログインしていません。コマンドラインで [`wandb login`](/ja/models/ref/cli/wandb-login) を実行してください。
-2. 指定されたエンティティが存在しません。エンティティは、ユーザーのユーザー名または既存のチームの名前である必要があります。必要に応じて、[Subscriptions page](https://app.wandb.ai/billing) でチームを作成してください。
-3. プロジェクトの権限がありません。プロジェクトの作成者にプライバシー設定を **Open** に変更するよう依頼して、プロジェクトに run をログできるようにしてください。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/permissions_agent_require_kubernetes.mdx b/ja/launch/launch-faq/permissions_agent_require_kubernetes.mdx
deleted file mode 100644
index 179036bb37..0000000000
--- a/ja/launch/launch-faq/permissions_agent_require_kubernetes.mdx
+++ /dev/null
@@ -1,5 +0,0 @@
----
-title: Kubernetes でエージェントにはどのような権限が必要ですか？
----
-
-Kubernetesマニフェストは、`wandb` ネームスペースで `wandb-launch-agent` という名前のロールを作成します。このロールは、エージェントが `wandb` ネームスペースでポッド、configmaps、secretsを作成し、ポッドのログに アクセス することを可能にします。`wandb-cluster-role` は、エージェントがポッドを作成し、ポッドのログに アクセス し、secrets、ジョブを作成し、指定されたネームスペース全体でジョブのステータスを確認できるようにします。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/requirements_accelerator_base_image.mdx b/ja/launch/launch-faq/requirements_accelerator_base_image.mdx
deleted file mode 100644
index d68f300b58..0000000000
--- a/ja/launch/launch-faq/requirements_accelerator_base_image.mdx
+++ /dev/null
@@ -1,10 +0,0 @@
----
-title: アクセラレータベースイメージにはどのような要件がありますか？
----
-
-アクセラレータを使用するジョブには、必要なアクセラレータコンポーネントを含む基本イメージを提供してください。アクセラレータイメージに関しては、以下の要件を確認してください:
-
-- Debian との互換性（Launch Dockerfile は Python をインストールするために apt-get を使用します）
-- サポートされている CPU と GPU ハードウェアの命令セット（意図した GPU に対する CUDA バージョンの互換性を確認）
-- 提供されるアクセラレータバージョンと機械学習アルゴリズム内のパッケージとの互換性
-- ハードウェアとの互換性のために追加のステップが必要なパッケージのインストール
\ No newline at end of file
diff --git a/ja/launch/launch-faq/restrict_access_modify_example.mdx b/ja/launch/launch-faq/restrict_access_modify_example.mdx
deleted file mode 100644
index 964c715882..0000000000
--- a/ja/launch/launch-faq/restrict_access_modify_example.mdx
+++ /dev/null
@@ -1,5 +0,0 @@
----
-title: 管理者はどのユーザーが修正アクセスを持つかをどのように制限できますか？
----
-
-アクセスを制御するために、チームの管理者でないユーザー向けに特定のキューのフィールドを [queue config templates](/ja/launch/set-up-launch/setup-queue-advanced) を通じて設定します。チーム管理者は、非管理者ユーザーがどのフィールドを閲覧できるかを定義し、編集の制限を設定します。キューを作成または編集する能力を持っているのはチーム管理者のみです。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/secrets_jobsautomations_instance_api_key_wish_directly_visible.mdx b/ja/launch/launch-faq/secrets_jobsautomations_instance_api_key_wish_directly_visible.mdx
deleted file mode 100644
index ba101b6a76..0000000000
--- a/ja/launch/launch-faq/secrets_jobsautomations_instance_api_key_wish_directly_visible.mdx
+++ /dev/null
@@ -1,10 +0,0 @@
----
-title: ジョブやオートメーションのためのシークレットを指定することはできますか？例えば、ユーザーに直接見せたくないAPIキーのようなものですか？
----
-
-はい。次の手順に従ってください：
-
-1. run 用の指定された名前空間に Kubernetes のシークレットを作成します。コマンドは以下の通りです：
- `kubectl create secret -n generic `
-
-2. シークレットを作成したら、run が開始する際にシークレットを注入するようにキューを設定します。クラスター管理者だけがシークレットを見ることができ、エンドユーザーはそれを確認できません。
\ No newline at end of file
diff --git a/ja/launch/launch-terminology.mdx b/ja/launch/launch-terminology.mdx
deleted file mode 100644
index c7aa52f80f..0000000000
--- a/ja/launch/launch-terminology.mdx
+++ /dev/null
@@ -1,53 +0,0 @@
----
-title: ローンチの用語と概念
----
-
-W&B ローンンチを使用すると、[ジョブ](#ローンンチジョブ)を[キュー](#launch-queue)に追加して run を作成します。ジョブは W&B と組み合わせた Python スクリプトです。キューは、[ターゲットリソース](#target-resources)で実行するジョブのリストを保持します。[エージェント](#launch-agent)はキューからジョブを取り出し、ターゲットリソース上でジョブを実行します。W&B はローンンチジョブを W&B が [run](/ja/models/runs/) をトラッキングするのと同様にトラッキングします。
-
-### ローンンチジョブ
-ローンンチジョブは、完了するタスクを表す特定の種類の [W&B Artifact](/ja/models/artifacts/) です。例えば、一般的なローンンチジョブには、モデルのトレーニングやモデルの評価トリガーがあります。ジョブ定義には以下が含まれます：
-
-- Pythonコードやその他のファイルアセット、少なくとも1つの実行可能なエントリポイントを含む。
-- 入力（設定パラメータ）および出力（ログされたメトリクス）に関する情報。
-- 環境に関する情報。（例えば、`requirements.txt`、ベースの `Dockerfile`）。
-
-ジョブ定義には3つの主要な種類があります：
-
-| Job types | Definition | How to run this job type |
-| ---------- | --------- | -------------- |
-|アーティファクトベース（またはコードベース）のジョブ| コードや他のアセットが W&B アーティファクトとして保存される。| アーティファクトベースのジョブを実行するには、ローンンチエージェントがビルダーで設定されている必要があります。 |
-|Git ベースのジョブ| コードや他のアセットが git リポジトリの特定のコミット、ブランチ、またはタグからクローンされる。| Git ベースのジョブを実行するには、ローンンチエージェントがビルダーと git リポジトリの資格情報で設定されている必要があります。 |
-|イメージベースのジョブ| コードや他のアセットが Docker イメージに組み込まれている。| イメージベースのジョブを実行するには、ローンンチエージェントがイメージリポジトリの資格情報で設定されている必要があるかもしれません。 |
-
-
-ローンンチジョブは、モデルのトレーニングに関連しないアクティビティも実行可能です。例えば、モデルを Triton 推論サーバーにデプロイするなど。ただし、すべてのジョブは `wandb.init` を呼び出して正常に完了する必要があります。これにより、W&B ワークスペース内でトラッキング目的の run が作成されます。
-
-
-作成したジョブは、プロジェクトワークスペースの `Jobs` タブの W&B アプリで見つけることができます。そこから、ジョブを設定して様々な [ターゲットリソース](#launch-queue) で実行するための [launch queue](#target-resources) に送信できます。
-
-### Launch queue
-ローンンチ*キュー*は、特定のターゲットリソースで実行するジョブの順序付けられたリストです。ローンンチキューは先入れ先出し (FIFO) です。持てるキューの数に実質的な制限はありませんが、1 つのターゲットリソースごとに 1 つのキューが理想的です。ジョブは W&B アプリ UI、W&B CLI または Python SDK を使用してエンキューできます。1 つまたは複数のローンンチエージェントを設定して、キューからアイテムを引き出し、それをキューのターゲットリソースで実行することができます。
-
-### Target resources
-ローンンチキューがジョブを実行するために設定された計算環境を*ターゲットリソース*と呼びます。
-
-W&B ローンンチは以下のターゲットリソースをサポートしています：
-
-- [Docker](/ja/launch/set-up-launch/setup-launch-docker)
-- [Kubernetes](/ja/launch/set-up-launch/setup-launch-kubernetes)
-- [AWS SageMaker](/ja/launch/set-up-launch/setup-launch-sagemaker)
-- [GCP Vertex](/ja/launch/set-up-launch/setup-vertex)
-
-各ターゲットリソースは、*リソース設定*と呼ばれる異なる設定パラメータを受け入れます。リソース設定は各ローンンチキューによって定義されるデフォルト値を持ちますが、各ジョブによって個別に上書きすることができます。各ターゲットリソースの詳細については、ドキュメントを参照してください。
-
-### Launch agent
-ローンンチエージェントは、ジョブを実行するためにローンンチキューを定期的にチェックする軽量で持続的なプログラムです。ローンンチエージェントがジョブを受け取ると、まずジョブ定義からイメージをビルドまたはプルし、それをターゲットリソースで実行します。
-
-1 つのエージェントは複数のキューをポーリングすることができますが、エージェントはポーリングするキューのバックするターゲットリソースすべてをサポートするように正しく設定されている必要があります。
-
-### Launch agent environment
-エージェント環境は、ローンンチエージェントが実行され、ジョブのポーリングを行う環境です。
-
-
-エージェントのランタイム環境はキューのターゲットリソースとは独立しています。言い換えれば、エージェントが必要なターゲットリソースにアクセスできるように十分な設定がされていれば、どこにでもデプロイすることができます。
-
\ No newline at end of file
diff --git a/ja/launch/set-up-launch/_index.mdx b/ja/launch/set-up-launch/_index.mdx
deleted file mode 100644
index 56d81db4f2..0000000000
--- a/ja/launch/set-up-launch/_index.mdx
+++ /dev/null
@@ -1,107 +0,0 @@
----
-title: Launch を設定する
----
-
-このページでは、W&B Launch を設定するために必要な上位レベルの手順について説明しています。
-
-1. **キューのセットアップ**: キューはFIFOであり、キュー設定を持っています。キューの設定は、ジョブがどこでどのように対象リソースで実行されるかを制御します。
-2. **エージェントのセットアップ**: エージェントはあなたのマシン/インフラストラクチャー上で実行され、1つ以上のキューからローンチジョブをポールします。ジョブがプルされると、エージェントはイメージがビルドされ、利用可能であることを確認します。その後、エージェントはジョブを対象リソースに送信します。
-
-## キューのセットアップ
-Launch キューは、特定の対象リソースとそのリソースに特有の追加設定を指すように設定する必要があります。例えば、Kubernetes クラスターを指すローンチキューは、環境変数を含めたり、カスタムネームスペースのローンチキュー設定を設定したりします。キューを作成する際には、使用したい対象リソースとそのリソースに使用する設定の両方を指定します。
-
-エージェントがキューからジョブを受け取ると、キュー設定も受け取ります。エージェントがジョブを対象リソースに送信する際には、キュー設定とジョブ自体のオーバーライドを含めます。例えば、ジョブ設定を使用して、特定のジョブインスタンスのみの Amazon SageMaker インスタンスタイプを指定することができます。この場合、エンドユーザーインターフェースとして [queue config templates](/ja/launch/set-up-launch/setup-queue-advanced) を使用することが一般的です。
-
-### キューの作成
-1. [wandb.ai/launch](https://wandb.ai/launch) で Launch App へ移動します。
-2. 画面の右上にある**create queue**ボタンをクリックします。
-
-
-エージェントは非常に柔軟で、さまざまなユースケースをサポートするように設定できます。エージェントに必要な設定は、特定のユースケースに依存します。[Docker](/ja/launch/set-up-launch/setup-launch-docker)、[Amazon SageMaker](/ja/launch/set-up-launch/setup-launch-sagemaker)、[Kubernetes](/ja/launch/set-up-launch/setup-launch-kubernetes)、または [Vertex AI](/ja/launch/set-up-launch/setup-vertex) に関する専用ページを参照してください。
-
-
-
-W&B は、特定のユーザーの APIキー ではなく、サービスアカウントの APIキー でエージェントを起動することをお勧めします。サービスアカウントの APIキー を使用することには次の2つの利点があります。
-1. エージェントは、特定のユーザーに依存しません。
-2. Launch によって作成された run に関連付けられた作成者が、エージェントに関連付けられたユーザーではなく、ローンチジョブを送信したユーザーとして Launch に表示されます。
-
-
-### エージェントの設定
-`launch-config.yaml` という名前の YAML ファイルでローンチエージェントを設定します。デフォルトでは、W&B は `~/.config/wandb/launch-config.yaml` に設定ファイルを確認します。ローンチエージェントをアクティブにするときに、異なるディレクトリーを指定することもできます。
-
-ローンチエージェントの設定ファイルの内容は、ローンチエージェントの環境、ローンチキューの対象リソース、Dockerビルダ要件、クラウドレジストリ要件などに依存します。
-
-ユースケースに関係なく、ローンチエージェントにはコア設定可能なオプションがあります。
-* `max_jobs`: エージェントが並行して実行できるジョブの最大数
-* `entity`: キューが所属するエンティティ
-* `queues`: エージェントが監視する1つ以上のキューの名前
-
-
-W&B CLI を使用して、ローンチエージェントのためのユニバーサル設定可能オプションを指定できます（設定 YAMLファイルの代わりに）。最大ジョブ数、W&B エンティティ、およびローンチキューです。詳細については、[`wandb launch-agent`](/ja/models/ref/cli/wandb-launch-agent) コマンドを参照してください。
-
-
-次の YAML スニペットは、コアローンチエージェント設定キーを指定する方法を示しています。
-
-```yaml title="launch-config.yaml"
-# 最大同時 run 数を指定します。-1 = 無制限
-max_jobs: -1
-
-entity:
-
-# ポールするキューのリスト
-queues:
- -
-```
-
-### コンテナビルダーの設定
-ローンチエージェントをイメージ構築に使用するように設定できます。Git リポジトリまたはコードアーティファクトから作成されたローンチジョブを使用する場合、コンテナビルダーを使用するようにエージェントを設定する必要があります。[Create a launch job](/ja/launch/create-and-deploy-jobs/create-launch-job) を参照して、ローンチジョブの作成方法について詳しく学んでください。
-
-W&B Launch は3つのビルダーオプションをサポートしています：
-
-* Docker: DockerビルダーはローカルのDockerデーモンを使用してイメージをビルドします。
-* [Kaniko](https://github.com/GoogleContainerTools/kaniko): Kaniko は、Dockerデーモンが利用できない環境でのイメージ構築を可能にする Google のプロジェクトです。
-* Noop: エージェントはジョブをビルドしようとせず、代わりに事前にビルドされたイメージをプルするだけです。
-
-
-エージェントが Dockerデーモンが利用できない環境でポールしている場合（例えば、Kubernetesクラスター）、Kanikoビルダーを使用してください。
-
-Kanikoビルダーの詳細については、[Set up Kubernetes](/ja/launch/set-up-launch/setup-launch-kubernetes) を参照してください。
-
-
-イメージビルダーを指定するには、エージェント設定にビルダーキーを含めます。例えば、次のコードスニペットは、DockerまたはKanikoを使用することを指定するローンチ設定（`launch-config.yaml`）の一部を示しています。
-
-```yaml title="launch-config.yaml"
-builder:
- type: docker | kaniko | noop
-```
-
-### コンテナレジストリの設定
-場合によっては、ローンチエージェントをクラウドレジストリに接続したいかもしれません。ローンチエージェントをクラウドレジストリに接続したい一般的なシナリオは次のとおりです：
-
-* ジョブをビルドした場所以外の環境（強力なワークステーションやクラスターなど）でジョブを実行したい場合。
-* エージェントを使用してイメージをビルドし、Amazon SageMakerやVertexAIでこれらのイメージを実行したい場合。
-* エージェントにイメージリポジトリからプルするための資格情報を提供してもらいたい場合。
-
-コンテナレジストリと対話するようにエージェントを設定する方法の詳細については、[Advanced agent set](/ja/launch/set-up-launch/setup-agent-advanced) ページを参照してください。
-
-## ローンチエージェントのアクティブ化
-`launch-agent` W&B CLIコマンドを使用してローンチエージェントをアクティブ化します：
-
-```bash
-wandb launch-agent -q -q --max-jobs 5
-```
-
-いくつかのユースケースでは、ローンチエージェントをKubernetesクラスター内からキューをポールするように設定したいかもしれません。[Advanced queue set up page](/ja/launch/set-up-launch/setup-queue-advanced) を参照して、詳細情報を得てください。
\ No newline at end of file
diff --git a/ja/launch/set-up-launch/setup-agent-advanced.mdx b/ja/launch/set-up-launch/setup-agent-advanced.mdx
deleted file mode 100644
index 2a2e500299..0000000000
--- a/ja/launch/set-up-launch/setup-agent-advanced.mdx
+++ /dev/null
@@ -1,227 +0,0 @@
----
-title: ローンンチエージェントを設定する
----
-
-# 高度なエージェント設定
-
-このガイドでは、W&B ローンチエージェントを設定して、さまざまな環境でコンテナイメージを作成する方法について情報を提供します。
-
-
-ビルドは git およびコードアーティファクトジョブにのみ必要です。イメージジョブにはビルドは必要ありません。
-
-ジョブタイプの詳細については、「[ローンチジョブの作成](/ja/launch/create-and-deploy-jobs/create-launch-job)」を参照してください。
-
-
-## ビルダー
-
-ローンチエージェントは、[Docker](https://docs.docker.com/) または [Kaniko](https://github.com/GoogleContainerTools/kaniko) を使用してイメージをビルドできます。
-
-* Kaniko: Kubernetes で特権コンテナとしてビルドを実行せずにコンテナイメージをビルドします。
-* Docker: ローカルで `docker build` コマンドを実行してコンテナイメージをビルドします。
-
-ビルダータイプは、ローンチエージェントの設定で `builder.type` キーを使用して、`docker`、`kaniko`、またはビルドをオフにするための `noop` に制御できます。デフォルトでは、エージェントの Helm チャートは `builder.type` を `noop` に設定します。`builder` セクションの追加キーは、ビルドプロセスを設定するために使用されます。
-
-エージェントの設定でビルダーが指定されていない場合、有効な `docker` CLI が見つかると、エージェントは自動的に Docker を使用します。Docker が利用できない場合、エージェントは `noop` をデフォルトとします。
-
-
-Kubernetes クラスターでイメージをビルドするには Kaniko を使用してください。それ以外の場合は Docker を使用してください。
-
-
-## コンテナレジストリへのプッシュ
-
-ローンチエージェントは、ビルドするすべてのイメージに一意のソースハッシュでタグを付けます。エージェントは、`builder.destination` キーで指定されたレジストリにイメージをプッシュします。
-
-たとえば、`builder.destination` キーが `my-registry.example.com/my-repository` に設定されている場合、エージェントはイメージに `my-registry.example.com/my-repository:` というタグを付けてプッシュします。イメージがすでにレジストリに存在する場合、ビルドはスキップされます。
-
-### エージェント設定
-
-Helm チャートを経由してエージェントをデプロイする場合、エージェント設定は `values.yaml` ファイルの `agentConfig` キーに提供する必要があります。
-
-自分で `wandb launch-agent` を使用してエージェントを呼び出す場合、エージェント設定を `--config` フラグを使用して YAML ファイルのパスとして提供できます。デフォルトでは、設定は `~/.config/wandb/launch-config.yaml` から読み込まれます。
-
-ローンチエージェントの設定 (`launch-config.yaml`) 内で、ターゲットリソース環境とコンテナレジストリの名前をそれぞれ `environment` と `registry` キーに提供します。
-
-環境とレジストリに基づいてローンチエージェントを設定する方法を、以下のタブで示します。
-
-
-
-AWS 環境設定には地域キーが必要です。リージョンはエージェントが実行される AWS 地域であるべきです。
-
-```yaml title="launch-config.yaml"
-environment:
- type: aws
- region:
-builder:
- type:
- # エージェントがイメージを保存する ECR レポジトリの URI。
- # リージョンが環境に設定した内容と一致することを確認してください。
- destination: .ecr..amazonaws.com/
- # Kaniko を使用する場合、エージェントがビルドコンテキストを保存する S3 バケットを指定します。
- build-context-store: s3:///
-```
-
-エージェントは boto3 を使用してデフォルトの AWS 資格情報を読み込みます。デフォルトの AWS 資格情報の設定方法については、[boto3 ドキュメント](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html) を参照してください。
-
-
-Google Cloud 環境には、region および project キーが必要です。`region` にはエージェントが実行されるリージョンを設定し、`project` にはエージェントが実行される Google Cloud プロジェクトを設定します。エージェントは Python の `google.auth.default()` を使用してデフォルトの資格情報を読み込みます。
-
-```yaml title="launch-config.yaml"
-environment:
- type: gcp
- region:
- project:
-builder:
- type:
- # エージェントがイメージを保存するアーティファクトリポジトリとイメージ名の URI。
- # リージョンとプロジェクトが環境に設定した内容と一致することを確認してください。
- uri: -docker.pkg.dev///
- # Kaniko を使用する場合、エージェントがビルドコンテキストを保存する GCS バケットを指定します。
- build-context-store: gs:///
-```
-
-デフォルトの GCP 資格情報をエージェントが利用できるように設定する方法については、[`google-auth` ドキュメント](https://google-auth.readthedocs.io/en/latest/reference/google.auth.html#google.auth.default) を参照してください。
-
-
-Azure 環境には追加のキーは必要ありません。エージェントが起動するときに、`azure.identity.DefaultAzureCredential()` を使用してデフォルトの Azure 資格情報を読み込みます。
-
-```yaml title="launch-config.yaml"
-environment:
- type: azure
-builder:
- type:
- # エージェントがイメージを保存する Azure コンテナレジストリレポジトリの URI。
- destination: https://.azurecr.io/
- # Kaniko を使用する場合、エージェントがビルドコンテキストを保存する Azure Blob Storage コンテナを指定します。
- build-context-store: https://.blob.core.windows.net/
-```
-
-デフォルトの Azure 資格情報の設定方法については、[`azure-identity` ドキュメント](https://learn.microsoft.com/python/api/azure-identity/azure.identity.defaultazurecredential?view=azure-python) を参照してください。
-
-
-
-## エージェント権限
-
-エージェントの必要な権限はユースケースによって異なります。
-
-### クラウドレジストリ権限
-
-ローンチエージェントがクラウドレジストリと対話するために通常必要な権限は以下の通りです。
-
-
-
-```yaml
-{
- 'Version': '2012-10-17',
- 'Statement':
- [
- {
- 'Effect': 'Allow',
- 'Action':
- [
- 'ecr:CreateRepository',
- 'ecr:UploadLayerPart',
- 'ecr:PutImage',
- 'ecr:CompleteLayerUpload',
- 'ecr:InitiateLayerUpload',
- 'ecr:DescribeRepositories',
- 'ecr:DescribeImages',
- 'ecr:BatchCheckLayerAvailability',
- 'ecr:BatchDeleteImage',
- ],
- 'Resource': 'arn:aws:ecr:::repository/',
- },
- {
- 'Effect': 'Allow',
- 'Action': 'ecr:GetAuthorizationToken',
- 'Resource': '*',
- },
- ],
-}
-```
-
-
-```js
-artifactregistry.dockerimages.list;
-artifactregistry.repositories.downloadArtifacts;
-artifactregistry.repositories.list;
-artifactregistry.repositories.uploadArtifacts;
-```
-
-
-Kaniko ビルダーを使用する場合は、[`AcrPush` ロール](https://learn.microsoft.com/azure/container-registry/container-registry-roles?tabs=azure-cli#acrpush)を追加してください。
-
-
-
-### Kaniko のためのストレージ権限
-
-ローンチエージェントは、Kaniko ビルダーを使用している場合、クラウドストレージにプッシュする権限が必要です。Kaniko はビルドジョブを実行するポッドの外にコンテキストストアを使用します。
-
-
-
-AWS での Kaniko ビルダーの推奨コンテキストストアは Amazon S3 です。エージェントが S3 バケットにアクセスするためのポリシーは以下の通りです：
-
-```json
-{
- "Version": "2012-10-17",
- "Statement": [
- {
- "Sid": "ListObjectsInBucket",
- "Effect": "Allow",
- "Action": ["s3:ListBucket"],
- "Resource": ["arn:aws:s3:::"]
- },
- {
- "Sid": "AllObjectActions",
- "Effect": "Allow",
- "Action": "s3:*Object",
- "Resource": ["arn:aws:s3:::/*"]
- }
- ]
-}
-```
-
-
-GCP では、エージェントが GCS にビルドコンテキストをアップロードするために必要な IAM 権限は次の通りです：
-
-```js
-storage.buckets.get;
-storage.objects.create;
-storage.objects.delete;
-storage.objects.get;
-```
-
-
-Azure Blob Storage にビルドコンテキストをアップロードするためには、[Storage Blob Data Contributor](https://learn.microsoft.com/azure/role-based-access-control/built-in-roles#storage-blob-data-contributor) ロールが必要です。
-
-
-
-## Kaniko ビルドのカスタマイズ
-
-Kaniko ジョブが使用する Kubernetes ジョブ仕様をエージェント設定の `builder.kaniko-config` キーに指定します。例えば：
-
-```yaml title="launch-config.yaml"
-builder:
- type: kaniko
- build-context-store:
- destination:
- build-job-name: wandb-image-build
- kaniko-config:
- spec:
- template:
- spec:
- containers:
- - args:
- - "--cache=false" # 引数は "key=value" の形式でなければなりません
- env:
- - name: "MY_ENV_VAR"
- value: "my-env-var-value"
-```
-
-## Launch エージェントを CoreWeave にデプロイ
-オプションとして、W&B Launch エージェントを CoreWeave クラウドインフラストラクチャにデプロイできます。CoreWeave は GPU 加速ワークロード専用に構築されたクラウドインフラストラクチャです。
-
-CoreWeave に Launch エージェントをデプロイする方法については、[CoreWeave ドキュメント](https://docs.coreweave.com/partners/weights-and-biases#integration) を参照してください。
-
-
-Launch エージェントを CoreWeave インフラストラクチャにデプロイするには、[CoreWeave アカウント](https://cloud.coreweave.com/login) を作成する必要があります。
-
\ No newline at end of file
diff --git a/ja/launch/set-up-launch/setup-launch-docker.mdx b/ja/launch/set-up-launch/setup-launch-docker.mdx
deleted file mode 100644
index 897b0b49d9..0000000000
--- a/ja/launch/set-up-launch/setup-launch-docker.mdx
+++ /dev/null
@@ -1,132 +0,0 @@
----
-title: 'チュートリアル: Docker を使用して W&B ローンンチを設定する'
----
-
-以下のガイドでは、ローカルマシンでドッカーを使用してW&B Launchを設定し、ローンンチエージェントの環境とキューの対象リソースとして使用する方法を説明します。
-
-ドッカーを使用してジョブを実行し、同じローカルマシン上でローンンチエージェントの環境として使用することは、クラスター管理システム（Kubernetesなど）がインストールされていないマシンにコンピュートがある場合に特に役立ちます。
-
-また、強力なワークステーションでのワークロードを実行するためにドッキューを使用することもできます。
-
-
-このセットアップは、実験をローカルマシンで行うユーザーや、SSHでアクセスしてローンンチジョブを提出するリモートマシンを持っているユーザーにとって一般的です。
-
-
-ドッカーをW&B Launchと一緒に使用する場合、W&Bはまずイメージをビルドし、そのイメージからコンテナをビルドして実行します。イメージはDockerの `docker run ` コマンドでビルドされます。キュー設定は、`docker run` コマンドに渡される追加の引数として解釈されます。
-
-## Dockerキューの設定
-
-Dockerの対象リソースのためのローンンチキュー設定は、[`docker run`](/ja/models/ref/cli/wandb-docker-run) CLIコマンドで定義された同じオプションを受け入れます。
-
-エージェントはキュー設定で定義されたオプションを受け取り、その後、受け取ったオプションをローンンチジョブの設定からのオーバーライドとマージし、対象リソース（この場合はローカルマシン）で実行される最終的な `docker run` コマンドを生成します。
-
-次の2つの構文変換が行われます：
-
-1. 繰り返しオプションは、キュー設定でリストとして定義されます。
-2. フラグオプションは、キュー設定で `true` の値を持つブール値として定義されます。
-
-例えば、以下のキュー設定：
-
-```json
-{
- "env": ["MY_ENV_VAR=value", "MY_EXISTING_ENV_VAR"],
- "volume": "/mnt/datasets:/mnt/datasets",
- "rm": true,
- "gpus": "all"
-}
-```
-
-結果として以下の `docker run` コマンドになります：
-
-```bash
-docker run \
- --env MY_ENV_VAR=value \
- --env MY_EXISTING_ENV_VAR \
- --volume "/mnt/datasets:/mnt/datasets" \
- --rm \
- --gpus all
-```
-
-ボリュームは文字列のリストまたは単一の文字列として指定できます。複数のボリュームを指定する場合はリストを使用してください。
-
-ドッカーは値が割り当てられていない環境変数をローンンチエージェントの環境から自動的に渡します。これは、ローンンチエージェントが環境変数 `MY_EXISTING_ENV_VAR` を持っている場合、その環境変数がコンテナ内で利用可能であることを意味します。これは、キュー設定で公開せずに他の設定キーを使用したい場合に便利です。
-
-`docker run` コマンドの `--gpus` フラグを使って、ドッカーコンテナで利用可能なGPUを指定できます。`gpus` フラグの使用方法について詳しくは、[Dockerのドキュメント](https://docs.docker.com/config/containers/resource_constraints/#gpu)をご覧ください。
-
-
-* Dockerコンテナ内でGPUを使用するには、[NVIDIA Container Toolkit](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html#docker) をインストールしてください。
-* コードやアーティファクトをソースとするジョブからイメージをビルドする場合、NVIDIA Container Toolkitを含めるために[エージェント](#configure-a-launch-agent-on-a-local-machine)でベースイメージをオーバーライドできます。
- 例えば、キュー内でベースイメージを `tensorflow/tensorflow:latest-gpu` にオーバーライドできます：
-
- ```json
- {
- "builder": {
- "accelerator": {
- "base_image": "tensorflow/tensorflow:latest-gpu"
- }
- }
- }
- ```
-
-
-## キューの作成
-
-W&B CLIを使用して、ドッカーをコンピュートリソースとして使用するキューを作成します：
-
-1. [Launchページ](https://wandb.ai/launch)に移動します。
-2. **Create Queue** ボタンをクリックします。
-3. キューを作成したい **Entity** を選択します。
-4. **Name** フィールドにキューの名前を入力します。
-5. **Resource** として **Docker** を選択します。
-6. **Configuration** フィールドにドッカーキューの設定を定義します。
-7. **Create Queue** ボタンをクリックしてキューを作成します。
-
-## ローカルマシンでローンンチエージェントを設定する
-
-ローンンチエージェントを `launch-config.yaml` という名前の YAML 設定ファイルで設定します。デフォルトでは、W&B は `~/.config/wandb/launch-config.yaml` で設定ファイルをチェックします。ローンンチエージェントをアクティベートするときに異なるディレクトリをオプションとして指定できます。
-
-
-ローンンチエージェントのために、W&B CLIを使用して、最大ジョブ数、W&Bエンティティ、およびローンンチキューの主要な設定可能なオプションを指定できます（config YAMLファイルではなく）。[`wandb launch-agent`](/ja/models/ref/cli/wandb-launch-agent) コマンドを参照してください。
-
-
-## コアエージェント設定オプション
-
-以下のタブは、W&B CLIとYAML設定ファイルを使用して、コアエージェント設定オプションを指定する方法を示しています：
-
-
-
-```bash
-wandb launch-agent -q --max-jobs
-```
-
-
-```yaml title="launch-config.yaml"
-max_jobs:
-queues:
- -
-```
-
-
-
-## ドッカーイメージビルダー
-
-マシン上のローンンチエージェントは、ドッカーイメージをビルドするように設定できます。デフォルトでは、これらのイメージはマシンのローカルイメージリポジトリに保存されます。ローンンチエージェントがドッカーイメージをビルドできるようにするには、ローンンチエージェント設定で `builder` キーを `docker` に設定します：
-
-```yaml title="launch-config.yaml"
-builder:
- type: docker
-```
-
-エージェントがドッカーイメージをビルドせず、代わりにレジストリからの事前ビルドイメージを使用したい場合は、ローンンチエージェント設定で `builder` キーを `noop` に設定します：
-
-```yaml title="launch-config.yaml"
-builder:
- type: noop
-```
-
-## コンテナレジストリ
-
-Launch は Dockerhub、Google Container Registry、Azure Container Registry、Amazon ECR などの外部コンテナレジストリを使用します。
-異なる環境でジョブを実行したい場合は、コンテナレジストリから引き出せるようにエージェントを設定してください。
-
-ローンンチエージェントをクラウドレジストリと接続する方法について詳しくは、[Advanced agent setup](/ja/launch/set-up-launch/setup-agent-advanced#agent-configuration) ページを参照してください。
\ No newline at end of file
diff --git a/ja/launch/set-up-launch/setup-launch-kubernetes.mdx b/ja/launch/set-up-launch/setup-launch-kubernetes.mdx
deleted file mode 100644
index c862f15900..0000000000
--- a/ja/launch/set-up-launch/setup-launch-kubernetes.mdx
+++ /dev/null
@@ -1,191 +0,0 @@
----
-title: 'チュートリアル: Kubernetes上でW&B ローンンチ を設定する'
----
-
-W&B Launch を使用して、ML エンジニアが Kubernetes ですでに管理しているリソースを簡単に利用できるようにし、Kubernetes クラスターに ML ワークロードをプッシュできます。
-
-W&B は、あなたのクラスターにデプロイできる公式の [Launch agent イメージ](https://hub.docker.com/r/wandb/launch-agent) を提供しており、これは W&B が管理する [Helm チャート](https://github.com/wandb/helm-charts/tree/main/charts/launch-agent) を使用します。
-
-W&B は [Kaniko](https://github.com/GoogleContainerTools/kaniko) ビルダーを使用して、Launch agent が Kubernetes クラスター内で Docker イメージをビルドできるようにします。Launch agent のための Kaniko のセットアップ方法や、ジョブビルディングをオフにしてプレビルドした Docker イメージのみを使用する方法については、[Advanced agent set up](/ja/launch/set-up-launch/setup-agent-advanced) を参照してください。
-
-
-Helm をインストールして W&B の Launch agent Helm チャートを適用またはアップグレードするには、Kubernetes リソースを作成、更新、および削除するための十分な権限を持つクラスターへの `kubectl` アクセスが必要です。通常、クラスター管理者や同等の権限を持つカスタムロールを持つユーザーが必要です。
-
-
-## Kubernetes のキューを設定する
-
-Kubernetes のターゲットリソースに対する Launch キューの設定は、[Kubernetes Job スペック](https://kubernetes.io/docs/concepts/workloads/controllers/job/) または [Kubernetes Custom Resource スペック](https://kubernetes.io/docs/concepts/extend-kubernetes/api-extension/custom-resources/) のいずれかに似ています。
-
-Launch キューを作成する際に、Kubernetes ワークロードリソーススペックの任意の側面を制御できます。
-
-
-
-```yaml
-spec:
- template:
- spec:
- containers:
- - env:
- - name: MY_ENV_VAR
- value: some-value
- resources:
- requests:
- cpu: 1000m
- memory: 1Gi
-metadata:
- labels:
- queue: k8s-test
-namespace: wandb
-```
-
-
-一部のユースケースでは、`CustomResource` の定義を使用したいかもしれません。例えば、マルチノードの分散トレーニングを実行したい場合に `CustomResource` が便利です。Volcano を使用してマルチノードジョブを Launch で使用するためのアプリケーションの例をチュートリアルで参照してください。別のユースケースとして、W&B Launch を Kubeflow と一緒に使用したい場合があるかもしれません。
-
-以下の YAML スニペットは、Kubeflow を使用したサンプルの Launch キュー設定を示しています：
-
-```yaml
-kubernetes:
- kind: PyTorchJob
- spec:
- pytorchReplicaSpecs:
- Master:
- replicas: 1
- template:
- spec:
- containers:
- - name: pytorch
- image: '${image_uri}'
- imagePullPolicy: Always
- restartPolicy: Never
- Worker:
- replicas: 2
- template:
- spec:
- containers:
- - name: pytorch
- image: '${image_uri}'
- imagePullPolicy: Always
- restartPolicy: Never
- ttlSecondsAfterFinished: 600
- metadata:
- name: '${run_id}-pytorch-job'
- apiVersion: kubeflow.org/v1
-```
-
-
-
-セキュリティ上の理由から、W&B は、Launch キューに指定されていない場合、次のリソースを注入します：
-
-- `securityContext`
-- `backOffLimit`
-- `ttlSecondsAfterFinished`
-
-次の YAML スニペットは、これらの値が Launch キューにどのように現れるかを示しています：
-
-```yaml title="example-spec.yaml"
-spec:
- template:
- `backOffLimit`: 0
- ttlSecondsAfterFinished: 60
- securityContext:
- allowPrivilegeEscalation: False,
- capabilities:
- drop:
- - ALL,
- seccompProfile:
- type: "RuntimeDefault"
-```
-
-## キューを作成する
-
-Kubernetes を計算リソースとして使用する W&B アプリでキューを作成します：
-
-1. [Launch page](https://wandb.ai/launch) に移動します。
-2. **Create Queue** ボタンをクリックします。
-3. キューを作成したい **Entity** を選択します。
-4. **Name** フィールドにキューの名前を入力します。
-5. **Resource** として **Kubernetes** を選択します。
-6. **Configuration** フィールドに、[前のセクションで設定した](#configure-a-queue-for-kubernetes) Kubernetes Job ワークフロースペックまたは Custom Resource スペックを入力します。
-
-## Helm を使って Launch agent を設定する
-
-W&B が提供する [Helm チャート](https://github.com/wandb/helm-charts/tree/main/charts/launch-agent) を使用して、Launch agent を Kubernetes クラスターにデプロイします。`values.yaml` [ファイル](https://github.com/wandb/helm-charts/blob/main/charts/launch-agent/values.yaml)を使って、Launch agent の振る舞いを制御します。
-
-Launch agent の設定ファイル (`~/.config/wandb/launch-config.yaml`) に通常定義されるコンテンツを `values.yaml` ファイルの `launchConfig` キーに指定します。
-
-例えば、Kaniko Docker イメージビルダーを使用する EKS での Launch agent ルーンを可能にする Launch agent 設定があるとします：
-
-```yaml title="launch-config.yaml"
-queues:
- -
-max_jobs:
-environment:
- type: aws
- region: us-east-1
-registry:
- type: ecr
- uri:
-builder:
- type: kaniko
- build-context-store:
-```
-
-`values.yaml` ファイル内では、次のようになります：
-
-```yaml title="values.yaml"
-agent:
- labels: {}
- # W&B API key.
- apiKey: ''
- # Container image to use for the agent.
- image: wandb/launch-agent:latest
- # Image pull policy for agent image.
- imagePullPolicy: Always
- # Resources block for the agent spec.
- resources:
- limits:
- cpu: 1000m
- memory: 1Gi
-
-# Namespace to deploy launch agent into
-namespace: wandb
-
-# W&B api url (Set yours here)
-baseUrl: https://api.wandb.ai
-
-# Additional target namespaces that the launch agent can deploy into
-additionalTargetNamespaces:
- - default
- - wandb
-
-# This should be set to the literal contents of your launch agent config.
-launchConfig: |
- queues:
- -
- max_jobs:
- environment:
- type: aws
- region:
- registry:
- type: ecr
- uri:
- builder:
- type: kaniko
- build-context-store:
-
-# The contents of a git credentials file. This will be stored in a k8s secret
-# and mounted into the agent container. Set this if you want to clone private
-# repos.
-gitCreds: |
-
-# Annotations for the wandb service account. Useful when setting up workload identity on gcp.
-serviceAccount:
- annotations:
- iam.gke.io/gcp-service-account:
- azure.workload.identity/client-id:
-
-# Set to access key for azure storage if using kaniko with azure.
-azureStorageAccessKey: ''
-```
-
-レジストリ、環境、および必要なエージェント権限に関する詳細は、[Advanced agent set up](/ja/launch/set-up-launch/setup-agent-advanced) を参照してください。
\ No newline at end of file
diff --git a/ja/launch/set-up-launch/setup-launch-sagemaker.mdx b/ja/launch/set-up-launch/setup-launch-sagemaker.mdx
deleted file mode 100644
index 5a7a499f55..0000000000
--- a/ja/launch/set-up-launch/setup-launch-sagemaker.mdx
+++ /dev/null
@@ -1,298 +0,0 @@
----
-title: 'チュートリアル: SageMaker で W&B Launch を設定する'
----
-
-W&B Launch を使用して、提供されたアルゴリズムやカスタムアルゴリズムを使用して SageMaker プラットフォーム上で機械学習モデルをトレーニングするための ラーンンチ ジョブを Amazon SageMaker に送信できます。SageMaker はコンピュート リソースの立ち上げとリリースを担当するため、EKS クラスターを持たないチームには良い選択肢となります。
-
-Amazon SageMaker に接続された W&B Launch キューに送信された ラーンンチ ジョブは、[CreateTrainingJob API](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) を使用して SageMaker トレーニング ジョブとして実行されます。 CreateTrainingJob `API` に送信される引数を制御するには、 ラーンンチ キュー設定 を使用します。
-
-Amazon SageMaker は [トレーニング ジョブを実行するために Docker イメージを使用しています](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-dockerfile.html)。SageMaker によってプルされるイメージは、Amazon Elastic Container Registry (ECR) に保存する必要があります。 つまり、トレーニングに使用するイメージは ECR に保存する必要があります。
-
-
-このガイドでは、SageMaker トレーニング ジョブを実行する方法を示しています。Amazon SageMaker での推論用にモデルを展開する方法については、[この例の Launch ジョブ](https://github.com/wandb/launch-jobs/tree/main/jobs/deploy_to_sagemaker_endpoints) を参照してください。
-
-
-## 前提条件
-
-始める前に、以下の前提条件を確認してください:
-
-* [Docker イメージを作成するかどうかを決定します](#decide-if-you-want-the-launch-agent-to-build-a-docker-images)。
-* [AWS リソースを設定し、S3、ECR、および Sagemaker IAM ロールに関する情報を収集します](#set-up-aws-resources)。
-* [Launch エージェントのための IAM ロールを作成します](#create-an-iam-role-for-launch-agent)。
-
-### Docker イメージを作成するかどうかを決定する
-
-W&B Launch エージェントに Docker イメージを作成させるかどうかを決定します。選択肢は 2 つあります。
-
-* ローンンチ エージェントに Docker イメージの構築を許可し、Amazon ECR にイメージをプッシュし、[SageMaker Training](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) ジョブの送信を許可します。このオプションは、トレーニング コードを迅速に反復する ML エンジニアにいくらかの簡素化を提供できます。
-* ローンンチ エージェントが、トレーニングまたは推論スクリプトを含む既存の Docker イメージを使用します。このオプションは既存の CI システムに適しています。このオプションを選択する場合は、Amazon ECR のコンテナ レジストリに Docker イメージを手動でアップロードする必要があります。
-
-### AWS リソースを設定する
-
-お好みの AWS リージョンで次の AWS リソースが設定されていることを確認してください :
-
-1. コンテナ イメージを保存するための [ECR リポジトリ](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html)。
-2. SageMaker トレーニング ジョブの入力と出力を保存するための 1 つまたは複数の [S3 バケット](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html)。
-3. Amazon SageMaker がトレーニング ジョブを実行し、Amazon ECR と Amazon S3 と対話することを許可する IAM ロール。
-
-これらのリソースの ARN をメモしておいてください。SageMaker 用に [Launch キュー設定](#configure-launch-queue-for-sagemaker) を定義するときに ARN が必要になります。
-
-### Launch エージェント用の IAM ポリシーを作成する
-
-1. AWS の IAM 画面から、新しいポリシーを作成します。
-2. JSON ポリシーエディターに切り替え、以下のポリシーをケースに基づいて貼り付けます。`<>` で囲まれた値を実際の値に置き換えてください:
-
-
-
- ```json
- {
- "Version": "2012-10-17",
- "Statement": [
- {
- "Effect": "Allow",
- "Action": [
- "logs:DescribeLogStreams",
- "SageMaker:AddTags",
- "SageMaker:CreateTrainingJob",
- "SageMaker:DescribeTrainingJob"
- ],
- "Resource": "arn:aws:sagemaker:::*"
- },
- {
- "Effect": "Allow",
- "Action": "iam:PassRole",
- "Resource": "arn:aws:iam:::role/"
- },
- {
- "Effect": "Allow",
- "Action": "kms:CreateGrant",
- "Resource": "",
- "Condition": {
- "StringEquals": {
- "kms:ViaService": "SageMaker..amazonaws.com",
- "kms:GrantIsForAWSResource": "true"
- }
- }
- }
- ]
- }
- ```
-
-
- ```json
- {
- "Version": "2012-10-17",
- "Statement": [
- {
- "Effect": "Allow",
- "Action": [
- "logs:DescribeLogStreams",
- "SageMaker:AddTags",
- "SageMaker:CreateTrainingJob",
- "SageMaker:DescribeTrainingJob"
- ],
- "Resource": "arn:aws:sagemaker:::*"
- },
- {
- "Effect": "Allow",
- "Action": "iam:PassRole",
- "Resource": "arn:aws:iam:::role/"
- },
- {
- "Effect": "Allow",
- "Action": [
- "ecr:CreateRepository",
- "ecr:UploadLayerPart",
- "ecr:PutImage",
- "ecr:CompleteLayerUpload",
- "ecr:InitiateLayerUpload",
- "ecr:DescribeRepositories",
- "ecr:DescribeImages",
- "ecr:BatchCheckLayerAvailability",
- "ecr:BatchDeleteImage"
- ],
- "Resource": "arn:aws:ecr:::repository/"
- },
- {
- "Effect": "Allow",
- "Action": "ecr:GetAuthorizationToken",
- "Resource": "*"
- },
- {
- "Effect": "Allow",
- "Action": "kms:CreateGrant",
- "Resource": "",
- "Condition": {
- "StringEquals": {
- "kms:ViaService": "SageMaker..amazonaws.com",
- "kms:GrantIsForAWSResource": "true"
- }
- }
- }
- ]
- }
- ```
-
-
-
-3. **次へ** をクリックします。
-4. ポリシーに名前と説明を付けます。
-5. **ポリシー作成** をクリックします。
-
-### Launch エージェント用の IAM ロールを作成する
-
-Launch エージェントには、Amazon SageMaker トレーニング ジョブを作成する権限が必要です。以下の手順に従って IAM ロールを作成します:
-
-1. AWS の IAM 画面から、新しいロールを作成します。
-2. **信頼されたエンティティ** として **AWS アカウント** (または組織のポリシーに適したオプション) を選択します。
-3. 権限画面をスクロールし、上で作成したポリシー名を選択します。
-4. ロールに名前と説明を付けます。
-5. **ロールの作成** を選択します。
-6. ロールの ARN を記録します。これを設定するときに Launch エージェント用に ARN を指定します。
-
-IAM ロールの作成方法について詳しくは、[AWS Identity and Access Management ドキュメント](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction.html) を参照してください。
-
-
-* エージェントがイメージを構築できるようにするには、[高度なエージェントの設定](/ja/launch/set-up-launch/setup-agent-advanced)で追加の権限が必要です。
-* SageMaker キューの `kms:CreateGrant` 権限は、関連する ResourceConfig に指定された VolumeKmsKeyId がある場合にのみ必要であり、関連するロールにこの操作を許可するポリシーがない場合に限ります。
-
-
-## SageMaker 用に Launch キューを設定する
-
-次に、W&B アプリで SageMaker をコンピュート リソースとして使用するキューを作成します:
-
-1. [Launch アプリ](https://wandb.ai/launch) に移動します。
-2. **キューを作成** ボタンをクリックします。
-4. キューを作成する **エンティティ** を選択します。
-5. **名前** フィールドにキューの名前を入力します。
-6. **リソース** として **SageMaker** を選択します。
-7. **設定** フィールド内で、SageMaker ジョブに関する情報を提供します。デフォルトでは、W&B は YAML および JSON の `CreateTrainingJob` リクエストボディを自動生成します:
- ```json
- {
- "RoleArn": "",
- "ResourceConfig": {
- "InstanceType": "ml.m4.xlarge",
- "InstanceCount": 1,
- "VolumeSizeInGB": 2
- },
- "OutputDataConfig": {
- "S3OutputPath": ""
- },
- "StoppingCondition": {
- "MaxRuntimeInSeconds": 3600
- }
- }
- ```
-少なくとも以下を指定する必要があります :
-
-- `RoleArn` : SageMaker 実行 IAM ロールの ARN ([前提条件](#prerequisites) を参照してください)。Launch **agent** IAM ロールとは混同しないでください。
-- `OutputDataConfig.S3OutputPath` : SageMaker の出力が保存される Amazon S3 URI を指定します。
-- `ResourceConfig`: リソース設定の必須仕様です。リソース設定のオプションは[こちら](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ResourceConfig.html)に記載されています。
-- `StoppingCondition`: トレーニング ジョブの停止条件の必須仕様です。オプションは[こちら](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StoppingCondition.html)に記載されています。
-8. **キューを作成** ボタンをクリックします。
-
-## Launch エージェントをセットアップする
-
-次のセクションでは、エージェントをデプロイする場所と、デプロイ場所に基づいてエージェントをどのように設定するかを説明します。
-
-Amazon SageMaker キューに Launch エージェントをデプロイする方法には[いくつかのオプションがあります](#decide-where-to-run-the-launch-agent): ローカルマシン、EC2 インスタンス、または EKSクラスターで。エージェントをデプロイする場所に基づいて[アプリケーション エージェントを適切に構成します](#configure-a-launch-agent)。
-
-### ローンンチ エージェントを実行する場所を決定する
-
-プロダクション ワークロードおよび既に EKS クラスターを持つ顧客には、この Helm チャートを使用して EKS クラスターに ラーンンチ エージェント をデプロイすることをお勧めします。
-
-現在の EKS クラスターがないプロダクション ワークロードには、EC2 インスタンスが適したオプションです。Launch エージェント インスタンスは常に稼働していますが、`t2.micro` サイズの EC2 インスタンスという比較的手頃なインスタンスで十分です。
-
-実験的または個人のユースケースには、ローカルマシンに Launch エージェントを実行するのがすばやく始める方法です。
-
-選択したユースケースに基づいて、以下のタブに記載されている指示に従って Launch エージェントを適切に設定してください:
-
-
-W&B は、エージェントを EKS クラスターでインストールするために、[W&B 管理 helm チャート](https://github.com/wandb/helm-charts/tree/main/charts/launch-agent) の使用を強く推奨しています。
-
-
-Amazon EC2 ダッシュボードに移動し、次のステップを完了します:
-
-1. **インスタンスを起動** をクリックします。
-2. **名前** フィールドに名前を入力します。タグをオプションで追加します。
-3. **インスタンスタイプ** から、あなたの EC2 コンテナ用のインスタンスタイプを選択します。1vCPU と 1GiB のメモリ以上は必要ありません (例えば t2.micro)。
-4. **キーペア（ログイン）** フィールドで、組織内の新しいキーペアを作成します。後のステップで選択した SSH クライアントで EC2 インスタンスに [接続する](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/connect.html) ために、このキーペアを使用します。
-5. **ネットワーク設定** で、組織に適したセキュリティグループを選択します。
-6. **詳細設定** を展開します。**IAM インスタンスプロファイル** として、上記で作成した ローンンチ エージェント IAM ロールを選択します。
-7. **サマリー** フィールドを確認します。正しければ、**インスタンスを起動** を選択します。
-
-AWS 上の EC2 ダッシュボードの左側パネル内の **インスタンス** に移動します。作成した EC2 インスタンスが稼働している ( **インスタンス状態** 列を参照) ことを確認します。EC2 インスタンスが稼働していることを確認したら、ローカルマシンのターミナルに移動し、次の手順を完了します:
-
-1. **接続** を選択します。
-2. **SSH クライアント** タブを選択し、EC2 インスタンスに接続するための指示に従います。
-3. EC2インスタンス内で、次のパッケージをインストールします:
- ```bash
- sudo yum install python311 -y && \
- python3 -m ensurepip --upgrade && \
- pip3 install wandb && \
- pip3 install wandb[launch]
- ```
-4. 次に、EC2 インスタンス内に Docker をインストールして起動します:
- ```bash
- sudo yum update -y && \
- sudo yum install -y docker python3 && \
- sudo systemctl start docker && \
- sudo systemctl enable docker && \
- sudo usermod -a -G docker ec2-user
-
- newgrp docker
- ```
-
-これで、Launchエージェントの構成を設定する準備が整いました。
-
-
-ローカルマシンでポーリングを実行するエージェントとロールを関連付けるには、`~/.aws/config` と `~/.aws/credentials` にある AWS 設定ファイルを使用します。前のステップで作成した Launch エージェントの IAM ロール ARN を指定します。
-
- ```yaml title="~/.aws/config"
- [profile SageMaker-agent]
- role_arn = arn:aws:iam:::role/
- source_profile = default
- ```
-
- ```yaml title="~/.aws/credentials"
- [default]
- aws_access_key_id=
- aws_secret_access_key=
- aws_session_token=
- ```
-
-セッショントークンは、その主データと関連付けられた AWS リソースによって[最大長](https://docs.aws.amazon.com/cli/latest/reference/sts/get-session-token.html#description)が 1 時間または 3 日であることに注意してください。
-
-
-
-### Launch エージェントを設定する
-
-`launch-config.yaml` という名前の YAML 設定ファイルで Launch エージェントを設定します。
-
-デフォルトでは、W&B は `~/.config/wandb/launch-config.yaml` にある設定ファイルを確認します。エージェントをアクティブにする際に `-c` フラグで別のディレクトリを指定することも可能です。
-
-以下の YAML スニペットは、コア設定エージェントオプションを指定する方法を示しています:
-
-```yaml title="launch-config.yaml"
-max_jobs: -1
-queues:
- -
-environment:
- type: aws
- region:
-registry:
- type: ecr
- uri:
-builder:
- type: docker
-```
-
-エージェントは `wandb launch-agent` で開始します。
-
-## (オプション) Docker イメージを Amazon ECR にプッシュする
-
-
-このセクションは、トレーニングまたは推論ロジックを含む既存の Docker イメージをエージェントが使用する場合にのみ適用されます。[Launch エージェントの動作には 2 つのオプションがあります。](#decide-if-you-want-the-launch-agent-to-build-a-docker-images)
-
-
-Launch ジョブを含む Docker イメージを Amazon ECR レポジトリにアップロードします。画像ベースのジョブを使用している場合、Docker イメージは新しい Launch ジョブを送信する前に ECR レジストリに存在している必要があります。
\ No newline at end of file
diff --git a/ja/launch/set-up-launch/setup-queue-advanced.mdx b/ja/launch/set-up-launch/setup-queue-advanced.mdx
deleted file mode 100644
index e2d5909696..0000000000
--- a/ja/launch/set-up-launch/setup-queue-advanced.mdx
+++ /dev/null
@@ -1,103 +0,0 @@
----
-title: ローンンチキューを設定する
----
-
-以下のページでは、ローンチキューオプションの設定方法について説明します。
-
-## キュー設定テンプレートのセットアップ
-Queue Config Templates を使用して、計算リソースの消費に関するガードレールを管理します。メモリ消費量、GPU、実行時間などのフィールドに対して、デフォルト、最小値、および最大値を設定します。
-
-config templates を使用してキューを設定した後、チームのメンバーは、あなたが定義した範囲内のフィールドのみを変更することができます。
-
-### キューテンプレートの設定
-既存のキューでキューテンプレートを設定するか、新しいキューを作成することができます。
-
-1. [https://wandb.ai/launch](https://wandb.ai/launch) のローンチアプリに移動します。
-2. テンプレートを追加したいキューの名前の横にある **View queue** を選択します。
-3. **Config** タブを選択します。これにより、キューの作成日時、キュー設定、および既存のローンチタイムオーバーライドに関する情報が表示されます。
-4. **Queue config** セクションに移動します。
-5. テンプレートを作成したい設定キー-値を特定します。
-6. 設定内の値をテンプレートフィールドに置き換えます。テンプレートフィールドは `{{variable-name}}` の形式をとります。
-7. **Parse configuration** ボタンをクリックします。設定を解析すると、W&B は作成した各テンプレートの下にキュー設定タイルを自動的に作成します。
-8. 生成された各タイルに対して、キュー設定が許可できるデータ型 (文字列、整数、浮動小数点数) を最初に指定する必要があります。これを行うために、**Type** ドロップダウンメニューからデータ型を選択します。
-9. データ型に基づいて、各タイル内に表示されるフィールドを完成させます。
-10. **Save config** をクリックします。
-
-例えば、チームが使用できる AWS インスタンスを制限するテンプレートを作成したい場合、テンプレートフィールドを追加する前のキュー設定は次のようになります：
-
-```yaml title="launch config"
-RoleArn: arn:aws:iam:region:account-id:resource-type/resource-id
-ResourceConfig:
- InstanceType: ml.m4.xlarge
- InstanceCount: 1
- VolumeSizeInGB: 2
-OutputDataConfig:
- S3OutputPath: s3://bucketname
-StoppingCondition:
- MaxRuntimeInSeconds: 3600
-```
-
-`InstanceType` にテンプレートフィールドを追加すると、設定は次のようになります：
-
-```yaml title="launch config"
-RoleArn: arn:aws:iam:region:account-id:resource-type/resource-id
-ResourceConfig:
- InstanceType: "{{aws_instance}}"
- InstanceCount: 1
- VolumeSizeInGB: 2
-OutputDataConfig:
- S3OutputPath: s3://bucketname
-StoppingCondition:
- MaxRuntimeInSeconds: 3600
-```
-
-次に、**Parse configuration** をクリックします。新しいタイル `aws-instance` が **Queue config** の下に表示されます。
-
-そこで、**Type** ドロップダウンからデータ型として String を選択します。これにより、ユーザーが選択できる値を指定できるフィールドが表示されます。例えば、次の画像では、チームの管理者がユーザーが選べる 2 つの異なる AWS インスタンスタイプ (`ml.m4.xlarge` と `ml.p3.xlarge`) を設定しています：
-
-
-前の表に記載されていないカスタムマクロ (例えば `${MY_ENV_VAR}`) は、エージェントの環境から環境変数で置き換えられます。
-
-
-## アクセラレータ (GPU) で実行されるイメージをビルドするためのローンチエージェントの使用
-アクセラレータ環境で実行されるイメージをビルドするためにローンチを使用する場合、アクセラレータベースイメージを指定する必要があります。
-
-このアクセラレータベースイメージは次の要件を満たしている必要があります：
-
-- Debian 互換 (Launch Dockerfile は python を取得するために apt-get を使用します)
-- CPU & GPU ハードウェアインストラクションセットとの互換性 (使用する GPU がサポートする CUDA バージョンであることを確認してください)
-- あなたが提供するアクセラレータバージョンと ML アルゴリズムにインストールされたパッケージ間の互換性
-- ハードウェアとの互換性を確立するために必要な追加ステップを要求するパッケージのインストール
-
-### TensorFlow で GPU を使用する方法
-
-TensorFlow が GPU を適切に利用することを確認してください。これを達成するために、キューリソース設定の `builder.accelerator.base_image` キーで Docker イメージとそのイメージタグを指定します。
-
-例えば、`tensorflow/tensorflow:latest-gpu` ベースイメージは、TensorFlow が GPU を適切に使用することを保証します。これはキュー設定でリソース設定を使用して設定できます。
-
-以下の JSON スニペットは、キュー設定で TensorFlow ベースイメージを指定する方法を示しています：
-
-```json title="Queue config"
-{
- "builder": {
- "accelerator": {
- "base_image": "tensorflow/tensorflow:latest-gpu"
- }
- }
-}
-```
\ No newline at end of file
diff --git a/ja/launch/set-up-launch/setup-vertex.mdx b/ja/launch/set-up-launch/setup-vertex.mdx
deleted file mode 100644
index 5852d24f54..0000000000
--- a/ja/launch/set-up-launch/setup-vertex.mdx
+++ /dev/null
@@ -1,90 +0,0 @@
----
-title: 'チュートリアル: Vertex AI で W&B Launch を設定する'
----
-
-W&B Launch を使用して、Vertex AI トレーニングジョブとしてジョブを実行するために送信することができます。Vertex AI トレーニングジョブでは、Vertex AI プラットフォーム上の提供されたアルゴリズムまたはカスタムアルゴリズムを使用して機械学習モデルをトレーニングすることができます。ローンチジョブが開始されると、Vertex AI が基盤となるインフラストラクチャー、スケーリング、およびオーケストレーションを管理します。
-
-W&B Launch は、`google-cloud-aiplatform` SDK の `CustomJob` クラスを介して Vertex AI と連携します。`CustomJob` のパラメータは、ローンチキュー設定で制御できます。Vertex AI は、GCP 外のプライベートレジストリからイメージをプルするように設定することはできません。つまり、Vertex AI と W&B Launch を使用したい場合、コンテナイメージを GCP またはパブリックレジストリに保存する必要があります。コンテナイメージを Vertex ジョブでアクセス可能にするための詳細は、Vertex AI ドキュメントを参照してください。
-
-## 前提条件
-
-1. **Vertex AI API が有効になっている GCP プロジェクトを作成またはアクセスしてください。**
-
- API を有効にする方法については、[GCP API コンソールドキュメント](https://support.google.com/googleapi/answer/6158841?hl=ja) を参照してください。
-2. **Vertex で実行したいイメージを保存するための GCP Artifact Registry リポジトリを作成してください。** 詳細については、[GCP Artifact Registry ドキュメント](https://cloud.google.com/artifact-registry/docs/overview) を参照してください。
-3. **Vertex AI がメタデータを保存するステージング GCS バケットを作成してください。** このバケットは、Vertex AI ワークロードと同じリージョンにある必要があります。ステージングおよびビルドコンテキストには同じバケットを使用できます。
-4. **Vertex AI ジョブを立ち上げるために必要な権限を持つサービスアカウントを作成してください。** サービスアカウントに権限を割り当てる方法については、[GCP IAM ドキュメント](https://cloud.google.com/iam/docs/creating-managing-service-accounts) を参照してください。
-5. **サービスアカウントに Vertex ジョブを管理する権限を付与してください。**
-
-| パーミッション | リソーススコープ | 説明 |
-| ---------------------------------- | --------------------- | --------------------------------------------------------------------------------- |
-| `aiplatform.customJobs.create` | 指定された GCP プロジェクト | プロジェクト内で新しい機械学習ジョブを作成することができます。 |
-| `aiplatform.customJobs.list` | 指定された GCP プロジェクト | プロジェクト内の機械学習ジョブを列挙することができます。 |
-| `aiplatform.customJobs.get` | 指定された GCP プロジェクト | プロジェクト内の特定の機械学習ジョブの情報を取得することができます。 |
-
-
-Vertex AI ワークロードに標準以外のサービスアカウントのアイデンティティを引き継がせたい場合は、Vertex AI ドキュメントを参照してサービスアカウントの作成と必要な権限についての手順を確認してください。ローンチキュー設定の `spec.service_account` フィールドを使用して、W&B の run 用のカスタムサービスアカウントを選択できます。
-
-
-## Vertex AI 用キューを設定
-
-Vertex AI リソース用のキュー設定は、Vertex AI Python SDK の `CustomJob` コンストラクタと `run` メソッドへの入力を指定します。リソース設定は `spec` および `run` キーに格納されます。
-
-- `spec` キーには、Vertex AI Python SDK の [`CustomJob` コンストラクタ](https://cloud.google.com/vertex-ai/docs/pipelines/customjob-component) の名前付き引数の値が含まれています。
-- `run` キーには、Vertex AI Python SDK の `CustomJob` クラスの `run` メソッドの名前付き引数の値が含まれています。
-
-実行環境のカスタマイズは主に `spec.worker_pool_specs` リストで行われます。ワーカープール仕様は、ジョブを実行する作業者グループを定義します。デフォルトの設定のワーカー仕様は、アクセラレータのない `n1-standard-4` マシンを 1 台要求します。必要に応じてマシンタイプ、アクセラレータタイプ、数を変更することができます。
-
-利用可能なマシンタイプやアクセラレータタイプについての詳細は、[Vertex AI ドキュメント](https://cloud.google.com/vertex-ai/docs/reference/rest/v1/MachineSpec) を参照してください。
-
-## キューを作成
-
-Vertex AI を計算リソースとして使用するキューを W&B アプリで作成する:
-
-1. [Launch ページ](https://wandb.ai/launch) に移動します。
-2. **Create Queue** ボタンをクリックします。
-3. キューを作成したい **Entity** を選択します。
-4. **Name** フィールドにキューの名前を入力します。
-5. **Resource** として **GCP Vertex** を選択します。
-6. **Configuration** フィールドに、前のセクションで定義した Vertex AI `CustomJob` についての情報を入力します。デフォルトで、W&B は次のような YAML および JSON のリクエストボディを自動入力します：
-
- ```yml
- spec:
- worker_pool_specs:
- - machine_spec:
- machine_type: n1-standard-4
- accelerator_type: ACCELERATOR_TYPE_UNSPECIFIED
- accelerator_count: 0
- replica_count: 1
- container_spec:
- image_uri: ${image_uri}
- staging_bucket:
- run:
- restart_job_on_worker_restart: false
- ```
-7. キューを設定したら、**Create Queue** ボタンをクリックします。
-
-最低限指定する必要があるのは以下です：
-
-- `spec.worker_pool_specs` : 非空のワーカープール仕様リスト。
-- `spec.staging_bucket` : Vertex AI アセットとメタデータのステージングに使用する GCS バケット。
-
-
-一部の Vertex AI ドキュメントには、すべてのキーがキャメルケースで表示されるワーカープール仕様が示されています。例： `workerPoolSpecs`。 Vertex AI Python SDK では、これらのキーにスネークケースを使用します。例：`worker_pool_specs`。
-
-ローンチキュー設定のすべてのキーはスネークケースを使用する必要があります。
-
-
-## ローンチエージェントを設定
-
-ローンチエージェントは、デフォルトでは `~/.config/wandb/launch-config.yaml` にある設定ファイルを介して設定可能です。
-```yml
-max_jobs:
-queues:
- -
-```
-Vertex AI で実行されるイメージをローンチエージェントに構築してもらいたい場合は、[Advanced agent set up](/ja/launch/set-up-launch/setup-agent-advanced) を参照してください。
-
-## エージェント権限を設定
-
-このサービスアカウントとして認証する方法は複数あります。Workload Identity、ダウンロードされたサービスアカウント JSON、環境変数、Google Cloud Platform コマンドラインツール、またはこれらのメソッドの組み合わせを通じて実現できます。
\ No newline at end of file
diff --git a/ja/launch/sweeps-on-launch.mdx b/ja/launch/sweeps-on-launch.mdx
deleted file mode 100644
index 69f9999ddd..0000000000
--- a/ja/launch/sweeps-on-launch.mdx
+++ /dev/null
@@ -1,224 +0,0 @@
----
-title: W&B Launch を使用してスイープを作成する
-description: スイープのローンチでハイパーパラメータスイープを自動化する方法を発見する。
----
-
-
-このガイドは、W&B Launch が事前に設定されていることを前提としています。W&B Launch が設定されていない場合は、Launch ドキュメントの [開始方法](/ja/launch/walkthrough#開始方法) セクションを参照してください。
-
-
-
-初めて Launch で Sweeps を使用する場合は、「basic」メソッドを使用してスイープを作成することをお勧めします。W&B の標準スケジューリングエンジンがニーズを満たさない場合は、カスタムの Launch 用スイープスケジューラーを使用してください。
-
-
-## W&B 標準スケジューラーを使用したスイープの作成
-Launch で W&B Sweeps を作成します。W&B App を使用してインタラクティブにスイープを作成することも、W&B CLI を使用してプログラム的にスイープを作成することもできます。Launch スイープの高度な設定、スケジューラーのカスタマイズを可能にする CLI を使用します。
-
-
-W&B Launch でスイープを作成する前に、まずスイープするジョブを作成しておいてください。[Create a Job](/ja/launch/create-and-deploy-jobs/create-launch-job) ページを参照してください。
-
-
-
-
-W&B App を使って、インタラクティブにスイープを作成します。
-
-1. W&B App であなたの W&B プロジェクトへ移動します。
-2. 左側のパネルからスイープのアイコン（ほうきのイメージ）を選択します。
-3. 次に、**Create Sweep** ボタンを選択します。
-4. **Configure Launch 🚀** ボタンをクリックします。
-5. **Job** ドロップダウンメニューから、スイープを作成したい仕事の名前とバージョンを選択します。
-6. **Queue** ドロップダウンメニューを使用して、スイープを実行するキューを選択します。
-7. **Job Priority** ドロップダウンで、Launch ジョブの優先度を指定します。Launch Queue が優先度をサポートしていない場合、Launch ジョブの優先度は「Medium」に設定されます。
-8. (オプション) run またはスイープスケジューラーの引数を override 設定します。例えば、スケジューラーオーバーライドを使用して、スケジューラーが管理する同時 run の数を `num_workers` を使って設定します。
-9. (オプション) **Destination Project** ドロップダウンメニューを使用してスイープを保存するプロジェクトを選択します。
-10. **Save** をクリックします。
-11. **Launch Sweep** を選択します。
-
-
-
-W&B CLI を使って、Launch でプログラム的に W&B Sweep を作成します。
-
-1. Sweep の設定を作成します。
-2. スイープ設定内で完全なジョブ名を指定します。
-3. スイープエージェントを初期化します。
-
-
-ステップ 1 と 3 は、通常 W&B Sweep を作成するときに行うステップと同じです。
-
-
-例えば、以下のコードスニペットでは、ジョブの値に `'wandb/jobs/Hello World 2:latest'` を指定しています。
-
-```yaml
-# launch-sweep-config.yaml
-
-job: 'wandb/jobs/Hello World 2:latest'
-description: launch jobsを使ったスイープの例
-
-method: bayes
-metric:
- goal: minimize
- name: loss_metric
-parameters:
- learning_rate:
- max: 0.02
- min: 0
- distribution: uniform
- epochs:
- max: 20
- min: 0
- distribution: int_uniform
-
-# スケジューラ用のオプションパラメーター:
-
-# scheduler:
-# num_workers: 1 # 同時にスイープを実行するスレッド数
-# docker_image: <スケジューラー用のベースイメージ>
-# resource: <例: local-container...>
-# resource_args: # run に渡されるリソース引数
-# env:
-# - WANDB_API_KEY
-
-# Launch 用のオプションパラメーター
-# launch:
-# registry: <イメージのプル用のレジストリ>
-```
-
-スイープ設定の作成方法についての情報は、[Define sweep configuration](/ja/models/sweeps/define-sweep-configuration) ページを参照してください。
-
-4. 次に、スイープを初期化します。設定ファイルのパス、ジョブキューの名前、W&B エンティティ、プロジェクトの名前を指定します。
-
-```bash
-wandb launch-sweep --queue --entity --project
-```
-
-W&B Sweeps についての詳細は、[Tune Hyperparameters](/ja/models/sweeps/) チャプターを参照してください。
-
-
-
-
-## カスタムスイープスケジューラーの作成
-W&B スケジューラーまたはカスタムスケジューラーを使用してカスタムスイープスケジューラーを作成します。
-
-
-スケジューラージョブを使用するには、wandb cli バージョンが `0.15.4` 以上である必要があります。
-
-
-
-
-W&B スイープスケジューリングロジックをジョブとして使用して Launch スイープを作成します。
-
- 1. パブリックの wandb/sweep-jobs プロジェクトで Wandb スケジューラージョブを識別するか、以下のジョブ名を使用します: `'wandb/sweep-jobs/job-wandb-sweep-scheduler:latest'`
- 2. この名前を指す `job` キーを含む追加の `scheduler` ブロックで設定 yaml を構築します。例は以下の通りです。
- 3. 新しい設定で `wandb launch-sweep` コマンドを使用します。
-
-例の設定:
-```yaml
-# launch-sweep-config.yaml
-description: スケジューラージョブを使用したLaunchスイープ設定
-scheduler:
- job: wandb/sweep-jobs/job-wandb-sweep-scheduler:latest
- num_workers: 8 # 8つの同時スイープ実行を許可
-
-# スイープが実行するトレーニング/チューニングジョブ
-job: wandb/sweep-jobs/job-fashion-MNIST-train:latest
-method: grid
-parameters:
- learning_rate:
- min: 0.0001
- max: 0.1
-```
-
-
-カスタムスケジューラーは、スケジューラージョブを作成することで作成できます。このガイドの目的のために、`WandbScheduler` を変更してより多くのログを提供します。
-
- 1. `wandb/launch-jobs` リポジトリをクローンします（特定の場所: `wandb/launch-jobs/jobs/sweep_schedulers`）
- 2. これで、`wandb_scheduler.py` を修正して、ログの増加を達成できます。例: `_poll` 関数にログを追加します。これは、毎回のポーリングサイクル（設定可能なタイミング）で呼び出され、次のスイープ run をローンチする前に行います。
- 3. 修正したファイルを実行して、以下のコマンドでジョブを作成します: `python wandb_scheduler.py --project --entity --name CustomWandbScheduler`
- 4. 作成されたジョブの名前を、UI または前の呼び出しの出力で識別します。特に指定がない場合、これはコードアーティファクトジョブです。
- 5. スケジューラーが新しいジョブを指すようにスイープの設定を作成します。
-
-```yaml
-...
-scheduler:
- job: '//job-CustomWandbScheduler:latest'
-...
-```
-
-
-Optuna は、指定されたモデルに最適なハイパーパラメーターを見つけるために様々なアルゴリズムを使用するハイパーパラメータ最適化フレームワークです（W&B と似ています）。[サンプリングアルゴリズム](https://optuna.readthedocs.io/en/stable/reference/samplers/index.html) に加え、Optuna は数多くの [プルーニングアルゴリズム](https://optuna.readthedocs.io/en/stable/reference/pruners.html) も提供し、パフォーマンスが低い run を早期に終了させることができます。多数の run を実行する際、これは時間とリソースを節約するのに特に有用です。クラスは非常に設定可能で、`scheduler.settings.pruner/sampler.args` ブロックに期待されるパラメーターを渡すだけです。
-
-Optuna のスケジューリングロジックをジョブとして使用して Launch スイープを作成します。
-
-1. まず、独自のジョブを作成するか、ビルド済みの Optuna スケジューラーイメージジョブを使用します。
- * 独自のジョブを作成する方法の例については、[`wandb/launch-jobs`](https://github.com/wandb/launch-jobs/blob/main/jobs/sweep_schedulers) リポジトリを参照してください。
- * ビルド済みの Optuna イメージを使用するには、`wandb/sweep-jobs` プロジェクトで `job-optuna-sweep-scheduler` へ移動するか、ジョブ名を使用します: `wandb/sweep-jobs/job-optuna-sweep-scheduler:latest`。
-
-2. ジョブを作成した後、スイープを作成できます。Optuna スケジューラージョブを指す `job` キーを含む `scheduler` ブロックを含むスイープ設定を構築します（以下の例）。
-
-```yaml
- # optuna_config_basic.yaml
- description: ベーシックな Optuna スケジューラー
- job: wandb/sweep-jobs/job-fashion-MNIST-train:latest
- run_cap: 5
- metric:
- name: epoch/val_loss
- goal: minimize
-
- scheduler:
- job: wandb/sweep-jobs/job-optuna-sweep-scheduler:latest
- resource: local-container # イメージからソースされるスケジューラージョブに必須
- num_workers: 2
-
- # optuna 特有の設定
- settings:
- pruner:
- type: PercentilePruner
- args:
- percentile: 25.0 # 75% の run を終了
- n_warmup_steps: 10 # 最初の x ステップではプルーニングを無効に
-
- parameters:
- learning_rate:
- min: 0.0001
- max: 0.1
- ```
-
- 3. 最後に、launch-sweep コマンドでアクティブキューにスイープをローンチします。
-
- ```bash
- wandb launch-sweep -q -p -e
- ```
-
- Optuna スイープスケジューラージョブの正確な実装については、[wandb/launch-jobs](https://github.com/wandb/launch-jobs/blob/main/jobs/sweep_schedulers/optuna_scheduler/optuna_scheduler.py) を参照してください。Optuna スケジューラーで可能な例については、[wandb/examples](https://github.com/wandb/examples/tree/master/examples/launch/launch-sweeps/optuna-scheduler) をチェックしてください。
-
-
-
-カスタムスイープスケジューラージョブで可能な例は、`jobs/sweep_schedulers` 以下の [wandb/launch-jobs](https://github.com/wandb/launch-jobs) リポジトリにあります。このガイドは、公開されている **Wandb スケジューラージョブ** の使用方法を示し、またカスタムスイープスケジューラージョブを作成するプロセスを示しています。
-
-
-## launch で sweeps を再開する方法
-以前に実行されたスイープから launch-sweep を再開することも可能です。ハイパーパラメーターとトレーニングジョブは変更できませんが、スケジューラー固有のパラメーターおよび送信先キューは変更可能です。
-
-
-最初のスイープが「latest」などのエイリアスを持つトレーニングジョブを使用していた場合、再開すると最新のジョブバージョンが最後に実行されたジョブと変わっている場合に異なる結果をもたらす可能性があります。
-
-
-1. 以前に実行された launch-sweep のスイープ名/ID を特定します。スイープ ID は 8 文字の文字列です（例：`hhd16935`）。W&B App のプロジェクトで見つけることができます。
-2. スケジューラーパラメーターを変更する場合、更新された設定ファイルを構成します。
-3. ターミナルで、次のコマンドを実行します。`<` と `>` で囲まれている内容を自身の情報で置き換えます。
-
-```bash
-wandb launch-sweep --resume_id --queue
-```
diff --git a/ja/launch/walkthrough.mdx b/ja/launch/walkthrough.mdx
deleted file mode 100644
index 9a16ea15fc..0000000000
--- a/ja/launch/walkthrough.mdx
+++ /dev/null
@@ -1,187 +0,0 @@
----
-title: 'チュートリアル: W&B ローンンチ 基本事項'
-description: W&B ローンンチの入門ガイド。
----
-
-## What is Launch?
-
-
-W&B Launch は、コンテナ内で機械学習ワークロードを実行します。コンテナについての知識は必須ではありませんが、このWalkthroughに役立ちます。コンテナの入門書は [Docker ドキュメント](https://docs.docker.com/guides/docker-concepts/the-basics/what-is-a-container/) をご覧ください。
-
-
-## Prerequisites
-
-開始する前に、次の前提条件が満たされていることを確認してください。
-
-1. https://wandb.ai/site でアカウントに登録し、その後 W&B アカウントにログインします。
-2. この Walkthrough には、動作する Docker CLI とエンジン付きのマシンへのターミナル アクセスが必要です。詳細については [Docker インストールガイド](https://docs.docker.com/engine/install/) を参照してください。
-3. W&B Python SDK バージョン `0.17.1` 以上をインストールします:
- ```bash
- pip install wandb>=0.17.1
- ```
-4. ターミナル内で `wandb login` を実行するか、`WANDB_API_KEY` 環境変数を設定して W&B を認証します。
-
-
-
-ターミナル内で以下を実行します:
-
- ```bash
- wandb login
- ```
-
-
- ```bash
- WANDB_API_KEY=
- ```
-
- `` をあなたの W&B API キーに置き換えます。
-
-
-
-## Create a launch job
-Docker イメージ、git リポジトリから、またはローカルソースコードから3つの方法のいずれかで [Launch Job](/ja/launch/launch-terminology#ローンンチジョブ) を作成します。
-
-
-
-W&B にメッセージをログする事前に作成されたコンテナを実行するには、ターミナルを開いて次のコマンドを実行します。
-
-```bash
-wandb launch --docker-image wandb/job_hello_world:main --project launch-quickstart
-```
-
-前述のコマンドは、コンテナイメージ `wandb/job_hello_world:main` をダウンロードして実行します。
-
-Launch は、`wandb` でログされたすべての情報を `launch-quickstart` プロジェクトに報告するようにコンテナを設定します。コンテナは W&B にメッセージをログし、新しく作成された Run へのリンクを W&B に表示します。リンクをクリックして、W&B UI で Run を確認します。
-
-
-同じ hello-world ジョブを [W&B Launch jobs リポジトリ内のソースコード](https://github.com/wandb/launch-jobs) から起動するには、次のコマンドを実行します。
-
-```bash
-wandb launch --uri https://github.com/wandb/launch-jobs.git \\
---job-name hello-world-git --project launch-quickstart \\
---build-context jobs/hello_world --dockerfile Dockerfile.wandb \\
---entry-point "python job.py"
-```
-このコマンドは次のことを行います。
-1. [W&B Launch jobs リポジトリ](https://github.com/wandb/launch-jobs) を一時ディレクトリにクローンします。
-2. **hello** プロジェクト内に **hello-world-git** という名前のジョブを作成します。このジョブは、コードの実行に使用される正確なソースコードと設定を追跡します。
-3. `jobs/hello_world` ディレクトリと `Dockerfile.wandb` からコンテナイメージをビルドします。
-4. コンテナを開始し、`job.py` Python スクリプトを実行します。
-
-コンソール出力には、イメージのビルドと実行が表示されます。コンテナの出力は、前の例とほぼ同じである必要があります。
-
-
-git リポジトリにバージョン管理されていないコードは、`--uri` 引数にローカルディレクトリパスを指定することで起動できます。
-
-空のディレクトリを作成し、次の内容を持つ `train.py` という名前の Python スクリプトを追加します。
-
- ```python
- import wandb
-
- with wandb.init() as run:
- run.log({"hello": "world"})
- ```
-
-次の内容で `requirements.txt` ファイルを追加します。
-
- ```text
- wandb>=0.17.1
- ```
-
-ディレクトリ内から次のコマンドを実行します。
-
- ```bash
- wandb launch --uri . --job-name hello-world-code --project launch-quickstart --entry-point "python train.py"
- ```
-
-このコマンドは次のことを行います。
-1. 現在のディレクトリの内容を W&B に Code Artifact としてログします。
-2. **launch-quickstart** プロジェクトに **hello-world-code** という名前のジョブを作成します。
-3. `train.py` と `requirements.txt` を基礎イメージにコピーしてコンテナイメージをビルドし、`pip install` で要件をインストールします。
-4. コンテナを開始して `python train.py` を実行します。
-
-
-
-## Create a queue
-
-Launch は、Teams が共有計算を中心にワークフローを構築するのを支援するように設計されています。これまでの例では、`wandb launch` コマンドがローカルマシンでコンテナを同期的に実行しました。Launch キューとエージェントを使用すると、共有リソースでジョブを非同期に実行し、優先順位付けやハイパーパラメータ最適化などの高度な機能を実現できます。基本的なキューを作成するには、次の手順に従います。
-
-1. [wandb.ai/launch](https://wandb.ai/launch) にアクセスし、**Create a queue** ボタンをクリックします。
-2. キューを関連付ける **Entity** を選択します。
-3. **Queue name** を入力します。
-4. **Resource** として **Docker** を選択します。
-5. 今のところ、**Configuration** は空白のままにします。
-6. **Create queue** をクリックします :rocket:
-
-ボタンをクリックすると、ブラウザはキュー表示の **Agents** タブにリダイレクトされます。キューにエージェントがポーリングされるまで、キューは **Not active** 状態のままです。
-
- --entity
-```
-
-コマンドをターミナルで実行してエージェントを起動します。エージェントは指定されたキューをポーリングして、実行するジョブを収集します。受信後、エージェントはジョブのためにコンテナイメージをダウンロードまたはビルドして実行します。`wandb launch` コマンドがローカルで実行されたかのように。
-
-[Launch ページ](https://wandb.ai/launch) に戻って、キューが **Active** として表示されていることを確認します。
-
-## Submit a job to the queue
-
-W&B アカウントの **launch-quickstart** プロジェクトに移動し、画面の左側のナビゲーションから Jobs タブを開きます。
-
-**Jobs** ページには、以前に実行された Runs から作成された W&B Jobs のリストが表示されます。Launch Job をクリックすると、ソースコード、依存関係、およびジョブから作成されたすべての Runs を表示できます。この Walkthrough を完了すると、リストに3つのジョブが表示されるはずです。
-
-新しいジョブのいずれかを選択し、それをキューに送信する手順は次のとおりです。
-
-1. **Launch** ボタンをクリックして、ジョブをキューに送信します。 **Launch** ドロワーが表示されます。
-2. 先ほど作成した **Queue** を選択し、**Launch** をクリックします。
-
-これにより、ジョブがキューに送信されます。このキューをポーリングするエージェントがジョブを取得し、実行します。ジョブの進行状況は、W&B UI からやターミナル内のエージェントの出力を調査することで監視できます。
-
-`wandb launch` コマンドは `--queue` 引数を指定することで Jobs をキューに直接プッシュできます。たとえば、hello-world コンテナジョブをキューに送信するには、次のコマンドを実行します。
-
- ```bash
- wandb launch --docker-image wandb/job_hello_world:main --project launch-quickstart --queue
- ```
\ No newline at end of file
diff --git a/ja/models.mdx b/ja/models.mdx
index 79b28d4535..87de48ff37 100644
--- a/ja/models.mdx
+++ b/ja/models.mdx
@@ -3,19 +3,17 @@ title: W&B Models
mode: wide
---
-W&B Models は、モデルを整理し、生産性とコラボレーションを向上させ、大規模なプロダクション機械学習を実現したい機械学習エンジニアのための SoR（System of Record）です。
+W&B Models は、モデルを体系的に管理し、生産性とコラボレーションを高め、本番環境での大規模な ML を実現したい ML 実務者向けのシステム・オブ・レコードです。
-
+ ## コンソールログを表示する
+
-W&B App で Run のコンソールログにアクセスするには、以下の手順に従います：
+W&B App で run のコンソールログにアクセスするには、次の手順に従います。
-1. W&B App で対象の **Projects** に移動します。
-2. **Runs** テーブルから特定の Run を選択します。
-3. プロジェクトサイドバーにある **Logs** タブをクリックします。
+1. W&B App で自分の プロジェクト に移動します。
+2. **Runs** テーブル内から run を 1 つ選択します。
+3. プロジェクトサイドバーの **Logs** タブをクリックします。
-W&B は、1 つの Run に対して最大 100,000 行のログを保存します。W&B App では、一度に最大 10,000 行のログが表示されます。ログをスクロールして古い行を表示させることで、保存されているすべてのログを確認できます。
+ W&B は、run ごとのログを最大 100,000 行まで保存します。W&B App では、一度に最大 10,000 行までのログが表示されます。保存されているすべてのログ行を確認するには、ログをスクロールして過去の行を表示してください。
{/* ## コンソールログのフィールド
-W&B App 内で、コンソールログテーブルに表示されるフィールドを変更できます。 */}
+ W&B App 内で、コンソールログのテーブルに表示されるフィールドをカスタマイズできます。 */}
-## コンソールログの種類
-W&B は、情報メッセージ、警告、エラーの数種類のコンソールログをキャプチャし、ログの重要度を示すプレフィックスを付与します。
+
+ ## コンソールログの種類
+
-### 情報メッセージ（Informational messages）
-情報メッセージは、Run の進捗やステータスに関する更新情報を提供します。通常、`wandb:` というプレフィックスが付きます。
+W&B はコンソールログをいくつかの種類に分けて取得します。情報メッセージ、警告、エラーがあり、ログの重大度を示すプレフィックスが先頭に付きます。
+
+
+ ### 情報メッセージ
+
+
+情報メッセージは、run の進行状況やステータスに関する情報を出力します。通常、先頭に `wandb:` が付きます。
```text
wandb: Starting Run: abc123
wandb: Run data is saved locally in ./wandb/run-20240125_120000-abc123
```
-### 警告メッセージ（Warning messages）
-実行は停止しないものの、潜在的な問題に関する警告には `WARNING:` というプレフィックスが付きます。
+
+
+ ### 警告メッセージ
+
+
+実行を停止しない潜在的な問題に関する警告には、先頭に `WARNING:` が付きます。
```text
WARNING Found .wandb file, not streaming tensorboard metrics.
WARNING These runs were logged with a previous version of wandb.
```
-### エラーメッセージ（Error messages）
-重大な問題に関するエラーメッセージには `ERROR:` というプレフィックスが付きます。これらは、Run が正常に完了するのを妨げる可能性のある問題を示しています。
+
+
+ ### エラーメッセージ
+
+
+重大な問題のエラーメッセージには、`ERROR:` という接頭辞が付きます。これらは、run が正常に完了するのを妨げる可能性のある問題を示します。
```text
ERROR Unable to save notebook session history.
ERROR Failed to save notebook.
```
-## コンソールログの設定
-コード内で `wandb.init()` に `wandb.Settings` オブジェクトを渡すことで、W&B がコンソールログをどのように処理するかを 設定 できます。`wandb.Settings` 内で以下の パラメータ を設定し、コンソールログの 振る舞い を制御できます：
+
+ ## コンソール ログ設定
+
+
+コード内で `wandb.Settings` オブジェクトを `wandb.init()` に渡すことで、W&B がコンソール ログをどのように処理するかを構成できます。`wandb.Settings` の中で、コンソール ログの動作を制御するために次のパラメーターを設定できます。
-- `show_errors`: `True` に設定すると、エラーメッセージが W&B App に表示されます。`False` に設定すると、エラーメッセージは表示されません。
-- `silent`: `True` に設定すると、すべての W&B コンソール出力が抑制されます。これは、コンソールの ノイズ を最小限に抑えたい プロダクション 環境で役立ちます。
-- `show_warnings`: `True` に設定すると、警告メッセージが W&B App に表示されます。`False` に設定すると、警告メッセージは表示されません。
-- `show_info`: `True` に設定すると、情報メッセージが W&B App に表示されます。`False` に設定すると、情報メッセージは表示されません。
+* `show_errors`: `True` に設定すると、エラーメッセージが W&B App に表示されます。`False` に設定すると、エラーメッセージは表示されません。
+* `silent`: `True` に設定すると、すべての W&B コンソール出力が抑制されます。これは、本番環境などコンソールのノイズを最小限に抑えたい場合に有用です。
+* `show_warnings`: `True` に設定すると、警告メッセージが W&B App に表示されます。`False` に設定すると、警告メッセージは表示されません。
+* `show_info`: `True` に設定すると、情報メッセージが W&B App に表示されます。`False` に設定すると、情報メッセージは表示されません。
-以下の例は、これらの 設定 を構成する方法を示しています：
+次の例は、これらの設定を行う方法を示しています。
```python
import wandb
settings = wandb.Settings(
- show_errors=True, # エラーメッセージを W&B App に表示する
- silent=False, # すべての W&B コンソール出力を無効にする
- show_warnings=True # 警告メッセージを W&B App に表示する
+ show_errors=True, # W&B App 上にエラーメッセージを表示します
+ silent=False, # すべての W&B コンソール出力を無効にします
+ show_warnings=True # W&B App 上に警告メッセージを表示します
)
with wandb.init(settings=settings) as run:
- # ここにトレーニングコードを記述
+ # ここにトレーニング コードを記述します
run.log({"accuracy": 0.95})
```
-## カスタムロギング
-W&B は アプリケーション からのコンソールログをキャプチャしますが、独自のロギング設定を妨げることはありません。Python 組み込みの `print()` 関数や `logging` モジュールを使用してメッセージを記録できます。
+
+ ## カスタム ログ
+
+
+W&B はアプリケーションからのコンソール ログを取得しますが、独自のログ設定には干渉しません。Python の組み込み関数 `print()` や `logging` モジュールを使ってメッセージをログに記録できます。
```python
import wandb
with wandb.init(project="my-project") as run:
for i in range(100, 1000, 100):
- # これは W&B にログを記録し、コンソールにも出力します
+ # W&B にログを記録し、コンソールに出力します
run.log({"epoch": i, "loss": 0.1 * i})
print(f"epoch: {i} loss: {0.1 * i}")
```
-コンソールログは以下のようになります：
+コンソール ログは次のように表示されます。
```text
1 epoch: 100 loss: 1.3191105127334595
@@ -101,53 +123,64 @@ with wandb.init(project="my-project") as run:
9 epoch: 900 loss: 0.28154927492141724
```
-## タイムスタンプ
-各コンソールログのエントリには、自動的にタイムスタンプが追加されます。これにより、各ログメッセージがいつ生成されたかを追跡できます。
+
+ ## タイムスタンプ
+
+
+タイムスタンプは各コンソール ログ エントリに自動的に追加されます。これにより、各ログメッセージがいつ生成されたかを追跡できます。
-コンソールログのタイムスタンプの表示/非表示を切り替えることができます。コンソールページの左上隅にある **Timestamp visible** ドロップダウンを選択してください。
+コンソール ログのタイムスタンプはオンまたはオフに切り替えられます。コンソール ページで左上にある **Timestamp visible** ドロップダウンを選択し、タイムスタンプを表示するか非表示にするかを選択します。
-## コンソールログの検索
+
+ ## コンソールログの検索
+
-コンソールログページの上部にある検索バーを使用して、キーワードでログをフィルタリングできます。特定の用語、ラベル、またはエラーメッセージを検索できます。
+コンソールログページ上部の検索バーを使用して、キーワードでログをフィルタリングできます。特定の用語、ラベル、またはエラーメッセージを検索できます。
-## カスタムラベルによるフィルタリング
+
+ ## カスタムラベルでフィルタリングする
+
-`x_` で始まるパラメータ（`x_label` など）はパブリックプレビュー版です。フィードバックを提供するには、[W&B リポジトリで GitHub issue](https://github.com/wandb/wandb) を作成してください。
+ `x_label` のように `x_` がプレフィックスとして付いたパラメーターはパブリックプレビュー機能です。フィードバックを提供するには、[W&B リポジトリの GitHub issue を作成](https://github.com/wandb/wandb) してください。
-`wandb.Settings` の `x_label` 引数 に渡したラベルに基づいて、コンソールログページの上部にある UI 検索バーからログをフィルタリングできます。
+コンソールログページ上部にある UI の検索バーで、`wandb.Settings` の `x_label` 引数に渡したラベルに基づいてコンソールログをフィルタリングできます。
```python
import wandb
-# プライマリノードで Run を初期化
+# プライマリノードで run を初期化する
with wandb.init(
entity="entity",
project="project",
settings=wandb.Settings(
- x_label="custom_label" # (オプション) ログフィルタリング用のカスタムラベル
+ x_label="custom_label" # (オプション) ログのフィルタリング用カスタムラベル
)
) as run:
- # ここにコードを記述
+ # ここにコードを記述する
```
-## コンソールログのダウンロード
-W&B App で Run のコンソールログをダウンロードするには、以下の手順に従います：
+
+ ## コンソールログをダウンロードする
+
-1. W&B App で対象の **Projects** に移動します。
-2. **Runs** テーブルから特定の Run を選択します。
-3. プロジェクトサイドバーにある **Logs** タブをクリックします。
-4. コンソールログページの右上隅にあるダウンロードボタンをクリックします。
+W&B App で特定の run のコンソールログをダウンロードします。
+1. W&B App で該当のプロジェクトに移動します。
+2. **Runs** テーブル内から目的の run を選択します。
+3. プロジェクトサイドバーで **Logs** タブをクリックします。
+4. コンソールログページ右上にあるダウンロードボタンをクリックします。
-## コンソールログのコピー
+
+ ## コンソールログをコピーする
+
-W&B App で Run のコンソールログをコピーするには、以下の手順に従います：
+W&B App で特定の run のコンソールログをコピーします。
-1. W&B App で対象の **Projects** に移動します。
-2. **Runs** テーブルから特定の Run を選択します。
-3. プロジェクトサイドバーにある **Logs** タブをクリックします。
-4. コンソールログページの右上隅にあるコピーボタンをクリックします。
\ No newline at end of file
+1. W&B App で対象のプロジェクトに移動します。
+2. **Runs** テーブルで任意の run を選択します。
+3. プロジェクトサイドバーの **Logs** タブをクリックします。
+4. コンソールログページ右上の［コピー］ボタンをクリックします。
\ No newline at end of file
diff --git a/ja/models/app/features/cascade-settings.mdx b/ja/models/app/features/cascade-settings.mdx
index 16c9ce11f0..ce3114ce37 100644
--- a/ja/models/app/features/cascade-settings.mdx
+++ b/ja/models/app/features/cascade-settings.mdx
@@ -1,136 +1,144 @@
---
-title: Workspace 、セクション、パネルの 設定 を管理する
+title: Workspace、セクション、パネルの設定を管理する
---
-特定の Workspace ページ内には、Workspace、セクション、パネルの3つの異なる設定レベルがあります。[Workspace 設定](#workspace-設定) は Workspace 全体に適用されます。[セクション設定](#セクション設定) はセクション内のすべてのパネルに適用されます。[パネル設定](#パネル設定) は個々のパネルに適用されます。
+特定の Workspace ページには、Workspace、セクション、パネルという 3 つの異なる設定レベルがあります。 [Workspace 設定](#workspace-settings)は Workspace 全体に適用されます。 [セクション設定](#section-settings)はセクション内のすべてのパネルに適用されます。 [パネル設定](#panel-settings)は個々のパネルに適用されます。
-## Workspace 設定
+
+ ## Workspace 設定
+
-Workspace 設定は、すべてのセクションとそれらのセクション内のすべてのパネルに適用されます。編集できる Workspace 設定には、[Workspace レイアウト](#workspace-layout-オプション) と [Line plots](#line-plots-オプション) の2つのタイプがあります。**Workspace layout** は Workspace の構造を決定し、**Line plots** 設定は Workspace 内の折れ線グラフのデフォルト設定を制御します。
+Workspace 設定は、すべてのセクションおよびそのセクション内のすべてのパネルに適用されます。編集できる Workspace 設定は 2 種類あります：[Workspace layout](#workspace-layout-options) と [Line plots](#line-plots-options) です。**Workspace layouts** は Workspace の構造を決定し、**Line plots** 設定は Workspace 内の折れ線グラフのデフォルト設定を決定します。
-この Workspace の全体的な構造に適用される設定を編集するには：
+この Workspace 全体の構成に適用される設定を編集するには、次の手順に従います。
+
+1. 自分のプロジェクト Workspace に移動します。
+2. Workspace 設定を表示するには、**New report** ボタンの横にある歯車アイコンをクリックします。
+3. Workspace のレイアウトを変更するには **Workspace layout** を、Workspace 内の折れ線グラフのデフォルト設定を設定するには **Line plots** を選択します。
-1. プロジェクトの Workspace に移動します。
-2. **New report** ボタンの隣にあるギアアイコンをクリックして、Workspace 設定を表示します。
-3. **Workspace layout** を選択して Workspace のレイアウトを変更するか、**Line plots** を選択して Workspace 内の折れ線グラフのデフォルト設定を 設定 します。
-Workspace をカスタマイズした後、_workspace templates_ を使用して、同じ設定で新しい Workspace を素早く作成できます。詳細は [Workspace templates](/models/track/workspaces/#workspace-templates) を参照してください。
+ Workspace をカスタマイズした後は、*Workspace templates* を使用して、同じ設定を持つ新しい Workspace をすばやく作成できます。[Workspace templates](/ja/models/track/workspaces/#workspace-templates) を参照してください。
-### Workspace layout オプション
+
+ ### Workspace レイアウトオプション
+
-Workspace のレイアウトを 設定 して、Workspace の全体的な構造を定義します。これにはセクション分けのロジックやパネルの整理が含まれます。
+ワークスペースのレイアウトを設定して、ワークスペース全体の構造を定義します。これには、セクション分割のロジックやパネルの構成が含まれます。
-W&B では、最後のプレフィックスでグループ化するよりも、最初のプレフィックスでグループ化してセクションを整理することをお勧めします。最初のプレフィックスでグループ化すると、セクション数が少なくなり、パフォーマンスが向上する可能性があります。
+ W&B では、プレフィックスの末尾でグループ化するのではなく、先頭でセクションをグループ化することを推奨します。先頭のプレフィックスでグループ化すると、セクション数が少なくなり、パフォーマンスが向上する場合があります。
-### Line plots オプション
-**Line plots** Workspace 設定を変更することで、Workspace 内の折れ線グラフのグローバルなデフォルト値とカスタムルールを設定できます。
+
+ ### 折れ線プロットのオプション
+
+
+**Line plots** ワークスペース設定を変更して、ワークスペース内の折れ線プロットに対するグローバルなデフォルトとカスタムルールを設定します。
-個別の折れ線グラフを編集する方法については、Line plots の [Edit line panel settings](/models/app/features/panels/line-plot/#edit-line-panel-settings) を参照してください。
+ 個々の折れ線プロットを編集する方法については、Line plots の [Edit line panel settings](/ja/models/app/features/panels/line-plot/#edit-line-panel-settings) を参照してください。
+**Display preferences** タブ内では、次の設定を切り替えることができます。
-**Display preferences** タブ内では、以下の設定を切り替えることができます：
-
-| 表示設定 | 説明 |
+| Display preference | 説明 |
| ----- | ----- |
-| **Remove legends from all panels** | パネルの凡例を削除します |
-| **Display colored run names in tooltips** | ツールチップ内で run 名を色付きテキストで表示します |
-| **Only show highlighted run in companion chart tooltip** | チャートのツールチップにハイライトされた run のみを表示します |
-| **Number of runs shown in tooltips** | ツールチップに表示される run の数 |
-| **Display full run names on the primary chart tooltip**| チャートのツールチップに run のフルネームを表示します |
+| **Remove legends from all panels** | すべてのパネルから凡例を削除します。 |
+| **Display colored run names in tooltips** | ツールチップ内で run 名を色付きテキストとして表示します。 |
+| **Only show highlighted run in companion chart tooltip** | チャートのツールチップにハイライトされた run のみを表示します。 |
+| **Number of runs shown in tooltips** | ツールチップに表示する run の数を指定します。 |
+| **Display full run names on the primary chart tooltip**| プライマリチャートのツールチップに run 名を省略せずに表示します。 |
+
+ ## セクション設定
+
+セクション設定は、そのセクション内のすべてのパネルに適用されます。ワークスペース セクション内では、パネルのソート、パネルの並べ替え、セクション名の変更ができます。
-
-## セクション設定
-
-セクション設定は、そのセクション内のすべてのパネルに適用されます。Workspace のセクション内では、パネルのソート、パネルの並べ替え、セクション名の変更が可能です。
-
-セクション設定を変更するには、セクションの右上隅にある3つの横ドット（**...**）を選択します。
+セクションの右上にある三点リーダーのアイコン (**...**) を選択して、セクション設定を変更します。
-上記の表で説明した設定に加えて、**Add section below**（下にセクションを追加）、**Add section above**（上にセクションを追加）、**Delete section**（セクションを削除）、**Add section to report**（Reports にセクションを追加）など、Workspace 内でのセクションの表示方法も編集できます。
+ 前の表で説明した設定に加えて、**Add section below**、**Add section above**、**Delete section**、**Add section to report** など、ワークスペース 内でのセクションの表示方法も編集できます。
-## パネル設定
+
+ ## パネル設定
+
-個々のパネルの設定をカスタマイズして、同じプロット上で複数のラインを比較したり、カスタム軸を計算したり、ラベルの名前を変更したりできます。パネルの設定を編集するには：
+個々のパネルの設定をカスタマイズして、同じプロット上で複数の線を比較したり、カスタム軸を定義したり、ラベルを変更したりできます。パネルの設定を編集するには、次の手順に従います。
-1. 編集したいパネルの上にマウスを置きます。
+1. 編集したいパネルの上にマウスカーソルを置きます。
2. 表示される鉛筆アイコンを選択します。
+
+ ### 仕組み
+
-1. **データのログ記録**: スクリプトから [config](/models/track/config/) とサマリーデータをログに記録します。
-2. **チャートのカスタマイズ**: [GraphQL](https://graphql.org) クエリを使用して、ログに記録されたデータを抽出します。強力な可視化文法である [Vega](https://vega.github.io/vega/) を使用して、クエリの結果を可視化します。
-3. **チャートのログ記録**: スクリプトから `wandb.plot_table()` を使用して、独自のプリセットを呼び出します。
+1. **データをログする**: スクリプトから [config](/ja/models/track/config/) とサマリーデータをログします。
+2. **チャートをカスタマイズする**: ログされたデータを [GraphQL](https://graphql.org) クエリで取得します。クエリ結果を、強力な可視化文法である [Vega](https://vega.github.io/vega/) で可視化します。
+3. **チャートをログする**: スクリプトから `wandb.plot_table()` を呼び出して、独自のプリセットをログします。
+ ## スクリプトからチャートをログに記録する
+
-## スクリプトからチャートをログに記録する
+
+ ### 組み込みプリセット
+
-### 組込みプリセット
-
-W&B には、スクリプトから直接ログに記録できる多数の組込みチャートプリセットがあります。これらには、折れ線グラフ、散布図、棒グラフ、ヒストグラム、PR曲線、ROC曲線が含まれます。
+W&B には、スクリプトから直接ログできる組み込みのチャートプリセットがいくつか用意されています。これらには、折れ線グラフ、散布図、棒グラフ、ヒストグラム、PR カーブ、ROC カーブが含まれます。
-
-`wandb.plot.line()`
-
- カスタムの折れ線グラフ（任意の軸 x と y 上の、連結され順序付けられた点 (x,y) のリスト）をログに記録します。
-
- ```python
- with wandb.init() as run:
- # x_values と y_values からデータのリストを作成
- data = [[x, y] for (x, y) in zip(x_values, y_values)]
- table = wandb.Table(data=data, columns=["x", "y"])
- run.log(
- {
- "my_custom_plot_id": wandb.plot.line(
- table, "x", "y", title="Custom Y vs X Line Plot"
- )
- }
- )
- ```
-
- 折れ線グラフは、任意の2つの次元の曲線をログに記録します。2つの値のリストを互いにプロットする場合、リスト内の値の数は正確に一致している必要があります（例えば、各点に x と y が必要です）。
-
-
+ `wandb.plot.line()`
- [Reports の例を見る](https://wandb.ai/wandb/plots/reports/Custom-Line-Plots--VmlldzoyNjk5NTA) または [Google Colabノートブックの例を試す](https://tiny.cc/custom-charts)。
-
-
-`wandb.plot.scatter()`
+ カスタム折れ線プロットをログします。任意の x 軸および y 軸上の、順序付きで連結された点 (x, y) のリストをプロットします。
- カスタムの散布図（任意の軸ペア x と y 上の点 (x, y) のリスト）をログに記録します。
+ ```python
+ with wandb.init() as run:
+ data = [[x, y] for (x, y) in zip(x_values, y_values)]
+ table = wandb.Table(data=data, columns=["x", "y"])
+ run.log(
+ {
+ "my_custom_plot_id": wandb.plot.line(
+ table, "x", "y", title="Custom Y vs X Line Plot"
+ )
+ }
+ )
+ ```
- ```python
- with wandb.init() as run:
- # 予測スコアからデータのリストを作成
- data = [[x, y] for (x, y) in zip(class_x_prediction_scores, class_y_prediction_scores)]
- table = wandb.Table(data=data, columns=["class_x", "class_y"])
- run.log({"my_custom_id": wandb.plot.scatter(table, "class_x", "class_y")})
- ```
+ 折れ線プロットでは、任意の 2 つの軸の組み合わせで曲線をログできます。2 つの値のリスト同士をプロットする場合、リスト内の値の数は厳密に一致している必要があります (たとえば、各点には x と y の 1 組の値が必要です) 。
- これを使用して、任意の2つの次元の散布図をログに記録できます。2つの値のリストを互いにプロットする場合、リスト内の値の数は正確に一致している必要があることに注意してください（例えば、各点に x と y が必要です）。
+
- [Reports の例を見る](https://wandb.ai/wandb/plots/reports/Custom-Scatter-Plots--VmlldzoyNjk5NDQ) または [Google Colabノートブックの例を試す](https://tiny.cc/custom-charts)。
-
-
-`wandb.plot.bar()`
-
- カスタムの棒グラフ（ラベル付きの値のリストを棒として表示）を数行でネイティブにログに記録します：
-
- ```python
- with wandb.init() as run:
- # ラベルと値からデータのリストを作成
- data = [[label, val] for (label, val) in zip(labels, values)]
- table = wandb.Table(data=data, columns=["label", "value"])
- run.log(
- {
- "my_bar_chart_id": wandb.plot.bar(
- table, "label", "value", title="Custom Bar Chart"
- )
- }
- )
- ```
-
- これを使用して、任意の棒グラフをログに記録できます。リスト内のラベルと値の数は正確に一致している必要があることに注意してください（例えば、各データポイントに両方が必要です）。
+
+ `wandb.plot.scatter()`
-
-
-`wandb.plot.histogram()`
+ ```python
+ with wandb.init() as run:
+ data = [[x, y] for (x, y) in zip(class_x_prediction_scores, class_y_prediction_scores)]
+ table = wandb.Table(data=data, columns=["class_x", "class_y"])
+ run.log({"my_custom_id": wandb.plot.scatter(table, "class_x", "class_y")})
+ ```
- カスタムのヒストグラム（値のリストを出現回数/頻度によってビンに分類）を数行でネイティブにログに記録します。例えば、予測信頼度スコア (`scores`) のリストがあり、その分布を可視化したいとします：
+ これを使うと、任意の 2 つの次元上に散布図の点をログできます。2 つの値リスト同士をプロットする場合は、リスト内の値の数が完全に一致している必要がある点に注意してください (たとえば、各点には必ず x と y の値が 1 つずつ必要です) 。
- ```python
- with wandb.init() as run:
- # スコアからデータのリストを作成
- data = [[s] for s in scores]
- table = wandb.Table(data=data, columns=["scores"])
- run.log({"my_histogram": wandb.plot.histogram(table, "scores", title=None)})
- ```
+
-
+ `wandb.plot.bar()`
- [Reports の例を見る](https://wandb.ai/wandb/plots/reports/Custom-Histograms--VmlldzoyNzE0NzM) または [Google Colabノートブックの例を試す](https://tiny.cc/custom-charts)。
-
-
-`wandb.plot.pr_curve()`
+ 数行のコードで、ラベル付きの値 (棒) のリストからなるカスタム棒グラフをネイティブにログできます。
- 1行で [PR曲線](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_curve.html#sklearn.metrics.precision_recall_curve) を作成します：
+ ```python
+ with wandb.init() as run:
+ data = [[label, val] for (label, val) in zip(labels, values)]
+ table = wandb.Table(data=data, columns=["label", "value"])
+ run.log(
+ {
+ "my_bar_chart_id": wandb.plot.bar(
+ table, "label", "value", title="Custom Bar Chart"
+ )
+ }
+ )
+ ```
- ```python
- with wandb.init() as run:
- # 正解ラベルと予測スコアからPR曲線を作成
- plot = wandb.plot.pr_curve(ground_truth, predictions, labels=None, classes_to_plot=None)
+ これを使って任意の棒グラフをログに記録できます。リスト内のラベルと値の数は必ず一致させてください (たとえば、各データポイントにはラベルと値の両方が必要です) 。
- run.log({"pr": plot})
- ```
+
- * 一連の例に対するモデルの予測スコア (`predictions`)
- * それらの例に対応する正解（ground truth）ラベル (`ground_truth`)
- * (オプション) ラベル/クラス名のリスト (例: `labels=["cat", "dog", "bird"...]`)
- * (オプション) プロットで可視化するラベルのサブセット (リスト形式)
+
+ `wandb.plot.histogram()`
-
-
-`wandb.plot.roc_curve()`
+ 任意のヒストグラムをログするにはこれを使います。`data` はリストのリストであり、行と列からなる 2D 配列をサポートするための形式です。
- 1行で [ROC曲線](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html#sklearn.metrics.roc_curve) を作成します：
+
- # ROC曲線プロットを作成
- # labels はオプションのクラス名リスト、classes_to_plot は可視化するラベルのオプションのサブセット
- plot = wandb.plot.roc_curve(
- ground_truth, predictions, labels=None, classes_to_plot=None
- )
+
+ `wandb.plot.pr_curve()`
- run.log({"roc": plot})
- ```
+ 1 行のコードで [Precision-Recall 曲線](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_curve.html#sklearn.metrics.precision_recall_curve) を作成します：
- コードが以下にアクセスできる場合に、これをログに記録できます：
+ ```python
+ with wandb.init() as run:
+ plot = wandb.plot.pr_curve(ground_truth, predictions, labels=None, classes_to_plot=None)
- * 一連の例に対するモデルの予測スコア (`predictions`)
- * それらの例に対応する正解（ground truth）ラベル (`ground_truth`)
- * (オプション) ラベル/ クラス名のリスト (例: `labels=["cat", "dog", "bird"...]`)
- * (オプション) プロットで可視化するこれらのラベルのサブセット (リスト形式)
+ run.log({"pr": plot})
+ ```
-
+
+
+ `wandb.plot.roc_curve()`
- [Reports の例を見る](https://wandb.ai/wandb/plots/reports/Plot-ROC-Curves--VmlldzoyNjk3MDE) または [Google Colabノートブックの例を試す](https://colab.research.google.com/drive/1_RMppCqsA8XInV_jhJz32NCZG6Z5t1RO?usp=sharing)。
-
+ 次の 1 行で [ROC 曲線](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html#sklearn.metrics.roc_curve) を作成します：
+
+ ```python
+ with wandb.init() as run:
+ # ground_truth は正解ラベルのリスト、predictions は予測スコアのリスト
+ ground_truth = [0, 1, 0, 1, 0, 1]
+ predictions = [0.1, 0.4, 0.35, 0.8, 0.7, 0.9]
+
+ # ROC カーブのプロットを作成する
+ # labels はクラス名のオプションリスト、classes_to_plot は可視化するラベルのオプションのサブセット
+ plot = wandb.plot.roc_curve(
+ ground_truth, predictions, labels=None, classes_to_plot=None
+ )
+
+ run.log({"roc": plot})
+ ```
+
+ コードが次の情報にアクセスできるタイミングであれば、いつでもログを記録できます：
+
+ * 一連のサンプルに対する モデル の予測スコア (`predictions`)
+ * それらのサンプルに対応する正解ラベル (`ground_truth`)
+ * (オプション) これらのラベル／クラス名のリスト (ラベルインデックス 0 が cat、1 = dog、2 = bird などを意味する場合の `labels=["cat", "dog", "bird"...]`)
+ * (オプション) プロット上で可視化するために使用する、これらのラベルの一部 (同じくリスト形式)
+
+
-### カスタムプリセット
+
+ ### カスタムプリセット
+
-組込みプリセットを微調整するか、新しいプリセットを作成してチャートを保存します。チャート ID を使用して、スクリプトから直接そのカスタムプリセットにデータをログ記録します。[Google Colabノートブックの例を試す](https://tiny.cc/custom-charts)。
+組み込みプリセットを調整するか、新しいプリセットを作成してから、チャートを保存します。チャート ID を使用すると、スクリプトからそのカスタムプリセットに直接データをログできます。[Google Colab ノートブックのサンプルを試してみてください](https://tiny.cc/custom-charts)。
```python
-# プロットする列を持つテーブルを作成
+# プロットする列を含むテーブルを作成する
table = wandb.Table(data=data, columns=["step", "height"])
-# テーブルの列からチャートのフィールドへのマッピング
+# テーブルの列をチャートのフィールドにマッピングする
fields = {"x": "step", "value": "height"}
-# テーブルを使用して新しいカスタムチャートプリセットを構築
-# 自分で保存したチャートプリセットを使用するには、vega_spec_name を変更します
+# テーブルを使用して新しいカスタムチャートプリセットを設定する
+# 保存済みのカスタムチャートプリセットを使用するには、vega_spec_name を変更する
my_custom_chart = wandb.plot_table(
vega_spec_name="carey/new_chart",
data_table=table,
@@ -211,81 +217,92 @@ my_custom_chart = wandb.plot_table(
)
```
-
-
+ ## ログデータ
+
-スクリプトから以下のデータ型をログに記録し、カスタムチャートで使用できます：
+スクリプトから以下のデータ型をログし、カスタムチャートで利用できます。
-* **Config**: 実験の初期設定（独立変数）。これには、トレーニングの開始時に `wandb.Run.config` のキーとしてログに記録した名前付きフィールドが含まれます。例: `wandb.Run.config.learning_rate = 0.0001`
-* **Summary**: トレーニング中にログに記録された単一の値（結果または従属変数）。例: `wandb.Run.log({"val_acc" : 0.8})`。トレーニング中に `wandb.Run.log()` を介してこのキーに複数回書き込んだ場合、サマリーはそのキーの最終値に設定されます。
-* **History**: ログに記録されたスカラーの完全な時系列データは、`history` フィールドを介してクエリで利用可能です。
-* **summaryTable**: 複数の値のリストをログに記録する必要がある場合は、`wandb.Table()` を使用してそのデータを保存し、カスタムパネルでクエリします。
-* **historyTable**: 履歴データを確認する必要がある場合は、カスタムチャートパネルで `historyTable` をクエリします。`wandb.Table()` を呼び出すかカスタムチャートをログに記録するたびに、そのステップの履歴に新しいテーブルが作成されます。
-
-### カスタムテーブルのログ記録方法
-
-`wandb.Table()` を使用して、データを2次元配列としてログに記録します。通常、このテーブルの各行は1つのデータポイントを表し、各列はプロットしたい各データポイントの関連フィールド/次元を表します。カスタムパネルを設定すると、`wandb.Run.log()` に渡された名前付きキー（下の例では `custom_data_table`）を介してテーブル全体にアクセスでき、列名（`x`, `y`, `z`）を介して個々のフィールドにアクセスできます。実験中の複数のタイムステップでテーブルをログに記録できます。各テーブルの最大サイズは10,000行です。[Google Colab の例を試す](https://tiny.cc/custom-charts)。
+* **Config**: 実験の初期設定 (独立変数) 。これには、トレーニング開始時に `wandb.Run.config` のキーとしてログした名前付きフィールドが含まれます。例: `wandb.Run.config.learning_rate = 0.0001`
+* **Summary**: トレーニング中にログされる単一値 (結果や従属変数) 。例: `wandb.Run.log({"val_acc" : 0.8})`。トレーニング中に `wandb.Run.log()` を使って同じキーに複数回書き込んだ場合、Summary にはそのキーの最終値が保存されます。
+* **History**: ログされたスカラーの完全な時系列データが `history` フィールド経由でクエリできます。
+* **summaryTable**: 複数の値をリストとしてログする必要がある場合は、`wandb.Table()` を使ってそのデータを保存し、カスタムパネルでクエリします。
+* **historyTable**: 履歴データを参照する必要がある場合は、カスタムチャートパネルで `historyTable` をクエリします。`wandb.Table()` を呼び出すたび、またはカスタムチャートをログするたびに、そのステップ用の新しいテーブルが history に作成されます。
+
+ ### カスタムテーブルをログする方法
+
+`wandb.Table()` を使用して、データを 2 次元配列としてログします。通常、このテーブルの各行は 1 つのデータポイントを表し、各列はプロットしたい各データポイントの関連フィールドや次元を表します。カスタムパネルを設定するとき、テーブル全体は `wandb.Run.log()` に渡した名前付きキー (以下の `custom_data_table`) を通じて参照でき、個々のフィールドは列名 (`x`、`y`、`z`) を通じて参照できます。実験の途中で、異なるタイムステップごとにテーブルを複数回ログできます。各テーブルの最大サイズは 10,000 行です。[Google Colab で例を試す](https://tiny.cc/custom-charts)。
```python
with wandb.init() as run:
- # データのカスタムテーブルをログに記録
+ # カスタムデータテーブルのログ記録
my_custom_data = [[x1, y1, z1], [x2, y2, z2]]
run.log(
{"custom_data_table": wandb.Table(data=my_custom_data, columns=["x", "y", "z"])}
)
```
-## チャートのカスタマイズ
+
+ ## チャートをカスタマイズする
+
-まず新しいカスタムチャートを追加し、クエリを編集して表示されている Runs からデータを選択します。クエリは [GraphQL](https://graphql.org) を使用して、Runs の config、summary、history フィールドからデータを取得します。
+まず新しいカスタムチャートを追加し、クエリを編集して表示中の runs からデータを選択します。クエリは [GraphQL](https://graphql.org) を使用して、runs の config、summary、history フィールドからデータを取得します。
+ ### カスタム可視化
+
-右上隅の **Chart** を選択して、デフォルトのプリセットから開始します。次に、**Chart fields** を選択して、クエリから取得したデータをチャートの対応するフィールドにマッピングします。
+右上の **Chart** を選択して、デフォルトのプリセットから開始します。次に **Chart fields** を選択して、クエリから取得するデータをチャート内の対応するフィールドに対応付けます。
-次の画像は、メトリクスを選択し、それを下の棒グラフのフィールドにマッピングする例を示しています。
+次の画像は、メトリクスを選択し、それを下の棒グラフのフィールドに対応付ける方法の一例を示しています。
+ ### Vega の編集方法
+
-**フィールド参照**
+パネル上部の **Edit** をクリックして、[Vega](https://vega.github.io/vega/) の編集モードに入ります。ここでは、UI にインタラクティブなチャートを作成するための [Vega specification](https://vega.github.io/vega/docs/specification/) を定義できます。チャートのあらゆる要素を変更できます。たとえば、タイトルを変更したり、別のカラースキームを選択したり、曲線を連結した線ではなく点の列として表示したりできます。また、Vega transform を使用して値の配列をビン分割し、ヒストグラムを作成するなど、データ自体を変更することもできます。パネルのプレビューはインタラクティブに更新されるため、Vega spec やクエリを編集しながら、変更の効果をその場で確認できます。詳しくは [Vega documentation and tutorials](https://vega.github.io/vega/) を参照してください。
-W&B からチャートにデータを取り込むには、Vega 仕様の任意の場所に `"${field:}"` 形式のテンプレート文字列を追加します。これにより、右側の **Chart Fields** エリアにドロップダウンが作成され、ユーザーは Vega にマッピングするクエリ結果の列を選択できるようになります。
+**Field references**
-フィールドのデフォルト値を設定するには、この構文を使用します： `"${field::}"`
+W&B からチャートにデータを取り込むには、Vega spec の任意の場所に `"${field:}"` という形式のテンプレート文字列を追加します。これにより右側の **Chart Fields** 領域にドロップダウンが作成され、ユーザーが Vega にマッピングするクエリ結果の列を選択できるようになります。
-### チャートプリセットの保存
+フィールドのデフォルト値を設定するには、次の構文を使用します: `"${field::}"`
-モーダル下部のボタンを使用して、特定の可視化パネルに変更を適用します。あるいは、Vega 仕様を保存してプロジェクトの他の場所で使用することもできます。再利用可能なチャート定義を保存するには、Vega エディタの上部にある **Save as** をクリックし、プリセットに名前を付けます。
+
+ ### チャートプリセットの保存
+
-## 記事とガイド
+モーダルウィンドウの下部にあるボタンをクリックして、特定の可視化パネルに対する変更を適用します。あるいは、Vega の spec を保存して、プロジェクト内の別の場所で使用することもできます。再利用可能なチャート定義を保存するには、Vega エディタの上部にある **Save as** をクリックし、プリセットに名前を付けます。
-1. [The W&B Machine Learning Visualization IDE](https://wandb.ai/wandb/posts/reports/The-W-B-Machine-Learning-Visualization-IDE--VmlldzoyNjk3Nzg)
-2. [Visualizing NLP Attention Based Models](https://wandb.ai/kylegoyette/gradientsandtranslation2/reports/Visualizing-NLP-Attention-Based-Models-Using-Custom-Charts--VmlldzoyNjg2MjM)
-3. [Visualizing The Effect of Attention on Gradient Flow](https://wandb.ai/kylegoyette/gradientsandtranslation/reports/Visualizing-The-Effect-of-Attention-on-Gradient-Flow-Using-Custom-Charts--VmlldzoyNjg1NDg)
-4. [Logging arbitrary curves](https://wandb.ai/stacey/presets/reports/Logging-Arbitrary-Curves--VmlldzoyNzQyMzA)
+
+ ## 記事とガイド
+
+1. [The W&B Machine Learning Visualization IDE](https://wandb.ai/wandb/posts/reports/The-W-B-Machine-Learning-Visualization-IDE--VmlldzoyNjk3Nzg)
+2. [NLP の Attention ベースのモデルの可視化](https://wandb.ai/kylegoyette/gradientsandtranslation2/reports/Visualizing-NLP-Attention-Based-Models-Using-Custom-Charts--VmlldzoyNjg2MjM)
+3. [Attention が勾配フローに与える影響の可視化](https://wandb.ai/kylegoyette/gradientsandtranslation/reports/Visualizing-The-Effect-of-Attention-on-Gradient-Flow-Using-Custom-Charts--VmlldzoyNjg1NDg)
+4. [任意の曲線をログとして記録する](https://wandb.ai/stacey/presets/reports/Logging-Arbitrary-Curves--VmlldzoyNzQyMzA)
-## 一般的なユースケース
+
+ ## 一般的なユースケース
+
-* 誤差範囲付きの棒グラフのカスタマイズ
-* カスタムの x-y 座標を必要とするモデル検証メトリクスの表示（PR曲線など）
-* 2つの異なるモデル/実験からのデータ分布をヒストグラムとして重ね合わせる
-* トレーニング中の複数のポイントでのスナップショットを介したメトリクスの変化の表示
-* W&B でまだ利用可能でない独自の可視化の作成（そして、それを世界と共有することを願っています）
\ No newline at end of file
+* 誤差バー付きの棒グラフをカスタマイズする
+* カスタム x-y 座標を必要とする モデル 検証用メトリクス (たとえば precision-recall 曲線など) を表示する
+* 2 つの異なる モデル や実験からのデータ分布をヒストグラムとして重ねて表示する
+* トレーニング の途中の複数のタイミングでスナップショットを取得し、メトリクス の変化を表示する
+* まだ W&B で利用できない独自の可視化を作成する (できればそれを世の中と共有する)
\ No newline at end of file
diff --git a/ja/models/app/features/custom-charts/walkthrough.mdx b/ja/models/app/features/custom-charts/walkthrough.mdx
index 0ad3f5ed76..51a073adaf 100644
--- a/ja/models/app/features/custom-charts/walkthrough.mdx
+++ b/ja/models/app/features/custom-charts/walkthrough.mdx
@@ -1,100 +1,108 @@
---
-title: チュートリアル：カスタムチャートの使用方法
-description: W&B UI におけるカスタムチャート機能の使用方法に関するチュートリアル
+description: W&B UI の Custom Charts 機能を使用するためのチュートリアル
+title: 'チュートリアル: カスタムチャートを使用する'
---
-カスタムチャートを使用して、パネルに読み込むデータとその可視化を制御します。
+カスタムチャートを使用して、パネルに読み込むデータとその可視化方法を制御します。
+
+ ## 1. W&B にデータをログする
+
-## 1. W&B へのデータのログ記録
-
-まず、スクリプトでデータをログに記録します。ハイパーパラメーターのように、トレーニングの開始時に設定される単一のポイントには [wandb.Run.config](/models/track/config/) を使用してください。時系列に沿った複数のポイントには [wandb.Run.log()](/models/track/log/) を使用し、カスタムの 2D 配列は `wandb.Table()` でログを記録します。ログを記録する キー (key) ごとに、最大 10,000 データポイントまでのログ記録を推奨しています。
+まず、スクリプト内でデータをログします。トレーニング開始時に一度だけ設定するハイパーパラメーターのような単一のポイントには [wandb.Run.config](/ja/models/track/config/) を使います。時間とともに変化する複数のポイントには [wandb.Run.log()](/ja/models/track/log/) を使い、`wandb.Table()` でカスタム 2D 配列をログします。1 つのキーあたり最大 10,000 個のデータポイントをログすることを推奨します。
```python
with wandb.init() as run:
- # データのカスタムテーブルをログに記録する
+ # カスタムデータテーブルのログ記録
my_custom_data = [[x1, y1, z1], [x2, y2, z2]]
run.log(
{"custom_data_table": wandb.Table(data=my_custom_data, columns=["x", "y", "z"])}
)
```
-[クイックサンプルのノートブックを試して](https://bit.ly/custom-charts-colab) データテーブルをログに記録してみましょう。次のステップでカスタムチャートを設定します。結果のチャートがどのように見えるかは、こちらの [ライブレポート](https://app.wandb.ai/demo-team/custom-charts/reports/Custom-Charts--VmlldzoyMTk5MDc) で確認できます。
-
+[簡単なサンプルノートブックを試して](https://bit.ly/custom-charts-colab)、データテーブルをログして、次のステップでカスタム チャートを設定します。結果のチャートがどのように表示されるかは、[ライブ レポート](https://app.wandb.ai/demo-team/custom-charts/reports/Custom-Charts--VmlldzoyMTk5MDc)で確認できます。
-## 2. クエリの作成
+
+ ## 2. クエリを作成する
+
-可視化するデータのログを記録したら、Projects ページに移動し、**`+`** ボタンをクリックして新しい パネル を追加し、**Custom Chart** を選択します。[カスタムチャート デモ Workspace](https://app.wandb.ai/demo-team/custom-charts) で手順を確認しながら進めることができます。
+可視化したいデータをログしたら、プロジェクト ページに移動して **`+`** ボタンをクリックし、新しいパネルを追加してから **Custom Chart** を選択します。[custom charts デモ Workspace](https://app.wandb.ai/demo-team/custom-charts) で手順を追いながら進めることもできます。
+ ### クエリを追加する
+
-1. `summary` をクリックして `historyTable` を選択し、Run の履歴からデータを取得する新しいクエリを設定します。
-2. `wandb.Table()` をログに記録した際の キー (key) を入力します。上記のコードスニペットでは `my_custom_table` でした。[サンプルノートブック](https://bit.ly/custom-charts-colab) では、キーは `pr_curve` と `roc_curve` です。
+1. `summary` をクリックし、`historyTable` を選択して、run の履歴からデータを取得する新しいクエリを設定します。
+2. `wandb.Table()` をログしたときのキーを入力します。上記のコードスニペットでは `my_custom_table` です。[サンプル ノートブック](https://bit.ly/custom-charts-colab) では、キーは `pr_curve` と `roc_curve` です。
-### Vega フィールドの設定
+
+ ### Vega フィールドを設定する
+
-クエリがこれらの列を読み込むようになると、Vega フィールドのドロップダウンメニューから選択可能なオプションとして表示されます。
+クエリでこれらのカラムが読み込まれるようになったので、Vega フィールドのドロップダウンメニューで選択肢として利用できるようになりました。
+ ## 3. チャートをカスタマイズする
+
-## 3. チャートのカスタマイズ
-
-これでかなり良くなりましたが、散布図から折れ線グラフに切り替えたいと思います。**Edit** をクリックして、この組み込みチャートの Vega spec を変更します。[カスタムチャート デモ Workspace](https://app.wandb.ai/demo-team/custom-charts) で一緒に進めてみましょう。
+かなり良くなってきましたが、scatter plot から line plot に切り替えたいとします。組み込みチャートの Vega spec を変更するには、**Edit** をクリックします。[custom charts demo workspace](https://app.wandb.ai/demo-team/custom-charts) を開いて一緒に進めてください。
+ ## ボーナス: 合成ヒストグラム
+
-## ボーナス: 複合ヒストグラム (Composite Histograms)
-
-ヒストグラムは、数値の分布を可視化して、より大規模な データセット を理解するのに役立ちます。複合ヒストグラムは、同じビンを介して複数の分布を表示し、異なる モデル 間やモデル内の異なるクラス間で 2 つ以上の メトリクス を比較することを可能にします。走行シーンの物体を検出する セマンティックセグメンテーション モデルの場合、精度 (accuracy) の最適化と Intersection over union (IoU) の最適化の効果を比較したり、モデルが車（データ内で大きく一般的な領域）と交通標識（はるかに小さく、あまり一般的でない領域）をどの程度うまく検出できるかを知りたい場合があります。[デモ Colab](https://bit.ly/custom-charts-colab) では、10 種類の生物クラスのうち 2 つの信頼度スコアを比較できます。
+ヒストグラムは数値分布を可視化し、大きなデータセットを理解するのに役立ちます。合成ヒストグラムは、同じビンに対して複数の分布を表示し、異なる モデル 間や モデル 内の異なるクラス間で 2 つ以上のメトリクスを比較できるようにします。自動車走行シーン中の物体を検出するセマンティックセグメンテーション モデル の場合、精度 (accuracy) 最適化と IoU (intersection over union) 最適化の有効性を比較したり、異なる モデル が車 (データ内で大きく一般的な領域) と交通標識 (はるかに小さくまれな領域) をどの程度うまく検出できているかを知りたくなるかもしれません。[デモ Colab](https://bit.ly/custom-charts-colab) では、10 クラスの生物のうち 2 クラスについて、信頼度スコアを比較できます。
+ ## Workspace モード
+
-W&B の Projects は、2つの異なる Workspace モードをサポートしています。Workspace 名の横にあるアイコンがそのモードを示しています。
+W&B プロジェクトは 2 つの異なる Workspace モードをサポートします。ワークスペース名の横のアイコンは、そのモードを示します。
-| アイコン | Workspace モード |
+| Icon | Workspace mode |
| --- | --- |
-| プロジェクトで利用可能なすべてのデータを可視化して、すぐに使い始めたい場合。 ログ記録するキーが少ない小規模なプロジェクトの場合。 より広範な分析を行いたい場合。 プロジェクトでログ記録されたキーのほんの一部に主に関心がある場合。 より焦点を絞った分析を行いたい場合。 あまり役に立たないパネルの読み込みを避け、Workspace のパフォーマンスを向上させたい場合。 プロジェクトで利用可能なすべてのデータを可視化して、すばやく使い始めたい場合。 ログされるキーが少ない小規模なプロジェクトの場合。 より広範な分析を行いたい場合。 プロジェクトでログされたキーの一部に主に関心がある場合。 より焦点を絞った分析を行いたい場合。 自分にとって有用性の低いパネルの読み込みを避けて、Workspace のパフォーマンスを改善したい場合。
-**Workspace への変更を元に戻す**
+ **Workspace の変更を元に戻す**
-Workspace への変更を元に戻すには、元に戻すボタン（左向きの矢印）をクリックするか、**CMD + Z** (macOS) または **CTRL + Z** (Windows / Linux) を入力します。
+ Workspace への変更を元に戻すには、Undo ボタン (左向きの矢印) をクリックするか、**CMD + Z** (macOS) または **CTRL + Z** (Windows / Linux) を入力します。
-## Workspace をリセットする
+
+ ## Workspace をリセットする
+
-Workspace をリセットするには：
+Workspace をリセットするには、次の手順に従います。
-1. Workspace の上部にあるアクションメニュー `...` をクリックします。
-1. **Reset workspace** をクリックします。
+1. Workspace の上部にあるアクション メニュー `...` をクリックします。
+2. **Reset workspace** をクリックします。
-## Workspace のレイアウトを設定する
+
+ ## ワークスペースのレイアウトを設定する
+
-Workspace のレイアウトを設定するには、Workspace 上部付近の **Settings** をクリックし、次に **Workspace layout** をクリックします。
+ワークスペースのレイアウトを設定するには、ワークスペースの上部付近にある **Settings** をクリックし、次に **Workspace layout** をクリックします。
-- **Hide empty sections during search** (デフォルトでオン): 検索中に空のセクションを非表示にします。
-- **Sort panels alphabetically** (デフォルトでオフ): パネルをアルファベット順に並べ替えます。
-- **Section organization** (デフォルトで最初のプレフィックスによってグループ化): この設定を変更するには：
- 1. 南京錠のアイコンをクリックします。
- 2. セクション内でのパネルのグループ化方法を選択します。
+* **Hide empty sections during search** (デフォルトでオン)
+* **Sort panels alphabetically** (デフォルトでオフ)
+* **Section organization** (デフォルトでは先頭のプレフィックス別にグループ化) 。この設定を変更するには:
+ 1. 鍵アイコンをクリックします。
+ 2. セクション内でパネルをどのようにグループ化するかを選択します。
-Workspace のラインプロットのデフォルト設定については、[Line plots](/models/app/features/panels/line-plot/) を参照してください。
+ワークスペースの折れ線グラフのデフォルト設定を行うには、[Line plots](/ja/models/app/features/panels/line-plot/) を参照してください。
-### セクションのレイアウトを設定する
+
+ ### セクションのレイアウトを設定する
+
-セクションのレイアウトを設定するには、そのセクションの歯車アイコンをクリックし、次に **Display preferences** をクリックします。
-- **ツールチップ内での色付きの run 名の表示/非表示** (デフォルトでオン)
-- **コンパニオンチャートのツールチップにハイライトされた run のみを表示** (デフォルトでオフ)
-- **ツールチップに表示される run の数** (単一の run、すべての run、または **Default**)
-- **プライマリチャートのツールチップにフルネームの run を表示** (デフォルトでオフ)
+セクションのレイアウトを設定するには、そのセクションの歯車アイコンをクリックし、**Display preferences** をクリックします。
-## パネルをフルスクリーンモードで表示する
+* **ツールチップに表示される run 名の色分けをオン／オフにする** (デフォルトではオン)
+* **コンパニオンチャートのツールチップにはハイライトされた run のみを表示する** (デフォルトではオフ)
+* **ツールチップに表示する run の数** (単一の run、すべての run、または **Default**)
+* **メインチャートのツールチップに run のフルネームを表示する** (デフォルトではオフ)
-フルスクリーンモードでは、run セレクターが表示され、パネルは通常の 1,000 バケットではなく、10,000 バケットを使用した高精度サンプリングモードのプロットを使用します。
+
+ ## パネルを全画面モードで表示する
+
-パネルをフルスクリーンモードで表示するには：
+全画面モードでは、run セレクターが表示され、パネルは通常の 1000 バケットではなく、10,000 バケットの高忠実度なサンプリングモードのプロットを使用します。
-1. パネルの上にカーソルを置きます。
-1. パネルのアクションメニュー `...` をクリックし、ファインダーまたは正方形の四隅を示す輪郭のような形のフルスクリーンボタンをクリックします。
-
+ ## パネルを追加する
+
-パネルを一つずつ、Workspace 全体またはセクション単位で追加します。
+このセクションでは、ワークスペースにパネルを追加するさまざまな方法を説明します。
-1. Workspace 全体に追加するには、パネル検索フィールド付近のコントロールバーにある **Add panels** をクリックします。
-2. セクションに直接追加するには、セクションのアクションメニュー `...` をクリックし、**+ Add panels** をクリックします。
-3. 追加するパネルのタイプ（チャートなど）を選択します。パネルの設定詳細が表示され、デフォルト値が選択されています。
-4. 必要に応じて、パネルとその表示設定をカスタマイズします。設定オプションは選択したパネルのタイプによって異なります。各パネルタイプのオプションの詳細については、[Line plots](/models/app/features/panels/line-plot/) や [Bar plots](/models/app/features/panels/bar-plot/) などの関連セクションを参照してください。
+
+ ### パネルを手動で追加する
+
+
+パネルをグローバルまたはセクション単位で、ワークスペースに 1 つずつ追加します。
+
+1. パネルをグローバルに追加するには、パネル検索フィールド付近のコントロールバーで **Add panels** をクリックします。
+2. パネルをセクションに直接追加するには、そのセクションのアクション `...` メニューをクリックし、**+ Add panels** をクリックします。
+3. 追加するパネルの種類 (チャートなど) を選択します。パネルの設定詳細が、デフォルト値が選択された状態で表示されます。
+4. 必要に応じて、パネルとその表示設定をカスタマイズします。利用できる設定オプションは、選択したパネルの種類によって異なります。各パネルの種類ごとのオプションの詳細については、[Line plots](/ja/models/app/features/panels/line-plot/) や [Bar plots](/ja/models/app/features/panels/bar-plot/) など、以下の該当セクションを参照してください。
5. **Apply** をクリックします。
+ ### クイック追加パネル
+
-**Quick add** を使用すると、選択した各キーに対して自動的にパネルを Workspace 全体またはセクション単位で追加できます。
+**Quick add** を使用すると、選択した各キーに対して、Workspace 全体またはセクション単位でパネルを自動的に追加できます。
-削除されたパネルがない自動 Workspace では、Workspace にはすでにログ記録されたすべてのキーのパネルが含まれているため、**Quick add** オプションは表示されません。削除したパネルを再度追加するために **Quick add** を使用できます。
+ パネルが削除されていない自動 Workspace では、すでにすべてのログ済みキー用のパネルが含まれているため、**Quick add** オプションは表示されません。削除したパネルを再度追加する場合は、**Quick add** を使用できます。
-1. **Quick add** を使用して Workspace 全体にパネルを追加するには、パネル検索フィールド付近のコントロールバーにある **Add panels** をクリックし、次に **Quick add** をクリックします。
-1. **Quick add** を使用してセクションに直接パネルを追加するには、セクションのアクションメニュー `...` をクリックし、**Add panels** をクリックしてから **Quick add** をクリックします。
-1. パネルのリストが表示されます。チェックマークが付いているパネルは、すでに Workspace に含まれています。
- - 利用可能なすべてのパネルを追加するには、リストの上部にある **Add `` panels** ボタンをクリックします。**Quick Add** リストが閉じ、新しいパネルが Workspace に表示されます。
- - リストから個別のパネルを追加するには、パネルの行にカーソルを合わせ、**Add** をクリックします。追加したい各パネルに対してこのステップを繰り返し、右上の **X** をクリックして **Quick Add** リストを閉じます。新しいパネルが Workspace に表示されます。
-1. 必要に応じて、パネルの設定をカスタマイズします。
+1. **Quick add** を使用してパネルを Workspace 全体に追加するには、パネル検索フィールド付近のコントロールバーで **Add panels** をクリックし、続いて **Quick add** をクリックします。
+2. **Quick add** を使用してパネルをセクションに直接追加するには、そのセクションのアクション `...` メニューをクリックし、**Add panels** をクリックしてから **Quick add** をクリックします。
+3. パネルの一覧が表示されます。チェックマークが付いているパネルは、すでに Workspace に含まれています。
+ * 利用可能なすべてのパネルを追加するには、リスト上部の **Add `` panels** ボタンをクリックします。**Quick Add** リストが閉じられ、新しいパネルが Workspace に表示されます。
+ * リストから個別のパネルを追加するには、そのパネルの行にカーソルを合わせてから **Add** をクリックします。追加したい各パネルについてこの手順を繰り返し、その後右上の **X** をクリックして **Quick Add** リストを閉じます。新しいパネルが Workspace に表示されます。
+4. 必要に応じて、パネルの設定をカスタマイズします。
-## パネルを共有する
+
+ ## パネルを共有する
+
このセクションでは、リンクを使用してパネルを共有する方法を説明します。
-リンクを使用してパネルを共有するには、次のいずれかを行います：
+リンクを使用してパネルを共有するには、次のいずれかを実行します。
-- パネルをフルスクリーンモードで表示しているときに、ブラウザから URL をコピーします。
-- アクションメニュー `...` をクリックし、**Copy panel URL** を選択します。
+* パネルを全画面モードで表示しているときに、ブラウザーから URL をコピーします。
+* アクションメニュー `...` をクリックして、**Copy panel URL** を選択します。
-そのリンクを User または Team と共有してください。リンクにアクセスすると、パネルが [フルスクリーンモード](#パネルをフルスクリーンモードで表示する) で開きます。
+そのリンクを ユーザーやチームと共有します。相手がリンクにアクセスすると、パネルは [全画面モード](#view-a-panel-in-full-screen-mode)で開きます。
-フルスクリーンモードからパネルの Workspace に戻るには、ページ上部の左向き矢印をクリックします。
+全画面モードからパネルの Workspace に戻るには、ページ上部の左向き矢印をクリックします。
-### パネルのフルスクリーンリンクをプログラムで構成する
-[Automations の作成](/models/automations/) など、特定の状況では、パネルのフルスクリーン URL を含めると便利な場合があります。このセクションでは、パネルのフルスクリーン URL の形式を示します。以下の例では、ブラケット内の entity、project、panel、section 名を置き換えてください。
+
+ ### パネルのフルスクリーンリンクをプログラムで作成する
+
+
+[オートメーションを作成する](/ja/models/automations/) 場合などの状況では、パネルのフルスクリーン URL を含めると便利なことがあります。このセクションでは、パネルのフルスクリーン URL の形式を示します。以下の例では、角括弧内の entity、プロジェクト、パネル、およびセクション名を置き換えてください。
```text
https://wandb.ai//?panelDisplayName=&panelSectionName=
```
-同じセクション内に同名のパネルが複数ある場合、この URL はその名前を持つ最初のパネルを開きます。
+同じセクション内に同じ名前のパネルが複数ある場合、この URL ではその名前の最初のパネルが開きます。
+
+
+ ### パネルを埋め込む、またはソーシャルメディアで共有する
+
-### ソーシャルメディアでパネルを埋め込む、または共有する
-ウェブサイトにパネルを埋め込んだり、ソーシャルメディアで共有したりするには、そのパネルがリンクを知っている全員に表示可能である必要があります。Project がプライベートの場合、Project のメンバーのみがパネルを表示できます。Project が公開されている場合、リンクを知っている全員がパネルを表示できます。
+Web サイトにパネルを埋め込むかソーシャルメディアで共有するには、リンクを知っている人なら誰でもパネルを表示できる必要があります。プロジェクトが非公開の場合、パネルを表示できるのはそのプロジェクトのメンバーのみです。プロジェクトが公開の場合、リンクを知っている人であれば誰でもパネルを表示できます。
-ソーシャルメディアで共有したり、埋め込みコードを取得したりするには：
+パネルを埋め込むためのコードを取得したり、ソーシャルメディアで共有したりするには、次の手順を実行します。
-1. Workspace からパネルの上にカーソルを置き、アクションメニュー `...` をクリックします。
-1. **Share** タブをクリックします。
-1. **Only those who are invited have access** を **Anyone with the link can view** に変更します。そうしないと、次のステップの選択肢が利用できません。
-1. **Share on Twitter**、**Share on Reddit**、**Share on LinkedIn**、または **Copy embed link** を選択します。
+1. Workspace でパネル上にカーソルを合わせ、アクションメニュー `...` をクリックします。
+2. **Share** タブをクリックします。
+3. **Only those who are invited have access** を **Anyone with the link can view** に変更します。そうしないと、次の手順で説明する選択肢が表示されません。
+4. **Share on Twitter**、**Share on Reddit**、**Share on LinkedIn**、または **Copy embed link** を選択します。
-### パネルレポートをメールで送信する
-単一のパネルをスタンドアロンの Report としてメールで送信するには：
-1. パネルの上にカーソルを置き、パネルのアクションメニュー `...` をクリックします。
-1. **Share panel in report** をクリックします。
-1. **Invite** タブを選択します。
-1. メールアドレスまたはユーザー名を入力します。
-1. 必要に応じて、**can view** を **can edit** に変更します。
-1. **Invite** をクリックします。W&B は、共有しているパネルのみを含む Report へのクリック可能なリンクが含まれたメールをユーザーに送信します。
+
+ ### パネル レポートをメールで送信する
+
-[パネルを共有する](#パネルを共有する) 場合とは異なり、受信者はこの Report から Workspace に移動することはできません。
+単一のパネルを独立したレポートとしてメール送信するには、次の手順を実行します。
-## パネルを管理する
+1. パネルの上にカーソルを合わせ、パネルのアクションメニュー `...` をクリックします。
+2. **Share panel in report** をクリックします。
+3. **Invite** タブを選択します。
+4. メールアドレスまたはユーザー名を入力します。
+5. 必要に応じて **can view** を **can edit** に変更します。
+6. **Invite** をクリックします。W&B は、共有しているそのパネルだけを含むレポートへのリンクを記載したメールをユーザーに送信します。
-### パネルを編集する
+[パネルを共有](#share-a-panel) する場合とは異なり、受信者はこのレポートから Workspace にアクセスすることはできません。
-パネルを編集するには：
+
+ ## パネルの管理
+
-1. 鉛筆アイコンをクリックします。
-1. パネルの設定を変更します。
-1. パネルを別のタイプに変更するには、タイプを選択してから設定を構成します。
-1. **Apply** をクリックします。
+
+ ### パネルを編集する
+
-### パネルを移動する
+パネルを編集するには、次の手順に従います。
-パネルを別のセクションに移動するには、パネル上のドラッグハンドルを使用できます。リストから新しいセクションを選択するには：
+1. パネルの鉛筆アイコンをクリックします。
+2. パネルの設定を変更します。
+3. パネルの種類を変更する場合は、種類を選択してから設定を行います。
+4. **Apply** をクリックします。
-1. 必要に応じて、最後のセクションの後に **Add section** をクリックして新しいセクションを作成します。
-1. パネルのアクションメニュー `...` をクリックします。
-1. **Move** をクリックし、新しいセクションを選択します。
+
+ ### パネルを移動する
+
-ドラッグハンドルを使用して、セクション内でパネルを並べ替えることもできます。
+パネルを別のセクションに移動するには、パネル上のドラッグハンドルを使用できます。リストから新しいセクションを選択して移動するには、次の手順を実行します。
-### パネルを複製する
+1. 必要に応じて、最後のセクションの後にある **Add section** をクリックして新しいセクションを作成します。
+2. パネルの `...` アクション メニューをクリックします。
+3. **Move** をクリックしてから、新しいセクションを選択します。
-パネルを複製するには：
+ドラッグハンドルを使って、同じセクション内でパネルの順序を並べ替えることもできます。
-1. パネルの上部にあるアクションメニュー `...` をクリックします。
-1. **Duplicate** をクリックします。
+
+ ### パネルを複製する
+
-必要に応じて、複製されたパネルを [カスタマイズ](#パネルを編集する) したり [移動](#パネルを移動する) したりできます。
+パネルを複製するには、次の手順を実行します。
-### パネルを削除する
+1. パネル上部のアクション `...` メニューをクリックします。
+2. **Duplicate** をクリックします。
-パネルを削除するには：
+必要に応じて、複製したパネルを[カスタマイズ](#edit-a-panel)したり、[移動](#move-a-panel)したりできます。
-1. パネルの上にマウスを置きます。
-1. アクションメニュー `...` を選択します。
-1. **Delete** をクリックします。
+
+ ### パネルを削除する
+
-手動 Workspace からすべてのパネルを削除するには、そのアクションメニュー `...` をクリックし、**Clear all panels** をクリックします。
+パネルを削除するには:
-自動または手動 Workspace からすべてのパネルを削除するには、[Workspace をリセット](#workspace-をリセットする) することもできます。デフォルトのパネルセットから始めるには **Automatic** を選択し、パネルのない空の Workspace から始めるには **Manual** を選択します。
+1. パネル上にマウスカーソルを合わせます。
+2. アクション `...` メニューを選択します。
+3. **Delete** をクリックします。
-## セクションを管理する
+手動のワークスペースからすべてのパネルを削除するには、そのワークスペースのアクション `...` メニューをクリックし、**Clear all panels** をクリックします。
-デフォルトでは、Workspace のセクションはキーのログ記録階層を反映します。ただし、手動 Workspace では、パネルの追加を開始した後にのみセクションが表示されます。
+自動または手動のワークスペースからすべてのパネルを削除するには、[ワークスペースをリセット](#reset-a-workspace) します。デフォルトのパネルセットから開始するには **Automatic** を選択し、パネルのない空のワークスペースから開始するには **Manual** を選択します。
-### セクションを追加する
+
+ ## セクションを管理する
+
-セクションを追加するには、最後のセクションの後に **Add section** をクリックします。
+デフォルトでは、Workspace 内のセクションはキーのログ階層構造を反映します。ただし、手動の Workspace では、パネルの追加を開始してはじめてセクションが表示されます。
-既存のセクションの前後に新しいセクションを追加するには、そのセクションのアクションメニュー `...` をクリックし、**New section below** または **New section above** をクリックします。
+
+ ### セクションを追加する
+
+
+セクションを追加するには、最後のセクションの後にある **Add section** をクリックします。
+
+既存のセクションの前後に新しいセクションを追加するには、そのセクションのアクション `...` メニューをクリックし、**New section below** または **New section above** をクリックします。
-セクションに "Section" という名前を付けないでください。既知の制限により、セクション名が変更されるまで、そのセクション内のパネルはレンダリングされません。
+ セクション名を「Section」にしないでください。既知の制限により、セクション名を変更するまで、そのセクション内のパネルは表示されません。
-### セクションのパネルを管理する
-パネル数が多いセクションは、デフォルトでページ分割されます。1ページあたりのデフォルトのパネル数は、パネルの設定やセクション内のパネルのサイズによって異なります。
+
+ ### セクション内のパネルを管理する
+
+
+多数のパネルを含むセクションは、デフォルトでページネーションされます。1 ページに表示されるパネル数のデフォルト値は、パネルの設定と、そのセクション内のパネルのサイズによって決まります。
+
+1. パネルのサイズを変更するには、パネルにカーソルを合わせてドラッグハンドルをクリックし、そのままドラッグしてパネルのサイズを調整します。1 つのパネルのサイズを変更すると、そのセクション内のすべてのパネルのサイズが変更されます。
+2. セクションがページネーションされている場合、1 ページに表示するパネル数をカスタマイズできます。
+3. セクションの上部で **1 to `` of ``** をクリックします。ここで `` は表示中のパネル数、`` はパネルの合計数です。
+4. 1 ページあたりに表示するパネル数を、最大 100 まで選択します。
+5. セクションからパネルを削除するには:
+6. パネルにカーソルを合わせてから、そのアクションメニュー `...` をクリックします。
+7. **Delete** をクリックします。
-1. パネルのサイズを変更するには、パネルの上にカーソルを置き、ドラッグハンドルをクリックしてドラッグし、パネルのサイズを調整します。1つのパネルのサイズを変更すると、セクション内のすべてのパネルのサイズが変更されます。
-2. セクションがページ分割されている場合は、1ページに表示するパネルの数をカスタマイズできます：
- 1. セクションの上部にある **1 to `` of ``** （`` は表示されているパネル数、`` はパネルの総数）をクリックします。
- 2. 1ページあたりに表示するパネルの数を最大100まで選択します。
-3. セクションからパネルを削除するには：
- 1. パネルの上にカーソルを置き、そのアクションメニュー `...` をクリックします。
- 2. **Delete** をクリックします。
-
-Workspace を自動 Workspace にリセットすると、削除されたすべてのパネルが再び表示されます。
+ワークスペースを automated ワークスペースにリセットすると、削除されたパネルはすべて再び表示されます。
-### セクション名を変更する
+
+ ### セクション名を変更する
+
-セクション名を変更するには、そのアクションメニュー `...` をクリックし、**Rename section** をクリックします。
+セクション名を変更するには、そのセクションのアクション `...` メニューをクリックし、**Rename section** をクリックします。
-セクションに "Section" という名前を付けないでください。既知の制限により、セクション名が変更されるまで、そのセクション内のパネルはレンダリングされません。
+ セクション名を "Section" にしないでください。既知の制限により、このセクション内のパネルはセクション名が変更されるまで表示されません。
-### セクションを削除する
+
+ ### セクションを削除する
+
-セクションを削除するには、その `...` メニューをクリックし、**Delete section** をクリックします。これにより、セクションとその中のパネルが削除されます。
\ No newline at end of file
+セクションを削除するには、そのセクションの `...` メニューをクリックし、**Delete section** をクリックします。これにより、そのセクションとそのパネルが削除されます。
\ No newline at end of file
diff --git a/ja/models/app/features/panels/bar-plot.mdx b/ja/models/app/features/panels/bar-plot.mdx
index f82a5e8130..103d0a9256 100644
--- a/ja/models/app/features/panels/bar-plot.mdx
+++ b/ja/models/app/features/panels/bar-plot.mdx
@@ -1,29 +1,31 @@
---
+description: メトリクスを可視化し、軸をカスタマイズし、カテゴリデータを棒グラフとして比較します。
title: 棒グラフ
-description: メトリクス の可視化、軸のカスタマイズ、およびカテゴリカルな データの棒グラフによる比較を行います。
---
-バーチャート（棒グラフ）は、カテゴリーデータを垂直または水平の長方形の棒で表現します。ログ記録されたすべての 値 の長さが1である場合、`wandb.Run.log()` を使用するとデフォルトでバーチャートが表示されます。
+棒グラフは、縦または横に描画できる長方形の棒でカテゴリデータを表現します。ログされたすべての値の長さが 1 の場合、`wandb.Run.log()` ではデフォルトで棒グラフとして表示されます。
+ ## 棒グラフをカスタマイズする
+
-**Box**（箱ひげ図）や **Violin**（バイオリン図）プロットを作成して、多くの要約統計量を1つのチャートタイプにまとめることもできます。
+多数の要約統計量を 1 つのチャートタイプにまとめた **Box** プロットや **Violin** プロットを作成することもできます。
-1. Runs テーブルを介して Runs をグループ化します。
-2. Workspace で「Add panel」をクリックします。
-3. 標準の「Bar Chart」を追加し、プロットするメトリクスを選択します。
-4. 「Grouping」タブで「box plot」や「Violin」などを選択し、これらのスタイルでプロットします。
+1. runs テーブルで run をグループ化します。
+2. Workspace で 「Add panel」 をクリックします。
+3. 標準の 「Bar Chart」 パネルを追加し、プロットするメトリクスを選択します。
+4. 「Grouping」タブで 「box plot」 や 「Violin」 などを選択して、いずれかのスタイルでプロットします。
+ ## ライブラリコードを保存する
+
-コード保存を有効にすると、W&B は `wandb.init()` を呼び出したファイルのコードを保存します。追加のライブラリコードを保存するには、次の 3 つのオプションがあります。
+コードの保存を有効にすると、W&B は `wandb.init()` を呼び出しているファイルのコードを保存します。追加のライブラリコードを保存するには、次の 3 つの方法があります。
-### `wandb.init()` の呼び出し後に `wandb.Run.log_code(".")` を呼び出す
+
+ ### `wandb.init()` の後に `wandb.Run.log_code(".")` を実行する
+
```python
import wandb
-# wandb.init() を実行し、run オブジェクトを取得
with wandb.init() as run:
- # カレントディレクトリのコードをログに記録
run.log_code(".")
```
-### `code_dir` を設定した settings オブジェクトを `wandb.init()` に渡す
+
+ ### `code_dir` を設定した settings オブジェクトを `wandb.init()` に渡す
+
```python
import wandb
-# settings 引数に code_dir を指定して初期化
wandb.init(settings=wandb.Settings(code_dir="."))
```
-これにより、カレントディレクトリおよびすべてのサブディレクトリ内にあるすべての Python ソースコードファイルが [Artifacts](/models/ref/python/experiments/artifact) としてキャプチャされます。保存するソースコードファイルの種類や場所をより細かく制御するには、[リファレンスドキュメント](/models/ref/python/experiments/run#log_code) を参照してください。
+これにより、現在のディレクトリとそのすべてのサブディレクトリ内にある Python のソースコードファイルがすべて [Artifacts](/ja/models/ref/python/experiments/artifact)として保存されます。保存対象とするソースコードファイルの種類や場所をより細かく制御したい場合は、[リファレンスドキュメント](/ja/models/ref/python/experiments/run#log_code)を参照してください。
-### UI でコード保存を設定する
+
+ ### UI でコード保存を設定する
+
-プログラムでコード保存を設定するだけでなく、W&B アカウントの Settings でこの機能を切り替えることもできます。これにより、アカウントに関連付けられているすべての Teams でコード保存が有効になることに注意してください。
+コード保存をプログラム経由で設定するだけでなく、W&B アカウントの Settings からこの機能を切り替えることもできます。なお、これを有効にすると、あなたのアカウントに関連付けられているすべての Teams でコード保存が有効になります。
-> デフォルトでは、W&B はすべての Teams に対してコード保存を無効にしています。
+> デフォルトでは、W&B はすべての Teams に対してコード保存を無効にしています。
-1. W&B アカウントにログインします。
-2. **Settings** > **Privacy** に移動します。
-3. **Project and content security** の下にある **Disable default code saving** をオフに切り替えます。
+1. W&B アカウントにログインします。
+2. **Settings** > **Privacy** に移動します。
+3. **Project and content security** の下にある **Disable default code saving** をオンに切り替えます。
-## Code comparer
+
+ ## コード比較
+
-異なる W&B Runs で使用されたコードを比較します：
+異なる W&B run で使用されているコードを比較できます。
1. ページ右上の **Add panels** ボタンを選択します。
2. **TEXT AND CODE** ドロップダウンを展開し、**Code** を選択します。
+ ## Jupyter セッション履歴
+
-W&B は、Jupyter Notebook セッションで実行されたコードの履歴を保存します。Jupyter 内で **wandb.init()** を呼び出すと、W&B はフックを追加して、現在のセッションで実行されたコードの履歴を含む Jupyter Notebook を自動的に保存します。
+W&B は、Jupyter ノートブック セッション内で実行されたコードの履歴を保存します。Jupyter 上で **wandb.init()** を呼び出すと、W&B がフックを追加し、現在のセッションで実行されたコードの履歴を含む Jupyter ノートブックを自動的に保存します。
-1. コードが含まれているプロジェクトの Workspace に移動します。
-2. 左側のナビゲーションバーにある **Artifacts** タブを選択します。
-3. **code** アーティファクトを展開します。
+1. コードを含むプロジェクト ワークスペースに移動します。
+2. プロジェクトのサイドバーで **Artifacts** タブを選択します。
+3. **code** Artifacts を展開します。
4. **Files** タブを選択します。
- [CoreWeave](https://coreweave.com) インフラストラクチャー上で実行される [Runs](/models/runs) については、 [CoreWeave Mission Control](https://www.coreweave.com/mission-control) が計算インフラを監視します。エラーが発生した場合、W&B はプロジェクトの Workspace 内の Run のプロットにインフラストラクチャー情報を反映します。詳細は [Visualize CoreWeave infrastructure alerts](/models/runs#visualize-coreweave-infrastructure-alerts) を参照してください。
+ [CoreWeave](https://coreweave.com) インフラストラクチャ上で実行される [runs](/ja/models/runs) については、[CoreWeave Mission Control](https://www.coreweave.com/mission-control) がコンピュートインフラストラクチャを監視します。エラーが発生すると、W&B はインフラストラクチャ情報を run のプロットに反映し、プロジェクトのワークスペースに表示します。詳細は [Visualize CoreWeave infrastructure alerts](/ja/models/runs/infrastructure-alerts) を参照してください。
-## 折れ線グラフの設定を編集する
+
+ ## 折れ線グラフを追加する
+
+
+このセクションでは、単一のメトリクスまたは複数のメトリクスに対して折れ線グラフを作成する方法を説明します。
+
+
+
+ [automatic workspace](/ja/models/app/features/panels#workspace-modes) では、ログされた各メトリクスごとに単一メトリクスの折れ線グラフが自動的に作成されます。automatic workspace から削除した折れ線グラフを再度追加する場合、または手動 workspace に折れ線グラフを追加する場合は、次の手順に従います。
+
+ 1. 対象の Workspace に移動します。
+ 2. 折れ線グラフをグローバルに追加するには、パネル検索フィールド付近のコントロールバーで **Add panels** をクリックします。
+
+ 代わりにセクションへ直接折れ線グラフを追加するには、そのセクションのアクション `...` メニューをクリックし、**+ Add panels** をクリックします。
+ 3. デフォルト設定の単一メトリクスのプロットを追加するには、**Quick panel builder** をクリックします。
+ 1. **Single-key panels** タブでメトリクスにカーソルを合わせ、**Add** をクリックします。追加したい各パネルについてこの手順を繰り返します。
+ 2. **Create <number> panels** をクリックします。
+ 4. カスタムの折れ線グラフを追加する場合は、**Line plot** をクリックします。
+ 1. 対応するタブを使って折れ線グラフのデータ、グルーピング、表示設定を行います。詳細は [Edit line plot settings](#edit-line-plot-settings) を参照してください。
+ 2. x 軸または y 軸に計算式を追加するには、**Expressions** をクリックします。[JavaScript regular expressions](https://www.w3schools.com/js/js_regexp.asp) がサポートされています。
+ 次に、追加するパネルの種類 (チャートなど) を選択します。パネルの設定の詳細が、選択されたデフォルト値とともに表示されます。
+ 5. 必要に応じて、パネルおよびその表示設定をカスタマイズします。利用できる設定オプションは、選択したパネルの種類によって異なります。各パネルタイプで利用可能なオプションの詳細については、[Line plots](/ja/models/app/features/panels/line-plot/) や [Bar plots](/ja/models/app/features/panels/bar-plot/) など、本ページの以下の該当セクションを参照してください。
+ 6. **Apply** をクリックします。
+
+
+
+
+ この機能は現在プレビュー段階であり、招待された方のみ利用できます。利用を希望する場合は、[support](mailto:support@wandb.com) または担当の AISE までお問い合わせください。
+
+
+ [automatic workspace](/ja/models/app/features/panels#workspace-modes) では、ログされた各メトリクスごとに単一メトリクスの折れ線グラフが自動的に作成されます。このセクションでは、JavaScript 正規表現で定義した複数のメトリクスを 1 つの折れ線グラフにまとめて表示する方法を説明します。オプションとして、多数の単一メトリクスプロットを 1 つの複数メトリクスプロットに統合できます。これにより、多数のメトリクスがログされているワークスペースのパフォーマンスが向上し、run の結果を効率的に分析できます。
+
+ 1. 自分のワークスペースに移動します。
+ 2. 折れ線グラフをグローバルに追加するには、パネル検索フィールド付近のコントロールバーで **Add panels** をクリックします。
+
+ セクションに直接折れ線グラフを追加する場合は、そのセクションのアクション `...` メニューをクリックし、**+ Add panels** をクリックします。
+ 3. **Quick panel builder** をクリックし、**Multi-metric panels** タブをクリックします。
+ 4. **Regex** に [JavaScript regular expression](https://www.w3schools.com/js/js_regexp.asp) 形式の式を入力します。入力すると同時に UI が更新され、その式に一致するメトリクスが表示されます。デフォルトでは、プロット名にはそのプロットで使用した正規表現が表示されます。プロットには、その式に一致するすべてのメトリクスの線が含まれ、今後ログされるメトリクスも含まれます。
+ 5. 複数メトリクスプロット作成時に重複する単一メトリクスパネルを削除したい場合は、**Clean up auto-generated panels** を切り替えます。プレビューには、クリーンアップされるパネルが表示されます。 このオプションをオンにすると、その式に一致する新しくログされたメトリクスについては、単一メトリクスプロットは作成されません。代わりに、この複数メトリクスプロットにのみ含まれるようになります。
+ 6. **Create <number> panels** をクリックします。
+
+ ### 複数メトリクス用正規表現の詳細
+
+ 複数メトリクスの折れ線グラフは、[JavaScript regular expressions](https://developer.mozilla.org/en-US/docs/Web/JavaScript/Guide/Regular_expressions) を使ってメトリクス名にマッチさせます。このセクションでは、よくあるユースケースを紹介し、キャプチャグループが作成されるパネルにどのように影響するかなど、正規表現の動作に関する詳細を説明します。
+
+ #### よくあるユースケース
+
+ このセクションでは、複数メトリクスパネルを使って実験結果を分析するいくつかの方法を紹介します。
+
+ **レイヤーやモデルコンポーネント間でメトリクスを比較する**
+ 各レイヤーのメトリクスごとに個別のパネルを作成する代わりに、単一のパネルでまとめて表示できます。たとえば、次の Python のサンプルコードのように、`layer_0_loss`、`layer_1_loss`、`layer_2_loss` のように一貫した名前でメトリクスをログしている場合、`layer_\d+_loss` という正規表現を使って、すべてのレイヤーの loss を 1 つのプロット上に表示できます。
+
+ ```python
+ with wandb.init(project="multi-layer-model") as run:
+ for step in range(100):
+ run.log({
+ "layer_0_loss": loss_0,
+ "layer_1_loss": loss_1,
+ "layer_2_loss": loss_2,
+ "step": step
+ })
+ ```
+
+ **共通の接頭辞や接尾辞で関連メトリクスをグループ化する**
+ 共通の命名パターンを持つすべてのメトリクスにマッチさせます。たとえば:
+
+ * `train_.*` は `train_loss`、`train_accuracy`、`train_f1_score` のような、すべてのトレーニング メトリクスにマッチします
+ * `.*_accuracy` は、`train_accuracy`、`val_accuracy`、`test_accuracy` のように、異なるデータセットにまたがる accuracy メトリクスにマッチします
-このセクションでは、個別の折れ線グラフパネル、セクション内のすべての折れ線グラフパネル、または Workspace 内のすべての折れ線グラフパネルの設定を編集する方法を説明します。折れ線グラフの設定に関する包括的な詳細は、 [Line plot reference](/models/app/features/panels/line-plot/reference) を参照してください。
+ **特定のメトリクスのバリエーションにマッチする**
+ オルタネーションを使って、必要なメトリクスのみにマッチさせます。たとえば、非キャプチャ グループ `(?:layer_0|layer_10)_loss` は、中間レイヤーを除外して、1 層目と 10 層目の loss のみにマッチします。
-### 個別の折れ線グラフ
-個別の折れ線グラフの設定は、セクションや Workspace の折れ線グラフ設定よりも優先されます。折れ線グラフをカスタマイズするには：
+ #### キャプチャグループを理解する
-1. パネルにマウスを合わせ、ギアアイコンをクリックします。
-1. 表示されるドロワー内で、タブを選択して設定を編集します。
-1. **Apply** をクリックします。
+
+
+
+
+ ## 折れ線グラフ設定を編集する
+
+
+このセクションでは、個々の折れ線グラフパネル、セクション内のすべての折れ線グラフパネル、またはワークスペース内のすべての折れ線グラフパネルの設定を編集する方法を説明します。折れ線グラフ設定の詳細については、[折れ線グラフのリファレンス](/ja/models/app/features/panels/line-plot/reference)を参照してください。
+
+
+ ### 個別の折れ線グラフ
+
+
+個々の折れ線グラフの設定は、セクション全体または Workspace 全体に対する折れ線グラフの設定を上書きします。折れ線グラフをカスタマイズするには、次の手順を実行します。
-折れ線グラフの設定は以下のタブに分かれています：
-* **Data**: X軸、Y軸、サンプリング方法、スムージング、外れ値、チャートタイプを設定します。
-* **Grouping**: プロット内で Runs をグループ化および集計するかどうか、およびその方法を設定します。
-* **Chart**: パネルと軸のタイトルを指定し、凡例の表示・非表示と位置を設定します。
-* **Legend**: パネルの凡例の外観と内容をカスタマイズします。
-* **Expressions**: 軸に対してカスタム計算式を追加します。
+1. Workspace に移動します。
+2. パネル上にマウスカーソルを重ねてから、歯車アイコンをクリックします。
+3. 表示されたドロワー内で、設定を編集したいタブを選択します。
+4. **Apply** をクリックします。
-各設定の詳細については、 [Line plot reference](/models/app/features/panels/line-plot/reference) を参照してください。
+折れ線グラフの設定はタブごとに整理されています。
-### セクション内のすべての折れ線グラフ
+* **Data**: x 軸、y 軸、サンプリング方法、スムージング、外れ値、およびチャート タイプを設定します。
+* **Grouping**: プロット内で run をどのようにグループ化・集約するかを設定します。
+* **Chart**: パネルおよび軸のタイトルを指定し、凡例の表示有無と位置を設定します。
+* **Legend**: パネルの凡例の見た目と内容をカスタマイズします。
+* **Expressions**: 軸に対するカスタム計算式を追加します。
-セクション内のすべての折れ線グラフのデフォルト設定をカスタマイズし、Workspace の設定を上書きするには：
-1. セクションのギアアイコンをクリックして設定を開きます。
-1. 表示されるドロワー内で、 **Data** または **Display preferences** タブを選択して、セクションのデフォルト設定を構成します。各 **Data** 設定の詳細については、 [Line plot reference](/models/app/features/panels/line-plot/reference) を参照してください。表示設定の詳細については、 [Configure section layout](../#configure-section-layout) を参照してください。
+各設定の詳細については、[Line plot reference](/ja/models/app/features/panels/line-plot/reference) を参照してください。
-### Workspace 内のすべての折れ線グラフ
-Workspace 内のすべての折れ線グラフのデフォルト設定をカスタマイズするには：
-1. **Settings** というラベルの付いたギアアイコンがある Workspace の設定をクリックします。
-1. **Line plots** をクリックします。
-1. 表示されるドロワー内で、 **Data** または **Display preferences** タブを選択して、 Workspace のデフォルト設定を構成します。
- - 各 **Data** 設定の詳細については、 [Line plot reference](/models/app/features/panels/line-plot/reference) を参照してください。
- - 各 **Display preferences** セクションの詳細については、 [Workspace display preferences](../#configure-workspace-layout) を参照してください。 Workspace レベルでは、折れ線グラフのデフォルトの **Zooming** （ズーム）の振る舞いを設定できます。この設定は、一致する X軸キーを持つ折れ線グラフ間でズームを同期させるかどうかを制御します。デフォルトでは無効になっています。
+
+ ### セクション内のすべての折れ線グラフ
+
+Workspace の折れ線グラフ設定を上書きして、セクション内のすべての折れ線グラフのデフォルト設定をカスタマイズするには、次の操作を行います。
-## プロットで平均値を可視化する
+1. Workspace に移動します。
+2. セクションの歯車アイコンをクリックして、その設定を開きます。
+3. 表示されるドロワー内で **Data** または **Display preferences** タブを選択し、そのセクションのデフォルト設定を設定します。各 **Data** 設定の詳細については、[Line plot reference](/ja/models/app/features/panels/line-plot/reference) を参照してください。各表示設定の詳細については、[Configure section layout](../#configure-section-layout) を参照してください。
-複数の異なる Experiments があり、それらの値の平均をプロットで確認したい場合は、テーブルの Grouping 機能を使用できます。 Run テーブルの上にある "Group" をクリックし、 "All" を選択すると、グラフに平均値が表示されます。
+
+ ### ワークスペース内のすべての折れ線プロット
+
-平均化する前のグラフは以下のようになります：
+ワークスペース内のすべての折れ線プロットに対するデフォルト設定をカスタマイズするには、次の手順を実行します。
+
+1. 自分のワークスペースに移動します。
+2. 歯車アイコンで **Settings** と表示されているワークスペース設定をクリックします。
+3. **Line plots** をクリックします。
+4. 表示されるドロワー内で、**Data** または **Display preferences** タブを選択して、ワークスペースのデフォルト設定を行います。
+ * 各 **Data** 設定の詳細については、[Line plot reference](/ja/models/app/features/panels/line-plot/reference) を参照してください。
+ * 各 **Display preferences** セクションの詳細については、[Workspace display preferences](../#configure-workspace-layout) を参照してください。ワークスペースレベルでは、折れ線プロットのデフォルトの **Zooming** 動作を設定できます。この設定は、x 軸キーが一致する折れ線プロット間でズームを同期するかどうかを制御します。デフォルトでは無効です。
+
+
+ ## プロットで平均値を可視化する
+
+
+複数の異なる実験があり、それらの値の平均をプロット上で確認したい場合は、テーブルの Group 機能を使用できます。run テーブル上部の "Group" をクリックし、"All" を選択すると、グラフに平均値が表示されます。
+
+以下は平均化前のグラフの例です。
+ ## プロット上で NaN 値を可視化する
+
-`wandb.Run.log()` を使用して、 PyTorch テンソルを含む `NaN` 値を折れ線グラフにプロットすることもできます。例：
+`wandb.Run.log()` を使うと、`NaN` を含む PyTorch テンソルの値も折れ線グラフにプロットできます。例えば、次のようにします。
```python
with wandb.init() as run:
- # NaN値をログに記録
+ # NaN 値をログする
run.log({"test": float("nan")})
```
+ ## 1 つのチャートで複数のメトリクスを比較する
+
+ ## 線の色を変更する
+
-デフォルトの Runs の色が比較に役立たない場合があります。これを解決するために、 wandb では手動で色を変更できる2つの方法を提供しています。
+デフォルトの run の色では、比較がしづらい場合があります。この問題を解消するために、wandb では色を手動で変更できる 2 つの方法を提供しています。
-
-各 Run には、初期化時にデフォルトでランダムな色が割り当てられます。
-
-
-
-1. 設定を編集したいパネルの上にマウスを置きます。
-2. 表示される鉛筆アイコンを選択します。
-3. **Legend** タブを選択します。
-
-
+
+ 各 run には、初期化時にデフォルトでランダムな色が割り当てられます。
+
+
+
+
+ 1. ワークスペースに移動します。
+ 2. 設定を編集したいパネル上にマウスカーソルを重ねます。
+ 3. 表示される鉛筆アイコンを選択します。
+ 4. **Legend** タブを選択します。
+
+
-## 異なる X軸で可視化する
+
+ ## 異なる x 軸で可視化する
+
-実験にかかった絶対時間を確認したい場合や、実験が実行された日付を確認したい場合は、 X軸を切り替えることができます。以下は、ステップから相対時間、そして実時間（wall time）に切り替える例です。
+実験に要した絶対時間を確認したり、実験を実行した日付を確認したい場合は、x 軸を切り替えることができます。次の例では、steps から relative time、さらに wall time へと切り替えています。
+ ## ズーム
+
-長方形をクリックしてドラッグすると、垂直方向と水平方向を同時にズームできます。これにより、 X軸と Y軸のズームが変更されます。
+グラフ上でドラッグして長方形の範囲を選択すると、縦方向と横方向を同時にズームできます。これにより、x 軸と y 軸の表示範囲が変更されます。
+ ## チャートの凡例を非表示にする
+
-このシンプルな切り替えスイッチで、折れ線グラフの凡例をオフにできます。
+このシンプルなトグルで折れ線グラフの凡例をオフにできます。
+ ## run メトリクス通知を作成する
+
-[Automations](/models/automations/) を使用して、 Run メトリクスが指定した条件を満たしたときにチームに通知します。オートメーションは Slack チャンネルへの投稿や Webhook の実行が可能です。
+[Automations](/ja/models/automations/) を使用して、指定した条件を run のメトリクスが満たしたときにチームに通知します。Automation では Slack チャンネルへの投稿や webhook の実行を行えます。
-折れ線グラフから、表示されているメトリクスに対して [run metrics notification](/models/automations/automation-events/#run-events) を素早く作成できます。
+折れ線グラフから、そのグラフに表示されているメトリクスに対する [run メトリクス通知](/ja/models/automations/automation-events/#run-events) をすばやく作成できます。
-1. パネルの上にマウスを置き、ベルのアイコンをクリックします。
-1. 基本設定または詳細設定コントロールを使用してオートメーションを構成します。例えば、オートメーションの範囲を制限するために Run フィルターを適用したり、絶対的な閾値を設定したりします。
+1. ワークスペース に移動します。
+2. パネル上にカーソルを合わせ、ベル アイコンをクリックします。
+3. 基本または高度な設定コントロールを使用して Automation を設定します。たとえば、run フィルターを適用して Automation の対象範囲を絞り込んだり、絶対しきい値を設定したりします。
-[Automations](/models/automations/) について詳しくはこちら。
\ No newline at end of file
+[Automations](/ja/models/automations/) の詳細をご覧ください。
\ No newline at end of file
diff --git a/ja/models/app/features/panels/line-plot/reference.mdx b/ja/models/app/features/panels/line-plot/reference.mdx
index 80444e3928..a8d466e9ee 100644
--- a/ja/models/app/features/panels/line-plot/reference.mdx
+++ b/ja/models/app/features/panels/line-plot/reference.mdx
@@ -1,159 +1,223 @@
---
-title: Line plot リファレンス
+title: 折れ線グラフのリファレンス
---
-このページでは、折れ線グラフの設定に関する詳細な情報を説明します。折れ線グラフの使い方の詳細については、[折れ線グラフの概要](/models/app/features/panels/line-plot) を参照してください。
+import LinePlotCaptureGroups from "/snippets/ja/_includes/line-plot-capture-groups.mdx";
-## データ設定
+このページでは、折れ線グラフの設定について包括的な詳細を説明します。折れ線グラフの扱い方の詳細については、[Line plots overview](/ja/models/app/features/panels/line-plot) を参照してください。
-### X軸
+
+ ## データの設定
+
+
+
+ ### X軸
+
+ ### Y-axis
+
-Y軸の変数を、 `wandb.Run.log()` で ログ した任意の整数または浮動小数点数の 値 に設定します。単一の 値 、 値 の配列、または 値 のヒストグラムを指定します。1つの変数に対して1500ポイント以上 ログ した場合、W&Bは1500ポイントにダウンサンプリングします。
+y-axis の変数として、`wandb.Run.log()` でログした任意の整数または浮動小数点数を設定します。単一の値、値の配列、または値のヒストグラムを指定できます。ある変数について 1500 個を超えるポイントをログした場合、W&B はサンプル数を 1500 ポイントに間引きます。
-Runs テーブルの Run の色を変更することで、Y軸の線の色をカスタマイズできます。
+ Runs table で run の色を変更すると、y-axis の線の色をカスタマイズできます。
-利用可能なY軸オプション：
-* **Y range**: デフォルトは、 メトリクス の最小正数値（0を含む）から最大値までです。最小値と最大値をカスタマイズできます。
+利用可能な y-axis のオプション:
+
+* **Y range**: デフォルトでは、メトリクスの最小の正の値 (0 を含む) からメトリクスの最大値までです。最小値と最大値はカスタマイズできます。
+
+
+ ### 点の集約方法
+
-### ポイント集計メソッド
+データポイントの表示に使用するサンプリングモードを選択します：
-データポイントを表示するためのサンプリングモードを選択します：
-* **Random sampling**（デフォルト）: [Random sampling](/models/app/features/panels/line-plot/sampling/#random-sampling) を参照してください。
-* **Full fidelity**: [Full fidelity](/models/app/features/panels/line-plot/sampling/#full-fidelity) を参照してください。
+* **Random sampling** (デフォルト) ：[Random sampling](/ja/models/app/features/panels/line-plot/sampling/#random-sampling) を参照してください。
+* **Full fidelity**：[Full fidelity](/ja/models/app/features/panels/line-plot/sampling/#full-fidelity) を参照してください。
-### スムージング
+
+ ### スムージング
+
-[スムージング係数](/models/support/formula_smoothing_algorithm/) を0から1の間で設定します。0はスムージングなし、1は最大のスムージングを意味します。
+[スムージング係数](/ja/models/support/formula_smoothing_algorithm/) を 0 から 1 の間で設定します。0 はスムージングなし、1 は最大スムージングを表します。
-利用可能なスムージング メソッド ：
-* **Time weighted EMA**（デフォルト）: 以前のポイントの重みを指数関数的に減衰させることで、 時系列 データを滑らかにする手法です。
-* **Running average**: 特定のx値の前後にあるウィンドウ内のポイントの平均値でポイントを置き換えます。
-* **Gaussian**: ポイントの重み付き平均を計算します。重みは、スムージング パラメータ として指定された標準偏差を持つガウス分布に対応します。
+利用可能なスムージング手法は次のとおりです。
+
+* **Time weighted EMA** (デフォルト): 時系列データに対して、過去の点の重みを指数関数的に減衰させてスムージングする手法です。
+* **Running average**: ある点を、その点の前後のウィンドウ内にある点の平均値で置き換えます。
+* **Gaussian**: 各点について重み付き平均を計算します。ここで重みは、スムージングパラメーターとして指定された標準偏差を持つガウス分布に従います。
* **No smoothing**
-詳細については、 [折れ線グラフのスムージング](/models/app/features/panels/line-plot/smoothing) を参照してください。
+詳しくは、[Smooth line plots](/ja/models/app/features/panels/line-plot/smoothing) を参照してください。
-### 外れ値を無視
+
+ ### 外れ値を無視する
+
-デフォルトのグラフの最小・最大スケールから外れ値を除外するようにグラフを再スケーリングします。この設定の影響は、グラフのサンプリングモードによって異なります：
+プロットのスケールを再調整して、デフォルトの最小値および最大値の範囲から外れ値を除外します。この設定の効果は、プロットのサンプリングモードによって異なります。
-- **Random sampling モード**: 外れ値を無視すると、グラフから下位5%と上位95%のポイントが除外されます。
-- **Full fidelity モード**: 外れ値を無視すると、すべてのポイントが表示されますが、各 バケット の最後の 値 に凝縮され、下位5%と上位95%の領域が網掛け表示されます。
+* **ランダムサンプリングモード**: 外れ値を無視すると、プロットから下位 5% 未満および上位 95% 超の点が省略されます。
+* **フルフィデリティモード**: 外れ値を無視すると、すべての点は表示されますが、各バケットの最後の値に集約され、下位 5% 未満および上位 95% 超の領域に陰影が付けられます。
-### 最大 Runs またはグループ
+
+ ### run またはグループ数の上限
+
-デフォルトでは、グラフには Run リストまたは Run セット内の最初の10個の Runs またはグループのみが含まれます。表示する Runs やグループを制御するには、ソート順を変更してください。
+デフォルトでは、プロットには run リストまたは run セット内の先頭 10 件の run または run のグループのみが含まれます。どの run やグループを表示するかは、ソート順を変更して制御できます。
-Workspace は、 設定 に関わらず、最大1000個の Runs を表示することに制限されています。
+ ワークスペースでは、設定に関係なく、表示できる run の最大数は 1000 件に制限されています。
-### チャートタイプ
+
+ ### チャートの種類
+
+
+プロットのスタイルを選択します。
+
+* **Line plot**
+
+ ## グループ化設定
+
-チャートタイプは **Data** タブで 設定 します。[](/models/app/features/panels/line-plot#individual-line-plot) を参照してください。
+グループ化をオンにしてすべての run をまとめることも、特定の変数ごとにグループ化することもできます。Runs テーブルでグループ化を有効にすると、そのグループが自動的にグラフへ反映されます。
-## グルーピング設定
-グルーピングをオンにしてすべての Runs を集計するか、個別の変数でグループ化します。 Runs テーブルでグルーピングをオンにすると、グループが自動的にグラフに反映されます。
+* **Group runs**: プロット内で run のグループ化を有効にします。以下のプロットにおけるシェーディングされた範囲を設定するために必要です。
+* **Group by**: 任意の列を 1 つ選択します。その列で同じ値を持つすべての run がまとめてグループ化されます。
+* **Aggregation**: グラフ上の線の値です。グループ内の mean、median、min、max から選択できます。
+* **Range**: フルフィデリティの折れ線プロットのシェーディング領域を設定します。Min/Max、Std Dev、Std Err、または None から選択できます。
-- **Group by**: カラムを選択します。そのカラムで同じ 値 を持つすべての Runs がグループ化されます。
-- **Aggregation**: グラフ上の線の 値 。オプションは、グループの mean (平均)、median (中央値)、min (最小)、max (最大) です。
+
+ ## グラフ設定
+
-## チャート設定
-タイトルと凡例の表示を 設定 します：
+タイトルと凡例の表示を設定します。
-- **Panel title**: パネル の上部に表示されるタイトル。
-- **X-axis title**: X軸のラベル。
-- **Y-axis title**: Y軸のラベル。
-- **Legend**: 凡例の表示/非表示、および位置を 設定 します。
+* **パネルタイトル**: パネル上部に表示されるタイトル。
+* **X 軸タイトル**: X 軸のラベル。
+* **Y 軸タイトル**: Y 軸のラベル。
+* **凡例**: 凡例の表示 / 非表示や位置を設定します。
-## 凡例設定
+
+ ## 凡例設定
+
-凡例をカスタマイズして、 ログ された任意の 設定値 や、作成時間、 Run を作成した User などの Runs の メタデータ を表示できます。
+凡例をカスタマイズして、ログされた任意の config 値や、作成時刻、run を作成した ユーザー などの run のメタデータを表示できます。
-### 凡例テンプレート
+
+ ### 凡例テンプレート
+
凡例名のテンプレートを定義します。
-1. 歯車アイコンをクリックしてグラフ設定を開きます。
-1. **Display preferences** タブに移動します。
-1. **Advanced legend** を展開し、凡例テンプレートを指定します。
-1. **Apply** をクリックします。
+1. 歯車アイコンをクリックしてプロット設定を開きます。
+2. **Display preferences** タブを開きます。
+3. **Advanced legend** を展開し、凡例テンプレートを指定します。
+4. **Apply** をクリックします。
+
+例:
+
+`${run:displayName} - ${config:dropout}` と指定すると、`royal-sweep - 0.5` のような凡例名になります。このとき `royal-sweep` は run 名で、`0.5` は `dropout` という名前の config パラメーターです。
+
+
+ ### ポイントごとの値
+
+
+チャート上にカーソルを合わせたとき、クロスヘアにポイントごとの値を表示するには、`[[ ]]` 内に値を設定します。
+
+1. 歯車アイコンをクリックしてプロットの設定を開きます。
+2. **Display preferences** タブを開きます。
+3. タブの一番下で、プロット内の 1 つ以上のメトリクスについて、ポイントごとの値を設定します。
+4. **Apply** をクリックします。
+
+例: `[[ $x: $y ($original) ]]` は「2: 3 (2.9)」のように表示されます。
+
+`[[ ]]` 内でサポートされている値:
-例：
+| Value | Meaning |
+| ------------ | -------------------------------------------- |
+| `${x}` | X の値 |
+| `${y}` | Y の値 (スムージング調整を含む) |
+| `${original}` | スムージング調整を含まない Y の値 |
+| `${mean}` | グループ化された Runs の平均 |
+| `${stddev}` | グループ化された Runs の標準偏差 |
+| `${min}` | グループ化された Runs の最小値 |
+| `${max}` | グループ化された Runs の最大値 |
+| `${percent}` | 合計に対する割合 (積み上げエリアチャート用) |
-`${run:displayName} - ${config:dropout}` は、 `royal-sweep - 0.5` のような凡例名を生成します。ここで `royal-sweep` は Run 名、 `0.5` は `dropout` という名前の 設定 パラメータ です。
+
+ ## 式
+
-### ポイント固有の値
+カスタムの計算式を追加して、派生メトリクスを作成します。
-`[[ ]]` 内に 値 を設定すると、チャートをホバーしたときに十字線にポイント固有の 値 を表示できます。
+
+ ### Y-axis expressions
+
-1. 歯車アイコンをクリックしてグラフ設定を開きます。
-1. **Display preferences** タブに移動します。
-1. タブの下部で、1つ以上のグラフの メトリクス に対してポイント固有の 値 を 設定 します。
-1. **Apply** をクリックします。
+メトリクス に基づく値をプロットします。たとえば、`1-accuracy` やその他の算術式を計算できます。現在は単一のメトリクス をプロットしている場合にのみ動作します。
-例： `[[ $x: $y ($original) ]]` は "2: 3 (2.9)" のように表示されます。
+サポートされている演算子: `+`, `-`, `*`, `/`, `%`, および `**` (べき乗用)。
-`[[ ]]` 内でサポートされている 値 :
+記録済みのメトリクス と、ハイパーパラメーター などの 設定 値の両方を使って、カスタムラインを計算できます。
-| 値 | 意味 |
-| ------------ | ------------------------------------------ |
-| `${x}` | Xの値 |
-| `${y}` | Yの値（スムージング調整を含む） |
-| `${original}` | スムージング調整を含まないYの値 |
-| `${mean}` | グループ化された Runs の平均 |
-| `${stddev}` | グループ化された Runs の標準偏差 |
-| `${min}` | グループ化された Runs の最小値 |
-| `${max}` | グループ化された Runs の最大値 |
-| `${percent}` | 合計に対する割合（積み上げ面グラフ用） |
+
+ ### X 軸の式
+
-## 式 (Expressions)
+カスタム式を使用して、計算された値に基づいて X 軸を再スケールします。
-カスタム計算式を追加して、派生 メトリクス を作成します。
+使用可能な変数:
-### Y軸の式
+* `_step`: デフォルトの X 軸の値。
+* `${summary:value}`: summary の値への参照。
-メトリクス から派生した 値 をプロットします。例えば、 `1-accuracy` やその他の算術式を計算します。現在は単一の メトリクス をプロットする場合にのみ機能します。
+
+ ### 複数メトリクスパネル式
+
-サポートされている演算子: `+`, `-`, `*`, `/`, `%`, `**` (指数)。
+正規表現を使用して、複数のメトリクスをまとめて表示する 1 本の折れ線グラフを作成できます (今後ログされる、一致するメトリクスも含みます) 。詳しい手順は、[折れ線グラフを追加する](/ja/models/app/features/panels/line-plot#multi-metric-line-plot) を参照してください。
-ログ された メトリクス と、 ハイパーパラメーター などの 設定値 の両方を使用して、カスタムの線を計算できます。
+例えば、次のように利用できます。
-### X軸の式
+* 各レイヤーのメトリクスごとに個別のパネルを作成する代わりに、1 つのパネルにまとめて表示できます。例えば、`layer_0_loss`、`layer_1_loss`、`layer_2_loss` のように一貫した名前でメトリクスをログしていれば、`layer_\d+_loss` のような正規表現を使って、すべてのレイヤーの loss を 1 つのプロット上に表示できます。
+* 共通の命名パターンを持つすべてのメトリクスにマッチさせます。例えば:
+ * `train_.*` は `train_loss`、`train_accuracy`、`train_f1_score` のような、すべてのトレーニングメトリクスにマッチします
+ * `.*_accuracy` は `train_accuracy`、`val_accuracy`、`test_accuracy` のような、異なるデータセットにまたがる accuracy メトリクスにマッチします
+* オルタネーションを使って、必要なメトリクスだけにマッチさせます。例えば、非キャプチャグループ `(?:layer_0|layer_10)_loss` は、中間のレイヤーを除外し、第 1 レイヤーと第 10 レイヤーの loss のみをマッチさせます。
-カスタム式を使用した計算値を用いて、X軸を再スケーリングします。
+
+ #### キャプチャグループ
+
-便利な変数:
-* `_step`: デフォルトのX軸の 値 。
-* `${summary:value}`: サマリーの 値 を参照します。
\ No newline at end of file
+
+ ## フルフィデリティ
+
-full fidelity モードを使用すると、 W&B はデータポイントの数に基づいて x 軸を動的なバケットに分割します。次に、折れ線グラフの point aggregation をレンダリングする際に、各バケット内の最小値、最大値、平均値を算出します。
+フルフィデリティモードを使用すると、W&B はデータポイントの数に基づいて x 軸を動的なバケットに分割します。その後、各バケット内の最小値、最大値、および平均値を計算し、ラインプロットでポイント集約を描画します。
-point aggregation に full fidelity モードを使用することには、主に 3 つの利点があります。
+ポイント集約でフルフィデリティモードを使用することには、主に次の 3 つの利点があります。
-* 極端な値やスパイクを保持：データ内の極端な値やスパイクを維持します。
-* 最小値と最大値の描画設定： W&B App を使用して、極端な値（最小値/最大値）をシェーディング領域として表示するかどうかをインタラクティブに決定できます。
-* データの忠実度を損なわずに探索：特定のデータポイントにズームインすると、 W&B は x 軸のバケットサイズを再計算します。これにより、精度を落とさずにデータを探索できるようになります。以前に計算された集計を保存するためにキャッシングが使用され、読み込み時間を短縮します。これは特に大きな Datasets をナビゲートする場合に有効です。
+* 極端な値とスパイクの保持: データ内の極端な値やスパイクを維持できます
+* 最小値と最大値のポイントの描画方法の設定: W&B App を使用して、極端な値 (最小値/最大値) をシェーディングされた領域として表示するかどうかをインタラクティブに決定できます。
+* データの忠実度を損なわずにデータを探索: W&B は特定のデータポイントにズームインしたときに x 軸のバケットサイズを再計算します。これにより、精度を失うことなくデータを探索できるようになります。以前に計算された集約を保存するためにキャッシュを使用して読み込み時間を短縮しており、特に大きなデータセットを扱っている場合に有用です。
-### 最小値と最大値の描画設定
+
+ ### フルフィデリティを有効にする
+
-折れ線グラフの周囲にシェーディング領域を表示して、最小値と最大値を表示または非表示にします。
+W&B はデフォルトでフルフィデリティモードが有効になっています。手動で設定するには、次の手順に従います。
-以下の画像は青い折れ線グラフを示しています。水色のシェーディング領域は、各バケットの最小値と最大値を表しています。
+
+
+ 1. ワークスペースに移動します。
+ 2. 画面右上の **Add panels** ボタンの左にある歯車アイコンを選択します。
+ 3. 表示される UI スライダーで **Line plots** を選択します。
+ 4. **Point aggregation** セクションで **Full fidelity** を選択します。
+ 5. **Smoothing** のアルゴリズムと設定を行います。
+ 6. **Aggregation** を **Mean**、**Min**、または **Max** に設定します。
+ 7. **Apply** をクリックします。
+
+
+
+ 1. ワークスペースに移動します。
+ 2. 左側のタブから **Workspace** アイコンを選択します。
+ 3. 設定したいラインプロットパネルにカーソルを合わせ、歯車アイコンをクリックします。
+ 4. 表示されるモーダル内で **Point aggregation method** を **Full fidelity** に設定します。
+ 5. **Smoothing** のアルゴリズムと設定を行います。
+ 6. **Apply** をクリックします。
+
+
-
+ ### シェーディングを設定する
+
-折れ線グラフで最小値と最大値をレンダリングする方法は 3 つあります。
+フルフィデリティの折れ線プロットのシェーディングされた領域には、次のいずれかを表示できます。
-* **Never**: 最小値/最大値はシェーディング領域として表示されません。 x 軸のバケット全体の集計ラインのみが表示されます。
-* **On hover**: チャート上にホバーしたときに、最小値/最大値のシェーディング領域が動的に表示されます。このオプションは、インタラクティブに範囲を確認できるようにしつつ、ビューをすっきりと保ちます。
-* **Always**: チャート内のすべてのバケットに対して最小値/最大値のシェーディング領域が常に表示され、常に全範囲の値を可視化するのに役立ちます。チャート内で多くの Runs が可視化されている場合、視覚的な ノイズ になる可能性があります。
+* **Min/Max**: 各 X 軸のポイントごとに、最小値と最大値の間の領域をシェーディングします。シェーディングされた領域には、各バケット内で最小値から最大値までのすべてのポイントが含まれます。
+ ```math
+ \text{Min/Max Range} = [\min(x_1, x_2, \ldots, x_n),\ \max(x_1, x_2, \ldots, x_n)]
+ ```
+ ここで、$x_1, x_2, \ldots, x_n$ は指定されたバケット内の値です。
-デフォルトでは、最小値と最大値はシェーディング領域として表示されません。シェーディング領域のオプションを表示するには、以下の手順に従ってください。
+* **Standard deviation**: 各 X 軸のポイントごとに、標準偏差を使って値のばらつきを計算し、その結果に対応する領域をシェーディングします。
+ ```math
+ SD = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i - \overline{x})^2}
+ ```
-
-
-1. W&B の Projects に移動します
-2. 左タブの **Workspace** アイコンを選択します
-3. 画面右上の **Add panels** ボタンの左隣にある歯車アイコンを選択します。
-4. 表示される UI スライダーから、 **Line plots** を選択します
-5. **Point aggregation** セクション内の **Show min/max values as a shaded area** ドロップダウンメニューから、 **On hover** または **Always** を選択します。
-
-
-1. W&B の Projects に移動します
-2. 左タブの **Workspace** アイコンを選択します
-3. full fidelity モードを有効にしたい折れ線グラフ パネルを選択します
-4. 表示されるモーダル内で、 **Show min/max values as a shaded area** ドロップダウンメニューから **On hover** または **Always** を選択します。
-
-
+* **Standard error**: 各 X 軸のポイントごとに、値を標本サイズの平方根で割ることでサンプリング誤差の起こりうる大きさを計算し、その領域をシェーディングします。
+ ```math
+ SE = \frac{SD}{\sqrt{n}}
+ ```
+
+* **None**: シェーディングなし (デフォルト) 。
-### データの忠実度を損なわずに探索
+次の画像は青い折れ線プロットを示しています。水色でシェーディングされた領域は、各バケットにおける最小値と最大値を表します。
-極端な値やスパイクなどの重要なポイントを見逃すことなく、 Dataset の特定の領域を分析できます。折れ線グラフをズームインすると、 W&B は各バケット内の最小値、最大値、平均値を計算するために使用されるバケットサイズを調整します。
+
+ ### データの忠実性を維持しながらデータを探索する
+
+
+極端な値やスパイクなどの重要なポイントを見逃さずに、データセットの特定の領域を分析できます。折れ線グラフをズームインすると、W&B は各バケット内で最小値、最大値、平均値を計算するために使用するバケットサイズを調整します。
-**折れ線グラフのグルーピングと式**
+ **折れ線グラフのグルーピングと式**
-折れ線グラフのグルーピングを使用する場合、 W&B は選択されたモードに基づいて以下を適用します。
+ Line Plot Grouping を使用する場合、選択したモードに基づいて W&B は次のように動作します:
-- **Non-windowed sampling (grouping)**: x 軸上の Runs 間でポイントを整列させます。複数のポイントが同じ x 値を共有している場合は平均が取られ、そうでない場合は個別のポイントとして表示されます。
-- **Windowed sampling (grouping and expressions)**: x 軸を 250 個のバケット、または最も長いラインのポイント数（のいずれか小さい方）に分割します。 W&B は各バケット内のポイントの平均を取ります。
-- **Full fidelity (grouping and expressions)**: non-windowed sampling と同様ですが、パフォーマンスと詳細のバランスをとるために、 Run あたり最大 500 ポイントを取得します。
+ * **Non-windowed sampling (grouping)**: 複数の run 間でポイントを x 軸上で整列させます。複数のポイントが同じ x 値を共有する場合は平均値を取り、それ以外は離散的なポイントとして表示されます。
+ * **Windowed sampling (grouping and expressions)**: x 軸を 250 個のバケット、または最も長い線のポイント数のいずれか小さい方に分割します。W&B は各バケット内のポイントの平均を取ります。
+ * **Full fidelity (grouping and expressions)**: 非ウィンドウ サンプリングに似ていますが、パフォーマンスと詳細度のバランスを取るために run ごとに最大 500 ポイントを取得します。
-## Random sampling
+
+ ## ランダムサンプリング
+
-Random sampling は、折れ線グラフをレンダリングするためにランダムにサンプリングされた 1500 個のポイントを使用します。 Random sampling は、データポイントの数が多い場合にパフォーマンス上の理由で役立ちます。
+ランダムサンプリングは、ランダムに抽出された 1500 個の点を使って折れ線グラフを描画します。データポイントが非常に多い場合、パフォーマンス向上のためにランダムサンプリングが有効です。
-Random sampling は非決定論的にサンプリングを行います。つまり、 Random sampling ではデータ内の重要な外れ値やスパイクが除外されることがあり、その結果、データの精度が低下する可能性があります。
+ ランダムサンプリングは非決定的にデータをサンプリングします。つまり、ランダムサンプリングによって重要な外れ値やスパイクがデータから除外される場合があり、その結果としてデータの精度が低下する可能性があります。
-### Random sampling を有効にする
-デフォルトでは、 W&B は full fidelity モードを使用します。 Random sampling を有効にするには、以下の手順に従ってください。
+
+ ### ランダムサンプリングを有効にする
+
+
+デフォルトでは、W&B はフルフィデリティ モードを使用します。ランダムサンプリングを有効にするには、次の手順に従います。
-
-1. W&B の Projects に移動します
-2. 左タブの **Workspace** アイコンを選択します
-3. 画面右上の **Add panels** ボタンの左隣にある歯車アイコンを選択します。
-4. 表示される UI スライダーから、 **Line plots** を選択します
-5. **Point aggregation** セクションから **Random sampling** を選択します
-
-
-1. W&B の Projects に移動します
-2. 左タブの **Workspace** アイコンを選択します
-3. Random sampling を有効にしたい折れ線グラフ パネルを選択します
-4. 表示されるモーダル内で、 **Point aggregation method** セクションから **Random sampling** を選択します
-
+
+ 1. W&B プロジェクトに移動します
+ 2. 左側のタブで **Workspace** アイコンを選択します
+ 3. 画面右上で、**Add panels** ボタンの左にある歯車アイコンをクリックします
+ 4. 表示される UI スライダーで **Line plots** を選択します
+ 5. **Point aggregation** セクションで **Random sampling** を選択します
+
+
+
+ 1. W&B プロジェクトに移動します
+ 2. 左側のタブで **Workspace** アイコンを選択します
+ 3. ランダムサンプリングを有効にしたい line plot パネルを選択します
+ 4. 表示されるモーダル内の **Point aggregation method** セクションで **Random sampling** を選択します
+
-### サンプリングされていないデータへのアクセス
+
+ ### サンプリングされていないデータへのアクセス
+
-[W&B Run API](/models/ref/python/public-api/runs) を使用して、 Run 中にログ記録されたメトリクスの完全な履歴にアクセスできます。次の例は、特定の Run から loss の値を取得して処理する方法を示しています。
+[W&B Run API](/ja/models/ref/python/public-api/runs) を使用して、run 中に記録されたメトリクスの全履歴にアクセスできます。次の例は、特定の run から loss 値を取得して処理する方法を示しています。
```python
-# W&B API を初期化
+# W&B API を初期化する
run = api.run("l2k2/examples-numpy-boston/i0wt6xua")
-# 'Loss' メトリクスの履歴を取得
+# 'Loss' メトリクスの履歴を取得する
history = run.scan_history(keys=["Loss"])
-# 履歴から loss の値を抽出
+# 履歴から loss の値を抽出する
losses = [row["Loss"] for row in history]
-```
\ No newline at end of file
+```
diff --git a/ja/models/app/features/panels/line-plot/smoothing.mdx b/ja/models/app/features/panels/line-plot/smoothing.mdx
index b82c3aab7e..b62ae6fec8 100644
--- a/ja/models/app/features/panels/line-plot/smoothing.mdx
+++ b/ja/models/app/features/panels/line-plot/smoothing.mdx
@@ -1,28 +1,30 @@
---
-title: 平滑化ラインプロット
-description: 折れ線グラフでは、平滑化（smoothing）を使用して、ノイズの多い データ の中からトレンドを確認できます。
+description: 線グラフでは、スムージングを使ってノイズの多いデータの傾向を可視化できます。
+title: 線グラフのスムージング
---
-W&B はいくつかの種類のスムージングをサポートしています：
+W&B は、次のようないくつかの種類のスムージングをサポートしています。
-- [Time weighted exponential moving average (TWEMA) スムージング](#time-weighted-exponential-moving-average-twema-スムージング-デフォルト)
-- [Gaussian スムージング](#gaussian-スムージング)
-- [Running average](#running-average-スムージング)
-- [Exponential moving average (EMA) スムージング](#exponential-moving-average-ema-スムージング)
+- [時間重み付き指数移動平均 (TWEMA) スムージング](#time-weighted-exponential-moving-average-twema-smoothing-default)
+- [ガウシアン・スムージング](#gaussian-smoothing)
+- [移動平均](#running-average-smoothing)
+- [指数移動平均 (EMA) スムージング](#exponential-moving-average-ema-smoothing)
-これらが実際に動作している様子は、[インタラクティブな W&B レポート](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc) で確認できます。
+これらの手法は、[対話的な W&B レポート](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc)で実際に確認できます。
+ ## 時間重み付き指数移動平均 (TWEMA) スムージング（デフォルト）
+
-Time Weighted Exponential Moving Average (TWEMA) スムージングアルゴリズムは、以前のデータポイントの重みを指数関数的に減衰させることで、時系列 データをスムージングする手法です。この手法の詳細については、[指数平滑法](https://www.wikiwand.com/en/Exponential_smoothing) を参照してください。範囲は 0 から 1 です。時系列 の初期値が 0 に偏らないよう、バイアス 除去項が追加されています。
+時間重み付き指数移動平均 (TWEMA) スムージングアルゴリズムは、過去のデータポイントの重みを指数関数的に減衰させることで時系列データを平滑化する手法です。この手法の詳細については、[Exponential Smoothing](https://www.wikiwand.com/en/Exponential_smoothing) を参照してください。範囲は 0 から 1 です。時系列の初期の値が 0 に偏らないように、バイアス補正項が追加されています。
-TWEMA アルゴリズムは、ライン上のポイントの密度（x軸の単位範囲あたりの `y` 値の数）を考慮します。これにより、異なる特性を持つ複数のラインを同時に表示する場合でも、一貫したスムージングが可能になります。
+TWEMA アルゴリズムは、線上の点の密度（x 軸上の単位範囲あたりの `y` 値の数）を考慮に入れます。これにより、特性の異なる複数の線を同時に表示する場合でも、一貫したスムージングが可能になります。
-以下は、内部でどのように動作するかを示すサンプル コード です：
+以下は、この仕組みが内部的にどのように動作するかを示すサンプルコードです。
```javascript
const smoothingWeight = Math.min(Math.sqrt(smoothingParam || 0), 0.999);
@@ -31,7 +33,7 @@ let debiasWeight = 0;
return yValues.map((yPoint, index) => {
const prevX = index > 0 ? index - 1 : 0;
- // VIEWPORT_SCALE は結果をチャートの x 軸範囲に合わせてスケーリングします
+ // VIEWPORT_SCALE は結果をチャートの x 軸の範囲にスケールする
const changeInX =
((xValues[index] - xValues[prevX]) / rangeOfX) * VIEWPORT_SCALE;
const smoothingWeightAdj = Math.pow(smoothingWeight, changeInX);
@@ -42,48 +44,56 @@ return yValues.map((yPoint, index) => {
});
```
-[アプリ内](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc) での表示は以下のようになります：
+アプリ内では[このように表示されます](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc)。
+ ## ガウシアン平滑化
+
-[アプリ内](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc#3.-gaussian-smoothing) での表示は以下のようになります：
+ガウシアン平滑化（またはガウシアンカーネル平滑化）は、各点の加重平均を計算する手法であり、その重みが、平滑化パラメーターとして指定された標準偏差を持つガウス分布に従うようになっています。平滑化された値は、各入力 x の値ごとに、その前後に存在する点に基づいて計算されます。
+
+実際の表示は [アプリ内のこちら](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc#3.-gaussian-smoothing)を参照してください。
+ ## 移動平均スムージング
+
-Running average（移動平均）は、あるポイントを、指定された x 値の前後にあるウィンドウ内のポイントの平均値で置き換えるスムージングアルゴリズムです。詳細は [Wikipedia の「Boxcar Filter」](https://en.wikipedia.org/wiki/Moving_average) を参照してください。Running average で選択された パラメータ は、移動平均で考慮するポイントの数を Weights and Biases に伝えます。
+移動平均は、ある点を、その点の前後のウィンドウ内にある点の平均値で置き換えるスムージングアルゴリズムです。詳しくは Wikipedia の「[Boxcar Filter](https://en.wikipedia.org/wiki/Moving_average)」を参照してください。移動平均のために選択したパラメーターは、Weights & Biases に、この移動平均で考慮する点の数を指定します。
-x 軸上のポイントの間隔が不均等な場合は、代わりに Gaussian スムージングの使用を検討してください。
+x 軸上の点の間隔が不均一な場合は、代わりに Gaussian Smoothing を使用することを検討してください。
-[アプリ内](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc#4.-running-average) での表示は以下のようになります：
+[アプリ内での表示例はこちら](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc#4.-running-average) です。
+ ## 指数移動平均 (EMA) スムージング
+
+
+指数移動平均 (EMA) スムージングアルゴリズムは、指数ウィンドウ関数を用いて時系列データを平滑化するための経験的な手法です。手法の詳細については [Exponential Smoothing](https://www.wikiwand.com/en/Exponential_smoothing) を参照してください。設定可能な範囲は 0 ～ 1 です。時系列の初期値が 0 に偏らないように、バイアス補正項が追加されています。
-Exponential Moving Average (EMA) スムージングアルゴリズムは、指数ウィンドウ関数を使用して 時系列 データをスムージングする経験則的な手法です。この手法の詳細については、[指数平滑法](https://www.wikiwand.com/en/Exponential_smoothing) を参照してください。範囲は 0 から 1 です。時系列 の初期値が 0 に バイアス されないよう、デバイアス項が追加されています。
+多くの場合、EMA スムージングは、先にバケット分割してからスムージングするのではなく、履歴全体を対象にそのまま適用します。この方が、より正確に平滑化できることがよくあります。
-多くの場合、EMA スムージングはスムージング前に バケット 化するのではなく、履歴のフルスキャンに適用されます。これにより、より正確なスムージングが得られることがよくあります。
+次のような場合は、代わりにバケット分割の後に EMA スムージングが行われます:
-以下のような状況では、代わりに バケット 化の後に EMA スムージングが適用されます：
-- サンプリング
-- グルーピング
-- 式（Expressions）
-- 非単調な x 軸
-- 時間ベースの x 軸
+* サンプリング
+* グルーピング
+* Expressions
+* 非単調な x 軸
+* 時間ベースの x 軸
-以下は、内部でどのように動作するかを示すサンプル コード です：
+以下は、内部的な動作を示すサンプルコードです:
```javascript
data.forEach(d => {
@@ -94,16 +104,19 @@ Exponential Moving Average (EMA) スムージングアルゴリズムは、指
smoothedData.push(last / debiasWeight);
```
-[アプリ内](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc) での表示は以下のようになります：
+アプリ上では[このように表示されます](https://wandb.ai/carey/smoothing-example/reports/W-B-Smoothing-Features--Vmlldzo1MzY3OTc):
+ ## 元のデータを非表示にする
+
+
+デフォルトでは、平滑化されていない元のデータが、背景の淡い線としてプロットに表示されます。これをオフにするには、**Show Original** をクリックします。
+ ## メディアパネルを追加する
+
+
+ログしたキーに対してデフォルトの設定でメディアパネルを追加するには、Quick Add を使用します。メディアパネルはグローバルまたは特定のセクションに追加できます。
+
+1. **Global**: パネル検索フィールド付近のコントロールバーで **Add panels** をクリックします。
+2. **Section**: セクションのアクション `...` メニューをクリックし、**Add panels** をクリックします。
+3. 利用可能なパネルの一覧から、そのパネルのキーを見つけて **Add** をクリックします。追加したい各メディアパネルについてこの手順を繰り返し、右上の **X** をクリックして **Quick Add** リストを閉じます。
+4. 必要に応じて、[メディアパネルを設定する](#configure-a-media-panel) こともできます。
+
+メディアパネルはグローバルまたは特定のセクションに追加できます:
+
+1. **Global**: パネル検索フィールド付近のコントロールバーで **Add panels** をクリックします。
+2. **Section**: セクションのアクション `...` メニューをクリックし、**Add panels** をクリックします。
+3. **Media** セクションをクリックして展開します。
+4. パネルで可視化するメディアの種類 (3D オブジェクト、画像、動画、音声) を選択します。パネルの設定画面が表示されるので、パネルを設定し、**Apply** をクリックします。詳しくは、[メディアパネルを設定する](#configure-a-media-panel) を参照してください。
+
+
+ ## メディアパネルを設定する
+
+
+すべてのメディアタイプのパネルには同じオプションが用意されています。
+
+メディアパネルを手動で追加すると、メディアの種類を選択した後にその設定ページが開きます。既存のパネルの設定を更新するには、パネル上にカーソルを合わせ、右上に表示される歯車アイコンをクリックします。このセクションでは、各タブで利用できる設定項目について説明します。
+
+
+ ### オーバーレイ
+
+
+このタブは、セグメンテーションマスクやバウンディングボックス付きでログされた画像やポイントクラウドに対して表示されるタブです。
+
+* 名前でオーバーレイを検索および絞り込みできます。
+* オーバーレイの色をカスタマイズできます。
+
+
+ ### 同期
+
+
+このタブは Workspace 設定およびセクション設定に表示されます。
+
+* **キーでスライダーを同期**: セクション内の動画に対するステップスライダーを同期して動かすかどうかを設定します。
+* **動画を自動再生**: ページの読み込み時に動画を自動的に再生開始するかどうかを設定します。
+* **動画をループ再生**: セクション内の動画を自動的に先頭から再生し直し、停止するまで連続再生するかどうかを設定します。セクションレベルではカスタマイズできません。Workspace に動画のメディアパネルがある場合にのみ表示されます。
+
+
+ ### 表示
+
+
+パネル全体の見た目と動作をカスタマイズします。
+
+* パネルのタイトルを設定します。
+* 可視化する メディア キーを選択します。
+* パネルのスライダーと再生動作をカスタマイズします。
+ * スライダー キーを設定します。デフォルトは **Step** です。
+ * **Stride length** に、スライダーを 1 回クリックしたときに進めるステップ数を設定します。
+ * **Snap to existing step** のオン/オフを切り替えます。オンにすると、**Stride length** だけ進んだ後に、次に存在するステップに移動します。オフにすると、既存のステップに揃わなくても **Stride length** だけ進みます。
+* **Images**: スムージングのオン/オフを切り替えます。
+* **3d objects**: 背景色と点の色を設定します。
+
+
+ ### レイアウト
+
+
+パネル内の個々のアイテムの表示をカスタマイズします。
+
+* **Grid mode** のオン / オフを切り替えます。
+ * オンにすると、各アイテムに対してプロットするカスタムの X 軸と Y 軸を選択できます。1 行に複数のアイテムが表示され、表示する行数の上限を設定できます。
+ * オフにすると、パネルのコンテンツに使用する列数をカスタマイズでき、デフォルトで **Run** になっているパネルのコンテンツを設定できます。
+* パネルに含める **Max runs to include** を、必要に応じて制限します。
+* 1 run あたりに含めるメディアアイテム数を制限するための **Media display limit** を、必要に応じて指定します。
+* **Images and videos**: フルサイズのメディアの表示をオン / オフします。
+* **Images**: **Fit media** がオンのとき、パネルのサイズに合わせてパネル内のメディアをリサイズします。
+* **Point clouds**: デフォルトの左手系ではなく、プロットに右手系を使用するよう、必要に応じて切り替えます。
+
+
+ ### セクション内のすべてのメディアパネル
+
+
+Workspace のメディアパネル設定を上書きして、セクション内のすべてのメディアパネルのデフォルト設定をカスタマイズするには、次の手順に従います。
+
+1. セクションの歯車アイコンをクリックして設定を開きます。
+2. **Media settings** をクリックします。
+3. 表示されるドロワー内で、**Display**、**Layout**、または **Sync** タブをクリックして、そのセクションのデフォルトのメディア設定を行います。画像、動画、音声、3D オブジェクトの設定を調整できます。表示される設定項目は、そのセクションに現在含まれているメディアパネルによって異なります。
+
+**Display** または **Layout** の各メディア設定の詳細については、[Configure a media panel](#configure-a-media-panel) を参照してください。**Sync** タブは、個々のメディアパネルではなく、セクションまたは Workspace レベルでのみ利用できます。
+
+**Step slider syncing** をオンにすると、同じステップスライダーを使用しているそのセクション内のメディアパネルが同期されます。ステップスライダーの同期を有効にするには、次の手順に従います。
+
+1. **Sync** タブをクリックします。
+ 1. **Sync slider by key (Step)** をオンにします。
+
+
+ ### ワークスペース内のすべてのメディアパネル
+
+
+ワークスペース内のすべてのメディアパネルのデフォルト設定をカスタマイズするには、次の手順を実行します。
+
+1. 歯車アイコンと **Settings** というラベルが付いた Workspace の設定をクリックします。
+2. **Media settings** をクリックします。
+3. 表示されるドロワー内で、**Display** または **Layout** タブをクリックして Workspace のデフォルトのメディア設定を行います。画像、動画、音声、3D オブジェクトの設定を行うことができます。表示される設定は、Workspace の現在のメディアパネルによって異なります。
+
+**Sync** タブを除き、各設定の詳細については [Configure a media panel](#configure-a-media-panel) を参照してください。**Sync** タブは、セクションまたは Workspace レベルでのみ利用可能で、個々のメディアパネルでは利用できません。
+
+**Step slider syncing** をオンにすると、同じステップスライダーを持つセクション内のメディアパネルが同期された状態に保たれます。ステップスライダーの同期を有効にするには、次の手順を実行します。
1. **Sync** タブをクリックします。
-1. **Sync slider by key (Step)** をオンにします。
-
-各 設定 の詳細については、[メディアパネルの設定](#メディアパネルの設定) を参照してください。
-
-## メディアパネルの操作
-- メディアパネルをクリックすると、フルスクリーンモードで表示されます。パネル上部にある矢印ボタンをクリックすると、フルスクリーンモードが終了します。
-- フルスクリーンモードを終了せずにセクションのパネル間を移動するには、パネルの下にある **Previous** および **Next** ボタン、または左右の矢印キーを使用します。
-- メディアパネルのステップスライダーを動かすには、**CMD + 左右の矢印キー** (macOS) または **Ctrl + 左右の矢印キー** (Windows / Linux) を使用します。セクションまたは Workspace で **Sync slider by key** がオンになっている場合、1つのメディアパネルでステップスライダーを動かすと、同じステップスライダーキーを持つ他のメディアパネルのステップスライダーも連動して動きます。
-- メディアパネルの上部にあるステッパーを使用して、メディア Runs をステップ実行します。ステップスライダーを動かすには、UI コントロールを使用します。
-- メディアコントロールを使用して、ビデオ再生の再生、一時停止、または停止を行います。**Sync video playback** がオンの場合、セクション内のすべてのビデオが同期して再生されます。**Loop videos** がオンの場合、セクション内のビデオは自動的に再開し、停止するまで連続再生されます。
-- メディアパネルを 設定 するには、パネルにホバーして上部の歯車アイコンをクリックします。
-- セグメンテーションマスクとともにログ記録された画像の場合、その外観をカスタマイズしたり、それぞれのオン/オフを切り替えたりできます。パネルにホバーし、下側の歯車アイコンをクリックします。
-- バウンディングボックスとともにログ記録された画像または点群の場合、その外観をカスタマイズしたり、それぞれのオン/オフを切り替えたりできます。パネルにホバーし、下側の歯車アイコンをクリックします。
\ No newline at end of file
+2. **Sync slider by key (Step)** をオンにします。
+
+各設定の詳細については、[Configure a media panel](#configure-a-media-panel) を参照してください。
+
+
+ ## メディアパネルを操作する
+
+
+* メディアパネルをクリックするとフルスクリーンモードで表示されます。パネル上部の矢印ボタンをクリックするとフルスクリーンモードを終了します。
+* フルスクリーンモードを終了せずにセクション内のパネルを切り替えるには、パネル下部の **Previous** および **Next** ボタン、または左右の矢印キーを使用します。
+* メディアパネルのステップスライダーを動かすには、**CMD + 左右矢印キー** (macOS) または **Ctrl + 左右矢印キー** (Windows / Linux) を使用します。セクションまたは Workspace で **Sync slider by key** がオンになっている場合、1 つのメディアパネルでステップスライダーを動かすと、同じステップスライダーキーを持つ他のメディアパネルのステップスライダーも同時に動きます。
+* メディアパネル上部のステッパーを使用して、メディアの run を順番に確認します。ステップスライダーを動かすには、UI コントロールを使用します。
+* メディアコントロールを使用して、動画の再生、一時停止、停止を行います。**Sync video playback** がオンになっている場合、セクション内のすべての動画が同期して再生されます。**Loop videos** がオンになっている場合、セクション内の動画は自動的に先頭から再生され、停止されるまで連続再生されます。
+* メディアパネルの設定を変更するには、その上にカーソルを合わせて上部の歯車アイコンをクリックします。
+* セグメンテーションマスク付きでログされた画像では、マスクの表示をカスタマイズしたり、それぞれを個別にオン / オフできます。パネルにカーソルを合わせてから、下側の歯車アイコンをクリックします。
+* バウンディングボックス付きでログされた画像または点群では、その表示をカスタマイズしたり、それぞれを個別にオン / オフできます。パネルにカーソルを合わせてから、下側の歯車アイコンをクリックします。
\ No newline at end of file
diff --git a/ja/models/app/features/panels/parallel-coordinates.mdx b/ja/models/app/features/panels/parallel-coordinates.mdx
index f5b4b8b200..84dc81fda0 100644
--- a/ja/models/app/features/panels/parallel-coordinates.mdx
+++ b/ja/models/app/features/panels/parallel-coordinates.mdx
@@ -1,31 +1,35 @@
---
-title: パラレル座標プロット
-description: 機械学習の Experiments 間で結果を比較する
+description: 機械学習実験間の結果を比較する
+title: Parallel coordinates
---
-Parallel coordinates （並列座標）チャートは、多数の ハイパーパラメーター と モデル メトリクス の関係を一目で要約します。
+Parallel coordinates チャートは、多数のハイパーパラメーターとモデル メトリクス間の関係を一目で把握できるように可視化します。
+ ## Parallel coordinates パネルを作成する
+
-1. Workspace のランディングページに移動します
+1. ワークスペースのランディングページにアクセスします
2. **Add Panels** をクリックします
3. **Parallel coordinates** を選択します
-## パネル 設定
+
+ ## パネル設定
+
-パネルを 設定 するには、パネルの右上隅にある編集ボタンをクリックします。
+パネルを設定するには、パネル右上の編集ボタンをクリックします。
-* **Tooltip**: ホバー時に、各 Run に関する 情報 を含む凡例が表示されます
-* **Titles**: 軸のタイトルを読みやすく編集できます
-* **Gradient**: 勾配 をお好みの色範囲にカスタマイズできます
-* **Log scale**: 各軸を個別にログスケールで表示するように設定できます
-* **Flip axis**: 軸の方向を切り替えます。これは、精度（accuracy）と損失（loss）の両方の列がある場合に便利です
+* **Tooltip**: ホバーすると、各 run に関する情報を示す凡例が表示されます
+* **Titles**: 軸タイトルを編集して、より読みやすくします
+* **Gradient**: 任意の色の範囲になるようグラデーションをカスタマイズします
+* **Log scale**: 各軸は個別に対数スケールで表示するよう設定できます
+* **Flip axis**: 軸の方向を切り替えます — 精度と損失の両方を列として表示している場合に便利です
-[ライブ状態の parallel coordinates パネルを操作する](https://app.wandb.ai/example-team/sweep-demo/reports/Zoom-in-on-Parallel-Coordinates-Charts--Vmlldzo5MTQ4Nw)
\ No newline at end of file
+[ライブの parallel coordinates パネルを操作する](https://app.wandb.ai/example-team/sweep-demo/reports/Zoom-in-on-Parallel-Coordinates-Charts--Vmlldzo5MTQ4Nw)
\ No newline at end of file
diff --git a/ja/models/app/features/panels/parameter-importance.mdx b/ja/models/app/features/panels/parameter-importance.mdx
index 94476ebbfc..c3377e4c1d 100644
--- a/ja/models/app/features/panels/parameter-importance.mdx
+++ b/ja/models/app/features/panels/parameter-importance.mdx
@@ -1,76 +1,80 @@
---
-title: パラメータの重要度
-description: モデルの ハイパーパラメーター と出力 メトリクス の間の関係を可視化します
+description: モデル のハイパーパラメーターと出力メトリクスの関係を可視化する
+title: パラメーター重要度
---
-どのハイパーパラメーターがメトリクスの望ましい値を最もよく予測し、高い相関関係にあるかを見つけ出します。
-
+どのハイパーパラメーターがメトリクスの望ましい値の予測に最も寄与し、高い相関を持っているかを確認できます。
+ ## ハイパーパラメーター重要度パネルの作成
+
+1. W&B プロジェクトに移動します。
+2. **Add panels** ボタンをクリックします。
+3. **CHARTS** ドロップダウンを展開し、**Parallel coordinates** を選択します。
-パネルが空で表示される場合は、Runs がグループ化解除されていることを確認してください。
+ 空のパネルが表示される場合は、runs をグループ化していないことを確認してください。
-
+ ## ハイパーパラメーター重要度パネルの見方
+
+ ### 重要度
+
-重要度の列は、各ハイパーパラメーターが選択したメトリクスの予測にどの程度役立ったかを示します。膨大な数のハイパーパラメーターのチューニングを開始し、このプロットを使用してさらなる探索に値するものを絞り込むシナリオを想像してください。その後の Sweeps を最も重要なハイパーパラメーターのみに限定することで、より良いモデルをより速く、より安価に見つけることができます。
+importance 列には、それぞれのハイパーパラメーターが選択したメトリクスの予測にどの程度役立ったかが表示されます。多数のハイパーパラメーターのチューニングを始め、このプロットを使って、どれをさらに詳しく調べるべきかを絞り込む状況を想像してください。以降の sweep は最も重要なハイパーパラメーターに限定できるため、より良いモデルをより速く、より低コストで見つけることができます。
-W&B は、線形モデルではなくツリーベースのモデルを使用して重要度を算出します。これは、ツリーベースのモデルの方がカテゴリデータや正規化されていないデータに対して寛容であるためです。
+ W&B は、カテゴリカルデータや正規化されていないデータの両方をよりうまく扱えるため、線形モデルではなく決定木ベースのモデルを使って重要度を計算します。
-上の画像では、`epochs, learning_rate, batch_size`、および `weight_decay` がかなり重要であったことがわかります。
-
-### 相関 (Correlations)
+前述の画像では、`epochs, learning_rate, batch_size` および `weight_decay` がかなり重要であったことがわかります。
-相関は、個々のハイパーパラメーターとメトリクス値の間の線形関係を捉えます。これは、SGD オプティマイザーなどのハイパーパラメーターの使用と `val_loss` の間に有意な関係があるかどうかという問いに答えます（この場合、答えは「はい」です）。相関値の範囲は -1 から 1 で、正の値は正の線形相関、負の値は負の線形相関を表し、0 は相関がないことを表します。一般に、いずれかの方向で 0.7 を超える値は強い相関を示します。
+
+ ### 相関
+
-このグラフを使用して、メトリクスに対してより高い相関を持つ値をさらに探索したり（この場合、rmsprop や nadam よりも stochastic gradient descent や adam を選択するなど）、より多くのエポックでトレーニングしたりすることができます。
+相関は、個々のハイパーパラメーターとメトリクス値との間の線形な関係を捉えます。たとえば SGD オプティマイザーのようなハイパーパラメーターを使うことと `val_loss` の間に有意な関係があるかどうか、といった問いに答えます (この場合の答えは「ある」です) 。相関の値は -1 から 1 の範囲を取り、正の値は正の線形相関、負の値は負の線形相関、0 は相関がないことを表します。一般に、正負いずれの方向でも 0.7 を超える値は強い相関を表します。
+このグラフを使って、メトリクスと相関の高いハイパーパラメーターの値をさらに詳しく調べることができます (この例では rmsprop や nadam より stochastic gradient descent や adam を選ぶかもしれません) し、より多くのエポックで学習することも検討できます。
-* 相関は関連性の証拠を示すものであり、必ずしも因果関係を示すものではありません。
-* 相関は外れ値に敏感であり、特に試行したハイパーパラメーターのサンプルサイズが小さい場合、強い関係を中程度の関係に変えてしまう可能性があります。
-* 最後に、相関はハイパーパラメーターとメトリクスの間の線形関係のみを捉えます。強い多項式関係がある場合、それは相関では捉えられません。
+ * 相関は関連の「証拠」を示すものであり、必ずしも因果関係を示すものではありません。
+ * 相関は外れ値に敏感であり、特に試したハイパーパラメーターのサンプル数が少ない場合には、強い関係を中程度の関係に変えてしまうことがあります。
+ * そして最後に、相関はハイパーパラメーターとメトリクスの間の線形な関係だけを捉えます。強い多項式的な関係があっても、相関では捉えられません。
-重要度と相関の間の乖離は、重要度がハイパーパラメーター間の相互作用を考慮するのに対し、相関は個々のハイパーパラメーターがメトリクス値に与える影響のみを測定するという事実に起因します。第二に、相関は線形関係のみを捉えるのに対し、重要度はより複雑な関係を捉えることができます。
+重要度と相関の差異は、重要度がハイパーパラメーター間の相互作用を考慮するのに対し、相関は個々のハイパーパラメーターがメトリクス値に与える影響のみを測定する、という事実に起因します。さらに、相関は線形な関係のみを捉えるのに対し、重要度はより複雑な関係を捉えることができます。
-このように、重要度と相関の両方は、ハイパーパラメーターがモデルのパフォーマンスにどのように影響するかを理解するための強力なツールです。
\ No newline at end of file
+見てきたように、重要度と相関はいずれも、ハイパーパラメーターがモデルの性能にどのように影響するかを理解するための強力なツールです。
\ No newline at end of file
diff --git a/ja/models/app/features/panels/query-panels.mdx b/ja/models/app/features/panels/query-panels.mdx
index 035a9cea3e..95916fcd61 100644
--- a/ja/models/app/features/panels/query-panels.mdx
+++ b/ja/models/app/features/panels/query-panels.mdx
@@ -1,174 +1,240 @@
---
-title: クエリパネル
-description: このページの一部の機能はベータ版であり、機能フラグの後ろに隠れています。関連するすべての機能をアンロックするには、プロフィールページの自己紹介に
- `weave-plot` を追加してください。
+description: このページの一部の機能はベータ版で、フィーチャーフラグによって非表示になっています。プロフィールページの bio に `weave-plot` を追加すると、関連機能をすべてアンロックできます。
+title: クエリパネルの概要
---
-W&B Weaveをお探しですか？W&Bの生成AIアプリケーション構築のためのツール群ですか？weaveのドキュメントはここで見つけることができます: [wandb.me/weave](https://wandb.github.io/weave/?utm_source=wandb_docs&utm_medium=docs&utm_campaign=weave-nudge).
+ W&B Weave、つまり Generative AI アプリケーション構築のための W&B のツールスイートをお探しですか？Weave のドキュメントはこちらから参照してください: [wandb.me/weave](https://wandb.github.io/weave/?utm_source=wandb_docs\&utm_medium=docs\&utm_campaign=weave-nudge)。
-クエリパネルを使用してデータをクエリし、インタラクティブに視覚化します。
+クエリパネルを使用して、データをクエリしてインタラクティブに可視化します。
+ [Keras XLA ベンチマーク レポート](http://wandb.me/keras-xla-benchmark) を参照して、このチームが query panels を使ってベンチマーク結果をどのように可視化したかを確認してください。
+ */}
-ワークスペースまたはレポート内にクエリを追加します。
+
+ ## クエリ パネルを作成する
+
+
+クエリを ワークスペース または レポート 内に追加します。
-
-1. プロジェクトのワークスペースに移動します。
- 2. 右上のコーナーにある `Add panel` をクリックします。
- 3. ドロップダウンから `Query panel` を選択します。
-
-
-`/Query panel` と入力して選択します。
+
+ 1. プロジェクトの Workspace に移動します。
+ 2. 右上隅の `Add panel` をクリックします。
+ 3. ドロップダウンから `Query panel` を選択します。
+
-
+ `/Query panel` と入力して選択します。
+
+
+ 1. レポート内で `/Panel grid` と入力して選択します。
+ 2. `Add panel` ボタンをクリックします。
+ 3. ドロップダウンから `Query panel` を選択します。
+
-## クエリコンポーネント
+
+ ## クエリコンポーネント
+
-### 式
+
+ ### Expressions
+
-クエリ式を使用して、W&Bに保存されたデータ、例えば Runs、Artifacts、Models、Tables などをクエリします。
+W&B に保存されている runs、 Artifacts 、モデル、テーブルなどのデータを検索するには、クエリ式を使用します。
-#### 例: テーブルをクエリする
-W&B Tableをクエリしたいとします。トレーニングコード内で `"cifar10_sample_table"` という名前のテーブルをログします:
+
+ #### 例: テーブルをクエリする
+
+
+W&B Table をクエリしたいとします。トレーニング コード内で、`"cifar10_sample_table"` という名前のテーブルをログします:
```python
import wandb
-wandb.log({"cifar10_sample_table":})
+with wandb.init() as run:
+ run.log({"cifar10_sample_table":})
```
-クエリパネル内でテーブルをクエリするには次のようにします:
+クエリ パネルでは、テーブルに対して次のようなクエリを実行できます。
+
```python
runs.summary["cifar10_sample_table"]
```
+
+ ### 設定
+
-パネルの左上コーナーにあるギアアイコンを選択してクエリ設定を展開します。これにより、ユーザーはパネルのタイプと結果パネルのパラメータを設定できます。
+パネル左上の歯車アイコンをクリックして、クエリ設定を表示します。ここで、パネルの種類や結果パネルのパラメーターを設定できます。
+ ### 結果パネル
+
-最後に、クエリ結果パネルは、選択したクエリパネル、設定によって設定された構成に基づいて、データをインタラクティブに表示する形式でクエリ式の結果をレンダリングします。次の画像は、同じデータのテーブルとプロットを示しています。
+最後に、クエリ結果パネルでは、選択した query パネルと設定に基づいて、クエリ式の結果をインタラクティブに操作できる形式で表示します。次の画像は、同じデータを Table と Plot で表示した例です。
+ ## 基本的な操作
+
+
+クエリパネルで実行できる一般的な操作は次のとおりです。
+
+
+ ### 並べ替え
+
+
+列のオプションから並べ替えを行います:
+
+ ### フィルター
+
+
+クエリ内で直接フィルターを指定するか、左上のフィルターボタン（2 枚目の画像）を使用できます。
+
+ ### Map
+
+
+Map 操作はリストを走査し、データ内の各要素に関数を適用します。これはパネル クエリで直接行うか、列オプションから新しい列を挿入して行えます。
+
+ ### Groupby
+
+
+groupby は、クエリから、または列オプションから実行できます。
+
+ ### Concat
+
+
+concat 操作を使用すると、2 つのテーブルを連結でき、パネル設定から連結や結合を行うこともできます。
+
+
+ ### Join
+
+
+クエリ内でテーブルを直接結合することもできます。次のクエリ式を考えてみましょう。
-### 結合
-クエリ内でテーブルを直接結合することも可能です。次のクエリ式を考えてみてください:
```python
project("luis_team_test", "weave_example_queries").runs.summary["short_table_0"].table.rows.concat.join(\
project("luis_team_test", "weave_example_queries").runs.summary["short_table_1"].table.rows.concat,\
(row) => row["Label"],(row) => row["Label"], "Table1", "Table2",\
"false", "false")
```
+
+ ## Runs オブジェクト
+
+
+クエリ パネルを使用して `runs` オブジェクトにアクセスします。`run` オブジェクトは実験の記録を保存します。詳細は [Accessing runs object](https://wandb.ai/luis_team_test/weave_example_queries/reports/Weave-queries---Vmlldzo1NzIxOTY2?accessToken=bvzq5hwooare9zy790yfl3oitutbvno2i6c2s81gk91750m53m2hdclj0jvryhcr#3.-accessing-runs-object) を参照してください。ここでは概要として、`runs` オブジェクトでは次のものを利用できます。
+
+* `summary`: run の結果を要約した情報の辞書です。精度や損失のようなスカラー値や、大きなファイルを含めることができます。デフォルトでは、`wandb.Run.log()` はログされた時系列の最終値を summary に設定します。summary の内容を直接設定することもできます。summary は run の出力だと考えてください。
+* `history`: 損失のように、モデルがトレーニングされている間に変化する値を保存することを目的とした辞書のリストです。`wandb.Run.log()` コマンドはこのオブジェクトに追記します。
+* `config`: トレーニング run のハイパーパラメーターや、dataset Artifacts を作成する run における前処理手法など、run の設定情報の辞書です。これらは run の「入力」だと考えてください。
+
+ ## Artifacts へのアクセス
+
+
+Artifacts は W&B における中核的な概念です。 Artifacts は、バージョン管理された名前付きのファイルおよびディレクトリの集合です。 Artifacts を使ってモデルの重み、データセット、その他のファイルやディレクトリを追跡できます。 Artifacts は W&B に保存され、他の run でダウンロードしたり利用したりできます。詳細と例については、[Artifacts へのアクセス](https://wandb.ai/luis_team_test/weave_example_queries/reports/Weave-queries---Vmlldzo1NzIxOTY2?accessToken=bvzq5hwooare9zy790yfl3oitutbvno2i6c2s81gk91750m53m2hdclj0jvryhcr#4.-accessing-artifacts) を参照してください。 Artifacts には通常、`project` オブジェクトからアクセスします:
+
+* `project.artifactVersion()`: 指定されたプロジェクト内で、与えられた名前とバージョンに対応する特定の Artifacts バージョンを返します
+* `project.artifact("")`: 指定されたプロジェクト内で、与えられた名前に対応する Artifacts を返します。その後 `.versions` を使って、この Artifacts のすべてのバージョンのリストを取得できます
+* `project.artifactType()`: 指定されたプロジェクト内で、与えられた名前に対応する `artifactType` を返します。その後 `.artifacts` を使って、このタイプを持つすべての Artifacts のリストを取得できます
+* `project.artifactTypes`: プロジェクト内にあるすべての Artifacts タイプのリストを返します
-Artifacts は W&B の中核概念です。これは、バージョン管理された名前付きファイルやディレクトリーのコレクションです。Artifacts を使用して、モデルの重み、データセット、およびその他のファイルやディレクトリーを追跡します。Artifacts は W&B に保存され、他の runs でダウンロードまたは使用できます。詳細と例は、[こちらのセクション](https://wandb.ai/luis_team_test/weave_example_queries/reports/Weave-queries---Vmlldzo1NzIxOTY2?accessToken=bvzq5hwooare9zy790yfl3oitutbvno2i6c2s81gk91750m53m2hdclj0jvryhcr#4.-accessing-artifacts)のレポートで確認できます。Artifacts は通常、`project` オブジェクトからアクセスします:
-* `project.artifactVersion()`: プロジェクト内の特定の名前とバージョンのアーティファクトバージョンを返します
-* `project.artifact("")`: プロジェクト内の特定の名前のアーティファクトを返します。その後、`.versions` を使用してこのアーティファクトのすべてのバージョンのリストを取得できます
-* `project.artifactType()`: プロジェクト内の特定の名前の `artifactType` を返します。その後、`.artifacts` を使用して、このタイプを持つすべてのアーティファクトのリストを取得できます
-* `project.artifactTypes`: プロジェクト内のすべてのアーティファクトタイプのリストを返します
+ ## 埋め込みの例
+
-- [ライブ・インタラクティブ・デモ・レポート](https://wandb.ai/timssweeney/toy_datasets/reports/Feature-Report-W-B-Embeddings-Projector--VmlldzoxMjg2MjY4?accessToken=bo36zrgl0gref1th5nj59nrft9rc4r71s53zr2qvqlz68jwn8d8yyjdz73cqfyhq)
-- [Example Colab](https://colab.research.google.com/drive/1DaKL4lZVh3ETyYEM1oJ46ffjpGs8glXA#scrollTo=D--9i6-gXBm_)
+- [ライブ対話型デモ レポート](https://wandb.ai/timssweeney/toy_datasets/reports/Feature-Report-W-B-Embeddings-Projector--VmlldzoxMjg2MjY4?accessToken=bo36zrgl0gref1th5nj59nrft9rc4r71s53zr2qvqlz68jwn8d8yyjdz73cqfyhq)
+- [Colab の例](https://colab.research.google.com/drive/1DaKL4lZVh3ETyYEM1oJ46ffjpGs8glXA#scrollTo=D--9i6-gXBm_).
-### Hello World
+
+ ### Hello World
+
-W&B では、 `wandb.Table` クラスを使用して embeddings を ログ に記録できます。それぞれ 5 つの次元を持つ 3 つの embeddings の次の例を考えてみましょう。
+W&B では、`wandb.Table` クラスを使用して埋め込みベクトルをログとして記録できます。次の例では、3 つの埋め込みベクトルがあり、それぞれ 5 次元のベクトルです。
```python
import wandb
-# プロジェクト "embedding_tutorial" で run を初期化
with wandb.init(project="embedding_tutorial") as run:
embeddings = [
# D1 D2 D3 D4 D5
@@ -36,15 +38,17 @@ with wandb.init(project="embedding_tutorial") as run:
run.finish()
```
-上記のコードを実行すると、W&B の ダッシュボード に データ を含む新しい テーブル が表示されます。右上の パネル セレクターから `2D Projection` を選択すると、embeddings を 2 次元でプロットできます。最適なデフォルト設定が自動的に選択されますが、ギアアイコンをクリックしてアクセスできる設定メニューで簡単に変更できます。この例では、利用可能な 5 つの数値次元すべてが自動的に使用されます。
+上記のコードを実行すると、W&B ダッシュボードにデータを含む新しい Table が作成されます。埋め込みを 2 次元でプロットするには、右上のパネルセレクターから `2D Projection` を選択します。Smart default が自動的に選択されますが、歯車アイコンをクリックして開く 設定メニュー で簡単に変更できます。この例では、利用可能な 5 つの数値の次元をすべて自動的に使用します。
+ ### Digits MNIST
+
-上記の例は embeddings を ログ に記録する基本的な仕組みを示していますが、通常はより多くの次元とサンプルを扱います。 [SciKit-Learn](https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_digits.html) 経由で利用可能な MNIST Digits データセット（ [UCI ML 手書き数字データセット](https://archive.ics.uci.edu/ml/datasets/Optical+Recognition+of+Handwritten+Digits) ）を例に考えてみましょう。この データセット には 1797 件のレコードがあり、それぞれ 64 の次元を持っています。この問題は 10 クラスの分類ユースケースです。入力データを可視化のために画像に変換することもできます。
+上記の例では埋め込みをログに記録する基本的な仕組みを示しましたが、実際にはより高次元でサンプル数の多いデータを扱うのが一般的です。ここでは [SciKit-Learn](https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_digits.html) を通じて利用可能な MNIST Digits データセット（[UCI ML hand-written digits dataset](https://archive.ics.uci.edu/ml/datasets/Optical+Recognition+of+Handwritten+Digits)[s](https://archive.ics.uci.edu/ml/datasets/Optical+Recognition+of+Handwritten+Digits)）を考えてみましょう。このデータセットには 1797 件のレコードがあり、それぞれ 64 次元を持ちます。これは 10 クラスの分類問題です。可視化のために入力データを画像に変換することもできます。
```python
import wandb
@@ -52,16 +56,16 @@ from sklearn.datasets import load_digits
with wandb.init(project="embedding_tutorial") as run:
- # データセットのロード
+ # データセットを読み込む
ds = load_digits(as_frame=True)
df = ds.data
- # "target" 列の作成
+ # "target" 列を作成する
df["target"] = ds.target.astype(str)
cols = df.columns.tolist()
df = df[cols[-1:] + cols[:-1]]
- # "image" 列の作成
+ # "image" 列を作成する
df["image"] = df.apply(
lambda row: wandb.Image(row[1:].values.reshape(8, 8) / 16.0), axis=1
)
@@ -71,45 +75,51 @@ with wandb.init(project="embedding_tutorial") as run:
run.log({"digits": df})
```
-上記のコードを実行すると、再び UI に テーブル が表示されます。 `2D Projection` を選択することで、embedding の定義、色付け、アルゴリズム（PCA、UMAP、t-SNE）、アルゴリズム パラメータ 、さらにはオーバーレイ（この例ではポイントをホバーしたときに画像を表示する）を 設定 できます。この特定のケースでは、これらはすべて「スマートなデフォルト設定」になっており、 `2D Projection` を 1 回クリックするだけで、これに近いものが表示されるはずです。（ [この embedding チュートリアルの例を操作する](https://wandb.ai/timssweeney/embedding_tutorial/runs/k6guxhum?workspace=user-timssweeney) ）。
+上記のコードを実行すると、再び UI に Table が表示されます。`2D Projection` を選択すると、埋め込みの定義、色分け、アルゴリズム (PCA、UMAP、t-SNE)、アルゴリズムのパラメーター、さらにはオーバーレイ (この例では、点にカーソルを合わせたときに画像を表示) まで設定できます。この例では、これらはすべて「スマートなデフォルト」となっており、`2D Projection` を 1 回クリックするだけで、ほぼ同じ結果が得られるはずです。([この埋め込みチュートリアルの例を操作してみてください](https://wandb.ai/timssweeney/embedding_tutorial/runs/k6guxhum?workspace=user-timssweeney))。
+ ## ロギングオプション
+
-embeddings はいくつかの異なる形式で ログ に記録できます。
+埋め込みは、さまざまな形式でログできます。
-1. **単一の Embedding 列:** データがすでに「行列」のような形式になっている場合が多いです。この場合、単一の embedding 列を作成できます。セルのデータの型は `list[int]` 、 `list[float]` 、または `np.ndarray` になります。
-2. **複数の数値列:** 上記の 2 つの例では、このアプローチを使用して、各次元に対して列を作成しました。現在、セルの値として python の `int` または `float` を受け付けています。
+1. **単一の埋め込み列:** 多くの場合、データはすでに「行列」に似た形式になっています。この場合、単一の埋め込み列を作成できます。この列では、セル値のデータ型として `list[int]`、`list[float]`、または `np.ndarray` を使用できます。
+2. **複数の数値列:** 上記 2 つの例では、このアプローチを用いて各次元ごとに列を作成しています。現在、セルには Python の `int` または `float` を受け付けています。
+ ## プロットオプション
+
-`2D Projection` を選択した後、ギアアイコンをクリックしてレンダリング設定を編集できます。対象の列を選択する（上記参照）ことに加え、目的のアルゴリズム（および必要な パラメータ ）を選択できます。以下に、それぞれ UMAP と t-SNE の パラメータ を示します。
+`2D Projection` を選択した後、歯車アイコンをクリックしてレンダリング設定を編集できます。対象となる列（上記参照）を選択するだけでなく、使用したいアルゴリズムとそのパラメーターも選択できます。以下に、それぞれ UMAP と t-SNE のパラメーターを示しています。
-注：現在、3つのアルゴリズムすべてにおいて、ランダムな 1000 行、50 次元の サブセット にダウンサンプリングされます。
+注意: 現在、3 つのアルゴリズムすべてに対して、1000 行・50 次元のランダムなサブセットにダウンサンプリングしています。
\ No newline at end of file
diff --git a/ja/models/app/features/panels/run-comparer.mdx b/ja/models/app/features/panels/run-comparer.mdx
index 27f9c803fb..e3dbc30fcb 100644
--- a/ja/models/app/features/panels/run-comparer.mdx
+++ b/ja/models/app/features/panels/run-comparer.mdx
@@ -1,26 +1,31 @@
---
-title: Run メトリクスを比較する
description: 複数の run 間でメトリクスを比較する
+title: run のメトリクスを比較する
---
-Run Comparer を使用すると、Project 内の Runs 間の違いや共通点を簡単に確認できます。
+Run Comparer を使用して、プロジェクト内の複数の run 間の違いや共通点を確認できます。
-## Run Comparer パネルの追加
+
+ ## Run Comparer パネルを追加する
+
-1. ページ右上の **Add panels** ボタンを選択します。
-2. **Evaluation** セクションから、**Run comparer** を選択します。
+1. ページ右上にある **Add panels** ボタンをクリックします。
+2. **Evaluation** セクションで **Run comparer** を選択します。
-## Run Comparer の使い方
-Run Comparer は、Project 内で表示されている最初の 10 個の Runs について、設定やログに記録された メトリクス を 1 列に 1 Run ずつ表示します。
+
+ ## Run Comparer を使用する
+
-- 比較する Runs を変更するには、左側の Runs リストで検索、フィルタリング、グループ化、またはソートを行います。Run Comparer は自動的に更新されます。
-- Run Comparer 上部の検索フィールドを使用して、設定の キー や、Python の バージョン、Run の作成時間などの メタデータ の キー をフィルタリングまたは検索できます。
-- 違いを素早く確認し、同一の値を非表示にするには、パネル上部の **Diff only** を切り替えます。
-- 列の幅や行の高さを調整するには、パネル上部のフォーマットボタンを使用します。
-- 設定や メトリクス の値をコピーするには、値の上にマウスを置き、コピーボタンをクリックします。画面に表示しきれないほど長い値であっても、値全体がコピーされます。
+Run Comparer では、そのプロジェクト内で先頭に表示されている 10 個の run について、設定と記録されたメトリクスを 1 run ごとに 1 列で表示します。
+
+* 比較する run を変更するには、左側の run の一覧で検索、フィルター、グループ化、ソートを行います。Run Comparer は自動的に更新されます。
+* Run Comparer 上部の検索フィールドを使って、Python バージョンや run の作成時刻などの設定キーやメタデータキーでフィルターまたは検索できます。
+* 差分だけをすばやく確認し、同一の値を非表示にするには、パネル上部の **Diff only** を切り替えます。
+* 列幅や行の高さを調整するには、パネル上部のフォーマット用ボタンを使用します。
+* 任意の設定値やメトリクスの値をコピーするには、その値の上にマウスカーソルを載せてコピー ボタンをクリックします。画面に収まりきらない場合でも、値全体がコピーされます。
-デフォルトでは、Run Comparer は [`job_type`](/models/ref/python/functions/init) の値が異なる Runs を区別しません。つまり、Project 内で本来比較対象にならない Runs 同士を比較してしまう可能性があります。例えば、トレーニングの Run と モデルの評価 の Run を比較することができてしまいます。トレーニングの Run には Run の ログ、ハイパーパラメーター、トレーニングの損失 メトリクス、そして モデル 自体が含まれる場合があります。一方で評価の Run は、その モデル を使用して新しい トレーニングデータ に対する モデル のパフォーマンスをチェックします。
+ デフォルトでは、Run Comparer は [`job_type`](/ja/models/ref/python/functions/init) の値が異なる run を区別しません。これは、プロジェクト内で本来は比較できない run を比較できてしまうことを意味します。たとえば、トレーニング run とモデル評価 run を比較することができます。トレーニング run には、run ログ、ハイパーパラメーター、トレーニング損失メトリクス、およびモデル自体が含まれる場合があります。評価 run は、そのモデルを使用して新しいトレーニングデータに対するモデルの性能を確認できます。
-Runs Table で Runs のリストを検索、フィルタリング、グループ化、またはソートすると、Run Comparer は自動的に更新され、最初の 10 個の Runs を比較します。`job_type` でリストをフィルタリングやソートするなど、Runs Table 内でフィルタリングや検索を行い、同種の Runs を比較するようにしてください。詳細は [Runs のフィルタリング](/models/runs/filter-runs/) を参照してください。
+ Runs Table で run の一覧を検索、フィルター、グループ化、ソートすると、Run Comparer は自動的に更新され、先頭の 10 個の run を比較します。`job_type` でフィルターまたはソートするなどして Runs Table 内でフィルターや検索を行い、類似した run を比較してください。run のフィルタリングについて詳しくは、[run のフィルタリング](/ja/models/runs/filter-runs/) を参照してください。
\ No newline at end of file
diff --git a/ja/models/app/features/panels/scatter-plot.mdx b/ja/models/app/features/panels/scatter-plot.mdx
index dfc63f272f..a3995b46d1 100644
--- a/ja/models/app/features/panels/scatter-plot.mdx
+++ b/ja/models/app/features/panels/scatter-plot.mdx
@@ -2,36 +2,42 @@
title: 散布図
---
-このページでは、W&B で散布図（scatter plots）を使用する方法を説明します。
+このページでは、W&B で散布図を使う方法を紹介します。
-## ユースケース
+
+ ## ユースケース
+
-散布図を使用して、複数の Runs を比較し、実験のパフォーマンスを可視化します：
+散布図を使用して複数の run を比較し、実験のパフォーマンスを可視化します。
-- 最小値、最大値、平均値のラインをプロットする。
-- メタデータのツールチップをカスタマイズする。
-- ポイントの色を制御する。
-- 軸の範囲を調整する。
-- 軸にログスケール（対数スケール）を使用する。
+- 最小値、最大値、平均値の線をプロットできます。
+- メタデータのツールチップをカスタマイズできます。
+- 点の色を変更できます。
+- 軸の範囲を調整できます。
+- 軸を対数スケールにできます。
-## 例
+
+ ## 例
+
-以下の例は、数週間にわたる実験における異なるモデルの検証精度（validation accuracy）を表示する散布図です。ツールチップには バッチサイズ 、ドロップアウト、および軸の値が含まれています。また、ラインは検証精度の移動平均を示しています。
+次の例は、数週間にわたる実験期間を通じて、異なる モデル の検証精度を表示する散布図です。ツールチップには、バッチサイズ、dropout、および各軸の値が表示されます。また、検証精度の移動平均を示す線も描画されています。
-[ライブサンプルを見る →](https://app.wandb.ai/l2k2/l2k/reports?view=carey%2FScatter%20Plot)
+[ライブ例を見る →](https://app.wandb.ai/l2k2/l2k/reports?view=carey%2FScatter%20Plot)
+ ## 散布図を作成する
+
-W&B の UI で散布図を作成するには：
+W&B UI で散布図を作成するには、次の手順に従います。
1. **Workspaces** タブに移動します。
2. **Charts** パネルで、アクションメニュー `...` をクリックします。
3. ポップアップメニューから **Add panels** を選択します。
4. **Add panels** メニューで **Scatter plot** を選択します。
-5. 表示したいデータをプロットするために `x` 軸と `y` 軸を設定します。オプションで、軸の最大・最小範囲を設定したり、 `z` 軸を追加したりできます。
+5. 表示したいデータをプロットするように `x` 軸と `y` 軸を設定します。必要に応じて、軸の最小値と最大値を指定したり、`z` 軸を追加したりします。
6. **Apply** をクリックして散布図を作成します。
-7. Charts パネルで新しい散布図を確認します。
\ No newline at end of file
+7. 新しい散布図を **Charts** パネルで確認します。
\ No newline at end of file
diff --git a/ja/models/app/keyboard-shortcuts.mdx b/ja/models/app/keyboard-shortcuts.mdx
index 00fda56b39..4971829423 100644
--- a/ja/models/app/keyboard-shortcuts.mdx
+++ b/ja/models/app/keyboard-shortcuts.mdx
@@ -1,62 +1,60 @@
---
+description: W&B で使用できるキーボードショートカットについて学びます。
title: キーボードショートカット
-description: thoughtful philosophy dispensing... W&B で利用可能なキーボードショートカットについて説明します。
---
-import LEETShortcuts from "/snippets/en/_includes/leet-keyboard-shortcuts.mdx";
+import LEETShortcuts from "/snippets/ja/_includes/leet-keyboard-shortcuts.mdx";
-W&B では、Experiments 、 Workspace 、 data をより効率的に操作・ナビゲートするためのキーボードショートカットをサポートしています。このリファレンスガイドでは、 W&B App および W&B LEET (Lightweight Experiment Exploration Tool) ターミナル UI のキーボードショートカットについて説明します。
+W&B は、experiments、ワークスペース、data の操作やナビゲーションをより効率的に行えるようにするキーボード ショートカットをサポートしています。このリファレンスガイドでは、W&B App と W&B LEET (Lightweight Experiment Exploration Tool) ターミナル UI 向けのキーボード ショートカットについて説明します。
-
+
+ これらのキーボード ショートカットは W&B App で使用できます。
-これらのキーボードショートカットは W&B App 内で機能します。
+ ## Workspace Management
-## Workspace Management
+ | Shortcut | Description |
+ | ---------------------------------------------------- | -------------------------------- |
+ | **Cmd+Z** (macOS) / **Ctrl+Z** (Windows/Linux) | ワークスペースやパネルなど、UI 上で行った変更を取り消します。 |
+ | **Cmd+Shift+Z** (macOS) / **Ctrl+Y** (Windows/Linux) | ワークスペースで取り消した変更をやり直します。 |
-| ショートカット | 説明 |
-|----------|-------------|
-| **Cmd+Z** (macOS) / **Ctrl+Z** (Windows/Linux) | Workspace やパネルの変更など、 UI で行った操作を元に戻します。 |
-| **Cmd+Shift+Z** (macOS) / **Ctrl+Y** (Windows/Linux) | Workspace で元に戻した操作をやり直します。 |
+ ## Navigation
-## Navigation
+ | Shortcut | Description |
+ | ---------------------------------------------- | ------------------------------------------------------------------------------------------------ |
+ | **Tab** | インタラクティブ要素間を移動します。 |
+ | **Cmd+J** (macOS) / **Ctrl+J** (Windows/Linux) | プロジェクト サイドバー内で Workspaces タブと Runs タブを切り替えます。 |
+ | **Cmd+.** (macOS) / **Ctrl+.** (Windows/Linux) | 画面スペースを確保するために、Runs セレクター サイドバーを最小化または元に戻します。 |
+ | **Cmd+K** (macOS) / **Ctrl+K** (Windows/Linux) | プロジェクト、run、その他のリソース全体を検索するためのクイック検索ダイアログを開きます。 |
+ | **Esc** | W&B App 全体で、パネルのフルスクリーン ビューを終了したり、設定ドロワーを閉じたり、クイック検索ダイアログを閉じたり、エディタを閉じたり、その他のオーバーレイを閉じたりします。 |
-| ショートカット | 説明 |
-|----------|-------------|
-| **Tab** | インタラクティブな要素間を移動します。 |
-| **Cmd+J** (macOS) / **Ctrl+J** (Windows/Linux) | サイドバーの Workspaces タブと Runs タブを切り替えます。 |
-| **Cmd+K** (macOS) / **Ctrl+K** (Windows/Linux) | クイック検索ダイアログを開き、 Projects 、 Runs 、その他のリソースを検索します。 |
-| **Esc** | W&B App 全体で、パネルのフルスクリーン表示の終了、設定ドロワーの閉じる、クイック検索ダイアログの破棄、エディタの終了、またはその他のオーバーレイの破棄を行います。 |
+ ## Panel Navigation
-## Panel Navigation
+ | Shortcut | Description |
+ | -------------------------------------------------------------------------------------------------------- | ----------------------------------------------- |
+ | **Left Arrow / Right Arrow** | フルスクリーン モード時に、セクション内のパネル間を順番に移動します。 |
+ | **Esc** | パネルのフルスクリーン ビューを終了し、ワークスペースに戻ります。 |
+ | **Cmd+Left Arrow / Cmd+Right Arrow** (macOS)
-- ほとんどのキーボードショートカットは、 macOS では **Cmd** 、 Windows/Linux では **Ctrl** を使用します。
-- W&B App は、一部のブラウザのデフォルトショートカットに対してカスタムハンドリングを実装しています。
-- 一部のショートカットはコンテキスト依存であり、アプリケーションの特定の領域でのみ機能します。
+
+ これらのキーボード ショートカットは W&B LEET (Lightweight Experiment Exploration Tool) ターミナル UI で使用できます。LEET を起動するには、ターミナルで `wandb beta leet` を実行します。詳細については、[`wandb beta leet`](/ja/models/ref/cli/wandb-beta/wandb-beta-leet/) を参照してください。
-
-
-
-これらのキーボードショートカットは W&B LEET (Lightweight Experiment Exploration Tool) ターミナル UI で機能します。 LEET を起動するには、ターミナルで `wandb beta leet` を実行してください。詳細については、 [`wandb beta leet`](/models/ref/cli/wandb-beta/wandb-beta-leet/) を参照してください。
-
-
-
\ No newline at end of file
+
+
diff --git a/ja/models/artifacts.mdx b/ja/models/artifacts.mdx
index b2c436febd..4cead8d4e1 100644
--- a/ja/models/artifacts.mdx
+++ b/ja/models/artifacts.mdx
@@ -1,87 +1,99 @@
---
+description: W&B Artifacts の概要、その仕組み、および導入方法。
title: Artifacts の概要
-description: W&B Artifacts の概要、その仕組み、および使用の 開始方法 について説明します。
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
-import { TryProductLink } from '/snippets/en/_includes/try-product-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+import { TryProductLink } from '/snippets/ja/_includes/try-product-link.mdx';
-
-W&B Artifacts を使用して、 [W&B Runs](/models/runs/) の入力および出力となるデータの追跡とバージョン管理を行います。例えば、モデルトレーニングの run では、データセットを入力として受け取り、トレーニング済みモデルを出力として生成します。ハイパーパラメーター、メタデータ、メトリクスを run にログ記録できるほか、 Artifacts を使用して、モデルのトレーニングに使用したデータセットを入力としてログ、追跡、バージョン管理し、別の Artifacts を出力としてのモデルチェックポイントに使用できます。
+W&B Artifacts を使用して、[W&B Runs](/ja/models/runs) の入力および出力としてデータを追跡し、バージョン管理します。例えば、モデルのトレーニング run は、入力としてデータセットを受け取り、出力として学習済みモデルを生成します。ハイパーパラメーター、メタデータ、メトリクスを run にログし、さらに Artifacts を使用して、モデルのトレーニングに使用した入力側のデータセットをログ・追跡・バージョン管理し、出力側には得られたモデルのチェックポイント用に別の Artifacts を使用できます。
-## ユースケース
-ML ワークフロー全体を通して、 [runs](/models/runs/) の入力および出力として Artifacts を使用できます。データセット、モデル、あるいは他の Artifacts をプロセッシングの入力として使用することが可能です。
+
+ ## ユースケース
+
+
+Artifacts は、[runs](/ja/models/runs) の入出力として、ML ワークフロー全体で利用できます。データセットやモデル、さらには別の Artifacts を処理の入力として使用できます。
-以下のコードスニペットは、順番に実行することを想定しています。
+ 以下のコードスニペットは、順番に実行することを前提としています。
-## Artifacts を作成する
+
+ ## Artifacts を作成する
+
+
+4 行のコードで Artifacts を作成します。
-4 行のコードで Artifacts を作成できます。
-1. [W&B run](/models/runs/) を作成します。
-2. [`wandb.Artifact`](/models/ref/python/experiments/artifact) で Artifacts オブジェクトを作成します。
-3. `wandb.Artifact.add_file()` を使用して、モデルファイルやデータセットなどの 1 つ以上のファイルを Artifacts オブジェクトに追加します。
-4. `wandb.Run.log_artifact()` を使用して、Artifacts を W&B にログ記録します。
+1. [W&B run](/ja/models/runs) を作成します。
+2. [`wandb.Artifact`](/ja/models/ref/python/experiments/artifact) で Artifacts オブジェクトを作成します。
+3. `wandb.Artifact.add_file()` で、モデルファイルやデータセットなど 1 つ以上のファイルを Artifacts オブジェクトに追加します。
+4. `wandb.Run.log_artifact()` で、 Artifacts を W&B にログします。
-例えば、以下のコードスニペットは、 `dataset.h5` という名前のファイルを `example_artifact` という名前の Artifacts にログ記録する方法を示しています。
+たとえば、次のコードスニペットは、`dataset.h5` というファイルを `example_artifact` という Artifacts にログする方法を示しています。
```python
import wandb
-# プロジェクトを作成し、データセットを追加するジョブタイプを指定して run を初期化
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
artifact = wandb.Artifact(name="example_artifact", type="dataset")
artifact.add_file(local_path="./dataset.h5", name="training_dataset")
run.log_artifact(artifact)
```
-- Artifacts の `type` は、W&B プラットフォーム上での表示方法に影響します。 `type` を指定しない場合、デフォルトで `unspecified` になります。
-- ドロップダウンの各ラベルは、異なる `type` パラメータ値を表します。上記のコードスニペットでは、 Artifacts の `type` は `dataset` です。
+* Artifacts の `type` は、W&B プラットフォーム上での表示され方に影響します。`type` を指定しない場合は、デフォルトで `unspecified` になります。
+* ドロップダウンの各ラベルは、それぞれ異なる `type` パラメーター値に対応しています。上記のコードスニペットでは、その Artifacts の `type` は `dataset` です。
-Amazon S3 バケットなどの外部オブジェクトストレージに保存されているファイルやディレクトリーへの参照を追加する方法については、 [外部ファイルの追跡](/models/artifacts/track-external-files/) ページを参照してください。
+ Amazon S3 バケットのような外部オブジェクトストレージに保存されたファイルやディレクトリへの参照を追加する方法については、[track external files](/ja/models/artifacts/track-external-files) のページを参照してください。
-## Artifacts をダウンロードする
-[`wandb.Run.use_artifact()`](/models/ref/python/experiments/run#use_artifact) メソッドを使用して、 run の入力としてマークしたい Artifacts を指定します。
+
+ ## Artifacts をダウンロードする
+
-前のコードスニペットの続きとして、以下のコード例は、先ほど作成した `example_artifact` という名前の Artifacts を使用する方法を示しています。
+[`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run#use_artifact) メソッドを使用して、run の入力として指定したい Artifacts を選択します。
+
+前のコードスニペットの続きとして、次のコード例では、先ほど作成した `example_artifact` という Artifacts を使用する方法を示します。
```python
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
- # "training_dataset" Artifacts を使用する run オブジェクトを返します
- artifact = run.use_artifact("training_dataset:latest")
+ artifact = run.use_artifact("training_dataset:latest") # "my_data" Artifacts を使用する run オブジェクトを返す
```
-これにより、 Artifacts オブジェクトが返されます。
-次に、返されたオブジェクトを使用して Artifacts の全コンテンツをダウンロードします。
+これは Artifacts オブジェクトを返します。
+
+次に、この戻り値のオブジェクトを使って、 Artifacts の全コンテンツをダウンロードします。
```python
-# デフォルトのディレクトリーに `my_data` Artifacts 全体をダウンロードします
-datadir = artifact.download()
+datadir = artifact.download() # `my_data` Artifacts 全体をデフォルトディレクトリにダウンロードします。
```
-`root` [パラメータ](/models/ref/python/experiments/artifact) にカスタムパスを渡すことで、特定のディレクトリーに Artifacts をダウンロードできます。 Artifacts をダウンロードするその他の方法や追加のパラメータについては、 [Artifacts のダウンロードと使用](/models/artifacts/download-and-use-an-artifact/) ガイドを参照してください。
+ `root` [パラメーター](/ja/models/ref/python/experiments/artifact) に任意のパスを渡して、 Artifacts を特定のディレクトリにダウンロードできます。 Artifacts をダウンロードする別の方法や、利用可能な追加パラメーターについては、[Artifacts をダウンロードして利用する](/ja/models/artifacts/download-and-use-an-artifact) ガイドを参照してください。
-## 次のステップ
-* Artifacts の [バージョン管理](/models/artifacts/create-a-new-artifact-version/) と [更新](/models/artifacts/update-an-artifact/) 方法について学びます。
-* [オートメーション](/models/automations/) を使用して、 Artifacts の変更に応じてダウンストリームのワークフローをトリガーしたり、 Slack チャンネルに通知したりする方法を学びます。
-* トレーニング済みモデルを収容するスペースである [registry](/models/registry/) について学びます。
-* [Python SDK](/models/ref/python/experiments/artifact) および [CLI](/models/ref/cli/wandb-artifact/) のリファレンスガイドを確認します。
\ No newline at end of file
+
+ ## 次のステップ
+
+
+* Artifacts を [バージョン管理](/ja/models/artifacts/create-a-new-artifact-version) および [更新](/ja/models/artifacts/update-an-artifact) する方法を学びましょう。
+* [automations](/ja/models/automations) を使って、 Artifacts の変更に応じて下流のワークフローをトリガーしたり、Slack チャンネルに通知したりする方法を学びましょう。
+* 学習済みモデルを保存するスペースである [レジストリ](/ja/models/registry) について学びましょう。
+* [Python SDK](/ja/models/ref/python/experiments/artifact) と [CLI](/ja/models/ref/cli/wandb-artifact) のリファレンスガイドを参照しましょう。
\ No newline at end of file
diff --git a/ja/models/artifacts/artifacts-walkthrough.mdx b/ja/models/artifacts/artifacts-walkthrough.mdx
index bbdf1977bd..b72658c3ba 100644
--- a/ja/models/artifacts/artifacts-walkthrough.mdx
+++ b/ja/models/artifacts/artifacts-walkthrough.mdx
@@ -1,13 +1,16 @@
---
-title: チュートリアル： Dataset アーティファクトの作成、トラッキング、および使用
-description: W&B で Dataset アーティファクトを作成、追跡、使用します。
+description:
+ W&B で データセット Artifacts を作成・追跡・利用します。
+title: "チュートリアル: データセット Artifacts を作成・追跡・利用する"
---
-このチュートリアルでは、データセットの Artifacts を作成、追跡、および使用する方法について説明します。
+このチュートリアルでは、データセット Artifacts の作成・追跡・利用方法を説明します。
-## 1. W&B にログインする
+
+ ## 1. W&B にログイン
+
-W&B ライブラリをインポートし、W&B にログインします。まだアカウントをお持ちでない場合は、無料の W&B アカウントに登録する必要があります。
+W&B ライブラリをインポートして、W&B にログインします。まだ W&B アカウントをお持ちでない場合は、無料のアカウントを作成する必要があります。
```python
import wandb
@@ -15,55 +18,60 @@ import wandb
wandb.login()
```
-## 2. run を初期化する
+
+ ## 2. run を初期化する
+
-[`wandb.init()`](/models/ref/python/functions/init) を使用して run を初期化します。これにより、データを同期してログに記録するためのバックグラウンドプロセスが生成されます。プロジェクト名とジョブタイプを指定します。
+[`wandb.init()`](/ja/models/ref/python/functions/init) を使用して run を初期化します。これにより、データの同期と記録を行うバックグラウンドプロセスが生成されます。プロジェクト名とジョブタイプを指定してください。
```python
-# W&B Run を作成します。この例ではデータセットの Artifacts を作成する方法を
-# 示すため、job_type に 'dataset' を指定します。
+# W&B の run を作成します。この例ではデータセット Artifacts の作成方法を示すため、ジョブタイプに 'dataset' を指定しています。
with wandb.init(project="artifacts-example", job_type="upload-dataset") as run:
- # ここにコードを記述します
+ # ここにコードを記述
```
-## 3. Artifact オブジェクトを作成する
+
+ ## 3. Artifacts オブジェクトを作成する
+
-[`wandb.Artifact()`](/models/ref/python/experiments/artifact) を使用して Artifact オブジェクトを作成します。`name` パラメータにアーティファクトの名前を、`type` パラメータにファイルタイプの説明をそれぞれ指定します。
+[`wandb.Artifact()`](/ja/models/ref/python/experiments/artifact) を使って Artifacts オブジェクトを作成します。`name` と `type` パラメーターには、それぞれ Artifacts の名前とファイル形式の説明を指定します。
-例えば、次のコードスニペットは、`‘bicycle-dataset’` という名前で `‘dataset’` というラベル（タイプ）を持つアーティファクトを作成する方法を示しています。
+たとえば、次のコードスニペットは、`bicycle-dataset` という名前で `dataset` ラベルを付けた Artifacts を作成する方法を示しています。
```python
artifact = wandb.Artifact(name="bicycle-dataset", type="dataset")
```
-アーティファクトの構築方法に関する詳細は、[Artifacts の構築](./construct-an-artifact) を参照してください。
+Artifacts の作成方法の詳細については、[Construct artifacts](./construct-an-artifact) を参照してください。
-## 4. アーティファクトにデータセットを追加する
+
+ ## 4. Artifacts にデータセットを追加する
+
-アーティファクトにファイルを追加します。一般的なファイルタイプには、Models や Datasets が含まれます。次の例では、マシンにローカルに保存されている `dataset.h5` という名前のデータセットをアーティファクトに追加しています。
+Artifacts にファイルを追加します。代表的なファイルには モデル や データセット などがあります。次の例では、ローカル マシンに保存されている `dataset.h5` という名前のデータセットを Artifacts に追加します。
```python
-# アーティファクトのコンテンツにファイルを追加します
+# Artifacts のコンテンツにファイルを追加する
artifact.add_file(local_path="dataset.h5")
```
-上記のコードスニペットのファイル名 `dataset.h5` を、アーティファクトに追加したいファイルへのパスに置き換えてください。
+前のコードスニペット内のファイル名 `dataset.h5` を、 Artifacts に追加したいファイルのパスに置き換えてください。
+
+ ## 5. データセットをログに記録する
+
-## 5. データセットをログに記録する
-
-W&B の run オブジェクトの `wandb.Run.log_artifact()` メソッドを使用して、アーティファクトのバージョンを保存し、そのアーティファクトを [run の出力](/models/artifacts/explore-and-traverse-an-artifact-graph) として宣言します。
+W&B run オブジェクトの `wandb.Run.log_artifact()` メソッドを使用して、 Artifacts のバージョンを保存すると同時に、その Artifacts を[run の出力](/ja/models/artifacts/explore-and-traverse-an-artifact-graph)として宣言します。
```python
-# アーティファクトのバージョンを W&B に保存し、
-# この run の出力としてマークします
+# Artifacts のバージョンを W&B に保存し、この run の
+# 出力としてマークする
run.log_artifact(artifact)
```
-アーティファクトをログに記録すると、デフォルトで `'latest'` [エイリアス](/models/artifacts/create-a-custom-alias) が作成されます。アーティファクトのエイリアスとバージョンに関する詳細は、それぞれ [カスタムエイリアスの作成](./create-a-custom-alias) および [新しいアーティファクトバージョンの作成](./create-a-new-artifact-version) を参照してください。
-
+Artifacts をログすると、デフォルトで `'latest'` という [alias](/ja/models/artifacts/create-a-custom-alias) が作成されます。 Artifacts のエイリアスとバージョンの詳細については、それぞれ [Create a custom alias](./create-a-custom-alias) と [Create new artifact versions](./create-a-new-artifact-version) を参照してください。
-これらをまとめると、ここまでのスクリプトは次のようになります。
+ここまでを踏まえると、これまでのスクリプトは次のようになります。
```python
import wandb
@@ -76,25 +84,26 @@ with wandb.init(project="artifacts-example", job_type="upload-dataset") as run:
run.log_artifact(artifact)
```
+
+ ## 6. Artifacts をダウンロードして使用する
+
-## 6. アーティファクトをダウンロードして使用する
-
-以下のコード例は、W&B サーバーにログを記録して保存したアーティファクトを使用するための手順を示しています。
+次のコード例では、ログして W&B サーバーに保存した Artifacts を使用するための手順を示します。
-1. まず、**`wandb.init()`** で新しい run オブジェクトを初期化します。
-2. 次に、run オブジェクトの [`wandb.Run.use_artifact()`](/models/ref/python/experiments/run#use_artifact) メソッドを使用して、使用するアーティファクトを W&B に伝えます。これによりアーティファクトオブジェクトが返されます。
-3. 第三に、アーティファクトの [`wandb.Artifact.download()`](/models/ref/python/experiments/artifact#download) メソッドを使用して、アーティファクトの内容をダウンロードします。
+1. まず、新しい run オブジェクトを **`wandb.init()`** で初期化します。
+2. 次に、run オブジェクトの [`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run#use_artifact) メソッドを使用して、どの Artifacts を使用するかを W&B に指定します。このメソッドは Artifacts オブジェクトを返します。
+3. 最後に、 Artifacts の [`wandb.Artifact.download()`](/ja/models/ref/python/experiments/artifact#download) メソッドを使用して、 Artifacts の内容をダウンロードします。
```python
-# W&B Run を作成します。ここではトレーニングの追跡にこの run を
-# 使用するため、'type' に 'training' を指定します。
+# W&B の run を作成します。ここでは 'type' に 'training' を指定します。
+# この run をトレーニングの追跡に使用するためです。
with wandb.init(project="artifacts-example", job_type="training") as run:
- # W&B にアーティファクトを照会し、この run の入力としてマークします
+ # W&B から Artifacts を取得し、この run への入力としてマークします
artifact = run.use_artifact("bicycle-dataset:latest")
- # アーティファクトのコンテンツをダウンロードします
+ # Artifacts の内容をダウンロードします
artifact_dir = artifact.download()
```
-あるいは、Public API (`wandb.Api`) を使用して、Run の外部で既に W&B に保存されているデータをエクスポート（または更新）することもできます。詳細は [外部ファイルの追跡](./track-external-files) を参照してください。
\ No newline at end of file
+別の方法として、Public API (`wandb.Api`) を使用して、run に紐づかない形で W&B にすでに保存されているデータをエクスポート（または更新）できます。詳細については、[外部ファイルの追跡](./track-external-files) を参照してください。
diff --git a/ja/models/artifacts/construct-an-artifact.mdx b/ja/models/artifacts/construct-an-artifact.mdx
index 23574bbd13..2df1737f4e 100644
--- a/ja/models/artifacts/construct-an-artifact.mdx
+++ b/ja/models/artifacts/construct-an-artifact.mdx
@@ -1,72 +1,89 @@
---
-title: アーティファクトを作成する
-description: W&B Artifact の作成とログ記録。1つまたは複数のファイル、あるいは URI 参照を Artifact に追加する方法について学びます。
+description: W&B Artifact を作成して記録します。1 つ以上のファイルや URI 参照を Artifact に追加する方法を説明します。
+title: Artifacts を作成する
---
-W&B Python SDKを使用して、 [W&B Runs](/models/ref/python/experiments/run) から Artifacts を構築します。 [ファイル、ディレクトリー、URI、および並列実行された run からのファイルを Artifacts に追加](#artifacts-へのファイルの追加) することができます。ファイルを Artifacts に追加した後、その Artifacts を W&B サーバーまたは [独自のプライベートサーバー](/platform/hosting/hosting-options/self-managed) に保存します。各 Artifacts はひとつの run に関連付けられます。
+W&B Python SDK を使用して [W&B Runs](/ja/models/ref/python/experiments/run) から Artifacts を作成します。[ファイル、ディレクトリ、URI、および並列 run からのファイルを Artifacts に追加](#add-files-to-an-artifact)できます。ファイルを Artifacts に追加したら、 Artifacts を W&B Server もしくは [独自のプライベートサーバー](/ja/platform/hosting/hosting-options/self-managed) に保存します。各 Artifacts は 1 つの run に関連付けられます。
-Amazon S3 に保存されているファイルなどの外部ファイルを追跡する方法については、 [外部ファイルの追跡](./track-external-files) ページを参照してください。
+Amazon S3 に保存されたファイルなど、外部ファイルの追跡方法については、[外部ファイルを追跡する](./track-external-files)ページを参照してください。
-## Artifacts の構築方法
+
+ ## Artifacts を構築する
+
-[W&B Artifact](/models/ref/python/experiments/artifact) は以下の3つのステップで構築します：
+3 つのステップで [W&B Artifact](/ja/models/ref/python/experiments/artifact) を作成します。
-### 1. `wandb.Artifact()` で Artifacts の Python オブジェクトを作成する
+1. [`wandb.Artifact()` を使用して Artifacts の Python オブジェクトを作成する](/ja/models/artifacts/construct-an-artifact#1-create-an-artifact-python-object-with-wandb-artifact)
+2. [1 つ以上のファイルを Artifacts に追加する](/ja/models/artifacts/construct-an-artifact#2-add-one-more-files-to-the-artifact)
+3. [Artifacts を W&B サーバーに保存する](/ja/models/artifacts/construct-an-artifact#3-save-your-artifact-to-the-w\&b-server)
-[`wandb.Artifact()`](/models/ref/python/experiments/artifact) クラスを初期化して Artifacts オブジェクトを作成します。以下のパラメータを指定してください：
+
+ ### 1. `wandb.Artifact()` を使用して artifact の Python オブジェクトを作成する
+
-* **Name**: Artifacts の名前を指定します。名前は一意で、説明的、かつ覚えやすいものである必要があります。Artifacts 名は、W&B App UI で Artifacts を特定するため、およびその Artifacts を使用したい時の両方で使われます。
-* **Type**: タイプを指定します。タイプはシンプルで説明的であり、機械学習パイプラインの単一のステップに対応している必要があります。一般的な Artifacts タイプには `'dataset'` や `'model'` が含まれます。
+Artifacts オブジェクトを作成するには、[`wandb.Artifact()`](/ja/models/ref/python/experiments/artifact) クラスを初期化します。次のパラメーターを指定してください。
+
+* **Name**: Artifacts の名前。名前は一意で、説明的で、覚えやすいものにします。
+* **Type**: Artifacts の種類。種類はシンプルかつ説明的で、機械学習パイプライン内の 1 つのステップに対応させます。一般的な Artifacts の種類には、`'dataset'` や `'model'` などがあります。
-W&B は指定された "name" と "type" を使用して、有向非巡回グラフ（DAG）を作成します。W&B App 上で Artifacts のリネージを確認できます。詳細については、 [Artifacts グラフの探索とトラバース](./explore-and-traverse-an-artifact-graph) を参照してください。
+ W&B は、指定した "name" と "type" を使用して W&B App 内に有向非巡回グラフを作成します。詳細は、[artifact グラフの探索とトラバース](./explore-and-traverse-an-artifact-graph) を参照してください。
-Artifacts は、`type` パラメータに異なるタイプを指定したとしても、同じ名前を持つことはできません。言い換えれば、`dataset` タイプの `cats` という名前の Artifacts と、`model` タイプの同名の Artifacts を作成することはできません。
+ Artifacts は、type に関係なく同じ name を持つことはできません。つまり、`dataset` タイプで `cats` という名前の Artifacts と、同じ名前で `model` タイプの別の Artifacts を作成することはできません。
-Artifacts オブジェクトを初期化する際に、オプションで説明（description）とメタデータを指定できます。利用可能な属性やパラメータの詳細については、Python SDK リファレンスガイドの [`wandb.Artifact`](/models/ref/python/experiments/artifact) クラス定義を参照してください。
+Artifacts オブジェクトを初期化する際に、任意で description と metadata を指定できます。利用可能な属性およびパラメーターの詳細は、Python SDK Reference Guide の [`wandb.Artifact`](/ja/models/ref/python/experiments/artifact) クラス定義を参照してください。
-以下のコードスニペットをコピー＆ペーストして、Artifacts オブジェクトを作成します。 `` と `` プレースホルダーを自身の値に置き換えてください。：
+次のコード スニペットをコピー＆ペーストして Artifacts オブジェクトを作成します。`` と `` のプレースホルダーを自分の値に置き換えてください。
```python
import wandb
-# Artifacts オブジェクトを作成
+# Artifacts オブジェクトを作成する
artifact = wandb.Artifact(name="", type="")
```
-### 2. Artifacts にファイルを追加する
+
+ ### 2. Artifacts にファイルをさらに 1 つ追加する
+
-ファイル、ディレクトリー、外部 URI 参照（Amazon S3 など）などを Artifacts オブジェクトに追加します。
+[ファイル、ディレクトリ、外部 URI 参照（Amazon S3 など）などを追加](/ja/models/artifacts/construct-an-artifact#add-files-to-an-artifact)して、 Artifacts オブジェクトに内容を追加できます。
-単一のファイルを追加するには、Artifacts オブジェクトの [`Artifact.add_file()`](/models/ref/python/experiments/artifact#add_file) メソッドを使用します：
+1 つのファイルだけを追加するには、 Artifacts オブジェクトの [`Artifact.add_file()`](/ja/models/ref/python/experiments/artifact#add_file) メソッドを使用します。
```python
artifact.add_file(local_path="path/to/file.txt", name="")
```
-Artifacts への異なるファイルタイプの追加に関する詳細は、次のセクション [単一ファイルの追加](/models/artifacts/construct-an-artifact#add-a-single-file) を参照してください。
-
-ディレクトリーを追加するには、 [`Artifact.add_dir()`](/models/ref/python/experiments/artifact#add_dir) メソッドを使用します：
+ディレクトリを追加するには、[`Artifact.add_dir()`](/ja/models/ref/python/experiments/artifact#add_dir) メソッドを使用します。
```python
artifact.add_dir(local_path="path/to/directory", name="")
```
-Artifacts への異なるファイルタイプの追加に関する詳細は、次のセクション [複数ファイルの追加](/models/artifacts/construct-an-artifact#add-multiple-files) を参照してください。
+異なるファイル形式を Artifacts に追加する方法の詳細については、次のセクション「[Artifacts にファイルを追加する](/ja/models/artifacts/construct-an-artifact#add-files-to-an-artifact)」を参照してください。
-### 3. Artifacts を W&B サーバーに保存する
+
+ ### 3. Artifacts を W&B サーバーに保存する
+
-最後に、Artifacts を W&B サーバーに保存します。 run オブジェクトの [`wandb.Run.log_artifact()`](/models/ref/python/experiments/run#log_artifact) メソッドを使用して Artifacts を保存します。
+Artifacts を W&B サーバーに保存します。run オブジェクトの [`wandb.Run.log_artifact()`](/ja/models/ref/python/experiments/run#log_artifact) メソッドを使って保存します。
```python
with wandb.init(project="", job_type="") as run:
run.log_artifact(artifact)
```
-これらをまとめると、以下のコードスニペットは、データセットの Artifacts を作成し、ファイルを追加して、W&B に保存する方法を示しています：
+
+ **`wandb.Run.log_artifact()` または `Artifact.save()` を使うタイミング**
+
+ * `wandb.Run.log_artifact()` は、新しい Artifacts を作成して特定の run に関連付けるときに使用します。
+ * `Artifact.save()` は、新しい run を作成せずに既存の Artifacts を更新するときに使用します。
+
+
+これらを組み合わせると、次のコードスニペットは、データセット Artifacts を作成し、ファイルをその Artifacts に追加し、その Artifacts を W&B に保存する方法を示します。
```python
import wandb
@@ -79,141 +96,160 @@ with wandb.init(project="", job_type="") as run:
run.log_artifact(artifact)
```
-
-**`Artifact.save()` と `wandb.Run.log_artifact()` の使い分け**
-
-- `Artifact.save()` は、新しい run を作成せずに既存の Artifacts を更新する場合に使用します。
-- `wandb.Run.log_artifact()` は、新しい Artifacts を作成し、それを特定の run に関連付ける場合に使用します。
-
+同じ名前とタイプの Artifacts をログに記録するたびに、W&B はその Artifacts の新しいバージョンを作成します。詳細は [Create a new artifact version](/ja/models/artifacts/create-a-new-artifact-version) を参照してください。
-`log_artifact` の呼び出しは、アップロードのパフォーマンス向上のため非同期で行われます。これにより、ループ内で Artifacts をログに記録する場合に予期しない振る舞いが発生することがあります。例えば：
-
-```python
-for i in range(10):
- a = wandb.Artifact(
- "race",
- type="dataset",
- metadata={
- "index": i,
- },
- )
- # ... artifact a にファイルを追加 ...
- run.log_artifact(a)
-```
-
-Artifacts は任意の順序でログに記録される可能性があるため、Artifacts バージョン **v0** のメタデータ内の index が 0 であることは保証されません。
+ W&B はアップロード性能を高めるために、`wandb.Run.log_artifact()` を非同期で呼び出します。このため、ループ内で Artifacts をログに記録する場合に予期しない挙動が発生することがあります。例えば、次のようなコードです。
+
+ ```python
+ with wandb.init() as run:
+ for i in range(10):
+ a = wandb.Artifact(name = "race",
+ type="dataset",
+ metadata={
+ "index": i,
+ },
+ )
+ # ... Artifacts a にファイルを追加する ...
+ run.log_artifact(a)
+ ```
+
+ Artifacts バージョン **v0** のメタデータの index が 0 になるとは限りません。 Artifacts は任意の順序でログに記録される可能性があるためです。
-## Artifacts へのファイルの追加
+
+ ## Artifacts にファイルを追加する
+
-以下のセクションでは、さまざまなファイルタイプを使用して、または並列 run から Artifacts を構築する方法を説明します。
-
-以下の例では、複数のファイルとディレクトリー構造を持つプロジェクトディレクトリーがあることを想定しています。
+以下のセクションでは、さまざまな種類のオブジェクトを Artifacts に追加する方法を説明します。以下の例を読み進めるにあたっては、次の構造を持つディレクトリがあると仮定してください。
```
-project-directory
-|-- images
-| |-- cat.png
-| +-- dog.png
-|-- checkpoints
-| +-- model.h5
-+-- model.h5
+root-directory
+| - hello.txt
+| - images/
+| -- | cat.png
+| -- | dog.png
+| - checkpoints/
+| -- | model.h5
+| - models/
+| -- | model.h5
```
-### 単一ファイルの追加
+
+ ### 単一ファイルを追加する
+
-以下のコードスニペットは、単一のローカルファイルを Artifacts に追加する方法を示しています：
+[`wandb.Artifact.add_file()`](/ja/models/ref/python/experiments/artifact#method-artifact-add-file) を使用して、ローカルファイルを 1 つ Artifacts に追加します。`local_path` 引数にファイルのローカルパスを指定します。
```python
-# 単一のファイルを追加
+import wandb
+
+# Artifacts オブジェクトを初期化する
+artifact = wandb.Artifact(name="", type="")
+
+# 単一ファイルを追加する
artifact.add_file(local_path="path/file.format")
```
-例えば、ローカルのワーキングディレクトリーに `'file.txt'` というファイルがあるとします。
+たとえば、作業用のローカルディレクトリに `'hello.txt'` というファイルがあるとします。
```python
-artifact.add_file("path/file.txt") # `file.txt` として追加
+artifact.add_file("hello.txt")
```
-Artifacts の内容は以下のようになります：
+Artifacts には現在、次の内容が含まれるようになりました。
```
-file.txt
+hello.txt
```
-オプションで、 `name` パラメータを使用して Artifacts 内の希望するパスを指定できます。
+必要に応じて、`name` パラメーターに別の名前を渡すことで、 Artifacts オブジェクト内でのファイル名を変更できます。先ほどの例を続けると、次のようになります：
```python
-artifact.add_file(local_path="path/file.format", name="new/path/file.format")
+artifact.add_file(
+ local_path="hello.txt",
+ name="new/path/hello_world.txt"
+ )
```
-Artifacts は次のように保存されます：
+Artifacts は次の形式で保存されます。
```
-new/path/file.txt
+new/path/hello_world.txt
```
-| API 呼び出し | 結果の Artifacts |
-| :--- | :--- |
-| `artifact.add_file('model.h5')` | model.h5 |
-| `artifact.add_file('checkpoints/model.h5')` | model.h5 |
-| `artifact.add_file('model.h5', name='models/mymodel.h5')` | models/mymodel.h5 |
+次の表は、異なる API 呼び出しによって Artifacts の内容がどのように変わるかを示しています。
-### 複数ファイルの追加
+| API Call | 生成される Artifacts の内容 |
+| --------------------------------------------------------- | ------------------- |
+| `artifact.new_file('hello.txt')` | `hello.txt` |
+| `artifact.add_file('model.h5')` | `model.h5` |
+| `artifact.add_file('checkpoints/model.h5')` | `model.h5` |
+| `artifact.add_file('model.h5', name='models/mymodel.h5')` | `models/mymodel.h5` |
-以下のコードスニペットは、ローカルのディレクトリー全体を Artifacts に追加する方法を示しています：
+
+ ### 複数のファイルを追加する
+
+
+[`wandb.Artifact.add_dir()`](/ja/models/ref/python/experiments/artifact#method-artifact-add-dir) メソッドを使用して、ローカルディレクトリ内の複数のファイルを Artifacts に追加します。`local_path` パラメーターとしてディレクトリへのローカルパスを指定します。
```python
-# ディレクトリーを再帰的に追加
+import wandb
+
+# Artifacts オブジェクトを初期化する
+artifact = wandb.Artifact(name="", type="")
+
+# ローカルディレクトリを Artifacts に追加する
artifact.add_dir(local_path="path/file.format", name="optional-prefix")
```
-上記の API 呼び出しにより、以下の Artifacts コンテンツが生成されます：
+次のテーブルは、API 呼び出しごとに生成される Artifacts の内容の違いを示しています:
-| API 呼び出し | 結果の Artifacts |
-| :--- | :--- |
-| `artifact.add_dir('images')` | cat.png
dog.png
|
+| API Call | 生成される Artifacts |
+| ------------------------------------------- | -------------------------------------------------------------------- |
+| `artifact.add_dir('images')` | cat.png
dog.png
|
| `artifact.add_dir('images', name='images')` | images/cat.png
images/dog.png
|
-| `artifact.new_file('hello.txt')` | `hello.txt` |
-### URI 参照の追加
+
+ ### URI 参照を追加する
+
-W&B ライブラリが処理可能なスキームを持つ URI の場合、Artifacts は再現性のためにチェックサムやその他の情報を追跡します。
+URI が W&B ライブラリで扱えるスキームを持っている場合、 Artifacts は再現性のためにチェックサムなどの情報を追跡します。
-[`add_reference`](/models/ref/python/experiments/artifact#add_reference) メソッドを使用して、外部 URI 参照を Artifacts に追加します。 `'uri'` 文字列を自身の URI に置き換えてください。オプションで、 `name` パラメータに Artifacts 内の希望するパスを指定できます。
+[`wandb.Artifact.add_reference()`](/ja/models/ref/python/experiments/artifact#method-artifact-add-reference) メソッドを使って、外部 URI 参照を Artifacts に追加します。`'uri'` という文字列を自身の URI に置き換えてください。必要に応じて、name パラメーターに Artifacts 内でのパスを指定できます。
```python
-# URI 参照を追加
+# URI 参照を追加する
artifact.add_reference(uri="uri", name="optional-name")
```
-Artifacts は現在、以下の URI スキームをサポートしています：
+Artifacts は現在、次の URI スキームをサポートしています:
-* `http(s)://`: HTTP 経由でアクセス可能なファイルへのパス。HTTP サーバーが `ETag` および `Content-Length` レスポンスヘッダーをサポートしている場合、Artifacts は etag 形式のチェックサムとサイズメタデータを追跡します。
-* `s3://`: S3 内のオブジェクトまたはオブジェクトプレフィックスへのパス。Artifacts は、参照されたオブジェクトのチェックサムと（バケットでオブジェクトのバージョン管理が有効な場合は）バージョン情報を追跡します。オブジェクトプレフィックスは、そのプレフィックス下のオブジェクト（最大10,000オブジェクトまで）を含むように拡張されます。
-* `gs://`: GCS 内のオブジェクトまたはオブジェクトプレフィックスへのパス。Artifacts は、参照されたオブジェクトのチェックサムと（バケットでオブジェクトのバージョン管理が有効な場合は）バージョン情報を追跡します。オブジェクトプレフィックスは、そのプレフィックス下のオブジェクト（最大10,000オブジェクトまで）を含むように拡張されます。
+* `http(s)://`: HTTP 経由でアクセス可能なファイルへのパス。HTTP サーバーが `ETag` および `Content-Length` レスポンスヘッダーをサポートしている場合、 Artifacts は ETag 値とサイズのメタデータという形でチェックサムを追跡します。
+* `s3://`: S3 内のオブジェクトまたはオブジェクトプレフィックスへのパス。 Artifacts は、参照されたオブジェクトについて、チェックサムとバージョニング情報（バケットでオブジェクトバージョニングが有効な場合）を追跡します。オブジェクトプレフィックスは、そのプレフィックス配下のオブジェクトを最大 10,000 個まで展開して含めます。
+* `gs://`: GCS 内のオブジェクトまたはオブジェクトプレフィックスへのパス。 Artifacts は、参照されたオブジェクトについて、チェックサムとバージョニング情報（バケットでオブジェクトバージョニングが有効な場合）を追跡します。オブジェクトプレフィックスは、そのプレフィックス配下のオブジェクトを最大 10,000 個まで展開して含めます。
-上記の API 呼び出しにより、以下の Artifacts が生成されます：
+次の表は、異なる API 呼び出しがどのように異なる Artifacts 内容を生成するかを示しています:
-| API 呼び出し | 結果の Artifacts コンテンツ |
-| :--- | :--- |
-| `artifact.add_reference('s3://my-bucket/model.h5')` | `model.h5` |
-| `artifact.add_reference('s3://my-bucket/checkpoints/model.h5')` | `model.h5` |
-| `artifact.add_reference('s3://my-bucket/model.h5', name='models/mymodel.h5')` | `models/mymodel.h5` |
-| `artifact.add_reference('s3://my-bucket/images')` | cat.png
dog.png
|
-| `artifact.add_reference('s3://my-bucket/images', name='images')` | images/cat.png
images/dog.png
|
+| API call | 生成される Artifacts の内容 |
+| ----------------------------------------------------------------------------- | -------------------------------------------------------------------- |
+| `artifact.add_reference('s3://my-bucket/model.h5')` | `model.h5` |
+| `artifact.add_reference('s3://my-bucket/checkpoints/model.h5')` | `model.h5` |
+| `artifact.add_reference('s3://my-bucket/model.h5', name='models/mymodel.h5')` | `models/mymodel.h5` |
+| `artifact.add_reference('s3://my-bucket/images')` | cat.png
dog.png
|
+| `artifact.add_reference('s3://my-bucket/images', name='images')` | images/cat.png
images/dog.png
|
-### 並列 run から Artifacts へファイルを追加する
+
+ ### 並列 run から Artifacts にファイルを追加する
+
-大規模なデータセットや分散トレーニングでは、複数の並列 run が単一の Artifacts に寄与する必要がある場合があります。
+大規模なデータセットや分散トレーニングでは、複数の並列 run から 1 つの Artifacts にファイルを追加する必要が生じることがあります。
```python
import wandb
import time
-# デモ目的で、run を並列に起動するために ray を使用します。
-# 並列 run のオーケストレーションは任意の方法で行えます。
+# この例では、デモンストレーション目的で Ray を使用して並列に run します。
import ray
ray.init()
@@ -224,7 +260,7 @@ table_name = "distributed_table"
parts_path = "parts"
num_parallel = 5
-# 並列ライターの各バッチには、それぞれ一意の
+# 並列ライターの各バッチには、固有の
# グループ名が必要です。
group_name = "writer-group-{}".format(round(time.time()))
@@ -232,45 +268,47 @@ group_name = "writer-group-{}".format(round(time.time()))
@ray.remote
def train(i):
"""
- ライター・ジョブ。各ライターは Artifacts に1つの画像を追加します。
+ ライタージョブ。各ライターは Artifacts に画像を1つ追加します。
"""
with wandb.init(group=group_name) as run:
artifact = wandb.Artifact(name=artifact_name, type=artifact_type)
- # W&B テーブルにデータを追加。この例ではサンプルデータを使用
+ # wandb テーブルにデータを追加します。
table = wandb.Table(columns=["a", "b", "c"], data=[[i, i * 2, 2**i]])
- # Artifacts 内のフォルダーにテーブルを追加
+ # Artifacts 内のフォルダーにテーブルを追加します。
artifact.add(table, "{}/table_{}".format(parts_path, i))
- # Artifacts の upsert は、Artifacts へのデータの作成または追加を行います
+ # Artifacts をアップサートすると、 Artifacts へのデータの作成または追加が行われます。
run.upsert_artifact(artifact)
-# run を並列に起動
+# run を並列に起動します。
result_ids = [train.remote(i) for i in range(num_parallel)]
-# 全てのライターが終了し、ファイルが追加されたことを
-# 確認してから Artifacts を完成させます。
+# Artifacts を完了する前に、すべてのライターの
+# ファイルが追加済みであることを確認するために待機します。
ray.get(result_ids)
-# 全てのライターが終了したら、Artifacts を完成させて
-# 準備完了の状態にします。
+# すべてのライターが完了したら、 Artifacts を完了して
+# 使用可能な状態としてマークします。
with wandb.init(group=group_name) as run:
artifact = wandb.Artifact(artifact_name, type=artifact_type)
- # テーブルのフォルダーを指す "PartitionTable" を作成し
+ # テーブルのフォルダーを指す "PartitionTable" を作成し、
# Artifacts に追加します。
artifact.add(wandb.data_types.PartitionedTable(parts_path), table_name)
- # Finish artifact は Artifacts を確定させ、このバージョンへの
- # 今後の "upserts" を禁止します。
+ # finish_artifact は Artifacts を確定し、このバージョンへの
+ # 以降の "upsert" を禁止します。
run.finish_artifact(artifact)
```
-## ログに記録された Artifacts やその他のメタデータのパスを確認する
+
+ ## ログされた Artifacts やその他のメタデータのパスを確認する
+
-以下のコードスニペットは、 [W&B Public API](/models/ref/python/public-api/) を使用して、ファイル名や URL を含む run 内のファイルをリスト化する方法を示しています。 `` プレースホルダーを自身の値に置き換えてください：
+次のコードスニペットは、[W&B Public API](/ja/models/ref/python/public-api/) を使用して run 内のファイルを一覧表示し、それぞれの名前と URL を取得する方法を示しています。`` プレースホルダーはご自身の値に置き換えてください。
```python
from wandb.apis.public.files import Files
@@ -279,14 +317,14 @@ from wandb.apis.public.api import Api
# run オブジェクトの例
run = Api().run("")
-# run 内のファイルを反復処理するための Files オブジェクトを作成
+# run 内のファイルを反復処理するための Files オブジェクトを作成する
files = Files(api.client, run)
-# ファイルを反復処理
+# ファイルを反復処理する
for file in files:
print(f"File Name: {file.name}")
print(f"File URL: {file.url}")
print(f"Path to file in the bucket: {file.direct_url}")
```
-利用可能な属性やメソッドの詳細については、 [File](/models/ref/python/public-api/file) クラスを参照してください。
\ No newline at end of file
+利用可能な属性やメソッドの詳細については、[File](/ja/models/ref/python/public-api/file) クラスを参照してください。
diff --git a/ja/models/artifacts/create-a-custom-alias.mdx b/ja/models/artifacts/create-a-custom-alias.mdx
index cb3e5ea15a..ada385527c 100644
--- a/ja/models/artifacts/create-a-custom-alias.mdx
+++ b/ja/models/artifacts/create-a-custom-alias.mdx
@@ -1,29 +1,27 @@
---
-title: Artifact のエイリアスを作成する
-description: W&B Artifacts に対してカスタム エイリアス を作成します。
+description: W&B Artifacts のカスタムエイリアスを作成します。
+title: Artifacts のエイリアスを作成する
---
-エイリアスは、特定のバージョンを指し示すポインタとして使用します。デフォルトでは、 `wandb.Run.log_artifact()` はログに記録されたバージョンに `latest` エイリアスを追加します。
+エイリアスは特定のバージョンを指すポインターとして使用します。デフォルトでは、`wandb.Run.log_artifact()` は記録されたバージョンに `latest` エイリアスを追加します。
-初めて Artifact をログに記録すると、W&B は Artifact バージョン `v0` を作成して紐付けます。同じ Artifact に対して再度ログを記録すると、W&B はコンテンツのチェックサムを確認します。Artifact が変更されている場合、W&B は新しいバージョン `v1` を保存します。
+W&B は、 Artifacts を最初にログするときに Artifacts バージョン `v0` を作成し、その Artifacts に紐づけます。W&B は同じ Artifacts に対して再度ログするときに、その内容のチェックサムを計算します。 Artifacts が変更されていれば、W&B は新しいバージョン `v1` を保存します。
-例えば、トレーニングスクリプトでデータセットの最新バージョンを取得したい場合は、その Artifact を使用する際に `latest` を指定します。以下のコード例は、 `latest` エイリアスを持つ `bike-dataset` という名前の最新のデータセット Artifact をダウンロードする方法を示しています。
+たとえば、トレーニングスクリプトで最新バージョンのデータセットを取得したい場合は、その Artifacts を使用するときに `latest` を指定します。次のコード例は、`latest` というエイリアスを持つ `bike-dataset` という名前の最新のデータセット Artifacts をダウンロードする方法を示しています。
```python
import wandb
with wandb.init(project="") as run:
- # "bike-dataset:latest" という名前の Artifact を使用
artifact = run.use_artifact("bike-dataset:latest")
artifact.download()
```
-また、 Artifact バージョンにカスタムエイリアスを適用することもできます。例えば、あるモデルのチェックポイントがメトリクス AP-50 で最高値であったことをマークしたい場合、モデルの Artifact をログに記録する際に `'best-ap50'` という文字列をエイリアスとして追加できます。
+Artifacts バージョンにカスタム エイリアスを適用することもできます。たとえば、あるモデルのチェックポイントがメトリクス AP-50 で最高であることを示したい場合、モデル Artifacts をログするときに、エイリアスとして文字列 `'best-ap50'` を追加できます。
```python
with wandb.init(project="") as run:
artifact = wandb.Artifact("run-3nq3ctyy-bike-model", type="model")
artifact.add_file("model.h5")
- # ログ記録時に "latest" と "best-ap50" エイリアスを付与
run.log_artifact(artifact, aliases=["latest", "best-ap50"])
-```
\ No newline at end of file
+```
diff --git a/ja/models/artifacts/create-a-new-artifact-version.mdx b/ja/models/artifacts/create-a-new-artifact-version.mdx
index dfbd5087cc..2c606fbea3 100644
--- a/ja/models/artifacts/create-a-new-artifact-version.mdx
+++ b/ja/models/artifacts/create-a-new-artifact-version.mdx
@@ -1,241 +1,267 @@
---
-title: Artifact の バージョン を作成する
-description: 単一の run または分散プロセスから、新しい Artifacts バージョンを作成します。
+description: 単一の run または分散処理から、新しい Artifacts バージョンを作成します。
+title: Artifacts バージョンを作成する
---
-単一の [run](/models/runs/) または分散された複数の run を通じて、新しい Artifacts バージョンを作成します。オプションで、以前のバージョンから新しい Artifacts バージョンを作成することもできます。これは [インクリメンタルアーティファクト](#既存のバージョンから新しい-artifacts-バージョンを作成する) と呼ばれます。
+単一の [run](/ja/models/runs/) から、または分散処理中の複数の run で共同して新しい Artifacts バージョンを作成できます。オプションとして、既存バージョンから新しい Artifacts バージョンを作成することもでき、このようなバージョンは [インクリメンタル Artifacts](#create-a-new-artifact-version-from-an-existing-version) と呼ばれます。
-元の Artifacts のサイズが非常に大きく、その中のファイルのサブセットのみに変更を適用する必要がある場合は、インクリメンタルアーティファクトを作成することをお勧めします。
+ 元の Artifacts のサイズが大きく、その一部のファイルだけに変更を加える必要がある場合は、インクリメンタル Artifacts を作成することをおすすめします。
-## ゼロからの新しい Artifacts バージョンの作成
-新しい Artifacts バージョンを作成する方法には、単一の run から作成する方法と、分散された複数の run から作成する方法の2つがあります。それぞれの定義は以下の通りです。
+
+ ## 新しい Artifacts バージョンを一から作成する
+
-* **Single run (単一の run)**: 1つの run が新しいバージョンのすべてのデータを提供します。これは最も一般的なケースであり、run が必要なデータを完全に再作成する場合に最適です。例えば、保存された Models や分析用のテーブル内のモデル予測を出力する場合などが挙げられます。
-* **Distributed runs (分散 run)**: 一連の run が集合的に新しいバージョンのすべてのデータを提供します。これは、多くの場合並列でデータを生成する複数の run を持つ分散ジョブに最適です。例えば、分散環境でモデルを評価し、その予測結果を出力する場合などが挙げられます。
+新しい Artifacts バージョンを作成する方法は 2 つあります。単一 run から作成する方法と、分散 run から作成する方法です。これらは次のように定義されます。
-`wandb.Artifact` API に、プロジェクト内に存在しない名前を渡すと、W&B は新しい Artifacts を作成し、`v0` エイリアスを割り当てます。同じ Artifacts に再度ログを記録すると、W&B は内容のチェックサムを確認します。Artifacts が変更されている場合、W&B は新しいバージョン `v1` を保存します。
+* **Single run**: 単一の run が新しいバージョンに必要なすべてのデータを提供します。これは最も一般的なケースであり、run が必要なデータを完全に再現する場合に最適です。例としては、解析のために保存済みの モデル や モデル の予測結果をテーブルとして出力する場合などがあります。
+* **Distributed runs**: 複数の run の集合が、新しいバージョンに必要なすべてのデータをまとめて提供します。これは、複数の run がしばしば並列でデータを生成する分散ジョブに最適です。例としては、分散的に モデル を評価し、その予測結果を出力する場合などがあります。
-`wandb.Artifact` API に、プロジェクト内の既存の Artifacts と一致する名前と Artifacts タイプを渡すと、W&B は既存の Artifacts を取得します。取得された Artifacts のバージョンは1より大きくなります。
+`wandb.Artifact` API に、プロジェクト に存在しない名前を渡した場合、W&B は新しい Artifacts を作成し、それに `v0` エイリアスを割り当てます。同じ Artifacts に対して再度ログを記録するとき、W&B は内容のチェックサムを計算します。 Artifacts が変更されていれば、W&B は新しいバージョン `v1` を保存します。
+
+`wandb.Artifact` API に対して、プロジェクト 内の既存の Artifacts と一致する名前と Artifacts タイプを渡した場合、W&B は既存の Artifacts を取得します。取得される Artifacts のバージョンは 1 より大きな値になります。
+ ### 単一の run
+
+
+Artifact 内のすべてのファイルを生成する単一の run で、新しい Artifact バージョンをログします。このケースは、1 つの run が Artifact 内のすべてのファイルを生成する場合に発生します。
-ユースケースに合わせて、以下のタブから run の内部または外部で新しい Artifacts バージョンを作成する方法を選択してください。
+ユースケースに応じて、以下のいずれかのタブを選択して、run の内側または外側で新しい Artifact バージョンを作成します。
-
-W&B run の内部で Artifacts バージョンを作成します。
+
+ W&B run の中で Artifact バージョンを作成します:
-1. `wandb.init` で run を作成します。
-2. `wandb.Artifact` で新しい Artifacts を作成するか、既存のものを取得します。
-3. `.add_file` で Artifacts にファイルを追加します。
-4. `.log_artifact` で Artifacts を run にログ記録します。
+ 1. `wandb.init` で run を作成します。
+ 2. `wandb.Artifact` で新しい Artifact を作成するか、既存の Artifact を取得します。
+ 3. `.add_file` でファイルを Artifact に追加します。
+ 4. `.log_artifact` で Artifact を run にログします。
-```python
-with wandb.init() as run:
- artifact = wandb.Artifact("artifact_name", "artifact_type")
+ ```python
+ with wandb.init() as run:
+ artifact = wandb.Artifact("artifact_name", "artifact_type")
- # `.add`、`.add_file`、`.add_dir`、`.add_reference` を使用して
- # ファイルやアセットをアーティファクトに追加します
+ # `.add`, `.add_file`, `.add_dir`, `.add_reference` を使って
+ # ファイルやアセットを Artifact に追加する
+ artifact.add_file("image1.png")
+ run.log_artifact(artifact)
+ ```
+
+
+
+ W&B run の外で Artifact バージョンを作成します:
+
+ 1. `wanb.Artifact` で新しい Artifact を作成するか、既存の Artifact を取得します。
+ 2. `.add_file` でファイルを Artifact に追加します。
+ 3. `.save` で Artifact を保存します。
+
+ ```python
+ artifact = wandb.Artifact("artifact_name", "artifact_type")
+ # `.add`, `.add_file`, `.add_dir`, `.add_reference` を使って
+ # ファイルやアセットを Artifact に追加する
artifact.add_file("image1.png")
- run.log_artifact(artifact)
-```
-
-
-W&B run の外部で Artifacts バージョンを作成します。
-
-1. `wandb.Artifact` で新しい Artifacts を作成するか、既存のものを取得します。
-2. `.add_file` で Artifacts にファイルを追加します。
-3. `.save` で Artifacts を保存します。
-
-```python
-artifact = wandb.Artifact("artifact_name", "artifact_type")
-# `.add`、`.add_file`、`.add_dir`、`.add_reference` を使用して
-# ファイルやアセットをアーティファクトに追加します
-artifact.add_file("image1.png")
-artifact.save()
-```
-
+ artifact.save()
+ ```
+
-### Distributed runs
+
+ ### 分散 run
+
-一連の run が、コミットする前に共同で1つのバージョンを作成できるようにします。これは、1つの run が新しいバージョンのすべてのデータを提供する上述の Single run モードとは対照的です。
+このモードでは、コミット前のバージョンに対して複数の run の集合で共同作業できるようにします。これは、1 つの run が新しいバージョン用のすべてのデータを提供する、上で説明した単一 run モードとは対照的です。
-1. 同じバージョンで共同作業を行うために、コレクション内の各 run は同じユニーク ID（`distributed_id` と呼ばれます）を認識している必要があります。デフォルトでは、`wandb.init(group=GROUP)` で設定された run の `group` が存在する場合、W&B はそれを `distributed_id` として使用します。
-2. バージョンを「コミット」し、その状態を永続的にロックする最終的な run が必要です。
-3. 共同 Artifacts に追加するには `upsert_artifact` を使用し、コミットを完了するには `finish_artifact` を使用します。
+ 1. コレクション内の各 run は、同じ一意の ID（`distributed_id` と呼ばれます）を認識している必要があり、これにより同じバージョンで共同作業できます。デフォルトでは、その値が存在する場合、W&B は run の `group`（`wandb.init(group=GROUP)` で設定）を `distributed_id` として使用します。
+ 2. 最終的にバージョンを「コミット」して、その状態を永久にロックする run が 1 つ必要です。
+ 3. 共同作業用の Artifacts に追加するには `upsert_artifact` を使用し、コミットを確定するには `finish_artifact` を使用します。
-次の例を考えてみましょう。異なる run（以下、**Run 1**、**Run 2**、**Run 3** と表記）が、`upsert_artifact` を使用して同じ Artifacts に異なる画像ファイルを追加します。
+次の例を見てみましょう。異なる run（以下で **Run 1**、**Run 2**、**Run 3** と表記）が、`upsert_artifact` を使って同じ Artifacts にそれぞれ異なる画像ファイルを追加します。
-#### Run 1:
+
+ #### Run 1
+
```python
with wandb.init() as run:
artifact = wandb.Artifact("artifact_name", "artifact_type")
# `.add`、`.add_file`、`.add_dir`、`.add_reference` を使用して
- # ファイルやアセットをアーティファクトに追加します
+ # Artifacts にファイルとアセットを追加する
artifact.add_file("image1.png")
run.upsert_artifact(artifact, distributed_id="my_dist_artifact")
```
-#### Run 2:
+
+ #### Run 2
+
```python
with wandb.init() as run:
artifact = wandb.Artifact("artifact_name", "artifact_type")
# `.add`、`.add_file`、`.add_dir`、`.add_reference` を使用して
- # ファイルやアセットをアーティファクトに追加します
+ # Artifacts にファイルとアセットを追加する
artifact.add_file("image2.png")
run.upsert_artifact(artifact, distributed_id="my_dist_artifact")
```
-#### Run 3
+
+ #### Run 3
+
-Run 1 と Run 2 が完了した後に実行する必要があります。`finish_artifact` を呼び出す run は、Artifacts にファイルを含めることができますが、必須ではありません。
+Run 1 と Run 2 が完了した後に実行する必要があります。`finish_artifact` を呼び出す Run は、 Artifacts にファイルを含めても含めなくてもかまいません。
```python
with wandb.init() as run:
artifact = wandb.Artifact("artifact_name", "artifact_type")
- # ファイルやアセットをアーティファクトに追加します
- # `.add`、`.add_file`、`.add_dir`、`.add_reference`
+ # Artifacts にファイルとアセットを追加する
+ # `.add`, `.add_file`, `.add_dir`, `.add_reference`
artifact.add_file("image3.png")
run.finish_artifact(artifact, distributed_id="my_dist_artifact")
```
-## 既存のバージョンから新しい Artifacts バージョンを作成する
+
+ ## 既存のバージョンから新しい Artifacts バージョンを作成する
+
-変更されていないファイルを再インデックス化することなく、以前の Artifacts バージョンからファイルのサブセットを追加、修正、または削除します。以前の Artifacts バージョンからファイルのサブセットを追加、修正、または削除して作成された新しい Artifacts バージョンは、*incremental artifact (インクリメンタルアーティファクト)* と呼ばれます。
+変更されていないファイルを再インデックスすることなく、以前の Artifacts バージョンに含まれる一部のファイルを追加、変更、または削除できます。以前の Artifacts バージョンに含まれる一部のファイルを追加、変更、または削除すると、*インクリメンタル Artifacts* と呼ばれる新しい Artifacts バージョンが作成されます。
-インクリメンタルアーティファクトは、単一の run 内、または一連の run（分散モード）で作成できます。
+ 単一の run 内、または複数の Runs（分散モード）でインクリメンタルな Artifacts を作成できます。
Artifacts を段階的に変更するには、以下の手順に従ってください。
-1. 増分変更を行いたい Artifacts バージョンを取得します。
+1. 増分的な変更を加えたい Artifacts のバージョンを取得します。
-
-```python
-saved_artifact = run.use_artifact("my_artifact:latest")
-```
-
-
-```python
-client = wandb.Api()
-saved_artifact = client.artifact("my_artifact:latest")
-```
-
+
+ ```python
+ saved_artifact = run.use_artifact("my_artifact:latest")
+ ```
+
+
+
+ ```python
+ client = wandb.Api()
+ saved_artifact = client.artifact("my_artifact:latest")
+ ```
+
-2. 次のコマンドでドラフトを作成します。
+2. 次の内容で draft を作成します:
```python
draft_artifact = saved_artifact.new_draft()
```
-3. 次のバージョンに反映させたい増分変更を実行します。既存のエントリを追加、削除、または修正できます。
+3. 次のバージョンで反映させたい変更を加えます。既存のエントリを追加、削除、または修正できます。
-これらの各変更を実行する方法の例については、タブのいずれかを選択してください。
+各変更の実行例については、いずれかのタブを選択してください。
-
-`add_file` メソッドを使用して、既存の Artifacts バージョンにファイルを追加します。
+
+ 既存の Artifacts バージョンにファイルを追加するには、`add_file` メソッドを使用します：
-```python
-draft_artifact.add_file("file_to_add.txt")
-```
+ ```python
+ draft_artifact.add_file("file_to_add.txt")
+ ```
-
-`add_dir` メソッドを使用してディレクトリを追加することで、複数のファイルを一度に追加することもできます。
-
-
-
-`remove` メソッドを使用して、既存の Artifacts バージョンからファイルを削除します。
+
+ `add_dir` メソッドでディレクトリを追加することで、複数のファイルを一度に追加することもできます。
+
+
-```python
-draft_artifact.remove("file_to_remove.txt")
-```
+
+ 既存の Artifacts バージョンからファイルを削除するには、`remove` メソッドを使用します：
-
-`remove` メソッドにディレクトリパスを渡すことで、複数のファイルを削除することもできます。
-
-
-
-ドラフトから古い内容を削除し、新しい内容を再度追加することで、内容を修正または置換します。
+ ```python
+ draft_artifact.remove("file_to_remove.txt")
+ ```
-```python
-draft_artifact.remove("modified_file.txt")
-draft_artifact.add_file("modified_file.txt")
-```
-
+
+ ディレクトリ パスを渡して `remove` メソッドを使用することで、複数のファイルを一度に削除することもできます。
+
+
+
+
+ ドラフトから古い内容を削除し、新しい内容を追加し直すことで、内容を変更または置き換えます：
+
+ ```python
+ draft_artifact.remove("modified_file.txt")
+ draft_artifact.add_file("modified_file.txt")
+ ```
+
-4. 最後に、変更をログに記録するか保存します。以下のタブでは、W&B run の内部および外部で変更を保存する方法を示しています。ユースケースに適したタブを選択してください。
+{/*
+ Artifacts を追加する場合も変更する場合も、同じメソッドを使用します。すでに存在するエントリに対してファイル名を指定した場合、そのエントリは（複製されるのではなく）置き換えられます。
+ */}
+
+4. 最後に、変更内容をログとして記録するか保存します。以下のタブでは、W&B run の内外で変更を保存する方法を示します。ユースケースに適したタブを選択してください。
-
-```python
-run.log_artifact(draft_artifact)
-```
-
-
-```python
-draft_artifact.save()
-```
-
+
+ ```python
+ run.log_artifact(draft_artifact)
+ ```
+
+
+
+ ```python
+ draft_artifact.save()
+ ```
+
-これらをすべてまとめると、上記のコード例は以下のようになります。
+以上をまとめると、上記のコード例は次のようになります。
-
-```python
-with wandb.init(job_type="modify dataset") as run:
- saved_artifact = run.use_artifact(
- "my_artifact:latest"
- ) # アーティファクトを取得して run に入力します
- draft_artifact = saved_artifact.new_draft() # ドラフトバージョンを作成します
-
- # ドラフトバージョンのファイルのサブセットを修正します
- draft_artifact.add_file("file_to_add.txt")
- draft_artifact.remove("dir_to_remove/")
- run.log_artifact(
- draft_artifact
- ) # 変更をログに記録して新しいバージョンを作成し、run の出力としてマークします
-```
-
-
-```python
-client = wandb.Api()
-saved_artifact = client.artifact("my_artifact:latest") # アーティファクトをロードします
-draft_artifact = saved_artifact.new_draft() # ドラフトバージョンを作成します
-
-# ドラフトバージョンのファイルのサブセットを修正します
-draft_artifact.remove("deleted_file.txt")
-draft_artifact.add_file("modified_file.txt")
-draft_artifact.save() # ドラフトへの変更をコミットします
-```
-
+
+ ```python
+ with wandb.init(job_type="modify dataset") as run:
+ saved_artifact = run.use_artifact(
+ "my_artifact:latest"
+ ) # Artifacts を取得し、run に渡す
+ draft_artifact = saved_artifact.new_draft() # draft バージョンを作成する
+
+ # draft バージョン内の一部のファイルを変更する
+ draft_artifact.add_file("file_to_add.txt")
+ draft_artifact.remove("dir_to_remove/")
+ run.log_artifact(
+ draft_artifact
+ ) # 変更をログして新しいバージョンを作成し、run の出力としてマークする
+ ```
+
+
+
+ ```python
+ client = wandb.Api()
+ saved_artifact = client.artifact("my_artifact:latest") # Artifacts を読み込む
+ draft_artifact = saved_artifact.new_draft() # draft バージョンを作成する
+
+ # draft バージョン内の一部のファイルを変更する
+ draft_artifact.remove("deleted_file.txt")
+ draft_artifact.add_file("modified_file.txt")
+ draft_artifact.save() # 変更を draft にコミットする
+ ```
+
\ No newline at end of file
diff --git a/ja/models/artifacts/data-privacy-and-compliance.mdx b/ja/models/artifacts/data-privacy-and-compliance.mdx
index dcd6a62f07..e74e60f713 100644
--- a/ja/models/artifacts/data-privacy-and-compliance.mdx
+++ b/ja/models/artifacts/data-privacy-and-compliance.mdx
@@ -1,22 +1,22 @@
---
-title: Artifact データのプライバシーとコンプライアンス
-description: W&B ファイルがデフォルトでどこに保存されるかを確認しましょう。情報の保存方法や、機密情報の保管方法についても説明します。
+description: 既定で W&B のファイルがどこに保存されるか、機密情報を保存・管理する方法について説明します。
+title: Artifacts のデータプライバシーとコンプライアンス
---
-Artifacts をログに記録すると、ファイルは W&B が管理する Google Cloud バケットにアップロードされます。バケットの内容は、保存時および転送時の両方で暗号化されます。 Artifacts のファイルは、対応する Project への access 権限を持つ Users のみに表示されます。
+ファイルは、 Artifacts をログするときに W&B が管理する Google Cloud バケットにアップロードされます。バケットの内容は、保存時および転送中の両方で暗号化されます。 Artifacts ファイルは、対応するプロジェクトにアクセス権を持つユーザーにのみ表示されます。
+ ## Artifacts ガベージコレクションのワークフロー
+
-以下の図は、Artifact ガベージコレクションの全プロセスを示しています。
+次の図は、 Artifacts ガベージコレクションの全体的な処理フローを示しています。
```mermaid
graph TB
- Start([Artifact 削除の開始]) --> DeleteMethod{削除方法}
+ Start([Artifacts 削除開始]) --> DeleteMethod{削除方法}
- DeleteMethod -->|UI| UIDelete[W&B App UI から削除]
- DeleteMethod -->|SDK| SDKDelete[W&B SDK から削除]
- DeleteMethod -->|TTL| TTLDelete[TTL ポリシーの期限切れ]
+ DeleteMethod -->|UI| UIDelete[W&B App から削除]
+ DeleteMethod -->|SDK| SDKDelete[W&B Python SDK から削除]
+ DeleteMethod -->|TTL| TTLDelete[TTL ポリシーの有効期限切れ]
- UIDelete --> SoftDelete[Artifact が
-TTL ポリシーによって削除がスケジュールされた、W&B SDK で削除された、または W&B App UI で削除された Artifacts は、まず論理削除（soft-delete）されます。論理削除された Artifacts は、物理削除（hard-delete）される前にガベージコレクションが行われます。
+ TTL ポリシー、W&B Python SDK、または W&B App によって削除された Artifacts は、最初にソフトデリートされます。ソフトデリートされた Artifacts は、その後ガーベジコレクションの対象となり、最終的に完全に削除されます。
-Entity、Project、または Artifact コレクションを削除すると、このページで説明されている Artifact 削除プロセスもトリガーされます。Run を削除する際に、関連する Artifacts を削除することを選択した場合、それらの Artifacts も同じ論理削除とガベージコレクションのワークフローに従います。
+ Entity、プロジェクト、または Artifacts コレクションを削除すると、このページで説明している Artifacts 削除プロセスが開始されます。run を削除するときに関連付けられた Artifacts も削除することを選択した場合、それらの Artifacts も同じソフトデリートとガーベジコレクションのワークフローに従います。
-### Artifact バージョンの削除
+
+ ## Artifacts のバージョンを削除する
+
-Artifact バージョンを削除するには：
+Artifacts のバージョンは、W&B App を使って対話的に、または W&B Python SDK を使ってプログラムで削除できます。
-1. Artifact の名前を選択します。これにより Artifact ビューが展開され、その Artifact に関連付けられたすべての Artifact バージョンが表示されます。
-2. Artifact のリストから、削除したい Artifact バージョンを選択します。
-3. ワークスペースの右側にあるケバブメニュー（三点リーダー）を選択します。
-4. **Delete** を選択します。
+
+
+ Artifacts のバージョンを削除するには、次の手順を実行します。
-Artifact バージョンは、[delete()](/models/ref/python/experiments/artifact#delete) メソッドを使用してプログラムで削除することもできます。以下の例を参照してください。
+ 1. 削除したい Artifacts のバージョンを含むプロジェクトに移動します。
+ 2. **Artifacts** タブを選択します。
+ 3. Artifacts の種類一覧から、削除したいバージョンを含む Artifacts の種類を選択します。
+ 4. 削除したい Artifacts のバージョンの横にある三点リーダー アイコン（`...`）をクリックします。
+ 5. ドロップダウン メニューから **Delete Version** を選択します。
+
-### エイリアスを持つ複数の Artifact バージョンの削除
+
+ [wandb.Artifact.delete()](/ja/models/ref/python/experiments/artifact#delete) メソッドを使って、 Artifacts のバージョンをプログラムで削除できます。 Artifacts のフルネームを指定します。フルネームは `//:` という形式です。`delete_aliases` パラメーターを `True` に設定すると、1 つ以上のエイリアスが関連付けられている Artifacts でも削除できます。
-以下のコード例は、エイリアスが関連付けられている Artifacts を削除する方法を示しています。Artifacts を作成した Entity、Project 名、Run ID を指定してください。
+ ```python
+ import wandb
-```python
-import wandb
+ api = wandb.Api()
-run = api.run("entity/project/run_id")
+ # パスから Artifacts を取得
+ artifact = api.artifact("//:")
-for artifact in run.logged_artifacts():
- artifact.delete()
-```
+ # エイリアスも含めて Artifacts のバージョンを削除
+ artifact.delete(delete_aliases=True)
+ ```
+
+
+
+
+ ## 複数の Artifacts バージョンを削除する
+
+
+次のコード例は、複数の Artifacts バージョンを削除する方法を示します。`wandb.Api.run()` に、 Artifacts を作成した entity、プロジェクト名、run ID を引数として指定します。これにより、その run が作成したすべての Artifacts バージョンにアクセスできる run オブジェクトが返されます。次に、 Artifacts バージョンを順に処理し、条件に一致するものを削除します。
-Artifact が 1 つ以上のエイリアスを持っている場合にそれらを削除するには、`delete_aliases` パラメータを boolean 値の `True` に設定します。
+
+ `delete_aliases` パラメーターを `True`（`wandb.Artifact.delete(delete_aliases=True)`）に設定すると、 Artifacts バージョンと、それに関連付けられたすべてのエイリアスを削除できます。
+
+
+``、``、``、`` のプレースホルダーを、ご自身の値に置き換えてください：
```python
import wandb
-run = api.run("entity/project/run_id")
+# W&B API を初期化する
+api = wandb.Api()
+
+# パスで run を取得する。// で構成される
+run = api.run("//")
+# バージョンを削除する Artifacts 名を指定する
+artifact_name = ""
+
+# 指定した名前の Artifacts バージョンを検索して削除する
for artifact in run.logged_artifacts():
- # 1つ以上のエイリアスを持つArtifactを削除するために、
- # delete_aliases=True を設定します。
- artifact.delete(delete_aliases=True)
+ print(f"Found artifact: {artifact.name}") # 例: run_4dfbufgq_model:v0
+ # split() を使ってバージョンを除いた Artifacts 名のみを取得する
+ if artifact.name.split(":")[0] == artifact_name:
+ print(f"Artifacts バージョンを削除中: {artifact.name}")
+ artifact.delete(delete_aliases=True)
```
-### 特定のエイリアスを持つ複数の Artifact バージョンの削除
+
+ ## 特定のエイリアスを持つ複数の Artifacts バージョンを削除する
+
+
+次のコードは、特定のエイリアスを持つ複数の Artifacts バージョンを削除する方法を示します。
-以下のコードは、特定のエイリアスを持つ複数の Artifact バージョンを削除する方法を示しています。Artifacts を作成した Entity、Project 名、Run ID を指定してください。削除ロジックは必要に応じて書き換えてください。
+``、``、``、``、`` のプレースホルダーをそれぞれ適切な値に置き換えてください：
```python
import wandb
-runs = api.run("entity/project_name/run_id")
+# W&B API を初期化する
+api = wandb.Api()
-# エイリアス 'v3' と 'v4' を持つ artifact を削除します
-for artifact_version in runs.logged_artifacts():
- # 独自の削除ロジックに置き換えてください。
- if artifact_version.name[-2:] == "v3" or artifact_version.name[-2:] == "v4":
- artifact.delete(delete_aliases=True)
-```
+# パスで run を取得する。// で構成される
+run = api.run("//")
-### 保護されたエイリアスと削除権限
+# バージョンを削除する Artifacts 名を指定する
+artifact_name = ""
-保護されたエイリアス（protected aliases）を持つ Artifacts には、特別な削除制限があります。[保護されたエイリアス](/models/registry/aliases#protected-aliases) は、無許可の削除を防ぐために Registry 管理者が設定できる W&B Registry 内のエイリアスです。
+# 削除する Artifacts バージョンをフィルタリングするエイリアスを指定する
+desired_alias = ""
-
-**保護されたエイリアスに関する重要な考慮事項：**
-- 保護されたエイリアスを持つ Artifacts は、Registry 管理者以外は削除できません。
-- Registry 内では、Registry 管理者は保護された Artifact バージョンのリンク解除や、保護されたエイリアスを含むコレクション/Registry の削除を行うことができます。
-- ソース Artifact について：ソース Artifact が保護されたエイリアスを持つ Registry にリンクされている場合、いかなるユーザーも削除することはできません。
-- Registry 管理者は、ソース Artifact から保護されたエイリアスを削除してから、Artifact 自体を削除することができます。
-
+# エイリアス 'v3' および 'v4' を持つ run に記録された Artifacts を削除する
+for artifact in run.logged_artifacts():
+ print(f"Found artifact: {artifact.name}")
+ if (artifact.name.split(":")[0] == artifact_name) and (desired_alias in artifact.aliases):
+ artifact.delete(delete_aliases=True)
+```
-### エイリアスのないすべての Artifact バージョンの削除
+
+ ## Artifacts コレクションを削除する
+
-以下のコードスニペットは、エイリアスを持たない Artifact のすべてのバージョンを削除する方法を示しています。`wandb.Api` の `project` キーと `entity` キーに、それぞれ Project 名と Entity 名を指定してください。`<>` は対象の Artifact の名前に置き換えてください。
+
+
+ Artifacts コレクションを削除するには、次の手順を実行します。
-```python
-import wandb
+ 1. 削除する Artifacts コレクションに移動します。
+ 2. Artifacts コレクション名の横にある三点アイコン (`...`) を選択します。
+ 3. ドロップダウン メニューから **Delete** を選択します。
+
-# wandb.Api メソッドを使用する際は、
-# entity と project 名を指定します。
-api = wandb.Api(overrides={"project": "project", "entity": "entity"})
+
+ [wandb.Artifact.delete()](/ja/models/ref/python/experiments/artifact#delete) メソッドを使って、 Artifacts コレクションをプログラムから削除します。
-artifact_type, artifact_name = "<>" # type と name を指定
-for v in api.artifact_versions(artifact_type, artifact_name):
- # 'latest' などのエイリアスを持たないバージョンをクリーンアップします。
- # 注意: ここには任意の削除ロジックを記述できます。
- if len(v.aliases) == 0:
- v.delete()
-```
+ `wandb.Api.artifact_collection(name="")` に、 Artifacts コレクションのフルパスを指定します。フルパスは `//` という形式です。
-### Artifact コレクションの削除
+ ```python
+ import wandb
-Artifact コレクションを削除するには：
+ # W&B API を初期化
+ api = wandb.Api()
-1. 削除したい Artifact コレクションに移動し、その上にホバーします。
-2. Artifact コレクション名の横にあるケバブメニューを選択します。
-3. **Delete** を選択します。
+ # パスで Artifacts コレクションを取得する。
+ # 形式は //
+ collection = api.artifact_collection(
+ type_name = "",
+ name = "//"
+ )
+ collection.delete()
+ ```
+
+
-[delete()](/models/ref/python/experiments/artifact#delete) メソッドを使用して、プログラムで Artifact コレクションを削除することもできます。`wandb.Api` の `project` キーと `entity` キーに、それぞれ Project 名と Entity 名を指定してください。
+
+ ## 保護されたエイリアスと削除権限
+
-```python
-import wandb
+保護されたエイリアスを持つ Artifacts には、特別な削除制限が適用されます。[Protected aliases](/ja/models/registry/aliases#protected-aliases) とは、W&B Registry 内でレジストリ管理者が、不正な削除を防ぐために設定できるエイリアスのことです。
-# wandb.Api メソッドを使用する際は、
-# entity と project 名を指定します。
-api = wandb.Api(overrides={"project": "project", "entity": "entity"})
-collection = api.artifact_collection(
- "", "entity/project/artifact_collection_name"
-)
-collection.delete()
-```
+
+ **保護されたエイリアスに関する重要な注意事項:**
+
+ * 保護されたエイリアスを持つ Artifacts は、レジストリ管理者以外のユーザーは削除できません。
+ * レジストリ内では、レジストリ管理者は保護された Artifacts バージョンのリンクを解除し、保護されたエイリアスを含むコレクションやレジストリを削除できます。
+ * ソース Artifacts について: ソース Artifacts が保護されたエイリアスを持つレジストリにリンクされている場合、どのユーザーも削除できません。
+ * レジストリ管理者はソース Artifacts から保護されたエイリアスを削除したうえで、ソース Artifacts 自体を削除できます。
+
-## W&B のホスト方法に基づいたガベージコレクションの有効化
+
+ ## W&B のホスティング形態に基づいてガベージコレクションを有効にする
+
-W&B の共有クラウド（Shared cloud）を使用している場合、ガベージコレクションはデフォルトで有効になっています。W&B のホスト方法によっては、ガベージコレクションを有効にするために追加の手順が必要になる場合があります。これには以下が含まれます。
+W&B の共有クラウドを使用している場合、ガベージコレクションはデフォルトで有効になっています。W&B のホスティング形態によっては、ガベージコレクションを有効にするために追加の手順が必要になる場合があります。これには次の手順が含まれます:
-* 環境変数 `GORILLA_ARTIFACT_GC_ENABLED` を true に設定する：`GORILLA_ARTIFACT_GC_ENABLED=true`
-* [AWS](https://docs.aws.amazon.com/AmazonS3/latest/userguide/manage-versioning-examples.html)、[Google Cloud](https://cloud.google.com/storage/docs/object-versioning)、または [Minio](https://min.io/docs/minio/linux/administration/object-management/object-versioning.html#enable-bucket-versioning) などのストレージプロバイダーを使用している場合は、バケットのバージョニングを有効にする。Azure を使用している場合は、[論理削除（soft delete）を有効にする](https://learn.microsoft.com/azure/storage/blobs/soft-delete-blob-overview)。
-
- Azure の論理削除は、他のストレージプロバイダーにおけるバケットのバージョニングに相当します。
-
+* `GORILLA_ARTIFACT_GC_ENABLED` 環境変数を true に設定する: `GORILLA_ARTIFACT_GC_ENABLED=true`
+* [AWS](https://docs.aws.amazon.com/AmazonS3/latest/userguide/manage-versioning-examples.html)、[Google Cloud](https://cloud.google.com/storage/docs/object-versioning)、その他 [Minio](https://min.io/docs/minio/linux/administration/object-management/object-versioning.html#enable-bucket-versioning) などのストレージプロバイダを使用している場合は、バケットのバージョニングを有効にします。Azure を使用している場合は、[ソフト削除を有効にします](https://learn.microsoft.com/azure/storage/blobs/soft-delete-blob-overview)。
+
+ Azure のソフト削除は、他のストレージプロバイダにおけるバケットのバージョニングと同等です。
+
-以下の表は、デプロイメントタイプに基づいてガベージコレクションを有効にするための要件を示しています。
+次の表は、デプロイメントタイプに応じてガベージコレクションを有効にするための要件をどのように満たすかを示します。
-`X` は、その要件を満たす必要があることを示します。
+`X` はその要件を満たす必要があることを示します:
-| | 環境変数 | バージョニングの有効化 |
-| -----------------------------------------------| ------------------------| ----------------- |
-| 共有クラウド (Shared cloud) | | |
-| [Secure Storage Connector](/platform/hosting/data-security/secure-storage-connector) を利用した共有クラウド | | X |
-| 専用クラウド (Dedicated Cloud) | | |
-| [Secure Storage Connector](/platform/hosting/data-security/secure-storage-connector) を利用した専用クラウド | | X |
-| セルフマネージド・クラウド (Self-Managed cloud) | X | X |
-| セルフマネージド・オンプレミス (Self-Managed on-prem) | X | X |
+| | Environment variable（環境変数） | Enable versioning（バージョニングを有効化） |
+| -----------------------------------------------| ------------------------------- | ------------------------------------------- |
+| Shared cloud | | |
+| Shared cloud with [secure storage connector](/ja/platform/hosting/data-security/secure-storage-connector)| | X |
+| Dedicated Cloud | | |
+| Dedicated Cloud with [secure storage connector](/ja/platform/hosting/data-security/secure-storage-connector)| | X |
+| Self-Managed cloud | X | X |
+| Self-Managed on-prem | X | X |
-Secure Storage Connector は現在、Google Cloud Platform と Amazon Web Services でのみ利用可能です。
+ 注意
+ Secure storage connector は現在、Google Cloud Platform と Amazon Web Services でのみ利用可能です。
\ No newline at end of file
diff --git a/ja/models/artifacts/download-and-use-an-artifact.mdx b/ja/models/artifacts/download-and-use-an-artifact.mdx
index 1db6ed8cbc..3209ee5982 100644
--- a/ja/models/artifacts/download-and-use-an-artifact.mdx
+++ b/ja/models/artifacts/download-and-use-an-artifact.mdx
@@ -1,143 +1,153 @@
---
-title: Artifacts のダウンロードと使用
description: 複数の Projects から Artifacts をダウンロードして使用します。
+title: Artifacts をダウンロードして使用する
---
-W&B サーバーにすでに保存されている Artifacts をダウンロードして使用するか、必要に応じて Artifact オブジェクトを作成し、重複排除のためにそれを渡します。
+W&B サーバーにすでに保存されている Artifacts をダウンロードして使用するか、必要に応じて Artifacts オブジェクトを構築し、重複排除のために渡します。
-閲覧専用シートの チームメンバー は Artifacts をダウンロードできません。
+ 閲覧専用シートのチームメンバーは Artifacts をダウンロードできません。
-### W&B に保存されている Artifacts のダウンロードと使用
+
+ ### W&B に保存された Artifacts をダウンロードして利用する
+
-W&B Run の内部または外部のどちらからでも、W&B に保存されている Artifacts をダウンロードして使用できます。W&B にすでに保存されているデータをエクスポート（または更新）するには、Public API ([`wandb.Api`](/models/ref/python/public-api/api)) を使用します。
+W&B に保存された Artifacts を、W&B run の実行中でも実行外でもダウンロードして利用できます。Public API（[`wandb.Api`](/ja/models/ref/python/public-api/api)）を使用して、W&B にすでに保存されているデータをエクスポート（または更新）します。
-
-まず、W&B Python SDK をインポートします。次に、W&B [Run](/models/ref/python/experiments/run) を作成します。
+
+ まず、W&B Python SDK をインポートします。次に、W&B の [Run](/ja/models/ref/python/experiments/run) を作成します:
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init(project="", job_type="") as run:
- # 次のステップを参照
-```
+ with wandb.init(project="", job_type="") as run:
+ # 次のステップを参照
+ ```
-[`wandb.Run.use_artifact()`](/models/ref/python/experiments/run#use_artifact) メソッドを使用して、使用したい Artifact を指定します。これにより Run オブジェクトが返されます。以下のコードスニペットでは、`'bike-dataset'` という名前で エイリアス が `'latest'` の Artifact を指定しています。
+ [`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run#use_artifact) メソッドで、使用したい Artifacts を指定します。これは run オブジェクトを返します。次のコードスニペットでは、`'bike-dataset'` という名前で、エイリアス `'latest'` の Artifacts を指定しています:
-```python
-# 使用する Artifact を指定します。形式は "name:alias" です。
-artifact = run.use_artifact("bike-dataset:latest")
-```
+ ```python
+ # 使用する Artifacts を指定します。形式は "name:alias"
+ artifact = run.use_artifact("bike-dataset:latest")
+ ```
-返されたオブジェクトを使用して、Artifact の全コンテンツをダウンロードします。
+ 返されたオブジェクトを使って、 Artifacts の内容をすべてダウンロードします:
-```python
-# Artifact 全体をダウンロードします
-datadir = artifact.download()
-```
+ ```python
+ # Artifacts 全体をダウンロード
+ datadir = artifact.download()
+ ```
-オプションで `root` パラメータにパスを渡すことで、Artifact のコンテンツを特定の ディレクトリー にダウンロードできます。
+ オプションとして、`root` パラメーターにパスを渡すことで、 Artifacts の内容を特定のディレクトリにダウンロードできます。
-ファイルの サブセット のみをダウンロードするには、[`wandb.Artifact.get_entry()`](/models/ref/python/experiments/artifact#get_entry) メソッドを使用します。
+ [`wandb.Artifact.get_entry()`](/ja/models/ref/python/experiments/artifact#get_entry) メソッドを使用して、ファイルの一部だけをダウンロードします:
-```python
-# 特定のファイルをダウンロードします
-entry = artifact.get_entry(name)
-```
+ ```python
+ # 特定のファイルをダウンロード
+ entry = artifact.get_entry(name)
+ ```
-これらをまとめると、完全なコード例は以下のようになります。
+ これらを組み合わせると、完全なコード例は次のようになります:
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init(project="", job_type="") as run:
- # 使用する Artifact を指定します。形式は "name:alias" です。
- artifact = run.use_artifact("bike-dataset:latest")
+ with wandb.init(project="", job_type="") as run:
+ # 使用する Artifacts を指定します。形式は "name:alias"
+ artifact = run.use_artifact("bike-dataset:latest")
- # Artifact 全体をダウンロードします
- datadir = artifact.download()
+ # Artifacts 全体をダウンロード
+ datadir = artifact.download()
- # 特定のファイルをダウンロードします
- entry = artifact.get_entry("bike.png")
-```
+ # 特定のファイルをダウンロード
+ entry = artifact.get_entry("bike.png")
+ ```
-これにより、パス `name` にあるファイルのみが取得されます。これは以下のメソッドを持つ `Entry` オブジェクトを返します。
+ これは、パス `name` にあるファイルだけを取得します。戻り値は、次のメソッドを持つ `Entry` オブジェクトです:
-* `Entry.download`: パス `name` にある Artifact からファイルをダウンロードします。
-* `Entry.ref`: `add_reference` がエントリをリファレンスとして保存していた場合、その URI を返します。
+ * `Entry.download`: パス `name` にある Artifacts 内のファイルをダウンロードします
+ * `Entry.ref`: `add_reference` によってエントリが参照として保存されている場合、その URI を返します
-{/* W&B が処理方法を認識しているスキームを持つリファレンスは、Artifact ファイルと同じようにダウンロードされます。詳細については、[外部ファイルの追跡](/models/artifacts/track-external-files/) を参照してください。 */}
+ {/* W&B が処理方法を理解しているスキームを持つ参照は、 Artifacts ファイルと同様にダウンロードされます。詳細については、[外部ファイルのトラッキング](/models/artifacts/track-external-files/) を参照してください。 */}
+
-
-
-まず、W&B SDK をインポートします。次に、Public API クラスから Artifact オブジェクトを作成します。その Artifact に関連付けられた Entity、Project、Artifact 名、および エイリアス を指定します。
+
+ まず、W&B SDK をインポートします。次に、Public API クラスから Artifacts オブジェクトを作成します。その Artifacts に関連付けられている entity、project、artifact、alias を指定します:
-```python
-import wandb
+ ```python
+ import wandb
-api = wandb.Api()
-artifact = api.artifact("entity/project/artifact:alias")
-```
+ api = wandb.Api()
+ artifact = api.artifact("entity/project/artifact:alias")
+ ```
-返されたオブジェクトを使用して、Artifact のコンテンツをダウンロードします。
+ 返されたオブジェクトを使って、 Artifacts の内容をダウンロードします:
-```python
-artifact.download()
-```
+ ```python
+ artifact.download()
+ ```
-オプションで `root` パラメータにパスを渡すことで、Artifact のコンテンツを特定の ディレクトリー にダウンロードできます。詳細については、[Python SDK リファレンスガイド](/models/ref/python/experiments/artifact#download) を参照してください。
-
-
-W&B サーバーから Artifact をダウンロードするには、`wandb artifact get` コマンド を使用します。
+ オプションとして、`root` パラメーターにパスを渡すことで、 Artifacts の内容を特定のディレクトリにダウンロードできます。詳細については、[Python SDK Reference Guide](/ja/models/ref/python/experiments/artifact#download) を参照してください。
+
-```
-$ wandb artifact get project/artifact:alias --root mnist/
-```
-
+
+ `wandb artifact get` コマンドを使用して、W&B サーバーから Artifacts をダウンロードします。
+
+ ```
+ $ wandb artifact get project/artifact:alias --root mnist/
+ ```
+
-### Artifact の部分的なダウンロード
+
+ ### Artifacts を一部だけダウンロードする
+
-プレフィックスに基づいて Artifact の一部をオプションでダウンロードできます。単一のファイルやサブフォルダの内容をダウンロードするには、`path_prefix=` ([`wandb.Artifact.download(path_prefix=)`](/models/ref/python/experiments/artifact#download)) パラメータを使用します。
+プレフィックスに基づいて、 Artifacts の一部だけをダウンロードできます。`path_prefix=`（`wandb.Artifact.download(path_prefix=)`）パラメーターを使用して、単一のファイルまたはサブフォルダーの内容をダウンロードします。
```python
with wandb.init(project="", job_type="") as run:
- # 使用する Artifact を指定します。形式は "name:alias" です。
+ # 使用する Artifacts を指定します。形式は "name:alias" です
artifact = run.use_artifact("bike-dataset:latest")
- # 特定のファイルまたはサブフォルダをダウンロードします
- artifact.download(path_prefix="bike.png") # bike.png のみをダウンロードします
+ # 特定のファイルまたはサブフォルダーをダウンロードする
+ artifact.download(path_prefix="bike.png") # bike.png のみをダウンロード
```
-あるいは、特定の ディレクトリー からファイルをダウンロードすることもできます。そのためには、`path_prefix=` パラメータ内で ディレクトリー を指定します。前の コードスニペット からの続きです。
+別の方法としては、特定のディレクトリ配下のファイルをダウンロードすることもできます。その場合は `path_prefix=` パラメーターにディレクトリを指定します。先ほどのコードスニペットの続きは次のとおりです。
```python
-# images/bikes ディレクトリー内のファイルをダウンロードします
+# images/bikes ディレクトリ内のファイルをダウンロードする
artifact.download(path_prefix="images/bikes/")
```
-### 別の Project の Artifact を使用する
+
+ ### 別のプロジェクトの Artifacts を使用する
+
-Artifact を参照するには、Artifact の名前とその プロジェクト 名を一緒に指定します。また、Entity 名と一緒に Artifact 名を指定することで、Entities を跨いで Artifacts を参照することもできます。
+Artifacts を参照するには、 Artifacts 名とあわせてそのプロジェクト名を指定します。`Entities` をまたいで Artifacts を参照する場合は、 Artifacts 名とあわせてその entity 名を指定します。
-以下のコード例は、現在の W&B Run の入力として、別の プロジェクト から Artifact をクエリする方法を示しています。
+次のコード例は、別のプロジェクトの Artifacts を、現在の W&B run の入力として取得する方法を示しています。
```python
with wandb.init(project="", job_type="") as run:
- # 別のプロジェクトから Artifact を W&B に照会し、
- # この Run の入力としてマークします。
+ # 別のプロジェクトの Artifacts を W&B に照会し、
+ # この run への入力としてマークする。
artifact = run.use_artifact("my-project/artifact:alias")
- # 別の Entity から Artifact を使用し、この Run の入力として
- # マークします。
+ # 別の entity の Artifacts を使用し、この run への
+ # 入力としてマークする。
artifact = run.use_artifact("my-entity/my-project/artifact:alias")
+
```
-### Artifact の構築と使用を同時に行う
+
+ ### Artifacts を同時に作成して使用する
+
-Artifact の構築と使用を同時に行います。Artifact オブジェクトを作成し、それを `use_artifact` に渡します。これにより、W&B にまだ存在しない場合は Artifact が作成されます。[`wandb.Run.use_artifact()`](/models/ref/python/experiments/run#use_artifact) API はべき等であるため、何度でも呼び出すことができます。
+Artifacts を同時に作成して使用します。 Artifacts オブジェクトを作成し、それを use_artifact に渡します。これにより、まだ存在しない場合は W&B に Artifacts が作成されます。[`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run#use_artifact) API は冪等なため、必要なだけ何度でも呼び出すことができます。
```python
import wandb
@@ -148,4 +158,4 @@ with wandb.init(project="", job_type="") as run:
run.use_artifact(artifact)
```
-Artifact の構築に関する詳細については、[Artifact の構築](/models/artifacts/construct-an-artifact/) を参照してください。
\ No newline at end of file
+Artifacts の作成方法の詳細については、[Artifacts を作成する](/ja/models/artifacts/construct-an-artifact/) を参照してください。
diff --git a/ja/models/artifacts/explore-and-traverse-an-artifact-graph.mdx b/ja/models/artifacts/explore-and-traverse-an-artifact-graph.mdx
index d525986749..d66ffb210e 100644
--- a/ja/models/artifacts/explore-and-traverse-an-artifact-graph.mdx
+++ b/ja/models/artifacts/explore-and-traverse-an-artifact-graph.mdx
@@ -1,113 +1,129 @@
---
-title: Artifact のリネージグラフを探索する
-description: 直接非巡回な W&B Artifact グラフを トラバース します。
+description: 有向非巡回な W&B Artifact グラフをたどります。
+title: Artifacts のリネージグラフを探索する
---
-W&B は、有向非巡回グラフ（DAG）である _リネージグラフ_ を使用して、 Runs の入力と出力を追跡します。リネージグラフは、 ML 実験における Artifacts と Runs の関係を視覚的に表現したものです。これらは、生データの取り込みから モデルトレーニング 、評価に至るまで、 ML ライフサイクルのさまざまな段階を通じて データ と モデル がどのように流れるかを示します。
+W&B は、*lineage graphs* と呼ばれる有向非巡回グラフ (DAG) を使って run の入力と出力を追跡します。lineage graphs は、ML 実験における Artifacts と run の関係を視覚的に表現したものです。生データの取り込みからモデルのトレーニングと評価に至るまで、データやモデルが ML ライフサイクルのさまざまな段階をどのように流れていくかを示します。
-Artifacts の リネージ を追跡することには、いくつかの大きな利点があります。
+Artifacts のリネージを追跡することには、次のような主な利点があります。
-* **再現性**: デバッグ、実験、検証のために、チームが実験、 モデル 、 結果 を再現することを可能にします。
-* **バージョン管理**: 時間の経過に伴う Artifacts の変更を追跡し、必要に応じてチームが以前の データ や モデル の バージョン に戻れるようにします。
-* **監査**: コンプライアンスとガバナンスをサポートするために、 Artifacts と変換の際の詳細な記録を保持します。
-* **コラボレーション**: 実験履歴を透明化し、作業の重複を減らし、開発を加速させることで、チームワークの向上に役立ちます。
+* **再現性**: デバッグ、実験、検証のために、Experiments、モデル、および結果を再現できるようにします。
+* **バージョン管理**: Artifacts の時間経過に伴う変更を追跡し、必要に応じて過去のデータやモデルバージョンに戻せるようにします。
+* **監査**: コンプライアンスとガバナンスを支援するために、 Artifacts とその変換の詳細な記録を保持します。
+* **コラボレーション**: 実験の履歴を可視化することでチームワークを改善し、重複作業を減らし、開発を加速します。
+
+ ## Artifacts のリネージ グラフを表示する
+
-## Artifacts のリネージグラフを表示する
+Artifacts のリネージ グラフを表示するには、次の手順に従います。
-Artifacts のリネージグラフを表示するには：
-
-1. W&B App に移動します。
-2. 探索したい Run または Artifact が含まれる Project を選択します。
-3. 左サイドバーの **Artifacts** タブをクリックします。
+1. W&B App にアクセスします。
+2. 対象の run または Artifacts を含むプロジェクトを選択します。
+3. プロジェクト サイドバーで **Artifacts** タブをクリックします。
4. **Lineage** タブを選択します。
+ ## リネージ グラフの追跡を有効化する
+
-## リネージグラフのトラッキングを有効にする
-
-リネージグラフのトラッキングを有効にするには、 W&B Python SDK を使用して、 Artifacts を Run の [入力](/models/artifacts/explore-and-traverse-an-artifact-graph) または [出力](/models/artifacts/explore-and-traverse-an-artifact-graph#track-the-output-of-a-run) としてマークする必要があります。
+リネージ グラフの追跡を有効化するには、W&B Python SDK を使用して Artifacts を run の [入力](/ja/models/artifacts/explore-and-traverse-an-artifact-graph)または
+[出力](/ja/models/artifacts/explore-and-traverse-an-artifact-graph#track-the-output-of-a-run)として指定する必要があります。
-### Run の入力を追跡する
+
+ ### run の入力を追跡する
+
-[`wandb.Run.use_artifact()`](/ref/python/experiments/run/#method-runuse_artifact) メソッドを使用して、 Artifact を Run の入力（または依存関係）としてマークします。 Artifact の名前と、その Artifact の特定の バージョン を参照するためのオプションの エイリアス を指定します。 Artifact の名前は `:` または `:` の形式です。
+[`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run#method-runuse_artifact)
+メソッドを使って、 Artifacts を run の入力（または依存関係）として設定します。 Artifacts 名と、その Artifacts の特定のバージョンを参照するための任意のエイリアスを指定します。 Artifacts の名前は `:` または `:` という形式です。
-山括弧（ `< >` ）で囲まれた 値 を自分の 値 に置き換えてください：
+山かっこ（`< >`）で囲まれた値を、自分の値に置き換えてください。
```python
import wandb
-# run を初期化
+# run を初期化する
with wandb.init(entity="", project="") as run:
- # アーティファクトを取得し、依存関係としてマーク
+ # Artifacts を取得し、依存関係としてマークする
artifact = run.use_artifact(artifact_or_name="", aliases="")
```
+
+ ### run の出力を追跡する
+
-### Run の出力を追跡する
-
-[`wandb.Run.log_artifact()`](/ref/python/experiments/run#log_artifact) を使用して、 Artifact を Run の出力として宣言します。まず、 [`wandb.Artifact()`](/ref/python/experiments/artifact/#wandb.Artifact) コンストラクタで Artifact を作成します。次に、 `wandb.Run.log_artifact()` を使用して、その Artifact を Run の出力として ログ 記録します。
+[`wandb.Run.log_artifact()`](/ja/models/ref/python/experiments/run#log_artifact) を使用して、ある run の出力として Artifacts を指定します。まず、
+[`wandb.Artifact()`](/ja/models/ref/python/experiments/artifact#wandb.Artifact) コンストラクターで Artifacts を作成します。次に、`wandb.Run.log_artifact()` を使って
+その Artifacts を run の出力として記録します。
-山括弧（ `< >` ）で囲まれた 値 を自分の 値 に置き換えてください：
+山かっこ（`< >`）で囲まれた値を、実際の値に置き換えてください。
```python
import wandb
-# run を初期化
+# run を初期化する
with wandb.init(entity="", project="") as run:
- # アーティファクトを作成
+ # Artifacts を作成する
artifact = wandb.Artifact(name = "", type = "")
artifact.add_file(local_path = "", name="")
- # アーティファクトを run の出力としてログ記録
+ # Artifacts を run の出力としてログに記録する
run.log_artifact(artifact_or_path = artifact)
```
+
+ ## 系統グラフをナビゲートする
+
-## リネージグラフを操作する
-
-指定した Artifact または ジョブタイプ が名前の前に表示され、 Artifacts は青いアイコンで、 Runs は緑のアイコンで表されます。矢印は、グラフ上の Run または Artifact の入力と出力の詳細を示します。
+指定した Artifacts またはジョブのタイプが名前の前に表示され、 Artifacts は青いアイコンで、run は緑のアイコンで表されます。矢印は、グラフ上の run または Artifacts の入力と出力を示します。
-Artifact のタイプと名前は、左サイドバーと **Lineage** タブの両方で確認できます。
+ 左サイドバーと **Lineage** タブの両方で、 Artifacts の種類と名前を確認できます。
+ ## Artifact クラスター
+
-グラフの特定のレベルに 5 つ以上の Runs または Artifacts がある場合、 クラスター が作成されます。 クラスター には特定の バージョン の Runs または Artifacts を見つけるための検索バーがあり、 クラスター 内の特定の ノード を引き出して、その ノード の リネージ の調査を続けることができます。
+グラフのあるレベルに run または Artifacts が 5 つ以上ある場合、そのレベルにはクラスターが作成されます。クラスターには、特定のバージョンの run や Artifacts を検索できる検索バーがあり、クラスターから個々のノードを取り出して、そのノードの lineage を引き続き調査できます。
-ノード をクリックすると、その ノード の概要を示すプレビューが開きます。矢印をクリックすると、個々の Run または Artifact が抽出され、抽出された ノード の リネージ を詳細に調べることができます。
+ノードをクリックすると、そのノードの概要を示すプレビューが開きます。矢印をクリックすると、個々の run または Artifacts がクラスターから取り出され、取り出したノードの lineage を確認できます。
+ ## プログラムから Artifacts グラフをたどる
+
+
+W&B Python SDK を使うと、グラフをプログラムからたどることができます。 Artifacts オブジェクトの
+[`logged_by()`](/ja/models/ref/python/experiments/artifact#method-artifact-logged-by) と [`used_by()`](/ja/models/ref/python/experiments/artifact#method-artifact-used-by) メソッドを使用してグラフをたどります。
```python
with wandb.init() as run:
artifact = run.use_artifact("artifact_name:latest")
- # アーティファクトからグラフを上下に辿る:
+ # Artifacts からグラフを上下にたどる:
producer_run = artifact.logged_by()
consumer_runs = artifact.used_by()
-```
\ No newline at end of file
+```
diff --git a/ja/models/artifacts/storage.mdx b/ja/models/artifacts/storage.mdx
index 24e74efc6d..1ab973a417 100644
--- a/ja/models/artifacts/storage.mdx
+++ b/ja/models/artifacts/storage.mdx
@@ -1,35 +1,36 @@
---
-title: Artifact のストレージ管理とメモリ割り当て
-description: W&B Artifacts のストレージ管理、およびメモリ割り当てを管理します。
+description: W&B Artifacts のストレージとメモリ割り当てを管理します。
+title: Artifacts のストレージとメモリ割り当てを管理する
---
-W&B は、デフォルトで米国にあるプライベートな Google Cloud Storage バケットに Artifacts ファイルを保存します。すべてのファイルは、保存時および転送時に暗号化されます。
+W&B は、デフォルトでアメリカ合衆国内にあるプライベートな Google Cloud Storage バケットに Artifacts ファイルを保存します。すべてのファイルは保存時および転送中に暗号化されます。
-機密性の高いファイルについては、[Private Hosting](/platform/hosting/) を設定するか、[reference artifacts](/models/artifacts/track-external-files/) を使用することをお勧めします。
+機密性の高いファイルの場合は、[Private Hosting](/ja/platform/hosting/) を設定するか、[reference artifacts](/ja/models/artifacts/track-external-files/) を使用することを推奨します。
-トレーニング中、W&B は以下のローカル ディレクトリー に ログ、Artifacts、設定ファイルをローカルに保存します。
+トレーニング中、W&B はログ、 Artifacts 、および設定ファイルをローカルで次のディレクトリに保存します：
-| ファイル | デフォルトの場所 | デフォルトの場所を変更するための設定: |
+| File | Default location | To change default location set: |
| ---- | ---------------- | ------------------------------- |
-| logs | `./wandb` | `wandb.init` の `dir` 引数、または `WANDB_DIR` 環境変数 |
-| artifacts | `~/.cache/wandb` | `WANDB_CACHE_DIR` 環境変数 |
-| configs | `~/.config/wandb` | `WANDB_CONFIG_DIR` 環境変数 |
-| アップロード用ステージング artifacts | `~/.cache/wandb-data/` | `WANDB_DATA_DIR` 環境変数 |
-| ダウンロード済み artifacts | `./artifacts` | `WANDB_ARTIFACT_DIR` 環境変数 |
+| logs | `./wandb` | `wandb.init` の `dir` を指定するか、`WANDB_DIR` 環境変数を設定 |
+| artifacts | `~/.cache/wandb` | `WANDB_CACHE_DIR` 環境変数を設定 |
+| configs | `~/.config/wandb` | `WANDB_CONFIG_DIR` 環境変数を設定 |
+| staging artifacts for upload | `~/.cache/wandb-data/` | `WANDB_DATA_DIR` 環境変数を設定 |
+| downloaded artifacts | `./artifacts` | `WANDB_ARTIFACT_DIR` 環境変数を設定 |
-環境変数を使用して W&B を設定するための完全な ガイド については、[環境変数リファレンス](/models/track/environment-variables/) を参照してください。
+環境変数を使って W&B を設定するための包括的なガイドについては、[環境変数リファレンス](/ja/models/track/environment-variables/) を参照してください。
-`wandb` が初期化されるマシンによっては、これらのデフォルトフォルダーがファイルシステムの書き込み可能な場所に配置されない場合があります。これによりエラーが発生する可能性があります。
+ `wandb` が初期化されるマシンによっては、これらのデフォルトディレクトリがファイルシステム上の書き込み可能な場所に存在しない場合があります。この場合、エラーが発生する可能性があります。
-### ローカルの Artifacts キャッシュのクリーンアップ
+
+ ### ローカルの Artifacts キャッシュをクリーンアップする
+
-W&B は、ファイルを共有する バージョン 間のダウンロードを高速化するために Artifacts ファイルをキャッシュします。時間の経過とともに、このキャッシュ ディレクトリー は大容量になる可能性があります。[`wandb artifact cache cleanup`](/models/ref/cli/wandb-artifact/wandb-artifact-cache/) コマンドを実行して、キャッシュを整理し、最近使用されていないファイルを削除してください。
+W&B は、ファイルを共有する異なるバージョン間でのダウンロードを高速化するために artifact ファイルをキャッシュします。時間の経過とともに、このキャッシュ ディレクトリは大きくなっていく可能性があります。[`wandb artifact cache cleanup`](/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache/) コマンドを実行して、キャッシュを整理し、最近使用されていないファイルを削除してください。
-以下の コードスニペット は、キャッシュのサイズを 1GB に制限する方法を示しています。コードスニペット をコピーして ターミナル に貼り付けてください。
+次のコードスニペットは、キャッシュ サイズを 1GB に制限する方法を示しています。コードスニペットをコピーしてターミナルに貼り付けてください。
```bash
-# キャッシュサイズを 1GB に制限してクリーンアップ
$ wandb artifact cache cleanup 1GB
-```
\ No newline at end of file
+```
diff --git a/ja/models/artifacts/track-external-files.mdx b/ja/models/artifacts/track-external-files.mdx
index d0704735dc..d21e4d98ae 100644
--- a/ja/models/artifacts/track-external-files.mdx
+++ b/ja/models/artifacts/track-external-files.mdx
@@ -1,48 +1,50 @@
---
-title: 外部ファイルのトラッキング
-description: 外部 バケット 、HTTP ファイル サーバー 、または NFS シェアに保存されたファイルを追跡します。
+description: 外部バケット、HTTP ファイルサーバー、または NFS 共有に保存されたファイルを追跡します。
+title: 外部ファイルを追跡する
---
-W&B サーバーの外に保存されているファイルを追跡・利用するには、**リファレンス Artifacts** を使用します。一般的な外部ストレージソリューションには、CoreWeave AI Object Storage、Amazon Simple Storage Service (Amazon S3) バケット、GCS バケット、Azure blob、HTTP ファイルサーバー、NFS シェアなどがあります。
+*参照 Artifacts* を使用すると、W&B サーバー外に保存されたファイルを追跡して利用できます。一般的な外部ストレージソリューションには、CoreWeave AI Object Storage、Amazon Simple Storage Service (Amazon S3) バケット、GCS バケット、Azure blob、HTTP ファイルサーバー、NFS 共有などがあります。
-リファレンス Artifacts は、通常（非リファレンス）の Artifacts と同様に動作します。主な違いは、リファレンス Artifacts にはファイルサイズや MD5 チェックサムなどのファイルに関する メタデータ のみが含まれる点です。ファイル自体がお客様のシステムから外に出ることはありません。
+参照 Artifacts は、非参照 Artifacts と同様に動作します。主な違いは、参照 Artifacts がファイルのサイズや MD5 チェックサムなど、ファイルに関するメタデータのみで構成されている点です。ファイル自体があなたのシステムから離れることはありません。
-リファレンス Artifacts は、通常の Artifacts と同じように操作できます。W&B App では、ファイルブラウザを使用してリファレンス Artifact の内容を閲覧したり、完全な依存関係グラフを探索したり、Artifact のバージョン履歴をスキャンしたりできます。ただし、データ自体が Artifact 内に含まれていないため、UI 上で画像や音声などのリッチメディアをレンダリングすることはできません。
+参照 Artifacts とは、非参照 Artifacts と同様にやり取りできます。W&B App では、ファイルブラウザーを使って参照 Artifacts の内容を閲覧し、完全な依存関係グラフを確認し、 Artifacts のバージョン管理された履歴をざっと確認できます。ただし、 Artifacts 自体にデータが含まれていないため、UI は画像や音声などのリッチメディアをレンダリングできません。
-外部ファイルを追跡しない Artifact を ログ に記録する場合、W&B は Artifact のファイルを W&B サーバーに保存します。これは、W&B Python SDK で Artifacts を ログ に記録する際のデフォルトの 振る舞い です。
+ 外部ファイルを追跡しない Artifacts をログすると、W&B は Artifacts のファイルを W&B サーバーに保存します。これは、W&B Python SDK で Artifacts をログするときのデフォルトの動作です。
-外部ファイルを追跡する Artifact を ログ に記録する場合、W&B はオブジェクトの ETag やサイズなどの メタデータ を ログ に記録します。バケットでオブジェクトの バージョン管理 が有効になっている場合は、バージョン ID も ログ に記録されます。
+ 外部ファイルを追跡する Artifacts をログすると、W&B はオブジェクトの ETag やサイズなど、オブジェクトに関するメタデータをログします。バケットでオブジェクトのバージョン管理が有効になっている場合は、バージョン ID もログされます。
-以下のセクションでは、外部リファレンス Artifacts を追跡する方法について説明します。
+以下のセクションでは、外部参照 Artifacts を追跡する方法について説明します。
-## 外部バケット内の Artifact を追跡する
+
+ ## 外部バケット内の Artifacts を追跡する
+
-W&B Python SDK を使用して、W&B の外部に保存されているファイルへの参照を追跡します。
+W&B の外部に保存されたファイルへの参照を追跡するには、W&B Python SDK を使用します。
1. `wandb.init()` で run を初期化します。
-2. `wandb.Artifact()` で Artifact オブジェクトを作成します。
-3. Artifact オブジェクトの `wandb.Artifact.add_reference()` メソッドを使用して、バケットパスへの参照を指定します。
-4. `run.log_artifact()` で Artifact の メタデータ を ログ に記録します。
+2. `wandb.Artifact()` で Artifacts オブジェクトを作成します。
+3. Artifacts オブジェクトの `wandb.Artifact.add_reference()` メソッドで、バケットのパスへの参照を指定します。
+4. `run.log_artifact()` で Artifacts のメタデータをログに記録します。
```python
import wandb
-# W&B runを初期化
+# W&B の run を初期化する
with wandb.init(project="my-project") as run:
- # Artifactオブジェクトを作成
+ # Artifacts オブジェクトを作成する
artifact = wandb.Artifact(name="name", type="type")
- # バケットパスへの参照を追加
+ # バケットパスへの参照を追加する
artifact.add_reference(uri = "uri/to/your/bucket/path")
- # Artifactのメタデータをログに記録
+ # Artifacts のメタデータをログに記録する
run.log_artifact(artifact)
```
-例として、バケットが以下の ディレクトリー 構造を持っていると仮定します。
+例として、バケットに次のようなディレクトリ構造があるとします。
```text
s3://my-bucket
@@ -53,14 +55,14 @@ s3://my-bucket
|-- cnn/
```
-`datasets/mnist/` ディレクトリー には画像のコレクションが含まれています。この `datasets/mnist/` ディレクトリー を Datasets Artifact として追跡するには、以下のように指定します。
+`datasets/mnist/` ディレクトリには画像のコレクションが含まれています。この `datasets/mnist/` ディレクトリを データセット Artifacts として追跡するには、次のように指定します。
-1. Artifact に `"mnist"` などの名前を付けます。
-2. Artifact オブジェクトを構築する際、`type` パラメータ を `"dataset"` に設定します (`wandb.Artifact(type="dataset")`)。
-3. `wandb.Artifact.add_reference()` を呼び出す際に、`datasets/mnist/` ディレクトリー へのパスを Amazon S3 URI (`s3://my-bucket/datasets/mnist/`) として提供します。
-4. `run.log_artifact()` で Artifact を ログ に記録します。
+1. `"mnist"` などの Artifacts 名を指定します。
+2. Artifacts オブジェクトを構築するときに、`type` パラメーターを `"dataset"` に設定します（`wandb.Artifact(type="dataset")`）。
+3. `wandb.Artifact.add_reference()` を呼び出すときに、`datasets/mnist/` ディレクトリへのパスを Amazon S3 URI（`s3://my-bucket/datasets/mnist/`）として指定します。
+4. `run.log_artifact()` で Artifacts をログに記録します。
-以下の コードスニペット は、リファレンス Artifact `mnist:latest` を作成します。
+次のコードサンプルは、参照 Artifacts `mnist:latest` を作成します。
```python
import wandb
@@ -71,21 +73,23 @@ with wandb.init(project="my-project") as run:
run.log_artifact(artifact)
```
-W&B App 内では、ファイルブラウザを使用してリファレンス Artifact の内容を確認したり、[完全な依存関係グラフを探索](/models/artifacts/explore-and-traverse-an-artifact-graph/)したり、Artifact のバージョン履歴をスキャンしたりできます。データ自体が Artifact 内に含まれていないため、W&B App は画像や音声などのリッチメディアをレンダリングしません。
+W&B App 内では、ファイルブラウザーで参照 Artifacts の内容を閲覧したり、[完全な依存グラフを探索](/ja/models/artifacts/explore-and-traverse-an-artifact-graph/)したり、 Artifacts のバージョン履歴を確認したりできます。データ自体は Artifacts 内に格納されていないため、W&B App は画像や音声などのリッチメディアをレンダリングしません。
-W&B Artifacts は、CoreWeave Storage や MinIO を含む、あらゆる Amazon S3 互換インターフェースをサポートしています。以下のスクリプトは、環境変数 `AWS_S3_ENDPOINT_URL` を CoreWeave Storage または MinIO サーバーを指すように設定することで、両方のプロバイダーでそのまま動作します。
+ W&B Artifacts は、CoreWeave Storage や MinIO を含む任意の Amazon S3 互換インターフェイスをサポートします。以下で説明するスクリプトは、`AWS_S3_ENDPOINT_URL` 環境変数を CoreWeave Storage または MinIO サーバーを指すように設定すれば、どちらのプロバイダーでもそのまま動作します。
-デフォルトでは、W&B はオブジェクトプレフィックスを追加する際に 10,000 オブジェクトの制限を設けています。この制限を調整するには、`wandb.Artifact.add_reference()` を呼び出す際に `max_objects=` を指定します。
+ デフォルトでは、W&B はオブジェクトプレフィックスを追加する際に 10,000 個のオブジェクト上限を設けています。`wandb.Artifact.add_reference()` を呼び出すときに `max_objects=` を指定することで、この上限を調整できます。
-## 外部バケットから Artifact をダウンロードする
+
+ ## 外部バケットから Artifacts をダウンロードする
+
-リファレンス Artifact をダウンロードする際、W&B は Artifact が ログ に記録されたときに記録された メタデータ を使用して、基盤となるバケットからファイルを取得します。バケットでオブジェクトの バージョン管理 が有効になっている場合、W&B は Artifact が ログ に記録された時点のファイルの状態に対応するオブジェクト バージョン を取得します。バケットの内容が変化しても、Artifact が トレーニング run 中のバケットの スナップショット として機能するため、特定の モデル が トレーニング された際の正確な バージョン の データ を常に参照できます。
+W&B は、 Artifacts がログされたときに記録されたメタデータを使用して参照 Artifacts をダウンロードする際に、基盤となるバケットからファイルを取得します。バケットでオブジェクトバージョニングが有効になっている場合、W&B は Artifacts がログされた時点のファイルの状態に対応するオブジェクトバージョンを取得します。バケットの内容を更新し続けても、 Artifacts がトレーニング run 中のバケットのスナップショットとして機能するため、特定のモデルがトレーニングされたデータの正確なバージョンを常に参照できます。
-以下の コードスニペット は、リファレンス Artifact をダウンロードする方法を示しています。Artifact をダウンロードするための API は、リファレンス Artifact と非リファレンス Artifact の両方で共通です。
+次のコードサンプルは、参照 Artifacts をダウンロードする方法を示しています。 Artifacts をダウンロードするための API は、参照 Artifacts と非参照 Artifacts の両方で同じです。
```python
import wandb
@@ -96,34 +100,36 @@ with wandb.init(project="my-project") as run:
```
-ワークフローの一部としてファイルを上書きする場合は、ストレージバケットで「オブジェクトの バージョン管理 (Object Versioning)」を有効にすることをお勧めします。
+ ワークフローの一環としてファイルを上書きする場合は、ストレージ バケットで「Object Versioning」を有効にすることを W&B は推奨します。
-バージョン管理 が有効であれば、Artifact が ログ に記録された後にファイルが上書きされたとしても、Artifact をダウンロードする際に W&B は常に正しい バージョン のファイルを取得できます。
+ バージョニングが有効になっていれば、 Artifacts をダウンロードする際に、その Artifacts をログしてからファイルが上書きされていたとしても、W&B は常に正しいバージョンのファイルを取得できます。
-ユースケース に応じて、オブジェクトの バージョン管理 を有効にするための手順を確認してください: [AWS](https://docs.aws.amazon.com/AmazonS3/latest/userguide/manage-versioning-examples.html), [Google Cloud](https://cloud.google.com/storage/docs/using-object-versioning#set), [Azure](https://learn.microsoft.com/azure/storage/blobs/versioning-enable)
+ ユースケースに応じて、オブジェクト バージョニングを有効にするための手順については、[AWS](https://docs.aws.amazon.com/AmazonS3/latest/userguide/manage-versioning-examples.html)、[Google Cloud](https://cloud.google.com/storage/docs/using-object-versioning#set)、[Azure](https://learn.microsoft.com/azure/storage/blobs/versioning-enable) のドキュメントを参照してください。
-## 外部バケットからの追加とダウンロード
+
+ ## バケットから外部 Artifacts を追加してダウンロードする
+
-以下の コードスニペット は、データセット を Amazon S3 バケットにアップロードし、それをリファレンス Artifact で追跡してからダウンロードする例です。
+次のコードサンプルは、データセットを Amazon S3 バケットにアップロードし、参照 Artifacts として追跡し、その後ダウンロードします。
```python
import boto3
import wandb
with wandb.init() as run:
- # ここでトレーニングを行う...
+ # ここでトレーニングを実行...
s3_client = boto3.client("s3")
s3_client.upload_file(file_name="my_model.h5", bucket="my-bucket", object_name="models/cnn/my_model.h5")
- # モデルArtifactをログに記録
+ # モデルの Artifacts をログする
model_artifact = wandb.Artifact("cnn", type="model")
model_artifact.add_reference("s3://my-bucket/models/cnn/")
run.log_artifact(model_artifact)
```
-後ほど、モデル Artifact をダウンロードできます。Artifact の名前とタイプを指定します。
+後でモデル Artifacts をダウンロードできます。 Artifacts の名前と種類を指定します。
```python
import wandb
@@ -134,63 +140,69 @@ with wandb.init() as run:
```
-Google Cloud または Azure でリファレンスによって Artifacts を追跡する方法のエンドツーエンドのチュートリアルについては、以下の レポート を参照してください。
+ Google Cloud または Azure で Artifacts を参照として追跡するエンドツーエンドの手順については、以下の Reports を参照してください:
-* [Guide to Tracking Artifacts by Reference with Google Cloud](https://wandb.ai/stacey/artifacts/reports/Tracking-Artifacts-by-Reference--Vmlldzo1NDMwOTE)
-* [Working with Reference Artifacts in Microsoft Azure](https://wandb.ai/andrea0/azure-2023/reports/Efficiently-Harnessing-Microsoft-Azure-Blob-Storage-with-Weights-Biases--Vmlldzo0NDA2NDgw)
+ * [Google Cloud を使用した参照による Artifacts 追跡ガイド](https://wandb.ai/stacey/artifacts/reports/Tracking-Artifacts-by-Reference--Vmlldzo1NDMwOTE)
+ * [Microsoft Azure での参照 Artifacts の活用](https://wandb.ai/andrea0/azure-2023/reports/Efficiently-Harnessing-Microsoft-Azure-Blob-Storage-with-Weights-Biases--Vmlldzo0NDA2NDgw)
-## クラウドストレージの認証情報
+
+ ## クラウドストレージの認証情報
+
-W&B は、使用しているクラウドプロバイダーに基づいたデフォルトの認証情報検索メカニズムを使用します。使用される認証情報の詳細については、各クラウドプロバイダーの ドキュメント を参照してください。
+W&B は、利用しているクラウドプロバイダーに応じて、認証情報を取得するためのデフォルトメカニズムを使用します。使用される認証情報の詳細については、各クラウドプロバイダーのドキュメントを参照してください。
-| クラウドプロバイダー | 認証情報ドキュメント |
+| クラウドプロバイダー | 認証情報のドキュメント |
| -------------- | ------------------------- |
| CoreWeave AI Object Storage | [CoreWeave AI Object Storage documentation](https://docs.coreweave.com/docs/products/storage/object-storage/how-to/manage-access-keys/cloud-console-tokens) |
| AWS | [Boto3 documentation](https://boto3.amazonaws.com/v1/documentation/api/latest/guide/credentials.html#configuring-credentials) |
| Google Cloud | [Google Cloud documentation](https://cloud.google.com/docs/authentication/provide-credentials-adc) |
| Azure | [Azure documentation](https://learn.microsoft.com/python/api/azure-identity/azure.identity.defaultazurecredential?view=azure-python) |
-AWS の場合、バケットが設定済みの ユーザー のデフォルトリージョンにない場合は、バケットのリージョンに合わせて `AWS_REGION` 環境変数を設定する必要があります。
+AWS の場合、バケットがそのユーザーのデフォルトリージョンとは異なるリージョンにある場合は、バケットのリージョンに合わせて `AWS_REGION` 環境変数を設定する必要があります。
-画像、音声、ビデオ、ポイントクラウドなどのリッチメディアは、バケットの CORS 設定によっては App UI でのレンダリングに失敗する場合があります。バケットの CORS 設定で **app.wandb.ai** を許可リストに追加することで、W&B App がこれらのリッチメディアを適切に表示できるようになります。
+ 画像、音声、動画、ポイントクラウドなどのリッチメディアは、バケットの CORS 設定によっては App UI で正しくレンダリングされないことがあります。バケットの CORS 設定で **app.wandb.ai** を allowlist に追加することで、W&B App でこのようなリッチメディアを正しくレンダリングできるようになります。
-リッチメディアが App UI でレンダリングされない場合は、バケットの CORS ポリシーで `app.wandb.ai` が許可されていることを確認してください。
+ 画像、音声、動画、ポイントクラウドなどのリッチメディアが App UI に表示されない場合は、バケットの CORS ポリシーで `app.wandb.ai` が allowlist に含まれていることを確認してください。
-## ファイルシステム内の Artifact を追跡する
+
+ ## ファイルシステム上の Artifacts を追跡する
+
-データセット への アクセス における一般的なパターンは、トレーニング ジョブを実行するすべてのマシンに対して、リモートファイルシステムへの NFS マウントポイントを公開することです。トレーニングスクリプト の観点からはファイルがローカルの ファイルシステム にあるように見えるため、これはクラウドストレージバケットの代替ソリューションとなります。
+データセットにアクセスする一般的な方法として、トレーニングジョブを実行しているすべてのマシンから、リモートファイルシステムへの NFS マウントポイントを公開するパターンがあります。これはクラウドストレージバケットの代替ソリューションになり得ます。トレーニングスクリプトから見ると、ファイルはローカルのファイルシステム上に存在するかのように見えるためです。
-ファイルシステム 内の Artifact を追跡するには：
+{/* マウントの有無に関係なく、ファイルシステムへの参照を追跡するには W&B Artifacts を使用します。 */}
+
+ファイルシステム上の Artifacts を追跡するには、次の手順に従います。
1. `wandb.init()` で run を初期化します。
-2. `wandb.Artifact()` で Artifact オブジェクトを作成します。
-3. Artifact オブジェクトの `wandb.Artifact.add_reference()` メソッドを使用して、ファイルシステムパスへの参照を指定します。
-4. `run.log_artifact()` で Artifact の メタデータ を ログ に記録します。
+2. `wandb.Artifact()` で Artifacts オブジェクトを作成します。
+3. Artifacts オブジェクトの `wandb.Artifact.add_reference()` メソッドで、ファイルシステム上のパスへの参照を指定します。
+4. `run.log_artifact()` で Artifacts のメタデータをログに記録します。
-マウントされた ファイルシステム 内のファイルを追跡するには、以下の コードスニペット をコピー＆ペーストしてください。山括弧 (`< >`) で囲まれた 値 は、ご自身のものに置き換えてください。
+マウントされたファイルシステム上のファイルを追跡するには、次のコードスニペットをコピー＆ペーストして使用してください。山かっこ（`< >`）で囲まれた値は、ご自身の値に置き換えてください。
```python
import wandb
-# runを初期化
+# run を初期化する
with wandb.init(entity="", project="") as run:
- # Artifactオブジェクトを作成
+ # Artifacts オブジェクトを作成する
artifact = wandb.Artifact(name="", type="")
- # ファイルシステムパスへの参照を追加
+ # ファイルシステムパスへの参照を追加する
artifact.add_reference("file:///path/to/dataset/")
- # Artifactをログに記録（メタデータのみ）
+ # Artifacts をログに記録する（メタデータのみ）
run.log_artifact(artifact)
```
-URL 内のトリプルスラッシュに注意してください。最初のコンポーネントは ファイルシステム 参照の使用を示す `file://` プレフィックスです。2 番目のコンポーネントは ファイルシステム のルート `/` です。残りのコンポーネントは、追跡したい ディレクトリー またはファイルへのパスです。
+URL でスラッシュが 3 つ続いている点に注意してください。最初の部分は、ファイルシステム参照を使用することを示す `file://` プレフィックスです。2 つ目の部分はファイルシステムのルート `/` を表します。残りの部分は、追跡したいディレクトリまたはファイルへのパスです。
-例として、`/mount` にマウントされた ファイルシステム が以下の構造を持っているとします。
+例として、次の構造を持つファイルシステムが `/mount` にマウントされているとします：
```text
mount
@@ -200,7 +212,7 @@ mount
|-- cnn/
```
-`datasets/mnist/` ディレクトリー を Datasets Artifact として追跡したい場合、以下の コードスニペット を使用できます。
+`datasets/mnist/` ディレクトリをデータセット Artifacts として追跡したいとします。そのためには、次のコードスニペットを使用できます。
```python
import wandb
@@ -211,40 +223,42 @@ with wandb.init() as run:
run.log_artifact(artifact)
```
-これにより、`/mount/datasets/mnist/` の下に保存されているファイルを指すリファレンス Artifact `mnist:latest` が作成されます。
+これは、`/mount/datasets/mnist/` 配下に保存されているファイルを指す参照 Artifacts `mnist:latest` を作成します。
-デフォルトでは、W&B は ディレクトリー への参照を追加する際に 10,000 ファイルの制限を設けています。この制限を調整するには、`wandb.Artifact.add_reference()` を呼び出す際に `max_objects=` を指定します。
+ デフォルトでは、W&B はディレクトリへの参照を追加する際、ファイル数の上限を 10,000 個に制限します。この上限は、`wandb.Artifact.add_reference()` を呼び出すときに `max_objects=` を指定することで調整できます。
-同様に、`models/cnn/my_model.h5` に保存されている モデル を追跡するには、以下の コードスニペット を使用できます。
+同様に、`models/cnn/my_model.h5` に保存されているモデルを追跡するには、次のコードスニペットを使用します。
```python
import wandb
with wandb.init() as run:
- # ここでトレーニングを行う...
+ # ここでトレーニング...
# モデルをディスクに書き込む
- # Artifactオブジェクトを作成
+ # Artifacts オブジェクトを作成する
model_artifact = wandb.Artifact("cnn", type="model")
- # モデルファイルパスへの参照を追加
+ # モデルファイルパスへの参照を追加する
model_artifact.add_reference("file:///mount/cnn/my_model.h5")
- # W&BにArtifactをログとして記録
+ # Artifacts を W&B にログする
run.log_artifact(model_artifact)
```
-## 外部ファイルシステムから Artifact をダウンロードする
+
+ ## 外部ファイルシステムから Artifacts をダウンロードする
+
-リファレンスされた ファイルシステム からファイルをダウンロードするには、非リファレンス Artifact と同じ API を使用します。
+参照ファイルシステムから、非参照 Artifacts と同じ API を使ってファイルをダウンロードします。
1. `wandb.init()` で run を初期化します。
-2. `wandb.Run.use_artifact()` メソッドを使用して、ダウンロードしたい Artifact を指定します。
-3. Artifact の `wandb.Artifact.download()` メソッドを呼び出して、参照先の ファイルシステム からファイルをダウンロードします。
+2. `wandb.Run.use_artifact()` メソッドを使って、ダウンロードしたい Artifacts を指定します。
+3. Artifacts の `wandb.Artifact.download()` メソッドを呼び出して、参照ファイルシステムからファイルをダウンロードします。
```python
with wandb.init() as run:
@@ -252,8 +266,20 @@ with wandb.init() as run:
artifact_dir = artifact.download()
```
-W&B は `/mount/datasets/mnist` の内容を `artifacts/mnist:v0/` ディレクトリー にコピーします。
+W&B は `/mount/datasets/mnist` の内容を `artifacts/mnist:v0/` ディレクトリにコピーします。
-`Artifact.download()` は、Artifact を再構成できない場合にエラーをスローします。例えば、上書きされたファイルへの参照が Artifact に含まれている場合、Artifact を再構成できなくなるため、`Artifact.download()` はエラーをスローします。
-
\ No newline at end of file
+ `Artifact.download()` は、 Artifacts を復元できない場合にエラーをスローします。たとえば、 Artifacts に上書きされたファイルへの参照が含まれている場合、その Artifacts はもはや復元できないため、`Artifact.download()` はエラーをスローします。
+
+
+{/* ### run の外部で Artifacts をログする
+
+ run の外部で Artifacts をログすると、W&B は run を作成します。各 Artifacts は run に属し、その run はさらにプロジェクトに属します。 Artifacts（バージョン）はコレクションにも属し、type を持ちます。
+
+ [`wandb artifact put`](/models/ref/cli/wandb-artifact/wandb-artifact-put) コマンドを使用して、W&B run の外部から W&B サーバーに Artifacts をアップロードします。 Artifacts を所属させたいプロジェクト名と、 Artifacts 名（`project/artifact_name`）を指定します。オプションで type（`TYPE`）を指定します。以下のコードスニペット中の `PATH` を、アップロードしたい Artifacts のファイルパスに置き換えてください。
+
+ ```bash
+ $ wandb artifact put --name project/artifact_name --type TYPE PATH
+ ```
+
+ 指定したプロジェクトが存在しない場合、W&B は新しいプロジェクトを作成します。 Artifacts のダウンロード方法については、[Download and use artifacts](/models/artifacts/download-and-use-an-artifact) を参照してください。 */}
diff --git a/ja/models/artifacts/ttl.mdx b/ja/models/artifacts/ttl.mdx
index 4e79131f45..7248c802c3 100644
--- a/ja/models/artifacts/ttl.mdx
+++ b/ja/models/artifacts/ttl.mdx
@@ -1,251 +1,269 @@
---
-title: Artifact のデータ保持の管理
-description: Time to live (TTL) ポリシー
+description: 有効期限ポリシー (TTL)
+title: Artifacts データの保持を管理する
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
-W&B は、Registry にリンクされた Artifacts に対して TTL ポリシーを設定するオプションを無効にします。これは、プロダクションワークフローで使用されるリンクされた Artifacts が誤って期限切れにならないようにするためです。
+ W&B は Registry にリンクされた Artifacts に対して TTL ポリシーを設定するオプションを無効にします。これは、本番ワークフローで使用されているリンク済み Artifacts が誤って期限切れにならないようにするためです。
+
-* チーム管理者のみが [チームの設定](/platform/app/settings-page/teams) を表示し、（1）TTL ポリシーを設定または編集できる人の許可、または（2）チームのデフォルト TTL の設定といった、チームレベルの TTL 設定にアクセスできます。
-* W&B アプリ UI の Artifact の詳細に TTL ポリシーを設定または編集するオプションが表示されない場合、またはプログラムで TTL を設定しても Artifact の TTL プロパティが正常に変更されない場合は、チーム管理者がその権限を付与していない可能性があります。
+ * [team's settings](/ja/platform/app/settings-page/teams) を閲覧し、(1) 誰が TTL ポリシーを設定または編集できるかの許可、(2) チームのデフォルト TTL の設定といったチームレベルの TTL 設定にアクセスできるのは、チーム管理者のみです。
+ * W&B App UI の Artifacts の詳細に TTL ポリシーを設定または編集するオプションが表示されない場合、あるいはプログラムで TTL を設定しても Artifacts の TTL プロパティが正常に変更されない場合は、チーム管理者からその操作の権限が付与されていません。
-## 自動生成された Artifacts
-TTL ポリシーを使用できるのは、ユーザーが生成した Artifacts のみです。W&B によって自動生成された Artifacts に TTL ポリシーを設定することはできません。
+
+ ## 自動生成された Artifacts
+
+
+TTL ポリシーを使用できるのは、ユーザーが生成した Artifacts のみです。W&B によって自動生成された Artifacts には TTL ポリシーを設定できません。
-以下の Artifact タイプは、自動生成された Artifact であることを示します：
-- `run_table`
-- `code`
-- `job`
-- `wandb-*` で始まるすべての Artifact タイプ
+次の Artifacts の type は、自動生成された Artifacts であることを示します。
-Artifact のタイプは、[W&B プラットフォーム](/models/artifacts/explore-and-traverse-an-artifact-graph/) またはプログラムで確認できます：
+* `run_table`
+* `code`
+* `job`
+* `wandb-*` で始まる任意の Artifacts type
+
+[W&B プラットフォーム](/ja/models/artifacts/explore-and-traverse-an-artifact-graph/) 上で、またはプログラムから Artifacts の type を確認できます。
```python
import wandb
-# プロジェクト名を指定して run を初期化
with wandb.init(project="") as run:
- # Artifact を取得
artifact = run.use_artifact(artifact_or_name="")
- # Artifact のタイプを表示
print(artifact.type)
```
-`<>` で囲まれた値は、ご自身の環境の値に置き換えてください。
+`<>` で囲まれている値をご自身の値に置き換えてください。
+
+
+ ## TTL ポリシーを編集・設定できるメンバーを定義する
+
-## TTL ポリシーを編集および設定できるユーザーの定義
-チーム内で TTL ポリシーを設定および編集できるユーザーを定義します。TTL 権限をチーム管理者のみに付与するか、チーム管理者とチームメンバーの両方に付与するかを選択できます。
+チーム内で誰が TTL ポリシーを設定および編集できるかを定義します。TTL の権限をチーム管理者のみに付与するか、チーム管理者とチームメンバーの両方に付与するかを選択できます。
-TTL ポリシーを設定または編集できるユーザーを定義できるのは、チーム管理者のみです。
+ TTL ポリシーを設定・編集できるメンバーを定義できるのはチーム管理者のみです。
1. チームのプロフィールページに移動します。
2. **Settings** タブを選択します。
-3. **Artifacts time-to-live (TTL)** セクションに移動します。
-4. **TTL permissions** ドロップダウンから、TTL ポリシーを設定および編集できるユーザーを選択します。
-5. **Review and save settings** をクリックします。
-6. 変更内容を確認し、**Save settings** を選択します。
+3. **Artifacts time-to-live (TTL) section** に移動します。
+4. **TTL permissions dropdown** から、誰が TTL ポリシーを設定および編集できるかを選択します。
+5. **Review and save settings** をクリックします。
+6. 変更内容を確認し、**Save settings** を選択します。
+ ## TTL ポリシーを作成する
+
-以下のすべてのコードスニペットにおいて、`<>` で囲まれた内容はご自身の情報に置き換えて使用してください。
+Artifacts の TTL ポリシーは、 Artifacts を作成する際にも、作成後に遡って設定することもできます。
-### Artifact 作成時に TTL ポリシーを設定する
-W&B Python SDK を使用して、Artifact 作成時に TTL ポリシーを定義します。TTL ポリシーは通常「日単位」で定義されます。
+以下のすべてのコードスニペットでは、`<>` で囲まれている内容を、ご自身の情報に置き換えてから使用してください。
+
+
+ ### Artifacts 作成時に TTL ポリシーを設定する
+
+
+Artifacts を作成するときに TTL ポリシーを定義するには、W&B Python SDK を使用します。TTL ポリシーは通常、日数単位で定義します。
-Artifact 作成時に TTL ポリシーを定義する方法は、通常の [Artifact の作成](/models/artifacts/construct-an-artifact/) 方法と似ていますが、Artifact の `ttl` 属性に time delta を渡す点が異なります。
+ Artifacts 作成時に TTL ポリシーを定義する手順は、通常の [Artifacts の作成](/ja/models/artifacts/construct-an-artifact/) とほぼ同じです。唯一の違いは、 Artifacts の `ttl` 属性に time delta を渡す点です。
-手順は以下の通りです：
+手順は次のとおりです。
-1. [Artifact を作成](/models/artifacts/construct-an-artifact/) します。
-2. ファイル、ディレクトリー、またはリファレンスなどの [コンテンツを Artifact に追加](/models/artifacts/construct-an-artifact/#add-files-to-an-artifact) します。
-3. Python 標準ライブラリの [`datetime.timedelta`](https://docs.python.org/3/library/datetime.html) データ型を使用して TTL 時間制限を定義します。
-4. [Artifact をログ](/models/artifacts/construct-an-artifact/#3-save-your-artifact-to-the-wb-server) します。
+1. [Artifacts を作成する](/ja/models/artifacts/construct-an-artifact/)。
+2. ファイル、ディレクトリ、または参照などの [内容を Artifacts に追加する](/ja/models/artifacts/construct-an-artifact/#add-files-to-an-artifact)。
+3. Python の標準ライブラリの一部である [`datetime.timedelta`](https://docs.python.org/3/library/datetime.html) データ型を使って TTL の制限時間を定義する。
+4. [Artifacts をログする](/ja/models/artifacts/construct-an-artifact/#3-save-your-artifact-to-the-wb-server)。
-以下のコードスニペットは、Artifact を作成し、TTL ポリシーを設定する方法を示しています。
+次のコードスニペットは、 Artifacts を作成して TTL ポリシーを設定する方法を示しています。
```python
import wandb
from datetime import timedelta
-# プロジェクト名とエンティティを指定して run を初期化
with wandb.init(project="", entity="") as run:
- # Artifact オブジェクトを作成
artifact = wandb.Artifact(name="", type="")
- # ファイルを追加
artifact.add_file("")
- # TTL ポリシーを設定（例：30日間）
- artifact.ttl = timedelta(days=30)
- # Artifact をログ
+ artifact.ttl = timedelta(days=30) # TTL ポリシーを設定
run.log_artifact(artifact)
```
-上記のコードスニペットでは、Artifact の TTL ポリシーを 30 日間に設定しています。つまり、W&B は 30 日後にこの Artifact を削除します。
+直前のコードスニペットは、 Artifacts の TTL ポリシーを 30 日に設定します。つまり、W&B は 30 日後にその Artifacts を削除します。
-### Artifact 作成後に TTL ポリシーを設定または編集する
-W&B アプリ UI または W&B Python SDK を使用して、既存の Artifact に TTL ポリシーを定義します。
+
+ ### Artifacts 作成後に TTL ポリシーを設定または編集する
+
+
+既に存在する Artifacts に対して TTL ポリシーを定義するには、W&B App UI または W&B Python SDK を使用します。
-Artifact の TTL を変更しても、Artifact が期限切れになるまでの時間は、その Artifact の `createdAt` タイムスタンプを基準に計算されます。
+ Artifacts の TTL を変更しても、有効期限までの時間は、引き続き Artifacts の `createdAt` タイムスタンプを基準に計算されます。
-
-1. [Artifact を取得](/models/artifacts/download-and-use-an-artifact/) します。
-2. Artifact の `ttl` 属性に time delta を渡します。
-3. [`save`](/models/ref/python/experiments/run#save) メソッドを使用して Artifact を更新します。
-
-以下のコードスニペットは、Artifact に TTL ポリシーを設定する方法を示しています：
-```python
-import wandb
-from datetime import timedelta
-
-# 既存の Artifact を取得
-artifact = run.use_artifact("")
-# TTL ポリシーを設定（例：2年後に削除）
-artifact.ttl = timedelta(days=365 * 2)
-# 変更を保存
-artifact.save()
-```
-
-上記のコード例では、TTL ポリシーを 2 年間に設定しています。
-
-
-1. W&B アプリ UI で W&B プロジェクトに移動します。
-2. 左パネルの Artifact アイコンを選択します。
-3. Artifacts のリストから、対象の Artifact タイプを展開します。
-4. TTL ポリシーを編集したい Artifact バージョンを選択します。
-5. **Version** タブをクリックします。
-6. ドロップダウンから **Edit TTL policy** を選択します。
-7. 表示されたモーダルで、TTL policy ドロップダウンから **Custom** を選択します。
-8. **TTL duration** フィールドに、TTL ポリシーを日単位で設定します。
-9. **Update TTL** ボタンを選択して変更を保存します。
-
-
+
+ 1. [Artifacts を取得します](/ja/models/artifacts/download-and-use-an-artifact/)。
+ 2. Artifacts の `ttl` 属性に time delta を渡します。
+ 3. [`save`](/ja/models/ref/python/experiments/run#save) メソッドで Artifacts を更新します。
+
+ 次のコードスニペットは、 Artifacts に TTL ポリシーを設定する方法を示します。
+
+ ```python
+ import wandb
+ from datetime import timedelta
+
+ artifact = run.use_artifact("")
+ artifact.ttl = timedelta(days=365 * 2) # 2 年後に削除
+ artifact.save()
+ ```
+
+ 上記のコード例では、TTL ポリシーを 2 年に設定しています。
+
+
+
+ 1. W&B App UI で自分の W&B プロジェクトに移動します。
+ 2. プロジェクトのサイドバーで Artifacts のアイコンを選択します。
+ 3. Artifacts の一覧から、展開したい Artifacts タイプを選択します。
+ 4. TTL ポリシーを編集したい Artifacts バージョンを選択します。
+ 5. **Version** タブをクリックします。
+ 6. ドロップダウンから **Edit TTL policy** を選択します。
+ 7. 表示されるモーダル内の TTL ポリシーのドロップダウンで **Custom** を選択します。
+ 8. **TTL duration** フィールドで、TTL ポリシーを日数単位で設定します。
+ 9. **Update TTL** ボタンを選択して変更を保存します。
+
+
-### チームのデフォルト TTL ポリシーを設定する
+
+ ### チームのデフォルト TTL ポリシーを設定する
+
-チームのデフォルト TTL ポリシーを設定できるのは、チーム管理者のみです。
+ チームのデフォルト TTL ポリシーを設定できるのはチーム管理者のみです。
-チームのデフォルト TTL ポリシーを設定します。デフォルト TTL ポリシーは、それぞれの作成日に基づいて、既存および将来のすべての Artifacts に適用されます。すでにバージョンレベルで TTL ポリシーが設定されている Artifacts は、チームのデフォルト TTL の影響を受けません。
+チームにデフォルトの TTL ポリシーを設定します。デフォルト TTL ポリシーは、それぞれの作成日に基づいて、既存および将来のすべての Artifacts に適用されます。すでにバージョンレベルの TTL ポリシーが設定されている Artifacts は、チームのデフォルト TTL の影響を受けません。
-1. チームのプロフィールページに移動します。
+1. チームのプロフィール ページに移動します。
2. **Settings** タブを選択します。
-3. **Artifacts time-to-live (TTL)** セクションに移動します。
-4. **Set team's default TTL policy** をクリックします。
-5. **Duration** フィールドに、TTL ポリシーを日単位で設定します。
+3. **Artifacts time-to-live (TTL) セクション** に移動します。
+4. **Set team's default TTL policy** をクリックします。
+5. **Duration** フィールドで、TTL ポリシーを日数単位で設定します。
6. **Review and save settings** をクリックします。
-7. 変更内容を確認し、**Save settings** を選択します。
+ 7/ 変更内容を確認し、**Save settings** を選択します。
+ ### run の外で TTL ポリシーを設定する
+
-Public API を使用して、Run を取得せずに Artifact を取得し、TTL ポリシーを設定します。TTL ポリシーは通常「日単位」で定義されます。
+パブリック API を使用して run を取得せずに Artifacts を取得し、TTL ポリシーを設定します。TTL ポリシーは通常、日数で指定します。
-以下のコードサンプルは、Public API を使用して Artifact を取得し、TTL ポリシーを設定する方法を示しています。
+次のコード サンプルは、パブリック API を使用して Artifacts を取得し、TTL ポリシーを設定する方法を示しています。
-```python
+```python
api = wandb.Api()
-# Artifact を取得
artifact = api.artifact("entity/project/artifact:alias")
-# TTL ポリシーを設定（例：1年後に削除）
-artifact.ttl = timedelta(days=365)
+artifact.ttl = timedelta(days=365) # 1年後に削除
-# 変更を保存
artifact.save()
```
-## TTL ポリシーの無効化
-W&B Python SDK または W&B アプリ UI を使用して、特定の Artifact バージョンの TTL ポリシーを無効にします。
+
+ ## TTL ポリシーを無効化する
+
-
-
-1. [Artifact を取得](/models/artifacts/download-and-use-an-artifact/) します。
-2. Artifact の `ttl` 属性を `None` に設定します。
-3. [`save`](/models/ref/python/experiments/run#save) メソッドを使用して Artifact を更新します。
+特定の Artifacts バージョンに対する TTL ポリシーを無効化するには、W&B Python SDK または W&B App UI を使用します。
-以下のコードスニペットは、Artifact の TTL ポリシーをオフにする方法を示しています：
-```python
-# Artifact を取得
-artifact = run.use_artifact("")
-# TTL を None に設定して無効化
-artifact.ttl = None
-# 変更を保存
-artifact.save()
-```
-
-
-1. W&B アプリ UI で W&B プロジェクトに移動します。
-2. 左パネルの Artifact アイコンを選択します。
-3. Artifacts のリストから、対象の Artifact タイプを展開します。
-4. TTL ポリシーを編集したい Artifact バージョンを選択します。
-5. **Version** タブをクリックします。
-6. **Link to registry** ボタンの隣にある「三点リーダー（...）」アイコンをクリックします。
-7. ドロップダウンから **Edit TTL policy** を選択します。
-8. 表示されたモーダルで、TTL policy ドロップダウンから **Deactivate** を選択します。
-9. **Update TTL** ボタンを選択して変更を保存します。
+{/*
+ TTL を無効にした Artifacts は、 Artifacts コレクションの TTL を継承しません。 Artifacts の TTL を削除し、コレクション レベルの TTL を継承させる方法については、「## Inherit TTL Policy」セクションを参照してください。
+ */}
-
+
+
+ 1. [Artifacts を取得します](/ja/models/artifacts/download-and-use-an-artifact/)。
+ 2. Artifacts の `ttl` 属性を `None` に設定します。
+ 3. [`save`](/ja/models/ref/python/experiments/run#save) メソッドで Artifacts を更新します。
+
+ 次のコードスニペットは、 Artifacts の TTL ポリシーを無効化する方法を示しています。
+
+ ```python
+ artifact = run.use_artifact("")
+ artifact.ttl = None
+ artifact.save()
+ ```
+
+
+
+ 1. W&B App UI で自分の W&B プロジェクトに移動します。
+ 2. プロジェクトのサイドバーで Artifacts アイコンを選択します。
+ 3. Artifacts の一覧から、展開したい Artifacts タイプをクリックして展開します。
+ 4. TTL ポリシーを編集したい Artifacts バージョンを選択します。
+ 5. Version タブをクリックします。
+ 6. **Link to registry** ボタンの横にあるミートボール UI アイコンをクリックします。
+ 7. ドロップダウンから **Edit TTL policy** を選択します。
+ 8. 表示されるモーダルで、TTL ポリシーのドロップダウンから **Deactivate** を選択します。
+ 9. **Update TTL** ボタンをクリックして変更を保存します。
+
+
-## TTL ポリシーの表示
-Python SDK または W&B アプリ UI を使用して、Artifacts の TTL ポリシーを表示します。
+
+ ## TTL ポリシーを表示する
+
+
+Python SDK または W&B App UI を使用して、 Artifacts の TTL ポリシーを表示します。
-
-print 文を使用して Artifact の TTL ポリシーを表示します。以下の例は、Artifact を取得してその TTL ポリシーを表示する方法を示しています：
+
+ `print` 文を使用して、 Artifacts の TTL ポリシーを表示します。次の例は、 Artifacts を取得してその TTL ポリシーを確認する方法を示しています。
-```python
-# Artifact を取得
-artifact = run.use_artifact("")
-# TTL ポリシーを表示
-print(artifact.ttl)
-```
-
-
-W&B アプリ UI で Artifact の TTL ポリシーを表示します。
+ ```python
+ artifact = run.use_artifact("")
+ print(artifact.ttl)
+ ```
+
-1. [W&B App](https://wandb.ai) に移動します。
-2. W&B プロジェクトに移動します。
-3. プロジェクト内で、左サイドバーの Artifacts タブを選択します。
-4. コレクションをクリックします。
+
+ W&B App UI を使用して Artifacts の TTL ポリシーを表示します。
-コレクションビュー内では、選択したコレクション内のすべての Artifacts を確認できます。`Time to Live` 列に、その Artifact に割り当てられた TTL ポリシーが表示されます。
+ 1. [W&B App](https://wandb.ai) にアクセスします。
+ 2. 自分の W&B Project に移動します。
+ 3. プロジェクト内で、プロジェクトサイドバーの Artifacts タブを選択します。
+ 4. コレクションをクリックします。
-
+ コレクションビューでは、選択したコレクション内のすべての Artifacts が表示されます。`Time to Live` 列には、その Artifacts に割り当てられている TTL ポリシーが表示されます。
+
+
\ No newline at end of file
diff --git a/ja/models/artifacts/update-an-artifact.mdx b/ja/models/artifacts/update-an-artifact.mdx
index 3aa4119416..00f2787096 100644
--- a/ja/models/artifacts/update-an-artifact.mdx
+++ b/ja/models/artifacts/update-an-artifact.mdx
@@ -1,91 +1,85 @@
---
-title: アーティファクトを更新する
-description: W&B Run の内部および外部から既存の Artifact を更新します。
+description: W&B run の内外で既存の Artifact を更新します。
+title: Artifacts を更新する
---
-Artifacts の `description` 、 `metadata` 、および `alias` を更新するには、希望する値を渡します。次に `save()` メソッドを呼び出して、 W&B サーバー上の Artifacts を更新します。 Artifacts の更新は、 W&B Run の実行中、または Run の外から行うことができます。
+Artifacts の `description`、`metadata`、および `alias` を更新したい値に設定します。`save()` メソッドを呼び出して、W&B サーバー上の Artifacts を更新します。 Artifacts は W&B run の最中でも、run の外側でも更新できます。
-**Artifact.save() と wandb.Run.log_artifact() の使い分け**
+ **`Artifact.save()` と `wandb.Run.log_artifact()` を使うタイミング**
-- 既存の Artifacts を新しい Run を作成せずに更新する場合は、 `Artifact.save()` を使用してください。
-- 新しい Artifacts を作成し、それを特定の Run に関連付ける場合は、 `wandb.Run.log_artifact()` を使用してください。
+ * 新しい run を作成せずに既存の Artifacts を更新するには、`Artifact.save()` を使用します。
+ * 新しい Artifacts を作成して特定の run に関連付けるには、`wandb.Run.log_artifact()` を使用します。
-Run の外で Artifacts を更新するには、 W&B Public API ([`wandb.Api`](/models/ref/python/public-api/api)) を使用します。 Run の実行中に Artifacts を更新するには、 Artifact API ([`wandb.Artifact`](/models/ref/python/experiments/artifact)) を使用します。
+run の外側で Artifacts を更新するには、W&B Public API（[`wandb.Api`](/ja/models/ref/python/public-api/api)）を使用します。run の最中に Artifacts を更新するには、Artifact API（[`wandb.Artifact`](/ja/models/ref/python/experiments/artifact)）を使用します。
-Model Registry 内のモデルにリンクされている Artifacts の エイリアス を更新することはできません。
+ Model Registry 内の モデルにリンクされている Artifacts の alias は更新できません。
-
-次のコード例は、 [`wandb.Artifact`](/models/ref/python/experiments/artifact) API を使用して Artifacts の説明（description）を更新する方法を示しています。
-
-```python
-import wandb
-
-# プロジェクト名を指定して Run を開始
-with wandb.init(project="") as run:
- # 使用する Artifacts を取得
- artifact = run.use_artifact(":")
- # 説明を更新
- artifact.description = ""
- # 変更を保存
- artifact.save()
-```
-
-
-次のコード例は、 `wandb.Api` API を使用して Artifacts の説明を更新する方法を示しています。
+
+ 次のコード例は、[`wandb.Artifact`](/ja/models/ref/python/experiments/artifact) API を使って Artifacts の description を更新する方法を示しています。
+
+ ```python
+ import wandb
-```python
-import wandb
+ with wandb.init(project="") as run:
+ artifact = run.use_artifact(":")
+ artifact.description = ""
+ artifact.save()
+ ```
+
-api = wandb.Api()
+
+ 次のコード例は、`wandb.Api` API を使って Artifacts の description を更新する方法を示しています。
-# アーティファクトを取得
-artifact = api.artifact("entity/project/artifact:alias")
+ ```python
+ import wandb
-# 説明（description）を更新
-artifact.description = "My new description"
+ api = wandb.Api()
-# メタデータの特定のキーを更新
-artifact.metadata["oldKey"] = "new value"
+ artifact = api.artifact("entity/project/artifact:alias")
-# メタデータを完全に置き換え
-artifact.metadata = {"newKey": "new value"}
+ # description を更新
+ artifact.description = "My new description"
-# エイリアスを追加
-artifact.aliases.append("best")
+ # 特定の metadata キーだけを更新
+ artifact.metadata["oldKey"] = "new value"
-# エイリアスを削除
-artifact.aliases.remove("latest")
+ # metadata 全体を置き換え
+ artifact.metadata = {"newKey": "new value"}
-# エイリアスを完全に置き換え
-artifact.aliases = ["replaced"]
+ # alias を追加
+ artifact.aliases.append("best")
-# すべてのアーティファクトの変更を永続化
-artifact.save()
-```
+ # alias を削除
+ artifact.aliases.remove("latest")
-詳細については、 Weights & Biases の [Artifact API](/models/ref/python/experiments/artifact) を参照してください。
-
-
-Artifact コレクションも、単体の Artifacts と同様の方法で更新できます。
+ # alias を完全に置き換え
+ artifact.aliases = ["replaced"]
-```python
-import wandb
-with wandb.init(project="") as run:
- api = wandb.Api()
- # アーティファクトコレクションを取得
- artifact = api.artifact_collection(type="", collection="")
- # コレクション名を更新
- artifact.name = ""
- # コレクションの説明を更新
- artifact.description = ""
- # 変更を保存
+ # すべての Artifacts への変更を保存
artifact.save()
-```
-詳細については、 [Artifacts Collection](/models/ref/python/public-api/api) のリファレンスを参照してください。
-
+ ```
+
+ 詳細については、Weights & Biases [Artifact API](/ja/models/ref/python/experiments/artifact) を参照してください。
+
+
+
+ 単一の Artifacts と同様に、Artifact コレクションも更新できます。
+
+ ```python
+ import wandb
+ with wandb.init(project="") as run:
+ api = wandb.Api()
+ artifact = api.artifact_collection(type="", collection="")
+ artifact.name = ""
+ artifact.description = ""
+ artifact.save()
+ ```
+
+ 詳細については、[Artifacts コレクション](/ja/models/ref/python/public-api/api) リファレンスを参照してください。
+
\ No newline at end of file
diff --git a/ja/models/automations.mdx b/ja/models/automations.mdx
index 6d6eae71ee..91362a0a95 100644
--- a/ja/models/automations.mdx
+++ b/ja/models/automations.mdx
@@ -1,62 +1,83 @@
---
-title: オートメーション の概要
-description: W&B 内のイベントに基づいて ワークフロー をトリガーするには、W&B オートメーション を使用します。
+title: Automations 概要
+description: W&B のイベントに基づいてワークフローをトリガーするために W&B Automations を使用します
---
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
+
+import EnterpriseCloudOnly from "/snippets/ja/_includes/enterprise-cloud-only.mdx";
-
-このページでは、W&B における オートメーション について説明します。 [オートメーションを作成](/models/automations/create-automations/) することで、W&B 内のイベントをトリガーとして、モデルの自動テストやデプロイメントなどのワークフローのステップを実行できます。
+このページでは、W&B における *automations* について説明します。[automation を作成](/ja/models/automations/create-automations/) して、W&B 内のイベントに基づき、自動モデルテストやデプロイなどのワークフロー手順をトリガーできます。
-例えば、オートメーションを使用すると、新しい バージョン が作成されたときに Slack チャンネルに通知したり、アーティファクト に `production` エイリアス が追加されたときに自動テストの Webhook を実行したり、Run の `loss`（損失）が許容範囲内に収まったときにのみ検証ジョブを開始したりすることができます。
+例えば、automation を使って新しいバージョンが作成されたときに Slack チャンネルに通知したり、`production` エイリアスが Artifacts に追加されたときに自動テスト用の webhook をトリガーしたり、run の `loss` が許容範囲内にある場合にのみ検証ジョブを開始できます。
-オートメーションのチュートリアルをお探しですか？
-- [モデルの評価とデプロイメントのために Github Action を自動的にトリガーする方法を学ぶ](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw)
-- [Sagemaker エンドポイントへのモデルの自動デプロイを実演するビデオを見る](https://www.youtube.com/watch?v=s5CMj_w3DaQ)
-- [オートメーションを紹介するビデオシリーズを見る](https://youtube.com/playlist?list=PLD80i8An1OEGECFPgY-HPCNjXgGu-qGO6&feature=shared)
+ automations のチュートリアルをお探しですか？
+
+ * [モデル評価とデプロイのための GitHub Action を自動的にトリガーする方法を学ぶ](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw)。
+ * [モデルを SageMaker エンドポイントへ自動デプロイするデモ動画を見る](https://www.youtube.com/watch?v=s5CMj_w3DaQ)。
+ * [automations を紹介する動画シリーズを見る](https://youtube.com/playlist?list=PLD80i8An1OEGECFPgY-HPCNjXgGu-qGO6\&feature=shared)。
-## オートメーションイベント
+
+ ## オートメーションイベント
+
+
+オートメーションは、コレクション、プロジェクト、またはレジストリ内の run や Artifacts に関連するイベントによってトリガーされます。オートメーションは次のタイミングで開始されます。
+
+* run のメトリクスが、指定した絶対値または相対値のしきい値を満たしたとき。たとえば、run の `loss` が 0.01 未満になったとき、または run の `accuracy` が 5% 改善したときにトリガーされます。
+* run の z スコア（標準スコア）が平均から指定量だけ外れたとき。z スコアが 0 の場合、その結果は平均と一致していることを示します。z スコアが +2 の場合、その結果は平均より 2 標準偏差高いことを意味し、z スコアが -2 の場合、その結果は平均より 2 標準偏差低いことを意味します。
+* プロジェクトまたはレジストリでイベントが発生したとき。たとえば、新しいバージョンの model Artifacts が作成されたとき、または `production` エイリアスが model Artifacts に追加されたときにトリガーされます。
-オートメーションは、コレクション、プロジェクト、またはレジストリ内の Runs または アーティファクト に関連するイベントによってトリガーされます。オートメーションは以下の場合に開始できます。
+詳細については、[Automation events and scopes](/ja/models/automations/automation-events/) を参照してください。
-- Run の メトリクス が定義された絶対閾値または相対閾値を満たしたとき。例えば、Run の `loss` が 0.01 未満になったときや、Run の `accuracy`（精度）が 5% 向上したときにトリガーします。
-- Run の z-score（標準スコア）が平均から指定量だけ逸脱したとき。z-score が 0 の場合は、結果が平均と一致していることを示します。z-score が +2 の場合は結果が平均より標準偏差の 2 倍高いことを意味し、z-score が -2 の場合は結果が平均より標準偏差の 2 倍低いことを意味します。
-- プロジェクト またはレジストリでイベントが発生したとき。例えば、モデル アーティファクト の新しい バージョン が作成されたときや、モデル アーティファクト に `production` エイリアス が追加されたときにトリガーします。
+
+ ## 自動化アクション
+
-詳細については、[オートメーションのイベントとスコープ](/models/automations/automation-events/) を参照してください。
+イベントでオートメーションがトリガーされると、次のいずれかのアクションを実行します。
-## オートメーションアクション
+
+ ### Slack 通知
+
-イベントがオートメーションをトリガーすると、次のいずれかのアクションを実行できます。
+トリガーとなったイベントの詳細を含むメッセージを Slack チャンネルに送信します。このメッセージにはイベントの概要と、W&B で詳細を確認できるリンクが含まれます。
-### Slack 通知
-トリガーとなったイベントの詳細を Slack チャンネルに送信します。メッセージにはイベントの概要と、W&B で詳細を確認するためのリンクが含まれます。
+
+ ### Webhook
+
-### Webhook
-トリガーとなったイベントに関する情報を含む JSON ペイロードを使用して、Webhook URL を呼び出します。これにより、CI/CD パイプライン、モデル デプロイメント サービス、カスタム ワークフロー などの外部システムとの インテグレーション が可能になります。Webhook リクエストのボディは、JSON シリアライズ可能な任意のペイロードにすることができます。
+トリガーとなったイベントに関する情報を含む JSON ペイロードで Webhook URL を呼び出します。これにより、CI/CD パイプライン、モデルのデプロイサービス、カスタムワークフローなどの外部システムとのインテグレーションが可能になります。Webhook リクエストのボディには、任意の JSON シリアライズ可能なペイロードを指定できます。
実装の詳細については、以下を参照してください。
-- [Slack オートメーションの作成](/models/automations/create-automations/slack/)
-- [Webhook オートメーションの作成](/models/automations/create-automations/webhook/)
-## オートメーションの仕組み
+* [Slack automation を作成する](/ja/models/automations/create-automations/slack/)
+* [Webhook automation を作成する](/ja/models/automations/create-automations/webhook/)
+
+
+ ## 自動化の仕組み
+
+
+[自動化を作成する](/ja/models/automations/create-automations/)には、次の手順を実行します。
+
+1. 必要に応じて、アクセストークン、パスワード、または機密性の高い設定情報など、自動化に必要な機密文字列用の [secrets](/ja/platform/secrets/) を設定します。Secrets は **Team Settings** で定義します。Secrets は、webhook のペイロード内に平文で記載したりハードコードしたりすることなく、webhook の外部サービスに認証情報やトークンを安全に渡すために、webhook 自動化で最も一般的に使用されます。
+2. チームレベルの webhook または Slack インテグレーションを設定して、W&B が Slack に投稿したり、あなたに代わって webhook を実行できるように許可します。1 つの自動化アクション (webhook または Slack 通知) は、複数の自動化で使用できます。これらのアクションは **Team Settings** で定義します。
+3. プロジェクトまたはレジストリで自動化を作成します:
+ 1. 監視する [event](#automation-events) を定義します (たとえば、新しい artifact バージョンが追加されたときなど)。
+ 2. イベントが発生したときに実行するアクション (Slack チャンネルへの投稿や webhook の実行) を定義します。webhook の場合、必要に応じてアクセストークンとして使用する secret および/またはペイロードと共に送信する secret を指定します。
-[オートメーションを作成](/models/automations/create-automations/) する手順は以下の通りです。
+
+ ## 制限事項
+
-1. 必要に応じて、アクセストークン、パスワード、機密性の高い 設定 詳細など、オートメーションが必要とする機密文字列の [シークレット（secrets）](/platform/secrets/) を設定します。シークレットは **Team Settings** で定義します。シークレットは、Webhook の外部サービスにクレデンシャルやトークンをプレーンテキストで公開したりペイロードにハードコーディングしたりすることなく安全に渡すために、主に Webhook オートメーションで使用されます。
-1. チームレベルの Webhook または Slack インテグレーション を設定し、W&B があなたに代わって Slack への投稿や Webhook の実行を行うことを許可します。単一のオートメーションアクション（Webhook または Slack 通知）を複数のオートメーションで使用できます。これらのアクションは **Team Settings** で定義されます。
-1. プロジェクト またはレジストリで、オートメーションを作成します。
- 1. 新しい アーティファクト バージョン が追加されたときなど、監視する [イベント](#オートメーションイベント) を定義します。
- 1. イベント発生時に実行するアクション（Slack チャンネルへの投稿または Webhook の実行）を定義します。Webhook の場合は、必要に応じてアクセストークンに使用するシークレットや、ペイロードと共に送信するシークレットを指定します。
+[Run metric automations](/ja/models/automations/automation-events/#run-metrics-events) と [run metrics z-score change automations](/ja/models/automations/automation-events/#run-metrics-z-score-change-automations) は、現在 [W&B Multi-tenant Cloud](/ja/platform/hosting/#wb-multi-tenant-cloud) のみでサポートされています。
-## 制限事項
-[Run メトリクスオートメーション](/models/automations/automation-events/#run-metrics-events) および [Run メトリクス z-score 変化オートメーション](/models/automations/automation-events/#run-metrics-z-score-change-automations) は、現在 [W&B Multi-tenant Cloud](/platform/hosting/#wb-multi-tenant-cloud) でのみサポートされています。
+
+ ## 次のステップ
+
-## 次のステップ
-- [オートメーションを作成する](/models/automations/create-automations/)。
-- [オートメーションのイベントとスコープ](/models/automations/automation-events/) について学ぶ。
-- [シークレットを作成する](/platform/secrets/)。
\ No newline at end of file
+* [オートメーションを作成する](/ja/models/automations/create-automations/)。
+* [Automation events と scopes](/ja/models/automations/automation-events/) について学ぶ。
+* [シークレットを作成する](/ja/platform/secrets/)。
\ No newline at end of file
diff --git a/ja/models/automations/automation-events.mdx b/ja/models/automations/automation-events.mdx
index 3d8c99ae5f..2ee8e09a6e 100644
--- a/ja/models/automations/automation-events.mdx
+++ b/ja/models/automations/automation-events.mdx
@@ -1,151 +1,198 @@
---
title: オートメーションのイベントとスコープ
---
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
-import MultiTenantCloudOnly from "/snippets/en/_includes/multi-tenant-cloud-only.mdx";
+
+import EnterpriseCloudOnly from "/snippets/ja/_includes/enterprise-cloud-only.mdx";
+import MultiTenantCloudOnly from "/snippets/ja/_includes/multi-tenant-cloud-only.mdx";
-
-オートメーションは、Project または Registry 内で特定のイベントが発生したときに開始できます。このページでは、各スコープ内でオートメーションのトリガーとなるイベントについて説明します。オートメーションの詳細については、[Automations overview](/models/automations/) または [Create an automation](/models/automations/create-automations/) をご覧ください。
+自動化は、プロジェクトまたはレジストリ内で特定のイベントが発生したときに開始されます。このページでは、各スコープで自動化のトリガーとなるイベントについて説明します。自動化について詳しくは、[Automations の概要](/ja/models/automations) や [自動化の作成](/ja/models/automations/create-automations) を参照してください。
+
+
+ ## Registry
+
+
+このセクションでは、[Registry](/ja/models/registry) におけるオートメーションのスコープとイベントについて説明します。
+
+
+ ### スコープ
+
+
+[Registry](/ja/models/registry) の自動化機能は、特定の Registry 内の任意のコレクションで発生するイベントを監視します。将来追加されるコレクションも含まれます。
+
+### Events
+ ## プロジェクト
+
-## Project
-このセクションでは、[Project](/models/track/project-page/) におけるオートメーションのスコープとイベントについて説明します。
+このセクションでは、[プロジェクト](/ja/models/track/project-page) におけるオートメーションのスコープとイベントについて説明します。
-### Scopes
-Project レベルのオートメーションは、プロジェクト内の任意のコレクションで発生するイベントを監視します。指定するイベントに応じて、オートメーションのスコープをさらに制限することができます。
+
+ ### スコープ
+
-### Artifact events
-このセクションでは、オートメーションのトリガーとなる Artifact 関連のイベントについて説明します。
+プロジェクトレベルの自動化は、プロジェクト内の任意のコレクションで発生するイベントを監視します。指定したイベントに応じて、自動化の対象範囲をさらに限定できます。
-- **A new version is added to an artifact (Artifact に新しいバージョンが追加された)**: Artifact の各バージョンに対して定期的なアクションを適用します。例えば、新しいデータセットの Artifact バージョンが作成されたときにトレーニングジョブを開始します。
-- **An artifact alias is added (Artifact エイリアスが追加された)**: プロジェクト内の新しい Artifact バージョンに、指定した **Alias regex** に一致する エイリアス が適用されたときに、ワークフローの特定のステップをトリガーします。例えば、Artifact に `test-set-quality-check` エイリアスが適用されたときに一連の下流プロセッシングステップを実行したり、新しい Artifact バージョンに `latest` エイリアスが付与されるたびにワークフローを実行したりします。特定の時点で特定の エイリアス を持てるのは、1つの Artifact バージョンのみです。
-- **An artifact tag is added (Artifact タグが追加された)**: プロジェクト内の Artifact バージョンに、指定した **Tag regex** に一致するタグが適用されたときに、ワークフローの特定のステップをトリガーします。例えば、`^europe.*` を指定して、`europe` で始まるタグが Artifact バージョンに追加されたときに地域固有のワークフローをトリガーします。Artifact タグはグルーピングやフィルタリングに使用され、特定のタグを複数の Artifact バージョンに同時に割り当てることができます。
+
+ ### Artifact events
+
-### Run events
-オートメーションは、[Run のステータス](/models/runs/run-states) の変更、または [メトリクスの値](/models/track/log#what-data-is-logged-with-specific-wb-api-calls) の変更によってトリガーされます。
+このセクションでは、自動化をトリガーできる Artifacts 関連のイベントについて説明します。
+
+* **A new version is added to an artifact**: Artifacts の各バージョンに対して同じ処理を繰り返し実行できます。たとえば、新しいデータセット Artifacts バージョンが作成されたときにトレーニング ジョブを開始します。
+* **An artifact alias is added**: プロジェクト内の新しい Artifacts バージョンに、指定した **Alias regex** に一致するエイリアスが適用されたときに、ワークフローの特定のステップをトリガーします。たとえば、 Artifacts に `test-set-quality-check` エイリアスが適用されたときに一連の後続処理ステップを実行したり、新しい Artifacts バージョンに `latest` エイリアスが付与されるたびにワークフローを実行したりできます。ある時点で、特定のエイリアスを付与できる Artifacts バージョンは 1 つだけです。
+* **An artifact tag is added**: プロジェクト内の Artifacts バージョンに、指定した **Tag regex** に一致するタグが適用されたときに、ワークフローの特定のステップをトリガーします。たとえば、`^europe.*` を指定して、文字列 `europe` で始まるタグが Artifacts バージョンに追加されたときに、地域固有のワークフローをトリガーできます。 Artifacts タグはグループ化やフィルタリングに使用でき、同じタグを同時に複数の Artifacts バージョンに割り当てることができます。
+
+
+ ### Run events
+
+
+オートメーションは、[run のステータス](/ja/models/runs/run-states) の変更、または [メトリクス値](/ja/models/track/log#what-data-is-logged-with-specific-wb-api-calls) の変更によってトリガーされます。
+
+
+ #### run ステータスの変更
+
-#### Run status change (Run ステータスの変更)
--
-Run の [ステータス](/models/runs/run-states) が **Running**、**Finished**、または **Failed** に変更されたときにワークフローをトリガーします。オプションで、Users または Run 名のフィルターを指定して、オートメーションをトリガーできる Run をさらに制限できます。
+run の [status](/ja/models/runs/run-states) が **Running**、**Finished**、または **Failed** に変わったときにワークフローをトリガーします。必要に応じて、ユーザーまたは run 名のフィルターを指定して、オートメーションをトリガーできる run をさらに絞り込むこともできます。
+ #### run メトリクスの変更
+
-#### Run metrics change (Run メトリクスの変更)
-
-Run の履歴にあるメトリクス、または CPU 使用率を追跡する `cpu` などの [システムメトリクス](/models/ref/python/experiments/system-metrics) のログ記録された値に基づいてワークフローをトリガーします。W&B は 15 秒ごとにシステムメトリクスを自動的に ログ 記録します。
+run の履歴内のメトリクス、または `cpu` のような [system metric](/ja/models/ref/python/experiments/system-metrics)（CPU 使用率のパーセンテージを追跡する）に対して記録された値に基づいて、ワークフローをトリガーします。W&B は system metrics を 15 秒ごとに自動で記録します。
-Run メトリクスオートメーションは、プロジェクトの **Automations** タブ、または Workspace の折れ線グラフパネルから直接作成できます。
+プロジェクトの **Automations** タブ、または Workspace 内の折れ線プロットパネルから、run メトリクスのオートメーションを作成できます。
-Run メトリクスオートメーションをセットアップするには、メトリクスの値を指定したしきい値と比較する方法を設定します。選択肢はイベントタイプや指定したフィルターによって異なります。
+run メトリクスのオートメーションを設定するには、指定したしきい値とメトリクスの値をどのように比較するかを設定します。選択肢は、イベントタイプと指定したフィルターによって異なります。
-オプションで、Users または Run 名のフィルターを指定して、オートメーションをトリガーできる Run をさらに制限できます。
+必要に応じて、ユーザー名または run 名のフィルターを指定して、オートメーションをトリガーできる run をさらに絞り込むことができます。
-##### Threshold (しきい値)
-**Run metrics threshold met** イベントでは、以下を設定します。
-1. 考慮する最新のログ値のウィンドウ（デフォルトは 5）。
-1. ウィンドウ内の **Average**（平均）、**Min**（最小）、または **Max**（最大）のどれを評価するか。
-1. 比較方法：
- - Above (より大きい)
- - Above or equal to (以上)
- - Below (より小さい)
- - Below or equal to (以下)
- - Not equal to (等しくない)
- - Equal to (等しい)
+
+ ##### しきい値
+
-例えば、平均 `accuracy` が `.6` を超えたときにオートメーションをトリガーします。
+**Run metrics threshold met** イベントでは、次の項目を設定します。
+
+1. 対象とする最新のログ値の件数（デフォルトは 5）
+2. ウィンドウ内で評価する値を **Average**、**Min**、**Max** のいずれにするか
+3. 実行する比較条件：
+ * Above（より大きい）
+ * Above or equal to（以上）
+ * Below（より小さい）
+ * Below or equal to（以下）
+ * Not equal to（等しくない）
+ * Equal to（等しい）
+
+たとえば、平均 `accuracy` が `.6` を上回ったときにオートメーションをトリガーします。
+ ##### 変化しきい値
+
+
+**Run metrics change threshold met** イベントでは、オートメーションはトリガーするかどうかを判定するために、2 つの「ウィンドウ」の値を使用します。
-- 考慮する最新のログ値の _現在のウィンドウ (current window)_（デフォルトは 10）。
-- 考慮する最新のログ値の _以前のウィンドウ (prior window)_（デフォルトは 50）。
+* 判定対象とする、最近ログされた値の *現在のウィンドウ*（デフォルトは 10）。
+* 比較対象とする、最近ログされた値の *直前のウィンドウ*（デフォルトは 50）。
-現在のウィンドウと以前のウィンドウは連続しており、重複しません。
+現在のウィンドウと直前のウィンドウは連続しており、重複しません。
-オートメーションを作成するには、以下を設定します。
-1. ログ値の現在のウィンドウ（デフォルトは 10）。
-1. ログ値の以前のウィンドウ（デフォルトは 50）。
-1. 値を相対値（Relative）または絶対値（Absolute）のどちらで評価するか（デフォルトは **Relative**）。
-1. 比較方法：
- - Increases by at least (少なくとも〜増加)
- - Decreases by at least (少なくとも〜減少)
- - Increases or decreases by at least (少なくとも〜増加または減少)
+オートメーションを作成する際には、次の項目を設定します。
-例えば、平均 `loss` が少なくとも `.25` 減少したときにオートメーションをトリガーします。
+1. ログされた値の現在のウィンドウ（デフォルトは 10）。
+2. ログされた値の直前のウィンドウ（デフォルトは 50）。
+3. 値を相対値または絶対値として評価するかどうか（デフォルトは **Relative**）。
+4. 実行する比較条件：
+ * 少なくともこれだけ増加
+ * 少なくともこれだけ減少
+ * 少なくともこれだけ増減
+
+たとえば、平均 `loss` が少なくとも `.25` 減少したときにオートメーションをトリガーするように設定できます。
+ #### Run メトリクスの z-score 変化
+
+
-
-メトリクスの z-score（標準スコア）が指定されたしきい値を超えたときに、W&B はオートメーションをトリガーできます。z-score は、プロジェクト内の設定可能な Run ウィンドウ（デフォルトは 30 Runs）にわたる、そのメトリクスの平均からどれだけの標準偏差があるかを測定します。
+W&B は、メトリクスの z-score（標準スコア）が指定したしきい値を超えたときにオートメーションをトリガーできます。z-score は、そのプロジェクト内の設定可能な run ウィンドウ（デフォルトでは 30 run）にわたって、そのメトリクスの値が平均から何標準偏差離れているかを表します。
+
+イベントトリガーとして z-score を使用するには、**Run metrics z-score threshold met** イベントを選択します。
+
+z-score に基づくオートメーションを使うと、モデルやトレーニング プロセスの進化に伴って変化しうる絶対しきい値をチェックしなくても、異常なパフォーマンスについてチームに通知し続けることができます。
+
+run メトリクス z-score オートメーションは、プロジェクトの **Automations** タブから、またはワークスペース内の折れ線グラフ パネルから直接作成できます。
+
+z-score オートメーションを作成するには、次の項目を設定します。
+
+1. 目標とする z-score のしきい値（正の float 値で指定、例: 2.0）
+2. 平均値を決定するために使用するログ値のウィンドウ（デフォルトは 30）
+3. 比較条件:
+ * Above（パフォーマンスが異常に高いときにトリガー）
+ * Below（パフォーマンスが異常に低いときにトリガー）
+ * Either above or below（上でも下でもトリガー）
-z-score をイベントトリガーとして使用するには、**Run metrics z-score threshold met** イベントを選択します。
+たとえば、`accuracy` の z-score が 2 を超えたときにオートメーションをトリガーすると、その run がプロジェクト内の他の run よりも統計的に有意なレベルで良いパフォーマンスを発揮していることを意味します。
-z-score に基づくオートメーションは、モデルやトレーニングプロセスが進むにつれて変化する可能性のある絶対的なしきい値をチェックすることなく、異常なパフォーマンスについてチームに通知し続けることができます。
+**z-score の値の理解:**
-Run メトリクスの z-score オートメーションは、プロジェクトの **Automations** タブ、または Workspace の折れ線グラフパネルから直接作成できます。
+* z-score が 0 の場合、メトリクスは平均と同じです。
+* z-score が +2.0 の場合、メトリクスは平均より標準偏差 2 つ分高いことを意味します。
+* z-score が -2.0 の場合、メトリクスは平均より標準偏差 2 つ分低いことを意味します。
+* ±2 を超える値は、統計的に有意な外れ値とみなされることがよくあります。
-z-score オートメーションを作成するには、以下を設定します。
-1. ターゲットとなる z-score のしきい値。正の浮動小数点数で指定します（例: 2.0）。
-1. 平均値を決定するためのログ値のウィンドウ（デフォルトは 30）。
-1. 比較方法：
- - Above (パフォーマンスが異常に高いときにトリガー)
- - Below (パフォーマンスが異常に低いときにトリガー)
- - Either above or below (高いとき、または低いときの両方)
+
+ #### run フィルター
+
-例えば、`accuracy` の z-score が 2 を超えたときにオートメーションをトリガーするように設定します。これは、その Run がプロジェクト内の他の Runs よりも大幅に優れたパフォーマンスを示していることを意味します。
+このセクションでは、自動化が評価対象とする run をどのように選択するかを説明します。
-**z-score 値の理解:**
-- z-score が 0 の場合、メトリクスは平均値であることを意味します。
-- z-score が +2.0 の場合、メトリクスが平均より 2 標準偏差高いことを意味します。
-- z-score が -2.0 の場合、メトリクスが平均より 2 標準偏差低いことを意味します。
-- ±2 を超える値は、統計的に有意な外れ値と見なされることがよくあります。
+* デフォルトでは、イベントが発生したときに、そのプロジェクト内の任意の run が自動化をトリガーします。次のいずれかのフィルターを設定することで、自動化をトリガーする run を制限できます:
-#### Run filters
-このセクションでは、オートメーションが評価対象の Runs をどのように選択するかについて説明します。
+ * **1 人の ユーザーの run にフィルター**: 指定した ユーザー によって作成された run のみを含めます。
+ * **run 名でフィルター**: 名前が指定した正規表現に一致する run のみを含めます。
-- デフォルトでは、プロジェクト内のすべての Run がイベント発生時にオートメーションをトリガーします。以下のいずれかのフィルターを設定することで、オートメーションをトリガーする Runs を制限できます。
- - **Filter to one user's runs**: 指定した ユーザー が作成した Runs のみに制限します。
- - **Filter on run name**: 名前が指定した正規表現に一致する Runs のみに制限します。
+ 詳細は、[Create automations](/ja/models/automations/create-automations) を参照してください。
+* 各 run は個別に評価され、それぞれが自動化をトリガーする可能性があります。
+* 各 run の値は個別のウィンドウに入れられ、それぞれ個別にしきい値と比較されます。
+* 24 時間の期間内に、特定の自動化が 1 つの run に対してトリガーされるのは最大 1 回までです。
- 詳細は [Create automations](/models/automations/create-automations/) を参照してください。
-- 各 Run は個別に考慮され、それぞれがオートメーションをトリガーする可能性があります。
-- 各 Run の値は別々のウィンドウに入れられ、しきい値と個別に比較されます。
-- 24 時間の期間内で、特定のオートメーションは 1 つの Run につき最大 1 回まで実行されます。
+
+ ## 次のステップ
+
-## 次のステップ
-- [Create a Slack automation](/models/automations/create-automations/slack/)
-- [Create a webhook automation](/models/automations/create-automations/webhook/)
\ No newline at end of file
+* [Slack オートメーションを作成する](/ja/models/automations/create-automations/slack)
+* [Webhook オートメーションを作成する](/ja/models/automations/create-automations/webhook)
\ No newline at end of file
diff --git a/ja/models/automations/create-automations.mdx b/ja/models/automations/create-automations.mdx
index 75358488ea..5261a4b096 100644
--- a/ja/models/automations/create-automations.mdx
+++ b/ja/models/automations/create-automations.mdx
@@ -1,58 +1,72 @@
---
title: 概要
-description: ML ワークフローを効率化するための W&B オートメーション の作成と管理
+description: ML ワークフローを効率化する W&B 自動化機能を作成・管理する
---
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
+
+import EnterpriseCloudOnly from "/snippets/ja/_includes/enterprise-cloud-only.mdx";
-
-このページでは、 W&B [オートメーション](/models/automations/) の作成と管理の概要について説明します。詳細な手順については、 [Slack オートメーションの作成](/models/automations/create-automations/slack/) または [Webhook オートメーションの作成](/models/automations/create-automations/webhook/) を参照してください。
+このページでは、W&B の [automations](/ja/models/automations/) の作成と管理の概要を説明します。より詳細な手順については、[Slack automation を作成する](/ja/models/automations/create-automations/slack/) または [webhook automation を作成する](/ja/models/automations/create-automations/webhook/) を参照してください。
-オートメーションの関連チュートリアルをお探しですか？
-- [モデルの評価とデプロイメントのために GitHub Action を自動的にトリガーする方法を学ぶ](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw)
-- [Sagemaker エンドポイントへのモデルの自動デプロイを実演するビデオを見る](https://www.youtube.com/watch?v=s5CMj_w3DaQ)
-- [オートメーションを紹介するビデオシリーズを見る](https://youtube.com/playlist?list=PLD80i8An1OEGECFPgY-HPCNjXgGu-qGO6&feature=shared)
+ automations のチュートリアルをお探しですか？
+
+ * [モデルの評価とデプロイのために GitHub Actions を自動的にトリガーする方法を学ぶ](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw)。
+ * [モデルを SageMaker エンドポイントに自動デプロイする様子を紹介する動画を見る](https://www.youtube.com/watch?v=s5CMj_w3DaQ)。
+ * [automations を紹介する動画シリーズを見る](https://youtube.com/playlist?list=PLD80i8An1OEGECFPgY-HPCNjXgGu-qGO6\&feature=shared)。
-## 要件
-- チーム管理者は、チームの Projects のオートメーション、および Webhook、シークレット、 Slack インテグレーションなどのオートメーションコンポーネントを作成および管理できます。 [チーム設定](/platform/app/settings-page/teams/) を参照してください。
-- レジストリのオートメーションを作成するには、レジストリへのアクセス権が必要です。 [レジストリアクセスの設定](/models/registry/configure_registry/#registry-roles) を参照してください。
-- Slack オートメーションを作成するには、選択した Slack インスタンスおよびチャンネルに投稿する権限が必要です。
+
+ ## 前提条件
+
+
+* チーム管理者は、Teams のプロジェクト向けのオートメーションおよび、そのオートメーションを構成するコンポーネント (webhook、シークレット、Slack インテグレーションなど) を作成して管理できます。[Team settings](/ja/platform/app/settings-page/teams/) を参照してください。
+* Registry オートメーションを作成するには、その Registry へのアクセス権が必要です。[Configure Registry access](/ja/models/registry/configure_registry/#registry-roles) を参照してください。
+* Slack オートメーションを作成するには、選択した Slack インスタンスおよびチャンネルに投稿する権限が必要です。
+
+
+ ## オートメーションを作成する
+
+
+プロジェクトまたはレジストリの **Automations** タブからオートメーションを作成します。概要は次のとおりです。
+
+1. 必要に応じて、アクセス トークン、パスワード、SSH キーなど、そのオートメーションで必要な機密文字列ごとに [W&B secret を作成](/ja/platform/secrets/) します。Secret は **Team Settings** で定義します。Secret は、webhook オートメーションで最もよく使用されます。
+2. チームレベルの webhook または Slack インテグレーションを設定して、Slack への投稿や webhook の実行を W&B に許可します。1 つの webhook または Slack インテグレーションを複数のオートメーションで共有できます。これらのアクションは **Team Settings** で定義します。
+3. プロジェクトまたはレジストリ内でオートメーションを作成します。ここで監視するイベントと実行するアクション (Slack への投稿や webhook の実行など) を指定します。webhook オートメーションを作成する際は、送信するペイロードを設定します。
-## オートメーションの作成
-オートメーションは、 Project またはレジストリの **Automations** タブから作成します。オートメーションを作成する大まかな手順は以下の通りです：
+または、ワークスペース内の折れ線プロットから、そのプロットで表示されているメトリクスに対する [run メトリクス オートメーション](/ja/models/automations/automation-events/#run-events) をすばやく作成できます。
-1. 必要に応じて、アクセストークン、パスワード、 SSH キーなど、オートメーションに必要な機密文字列ごとに [W&B シークレットを作成](/platform/secrets/) します。シークレットは **チーム設定** で定義します。シークレットは主に Webhook オートメーションで使用されます。
-1. チームレベルの Webhook または Slack インテグレーションを設定し、 W&B があなたに代わって Slack への投稿や Webhook の実行を行うことを許可します。単一の Webhook または Slack インテグレーションを複数のオートメーションで使用できます。これらのアクションは **チーム設定** で定義します。
-1. Project またはレジストリでオートメーションを作成し、監視するイベントと実行するアクション（ Slack への投稿や Webhook の実行など）を指定します。 Webhook オートメーションを作成する際は、送信するペイロードを設定します。
+1. パネルにマウスオーバーし、パネル上部のベルアイコンをクリックします。
-また、 Workspace のラインプロットから、表示されているメトリクスに対して [run メトリクスオートメーション](/models/automations/automation-events/#run-events) を素早く作成することもできます：
+
+ ## オートメーションを表示および管理する
+
-- [Slack オートメーションの作成](/models/automations/create-automations/slack/)
-- [Webhook オートメーションの作成](/models/automations/create-automations/webhook/)
+プロジェクトまたは registry の **Automations** タブから、オートメーションを表示および管理できます。
-## オートメーションの表示と管理
-Project またはレジストリの **Automations** タブからオートメーションを表示・管理できます。
+* オートメーションの詳細を表示するには、その名前をクリックします。
+* オートメーションの実行履歴を表示するには、その名前をクリックしてから **History** タブを選択します。詳細は [View an automation's history](/ja/models/automations/view-automation-history) を参照してください。
+* オートメーションを編集するには、アクション `...` メニューをクリックし、**Edit automation** をクリックします。
+* オートメーションを削除するには、アクション `...` メニューをクリックし、**Delete automation** をクリックします。
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションの実行履歴を表示するには、名前をクリックして **History** タブを選択します。詳細は [オートメーション履歴の表示](/models/automations/view-automation-history) を参照してください。
-- オートメーションを編集するには、アクションメニュー `...` をクリックし、 **Edit automation** をクリックします。
-- オートメーションを削除するには、アクションメニュー `...` をクリックし、 **Delete automation** をクリックします。
+
+ ## 次のステップ
+
-## 次のステップ
-- [オートメーションのイベントとスコープ](/models/automations/automation-events/) について詳しく学ぶ
-- [Slack オートメーションの作成](/models/automations/create-automations/slack/)
-- [Webhook オートメーションの作成](/models/automations/create-automations/webhook/)
-- [シークレットの作成](/platform/secrets/)
\ No newline at end of file
+* [automation events と scopes](/ja/models/automations/automation-events/) についてさらに詳しく学ぶ
+* [Slack 自動化を作成する](/ja/models/automations/create-automations/slack/)。
+* [Webhook 自動化を作成する](/ja/models/automations/create-automations/webhook/)。
+* [シークレットを作成する](/ja/platform/secrets/)。
\ No newline at end of file
diff --git a/ja/models/automations/create-automations/slack.mdx b/ja/models/automations/create-automations/slack.mdx
index 8d5cce188e..be047d1f45 100644
--- a/ja/models/automations/create-automations/slack.mdx
+++ b/ja/models/automations/create-automations/slack.mdx
@@ -1,97 +1,114 @@
---
title: Slack 自動化を作成する
---
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
+
+import EnterpriseCloudOnly from "/snippets/ja/_includes/enterprise-cloud-only.mdx";
-
-このページでは、Slack [オートメーション](/models/automations/) を作成する方法について説明します。Webhook オートメーションを作成する場合は、代わりに [Create a webhook automation](/models/automations/create-automations/webhook/) を参照してください。
+このページでは、Slack の[オートメーション](/ja/models/automations/)を作成する方法を説明します。Webhook オートメーションを作成するには、代わりに [Webhook オートメーションの作成](/ja/models/automations/create-automations/webhook/)を参照してください。
+
+概要として、Slack のオートメーションを作成するには次の手順を実行します。
+
+1. [Slack インテグレーションを追加](#add-a-slack-integration)して、Slack のインスタンスとチャンネルに投稿するための権限を W&B に付与します。
+2. [オートメーションを作成](#create-an-automation)し、監視対象の[イベント](/ja/models/automations/automation-events/)と通知先チャンネルを定義します。
+
+
+ ## Slack インテグレーションを追加する
+
+
+チーム管理者は、Slack インテグレーションをチームに追加できます。
-Slack オートメーションの作成は、大きく分けて以下の手順で行います。
-1. [Slack インテグレーションの追加](#slack-インテグレーションの追加): W&B が Slack インスタンスおよびチャンネルに投稿することを許可します。
-1. [オートメーションの作成](#オートメーションの作成): 監視対象となる [イベント](/models/automations/automation-events/) と通知先のチャンネルを定義します。
+1. W&B にログインし、**Team Settings** に移動します。
+2. **Slack channel integrations** セクションで **Connect Slack** をクリックして、新しい Slack インスタンスを追加します。既存の Slack インスタンスにチャンネルを追加するには、**New integration** をクリックします。
-## Slack インテグレーションの追加
-Team 管理者は、Team に Slack インテグレーションを追加できます。
+ 
+3. 必要に応じて、ブラウザで Slack にサインインします。プロンプトが表示されたら、選択した Slack チャンネルへの投稿を W&B が行えるように許可します。ページの内容を確認し、**Search for a channel** をクリックしてチャンネル名の入力を開始します。リストからチャンネルを選択し、**Allow** をクリックします。
+4. Slack で、選択したチャンネルを開きます。`[Your Slack handle] added an integration to this channel: Weights & Biases` のような投稿が表示されていれば、インテグレーションは正しく設定されています。
-1. W&B にログインし、 **Team Settings** に移動します。
-1. **Slack channel integrations** セクションで、 **Connect Slack** をクリックして新しい Slack インスタンスを追加します。既存の Slack インスタンスにチャンネルを追加するには、 **New integration** をクリックします。
+これで、設定した Slack チャンネルに通知する [オートメーションを作成](#create-an-automation) できます。
- 
-1. 必要に応じて、ブラウザで Slack にサインインします。プロンプトが表示されたら、選択した Slack チャンネルに W&B が投稿する権限を許可します。ページの内容を確認し、 **Search for a channel** をクリックしてチャンネル名を入力し始めます。リストからチャンネルを選択し、 **Allow** をクリックします。
-1. Slack で、選択したチャンネルに移動します。`[Your Slack handle] added an integration to this channel: Weights & Biases` のような投稿が表示されれば、インテグレーションは正しく設定されています。
+
+ ## Slack インテグレーションの表示と管理
+
-これで、設定した Slack チャンネルに通知する [オートメーションを作成](#オートメーションの作成) できるようになります。
+チーム管理者は、チームの Slack インスタンスとチャンネルを表示および管理できます。
-## Slack インテグレーションの表示と管理
-Team 管理者は、Team の Slack インスタンスとチャンネルを表示および管理できます。
+1. W&B にログインし、**Team Settings** に移動します。
+2. **Slack channel integrations** セクションで各 Slack の送信先を確認します。
+3. ゴミ箱アイコンをクリックして送信先を削除します。
-1. W&B にログインし、 **Team Settings** に移動します。
-1. **Slack channel integrations** セクションで各 Slack の送信先を確認します。
-1. ゴミ箱アイコンをクリックして、送信先を削除します。
+
+ ## オートメーションを作成する
+
-## オートメーションの作成
-[Slack インテグレーションを追加](#add-a-slack-integreation) した後、 **Registry** または **Project** を選択し、以下の手順に従って Slack チャンネルに通知するオートメーションを作成します。
+[Slack インテグレーションを追加](#add-a-slack-integreation)したら、**Registry** または **Project** を選択し、Slack チャンネルに通知するオートメーションを作成するには、次の手順に従います。
-
-Registry 管理者は、その Registry 内でオートメーションを作成できます。
-
-1. W&B にログインします。
-1. Registry の名前をクリックして詳細を表示します。
-1. Registry スコープのオートメーションを作成するには、 **Automations** タブをクリックし、 **Create automation** をクリックします。Registry スコープのオートメーションは、そのすべてのコレクション（将来作成されるものを含む）に自動的に適用されます。
-1. 監視対象となる [イベント](/models/automations/automation-events/#registry-events) を選択します。
-
- イベントに応じて表示される追加フィールドに入力します。例えば、 **An artifact alias is added** を選択した場合は、 **Alias regex** を指定する必要があります。
-
- **Next step** をクリックします。
-1. [Slack インテグレーション](#slack-インテグレーションの追加) を所有する Team を選択します。
-1. **Action type** を **Slack notification** に設定します。Slack チャンネルを選択し、 **Next step** をクリックします。
-1. オートメーションの名前を入力します。任意で説明を入力します。
-1. **Create automation** をクリックします。
-
-
-W&B 管理者は、Project 内でオートメーションを作成できます。
-
-1. W&B にログインします。
-1. Project ページに移動して **Automations** タブをクリックし、 **Create automation** をクリックします。
-
- または、 Workspace のラインプロットから、表示されているメトリクスに対して [run メトリクスオートメーション](/models/automations/automation-events/#run-events) を素早く作成することもできます。パネルの上にカーソルを置き、パネル上部のベルアイコンをクリックします。
-
+
+ Registry 管理者は、その registry でオートメーションを作成できます。
+
+ 1. W&B にログインします。
+ 2. 詳細を表示する registry 名をクリックします。
+ 3. registry をスコープとするオートメーションを作成するには、**Automations** タブをクリックし、**Create automation** をクリックします。registry をスコープとするオートメーションは、その registry 内のすべての collection (将来作成されるものも含む) に自動的に適用されます。
+ 4. 監視する [event](/ja/models/automations/automation-events/#registry-events) を選択します。
+
+ event に応じて表示される追加フィールドを入力します。たとえば **An artifact alias is added** を選択した場合、**Alias regex** を指定する必要があります。
+
+ **Next step** をクリックします。
+ 5. [Slack インテグレーション](#add-a-slack-integreation) を所有するチームを選択します。
+ 6. **Action type** を **Slack notification** に設定します。Slack チャンネルを選択し、**Next step** をクリックします。
+ 7. オートメーションの名前を入力します。必要に応じて説明を追加します。
+ 8. **Create automation** をクリックします。
+
+
+
+ W&B 管理者は、プロジェクト内にオートメーションを作成できます。
+
+ 1. W&B にログインします。
+ 2. プロジェクトページに移動し、**Automations** タブをクリックしてから **Create automation** をクリックします。
+
+ または、ワークスペース内の折れ線グラフから、そのグラフに表示されているメトリクス向けの [run metric automation](/ja/models/automations/automation-events/#run-events) をすばやく作成できます。パネルにカーソルを合わせ、パネル上部のベルアイコンをクリックします。
+
+
-## オートメーションの表示と管理
+
+ ## 自動化の表示と管理
+
-
-Registry の **Automations** タブから Registry のオートメーションを管理します。
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、アクションメニュー `...` をクリックし、 **Edit automation** をクリックします。
-- オートメーションを削除するには、アクションメニュー `...` をクリックし、 **Delete automation** をクリックします。確認が必要です。
-
-
-W&B 管理者は、Project の **Automations** タブから Project のオートメーションを表示および管理できます。
-
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、アクションメニュー `...` をクリックし、 **Edit automation** をクリックします。
-- オートメーションを削除するには、アクションメニュー `...` をクリックし、 **Delete automation** をクリックします。確認が必要です。
-
+
+ レジストリの **Automations** タブから、そのレジストリに対する自動化を管理できます。
+
+ * 自動化の詳細を表示するには、名前をクリックします。
+ * 自動化を編集するには、アクション `...` メニューをクリックし、**Edit automation** をクリックします。
+ * 自動化を削除するには、アクション `...` メニューをクリックし、**Delete automation** をクリックします。削除の確認が求められます。
+
+
+
+ W&B 管理者は、プロジェクトの **Automations** タブから、そのプロジェクトの自動化を表示および管理できます。
+
+ * 自動化の詳細を表示するには、名前をクリックします。
+ * 自動化を編集するには、アクション `...` メニューをクリックし、**Edit automation** をクリックします。
+ * 自動化を削除するには、アクション `...` メニューをクリックし、**Delete automation** をクリックします。削除の確認が求められます。
+
\ No newline at end of file
diff --git a/ja/models/automations/create-automations/webhook.mdx b/ja/models/automations/create-automations/webhook.mdx
index 89b8775321..24e625bf3a 100644
--- a/ja/models/automations/create-automations/webhook.mdx
+++ b/ja/models/automations/create-automations/webhook.mdx
@@ -1,325 +1,363 @@
---
-title: Webhook オートメーションの作成
+title: Webhook の自動化を作成する
---
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
+
+import EnterpriseCloudOnly from "/snippets/ja/_includes/enterprise-cloud-only.mdx";
-
-このページでは、webhook [automation](/models/automations/) の作成方法について説明します。Slack のオートメーションを作成する場合は、代わりに [Create a Slack automation](/models/automations/create-automations/slack/) を参照してください。
+このページでは、webhook [automation](/ja/models/automations/) の作成方法を説明します。Slack automation を作成する場合は、[Create a Slack automation](/ja/models/automations/create-automations/slack/) を参照してください。
+
+webhook automation を作成する大まかな流れは次のとおりです。
+
+1. 必要に応じて、アクセス トークン、パスワード、SSH キーなど、automation に必要な機密性の高い文字列ごとに [W&B secret を作成](/ja/platform/secrets/) します。W&B secrets は **Team Settings** で定義します。
+2. [webhook を作成](#create-a-webhook) してエンドポイントと認可の詳細を定義し、必要な secret へのアクセス権をインテグレーションに付与します。
+3. [automation を作成](#create-an-automation) して監視する [event](/ja/models/automations/automation-events/) と、W&B が送信するペイロードを定義します。ペイロードに必要な secret へのアクセス権を automation に付与します。
-ハイレベルな手順として、webhook オートメーションを作成するには以下のステップを踏みます：
-1. 必要に応じて、アクセストークン、パスワード、SSH キーなど、オートメーションで必要となる機密文字列ごとに [W&B secret を作成](/platform/secrets/) します。Secrets は **Team Settings** で定義されます。
-2. [webhook を作成](#webhook-を作成する) して、エンドポイントと認証の詳細を定義し、インテグレーションが必要な secrets へのアクセスを許可します。
-3. [オートメーションを作成](#オートメーションを作成する) して、監視する [event](/models/automations/automation-events/) と W&B が送信するペイロードを定義します。オートメーションに、ペイロードに必要な secrets へのアクセスを許可します。
+
+ ## Webhook を作成する
+
-## webhook を作成する
-チーム管理者は、チームに webhook を追加できます。
+チーム管理者はチームに対して webhook を追加できます。
-webhook が Bearer トークンを必要とする場合、またはそのペイロードが機密文字列を必要とする場合は、webhook を作成する前に [それを含む secret を作成](/platform/secrets/#add-a-secret) してください。1 つの webhook に対して、最大 1 つのアクセストークンと 1 つのその他の secret を設定できます。webhook の認証および認可要件は、webhook のサービスによって決定されます。
+ webhook が Bearer トークンを必要とする場合や、そのペイロードに機微情報となる文字列が必要な場合は、webhook を作成する前に [その値を含む secret を作成](/ja/platform/secrets/#add-a-secret) してください。1 つの webhook につき、設定できるアクセストークンは最大 1 つ、その他の secret は最大 1 つです。webhook の認証および認可要件は、その webhook のサービスによって決まります。
-1. W&B にログインし、**Team Settings** ページに移動します。
-1. **Webhooks** セクションで、**New webhook** をクリックします。
-1. webhook の名前を入力します。
-1. webhook のエンドポイント URL を入力します。
-1. webhook が Bearer トークンを必要とする場合は、**Access token** をそのトークンを含む [secret](/platform/secrets/) に設定します。webhook オートメーションを使用すると、W&B は `Authorization: Bearer` HTTP ヘッダーにアクセストークンを設定し、`${ACCESS_TOKEN}` [ペイロード変数](#ペイロード変数) でトークンにアクセスできます。W&B が webhook サービスに送信する `POST` リクエストの構造の詳細については、[webhook のトラブルシューティング](#webhook-のトラブルシューティング) を参照してください。
-1. webhook がペイロード内でパスワードやその他の機密文字列を必要とする場合は、**Secret** をその文字列を含む secret に設定します。その webhook を使用するオートメーションを設定する際、名前の前に `$` を付けることで、その secret に [ペイロード変数](#ペイロード変数) としてアクセスできます。
+1. W&B にログインし、**Team Settings** ページに移動します。
+2. **Webhooks** セクションで **New webhook** をクリックします。
+3. webhook の名前を入力します。
+4. webhook のエンドポイント URL を入力します。
+5. webhook が Bearer トークンを必要とする場合は、**Access token** にそのトークンを含む [secret](/ja/platform/secrets/) を設定します。webhook のオートメーションを使用するとき、W&B は `Authorization: Bearer` HTTP ヘッダーにアクセストークンを設定し、`${ACCESS_TOKEN}` [payload variable](#payload-variables) からトークンにアクセスできます。W&B が webhook サービスに送信する `POST` リクエストの構造については、[Troubleshoot your webhook](#troubleshoot-your-webhook) を参照してください。
+6. webhook がペイロード内にパスワードやその他の機微情報となる文字列を必要とする場合は、**Secret** にそれを含む secret を設定します。webhook を使用するオートメーションを設定するとき、その名前の前に `$` を付けることで、その secret に [payload variable](#payload-variables) としてアクセスできます。
- webhook のアクセストークンが secret に保存されている場合は、次のステップも完了して secret をアクセストークンとして指定する必要があります。
-1. W&B がエンドポイントに接続し、認証できることを確認します：
- 1. オプションで、テスト用のペイロードを提供します。ペイロード内で webhook がアクセス権を持つ secret を参照するには、その名前の前に `$` を付けます。このペイロードはテスト目的でのみ使用され、保存されません。オートメーションのペイロードは、[オートメーションを作成](#create-a-webhook-automation) する際に設定します。`POST` リクエスト内で secret とアクセストークンがどこに指定されているかについては、[webhook のトラブルシューティング](#webhook-のトラブルシューティング) を参照してください。
- 1. **Test** をクリックします。W&B は、設定した資格情報を使用して webhook のエンドポイントへの接続を試みます。ペイロードが提供されている場合、W&B はそれを送信します。
+ webhook のアクセストークンが secret に保存されている場合は、その secret をアクセストークンとして指定するために、*必ず* 次の手順も完了する必要があります。
+7. W&B がエンドポイントに接続し認証できることを確認するには:
- テストが成功しない場合は、webhook の設定を確認して再試行してください。必要に応じて、[webhook のトラブルシューティング](#webhook-のトラブルシューティング) を参照してください。
+ 1. 任意で、テスト用のペイロードを指定します。ペイロード内で webhook がアクセスできる secret を参照するには、その名前の前に `$` を付けます。このペイロードはテストにのみ使用され、保存されません。オートメーションのペイロードは、[オートメーションを作成](#create-a-webhook-automation) するときに設定します。`POST` リクエスト内で secret とアクセストークンがどこに指定されるかは、[Troubleshoot your webhook](#troubleshoot-your-webhook) を参照してください。
+ 2. **Test** をクリックします。W&B は、設定した認証情報を使用して webhook のエンドポイントへの接続を試行します。ペイロードを指定した場合は、それも送信されます。
+
+ テストが成功しない場合は、webhook の設定を確認して、再度試してください。必要に応じて [Troubleshoot your webhook](#troubleshoot-your-webhook) を参照してください。
+ ## 自動化を作成する
+
-## オートメーションを作成する
-[webhook を設定](#webhook-を作成する) した後、**Registry** または **Project** を選択し、以下の手順に従って webhook をトリガーするオートメーションを作成します。
+[webhook を設定](#create-a-webhook)したら、**Registry** または **Project** を選択し、以下の手順に従って webhook をトリガーする自動化を作成します。
-
-Registry の管理者は、そのレジストリ内にオートメーションを作成できます。Registry のオートメーションは、将来追加されるものも含め、レジストリ内のすべてのコレクションに適用されます。
-
-1. W&B にログインします。
-1. レジストリ名をクリックして詳細を表示します。
-1. レジストリをスコープとしたオートメーションを作成するには、**Automations** タブをクリックし、**Create automation** をクリックします。
-
-1. 監視する [event](/models/automations/automation-events/#registry-events) を選択します。
-
- 表示される追加フィールドに入力します。例えば、**An artifact alias is added** を選択した場合は、**Alias regex** を指定する必要があります。
-
- **Next step** をクリックします。
-1. [webhook](#webhook-を作成する) を所有するチームを選択します。
-1. **Action type** を **Webhooks** に設定し、使用する [webhook](#webhook-を作成する) を選択します。
-1. webhook にアクセストークンを設定した場合、`${ACCESS_TOKEN}` [ペイロード変数](#ペイロード変数) でそのトークンにアクセスできます。webhook に secret を設定した場合、名前の前に `$` を付けることでペイロード内でその secret にアクセスできます。webhook の要件は、webhook のサービスによって決定されます。
-1. **Next step** をクリックします。
-1. オートメーションの名前を入力します。オプションで説明を入力します。**Create automation** をクリックします。
-
-
-W&B の管理者は、プロジェクト内にオートメーションを作成できます。
-
-1. W&B にログインし、プロジェクトページに移動します。
-1. サイドバーで **Automations** をクリックし、**Create automation** をクリックします。
-
- または、ワークスペースのラインプロットから、表示されているメトリクスに対する [run metric automation](/models/automations/automation-events/#run-events) を素早く作成できます。パネルの上にカーソルを置き、パネル上部のベルアイコンをクリックします。
-
+
+ Registry 管理者は、その Registry 内で自動化を作成できます。Registry の自動化は、その Registry 内のすべてのコレクション（将来追加されるものも含む）に適用されます。
+
+ 1. W&B にログインします。
+
+ 2. 詳細を表示したい Registry 名をクリックします。
+
+ 3. Registry 全体を対象とする自動化を作成するには、**Automations** タブをクリックし、**Create automation** をクリックします。
+
+ 4. 監視する[イベント](/ja/models/automations/automation-events/#registry-events)を選択します。
+
+ 表示される追加フィールドを入力します。たとえば、**An artifact alias is added** を選択した場合は、**Alias regex** を指定する必要があります。
+
+ **Next step** をクリックします。
+
+ 5. [webhook](#create-a-webhook) を所有するチームを選択します。
+
+ 6. **Action type** を **Webhooks** に設定し、使用する [webhook](#create-a-webhook) を選択します。
+
+ 7. webhook に対してアクセス トークンを設定している場合、`${ACCESS_TOKEN}` [payload 変数](#payload-variables)でトークンにアクセスできます。webhook に対してシークレットを設定している場合、ペイロード内でその名前の先頭に `$` を付けることでアクセスできます。webhook の要件は、その webhook が連携しているサービスによって決まります。
+
+ 8. **Next step** をクリックします。
+
+ 9. 自動化の名前を入力します。必要に応じて説明を入力します。**Create automation** をクリックします。
+
+
+
+ W&B 管理者は、プロジェクト内で自動化を作成できます。
+
+ 1. W&B にログインし、プロジェクト ページに移動します。
+ 2. プロジェクトのサイドバーで **Automations** をクリックし、**Create automation** をクリックします。
+
+ または、ワークスペース内の折れ線グラフから、そのグラフに表示されているメトリクスに対する [run metric automation](/ja/models/automations/automation-events/#run-events) をすばやく作成できます。パネルにカーソルを合わせ、パネル上部のベル アイコンをクリックします。
+
+
-## オートメーションの表示と管理
+
+ ## オートメーションの表示と管理
+
+
-
-レジストリの **Automations** タブから、レジストリのオートメーションを管理します。
-
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、アクションメニュー（`...`）をクリックし、**Edit automation** をクリックします。
-- オートメーションを削除するには、アクションメニュー（`...`）をクリックし、**Delete automation** をクリックします。確認が必要です。
-
-
-W&B の管理者は、プロジェクトの **Automations** タブからプロジェクトのオートメーションを表示・管理できます。
-
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、アクションメニュー（`...`）をクリックし、**Edit automation** をクリックします。
-- オートメーションを削除するには、アクションメニュー（`...`）をクリックし、**Delete automation** をクリックします。確認が必要です。
-
+
+ レジストリの **Automations** タブから、そのレジストリのオートメーションを管理できます。
+
+ * オートメーションの詳細を表示するには、名前をクリックします。
+ * オートメーションを編集するには、アクション `...` メニューをクリックし、**Edit automation** をクリックします。
+ * オートメーションを削除するには、アクション `...` メニューをクリックし、**Delete automation** をクリックします。確認が必要です。
+
+
+
+ W&B 管理者は、プロジェクトの **Automations** タブから、そのプロジェクトのオートメーションを表示および管理できます。
+
+ * オートメーションの詳細を表示するには、名前をクリックします。
+ * オートメーションを編集するには、アクション `...` メニューをクリックし、**Edit automation** をクリックします。
+ * オートメーションを削除するには、アクション `...` メニューをクリックし、**Delete automation** をクリックします。確認が必要です。
+
-## ペイロードリファレンス
-これらのセクションを使用して、webhook のペイロードを作成してください。webhook とそのペイロードのテストに関する詳細は、[webhook のトラブルシューティング](#webhook-のトラブルシューティング) を参照してください。
+
+ ## ペイロードリファレンス
+
+
+これらのセクションを使用して、 webhook のペイロードを作成します。 webhook およびそのペイロードのテスト方法の詳細については、[webhook のトラブルシューティング](#troubleshoot-your-webhook) を参照してください。
+
+
+ ### ペイロード変数
+
-### ペイロード変数
-このセクションでは、webhook のペイロードを作成するために使用できる変数について説明します。
+このセクションでは、webhook のペイロードを構築する際に使用できる変数について説明します。
-| 変数 | 詳細 |
+| Variable | Details |
|----------|---------|
-| `${project_name}` | アクションをトリガーした変更を所有するプロジェクトの名前。 |
-| `${entity_name}` | アクションをトリガーした変更を所有する Entity またはチームの名前。 |
-| `${event_type}` | アクションをトリガーしたイベントのタイプ。 |
+| `${project_name}` | アクションをトリガーしたミューテーションを所有する プロジェクト の名前。 |
+| `${entity_name}` | アクションをトリガーしたミューテーションを所有する Entity または Team の名前。 |
+| `${event_type}` | アクションをトリガーしたイベントの種類。 |
| `${event_author}` | アクションをトリガーしたユーザー。 |
-| `${alias}` | オートメーションが **An artifact alias is added** イベントによってトリガーされた場合、Artifacts のエイリアスが含まれます。それ以外のオートメーションでは、この変数は空白になります。 |
-| `${tag}` | オートメーションが **An artifact tag is added** イベントによってトリガーされた場合、Artifacts のタグが含まれます。それ以外のオートメーションでは、この変数は空白になります。 |
-| `${artifact_collection_name}` | アーティファクトバージョンがリンクされているアーティファクトコレクションの名前。 |
-| `${artifact_metadata.}` | アクションをトリガーしたアーティファクトバージョンからの任意のトップレベルメタデータキーの値。 `` をトップレベルメタデータキーの名前に置き換えてください。webhook のペイロードでは、トップレベルのメタデータキーのみが使用可能です。 |
-| `${artifact_version}` | アクションをトリガーしたアーティファクトバージョンの [`Wandb.Artifact`](/models/ref/python/experiments/artifact.md/) 表現。 |
-| `${artifact_version_string}` | アクションをトリガーしたアーティファクトバージョンの `string` 表現。 |
-| `${ACCESS_TOKEN}` | [webhook](#webhook-を作成する) で設定されている場合、アクセストークンの値。アクセストークンは自動的に `Authorization: Bearer` HTTP ヘッダーで渡されます。 |
-| `${SECRET_NAME}` | 設定されている場合、[webhook](#webhook-を作成する) で設定された secret の値。 `SECRET_NAME` を secret の名前に置き換えてください。 |
-
-### ペイロードの例
-このセクションでは、いくつかの一般的なユースケースにおける webhook ペイロードの例を示します。これらの例では、[ペイロード変数](#ペイロード変数) の使用方法を実演しています。
+| `${alias}` | 自動処理が **An artifact alias is added** イベントによってトリガーされた場合に、 Artifacts の alias を含みます。その他の自動処理では、この変数は空です。 |
+| `${tag}` | 自動処理が **An artifact tag is added** イベントによってトリガーされた場合に、 Artifacts の tag を含みます。その他の自動処理では、この変数は空です。 |
+| `${artifact_collection_name}` | Artifacts バージョンがリンクされている Artifacts コレクションの名前。 |
+| `${artifact_metadata.}` | アクションをトリガーした Artifacts バージョンから取得される、任意のトップレベル メタデータ キーの値。`` をトップレベル メタデータ キーの名前に置き換えてください。webhook のペイロードで利用できるのはトップレベル メタデータ キーのみです。 |
+| `${artifact_version}` | アクションをトリガーした Artifacts バージョンの [`Wandb.Artifact`](/ja/models/ref/python/experiments/artifact.md/) 表現。 |
+| `${artifact_version_string}` | アクションをトリガーした Artifacts バージョンの `string` 表現。 |
+| `${ACCESS_TOKEN}` | [webhook](#create-a-webhook) で設定されていれば、その access token の値。access token は自動的に `Authorization: Bearer` HTTP ヘッダーで渡されます。 |
+| `${SECRET_NAME}` | 設定されている場合、[webhook](#create-a-webhook) で設定された secret の値。`SECRET_NAME` を secret の名前に置き換えてください。 |
+
+
+ ### ペイロードの例
+
+
+このセクションでは、一般的なユースケース向けの webhook ペイロードの例を紹介します。これらの例では、[ペイロード変数](#payload-variables) を使用する方法を示します。
-
-
-アクセストークンに、GitHub Actions ワークフローをトリガーするために必要な権限セットがあることを確認してください。詳細については、[GitHub Docs を参照してください](https://docs.github.com/en/rest/repos/repos?#create-a-repository-dispatch-event)。
-
+
+
+ アクセス トークンが GitHub Actions ワークフローをトリガーするために必要な権限セットを持っていることを確認してください。詳細については、[GitHub ドキュメントを参照してください](https://docs.github.com/en/rest/repos/repos?#create-a-repository-dispatch-event)。
+
-W&B から repository dispatch を送信して GitHub Action をトリガーします。例えば、`on` キーのトリガーとして repository dispatch を受け入れる GitHub ワークフローファイルがあるとします：
-
-```yaml
-on:
-repository_dispatch:
- types: BUILD_AND_DEPLOY
-```
-
-リポジトリのペイロードは以下のようになります：
-
-```json
-{
- "event_type": "BUILD_AND_DEPLOY",
- "client_payload":
- {
- "event_author": "${event_author}",
- "artifact_version": "${artifact_version}",
- "artifact_version_string": "${artifact_version_string}",
- "artifact_collection_name": "${artifact_collection_name}",
- "project_name": "${project_name}",
- "entity_name": "${entity_name}"
- }
-}
-```
+ W&B から repository dispatch イベントを送信して GitHub Actions をトリガーします。たとえば、`on` キーのトリガーとして repository dispatch を受け取る GitHub ワークフロー ファイルがあるとします。
-
-webhook ペイロードの `event_type` キーは、GitHub ワークフローの YAML ファイル内の `types` フィールドと一致する必要があります。
-
+ ```yaml
+ on:
+ repository_dispatch:
+ types: BUILD_AND_DEPLOY
+ ```
-レンダリングされたテンプレート文字列の内容と配置は、オートメーションが設定されているイベントまたはモデルバージョンによって異なります。 `${event_type}` は `LINK_ARTIFACT` または `ADD_ARTIFACT_ALIAS` のいずれかとしてレンダリングされます。マッピングの例を以下に示します：
-
-```text
-${event_type} --> "LINK_ARTIFACT" or "ADD_ARTIFACT_ALIAS"
-${event_author} --> ""
-${artifact_version} --> "wandb-artifact://_id/QXJ0aWZhY3Q6NTE3ODg5ODg3""
-${artifact_version_string} --> "/model-registry/:"
-${artifact_collection_name} --> ""
-${project_name} --> "model-registry"
-${entity_name} --> ""
-```
-
-テンプレート文字列を使用して、W&B から GitHub Actions やその他のツールに動的にコンテキストを渡します。それらのツールが Python スクリプトを呼び出せる場合、[W&B API](/models/artifacts/download-and-use-an-artifact/) を通じて Registered Models のアーティファクトを利用できます。
-
-- repository dispatch に関する詳細は、[GitHub Marketplace の公式ドキュメント](https://github.com/marketplace/actions/repository-dispatch) を参照してください。
-
-- モデルの評価とデプロイのためのオートメーション作成ガイドである、動画 [Webhook Automations for Model Evaluation](https://www.youtube.com/watch?v=7j-Mtbo-E74&ab_channel=Weights%26Biases) および [Webhook Automations for Model Deployment](https://www.youtube.com/watch?v=g5UiAFjM2nA&ab_channel=Weights%26Biases) をご覧ください。
-
-- Model CI に GitHub Actions の webhook オートメーションを使用する方法を示した W&B [レポート](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw) を確認してください。Modal Labs の webhook を使用してモデル CI を作成する方法については、こちらの [GitHub リポジトリ](https://github.com/hamelsmu/wandb-modal-webhook) をチェックしてください。
-
-
-このペイロードの例は、webhook を使用して Teams チャンネルに通知する方法を示しています：
-
-```json
-{
-"@type": "MessageCard",
-"@context": "http://schema.org/extensions",
-"summary": "New Notification",
-"sections": [
- {
- "activityTitle": "Notification from WANDB",
- "text": "This is an example message sent via Teams webhook.",
- "facts": [
+ リポジトリ向けのペイロードは次のようになります:
+
+ ```json
+ {
+ "event_type": "BUILD_AND_DEPLOY",
+ "client_payload":
{
- "name": "Author",
- "value": "${event_author}"
- },
+ "event_author": "${event_author}",
+ "artifact_version": "${artifact_version}",
+ "artifact_version_string": "${artifact_version_string}",
+ "artifact_collection_name": "${artifact_collection_name}",
+ "project_name": "${project_name}",
+ "entity_name": "${entity_name}"
+ }
+ }
+ ```
+
+
+ webhook ペイロード内の `event_type` キーは、GitHub workflow の YAML ファイル内の `types` フィールドと一致している必要があります。
+
+
+ レンダリングされたテンプレート文字列の内容と配置位置は、自動処理が設定されている event または モデル バージョンによって異なります。`${event_type}` は `LINK_ARTIFACT` または `ADD_ARTIFACT_ALIAS` のいずれかとしてレンダリングされます。以下に対応関係の例を示します。
+
+ ```text
+ ${event_type} --> "LINK_ARTIFACT" or "ADD_ARTIFACT_ALIAS"
+ ${event_author} --> ""
+ ${artifact_version} --> "wandb-artifact://_id/QXJ0aWZhY3Q6NTE3ODg5ODg3""
+ ${artifact_version_string} --> "/model-registry/:"
+ ${artifact_collection_name} --> ""
+ ${project_name} --> "model-registry"
+ ${entity_name} --> ""
+ ```
+
+ テンプレート文字列を使用して、W&B から GitHub Actions やその他のツールへコンテキストを動的に渡します。これらのツールが Python スクリプトを呼び出せる場合、[W&B API](/ja/models/artifacts/download-and-use-an-artifact/) を通じて登録済みモデルの Artifacts を利用できます。
+
+ * repository dispatch の詳細については、[GitHub Marketplace の公式ドキュメント](https://github.com/marketplace/actions/repository-dispatch) を参照してください。
+
+ * モデル評価のオートメーションを作成する手順を解説した [Webhook Automations for Model Evaluation](https://www.youtube.com/watch?v=7j-Mtbo-E74\&ab_channel=Weights%26Biases) と、モデル デプロイのオートメーションを作成する手順を解説した [Webhook Automations for Model Deployment](https://www.youtube.com/watch?v=g5UiAFjM2nA\&ab_channel=Weights%26Biases) の動画を視聴してください。
+
+ * Model CI 用の GitHub Actions Webhook オートメーションの使い方を示す W&B の [レポート](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw) を確認してください。Modal Labs の Webhook を使って Model CI を構築する方法については、この [GitHub リポジトリ](https://github.com/hamelsmu/wandb-modal-webhook) を参照してください。
+
+
+
+ 以下のペイロード例は、Webhook を使用して Teams チャンネルに通知する方法を示しています。
+
+ ```json
+ {
+ "@type": "MessageCard",
+ "@context": "http://schema.org/extensions",
+ "summary": "New Notification",
+ "sections": [
{
- "name": "Event Type",
- "value": "${event_type}"
+ "activityTitle": "Notification from WANDB",
+ "text": "This is an example message sent via Teams webhook.",
+ "facts": [
+ {
+ "name": "Author",
+ "value": "${event_author}"
+ },
+ {
+ "name": "Event Type",
+ "value": "${event_type}"
+ }
+ ],
+ "markdown": true
}
- ],
- "markdown": true
- }
-]
-}
-```
-
-（上記の Teams の例のように）実行時にテンプレート文字列を使用して、W&B のデータをペイロードに挿入できます。
-
-
-
-このセクションは歴史的な経緯のために提供されています。現在 Slack との統合に webhook を使用している場合、W&B は設定を更新して代わりに [新しい Slack インテグレーション](#create-a-slack-automation) を使用することを推奨します。
-
+ ]
+ }
+ ```
+
+ 実行時にテンプレート文字列を使用して、W&B データをペイロードに挿入できます（上記の Teams の例にあるように）。
+
-[Slack API ドキュメント](https://api.slack.com/messaging/webhooks) に記載されている手順に従って、Slack アプリをセットアップし、incoming webhook インテグレーションを追加してください。 `Bot User OAuth Token` の下に指定された secret が、W&B webhook のアクセストークンとして設定されていることを確認してください。
+
+
+ このセクションは歴史的な記録のために提供されています。現在 Slack との連携に webhook を使用している場合は、[新しい Slack integration](#create-a-slack-automation) を使用するように設定を更新することを W&B は推奨します。
+
-以下はペイロードの例です：
+ Slack アプリをセットアップし、[Slack API ドキュメント](https://api.slack.com/messaging/webhooks) で説明されている手順に従って incoming webhook インテグレーションを追加します。`Bot User OAuth Token` に記載されているシークレットを、W&B webhook のアクセストークンとして指定していることを確認してください。
-```json
-{
- "text": "New alert from WANDB!",
-"blocks": [
+ 次にペイロードの例を示します。
+
+ ```json
{
- "type": "section",
- "text": {
- "type": "mrkdwn",
- "text": "Registry event: ${event_type}"
- }
- },
+ "text": "New alert from WANDB!",
+ "blocks": [
{
- "type":"section",
+ "type": "section",
"text": {
- "type": "mrkdwn",
- "text": "New version: ${artifact_version_string}"
- }
+ "type": "mrkdwn",
+ "text": "Registry event: ${event_type}"
+ }
},
- {
- "type": "divider"
- },
- {
- "type": "section",
- "text": {
- "type": "mrkdwn",
- "text": "Author: ${event_author}"
- }
- }
- ]
-}
-```
-
+ {
+ "type":"section",
+ "text": {
+ "type": "mrkdwn",
+ "text": "New version: ${artifact_version_string}"
+ }
+ },
+ {
+ "type": "divider"
+ },
+ {
+ "type": "section",
+ "text": {
+ "type": "mrkdwn",
+ "text": "Author: ${event_author}"
+ }
+ }
+ ]
+ }
+ ```
+
-## webhook のトラブルシューティング
-W&B App UI でインタラクティブに、または Bash スクリプトでプログラム的に、webhook のトラブルシューティングを行います。新しい webhook を作成する際、または既存の webhook を編集する際にトラブルシューティングを行うことができます。
+
+ ## Webhook のトラブルシューティング
+
+
+W&B App UI を使用して対話的に、または Bash スクリプトを使ってプログラムから webhook のトラブルシューティングを行うことができます。新しい webhook を作成するときや、既存の webhook を編集するときにトラブルシューティングできます。
-W&B が `POST` リクエストに使用する形式の詳細については、**Bash script** タブを参照してください。
+W&B が `POST` リクエストに使用するフォーマットの詳細については、**Bash script** タブを参照してください。
-
-チーム管理者は、W&B App UI を使用してインタラクティブに webhook をテストできます。
-
-1. W&B の Team Settings ページに移動します。
-2. **Webhooks** セクションまでスクロールします。
-3. webhook 名の横にある横三点リーダー（ミートボールアイコン）をクリックします。
-4. **Test** を選択します。
-5. 表示される UI パネルから、表示されたフィールドに POST リクエストを貼り付けます。
-
-
-このシェルスクリプトは、webhook オートメーションがトリガーされたときに W&B が送信するリクエストと同様の `POST` リクエストを生成する一つの方法を示しています。
-
-以下のコードをシェルスクリプトにコピー＆ペーストして、webhook のトラブルシューティングを行ってください。以下の項目に独自の値を指定してください：
-
-* `ACCESS_TOKEN`
-* `SECRET`
-* `PAYLOAD`
-* `API_ENDPOINT`
-
-
-```bash webhook_test.sh
-#!/bin/bash
-
-# アクセストークンと secret
-ACCESS_TOKEN="your_api_key"
-SECRET="your_api_secret"
-
-# 送信したいデータ（例：JSON形式）
-PAYLOAD='{"key1": "value1", "key2": "value2"}'
-
-# HMAC署名を生成
-# セキュリティのため、Wandbはペイロードとwebhookに関連付けられた
-# 共有シークレットキーから、HMAC SHA-256アルゴリズムを使用して計算された
-# X-Wandb-Signatureをヘッダーに含めます。
-SIGNATURE=$(echo -n "$PAYLOAD" | openssl dgst \
--sha256 -hmac "$SECRET" -binary | base64)
-
-# cURLリクエストを実行
-curl -X POST \
- -H "Content-Type: application/json" \
- -H "Authorization: Bearer $ACCESS_TOKEN" \
- -H "X-Wandb-Signature: $SIGNATURE" \
- -d "$PAYLOAD" API_ENDPOINT
-```
-
+
+ チーム管理者は、W&B App UI を使用して webhook を対話的にテストできます。
+
+ 1. 自分の W&B Team Settings ページに移動します。
+ 2. **Webhooks** セクションまでスクロールします。
+ 3. webhook 名の横にある横三点リーダー（ミートボールアイコン）をクリックします。
+ 4. **Test** を選択します。
+ 5. 表示される UI パネルのフィールドに、POST リクエストを貼り付けます。
+
+
+
+ このシェルスクリプトは、トリガーされたときに W&B が webhook 自動化に送信するリクエストに類似した `POST` リクエストを生成する 1 つの方法を示します。
+
+ 以下のコードをシェルスクリプトにコピーして貼り付け、webhook のトラブルシューティングを行ってください。次の値には自分の値を指定します:
+
+ * `ACCESS_TOKEN`
+ * `SECRET`
+ * `PAYLOAD`
+ * `API_ENDPOINT`
+
+ ```bash webhook_test.sh
+ #!/bin/bash
+
+ # アクセストークンとシークレット
+ ACCESS_TOKEN="your_api_key"
+ SECRET="your_api_secret"
+
+ # 送信したいデータ（たとえば JSON 形式）
+ PAYLOAD='{"key1": "value1", "key2": "value2"}'
+
+ # HMAC 署名を生成
+ # セキュリティのため、W&B はヘッダーに、
+ # ペイロードと webhook に関連付けられた共有
+ # シークレットキーから計算された
+ # X-Wandb-Signature を含めます
+ # これは HMAC（SHA-256 アルゴリズム）を使って計算されます。
+ SIGNATURE=$(echo -n "$PAYLOAD" | openssl dgst
+ -sha256 -hmac "$SECRET" -binary | base64)
+
+ # cURL リクエストを実行
+ curl -X POST \
+ -H "Content-Type: application/json" \
+ -H "Authorization: Bearer $ACCESS_TOKEN" \
+ -H "X-Wandb-Signature: $SIGNATURE" \
+ -d "$PAYLOAD" API_ENDPOINT
+ ```
+
\ No newline at end of file
diff --git a/ja/models/automations/view-automation-history.mdx b/ja/models/automations/view-automation-history.mdx
index 32372d336c..7425df78d4 100644
--- a/ja/models/automations/view-automation-history.mdx
+++ b/ja/models/automations/view-automation-history.mdx
@@ -3,64 +3,71 @@ title: オートメーションの履歴を表示する
---
-この機能には Enterprise ライセンスが必要です。以下の環境で利用可能です：
-- W&B Multi-tenant Cloud
-- W&B 専用クラウド
-- W&B Self-Managed v0.75.0 以降
+ この機能を使用するには Enterprise ライセンスが必要です。次の環境でのみ利用できます:
+
+ * W&B Multi-tenant Cloud
+ * W&B Dedicated Cloud
+ * W&B Self-Managed v0.75.0+
-このページでは、W&B [Automations](/models/automations) の実行履歴を表示し、内容を理解する方法について説明します。これには、何がオートメーションをトリガーしたか、どのようなアクションが実行されたか、そしてそれらが成功したか失敗したかが含まれます。
+このページでは、W&B [automations](/ja/models/automations) の実行履歴を表示し、その内容を理解する方法を説明します。具体的には、オートメーションが何によってトリガーされたか、どのようなアクションが実行されたか、その成否などを確認できます。
+
+実行されるオートメーションごとに、次の内容を含むレコードが生成されます。
-実行された各オートメーションは、以下の内容を含むレコードを生成します：
-- **実行タイムスタンプ**: オートメーションがトリガーされた日時。
-- **トリガーイベント**: オートメーションを起動した特定のイベント。
-- **ステータス**: 実行のステータス。[実行ステータス](#execution-status) を参照してください。
-- **アクションの詳細**: Slack チャンネルへの通知や Webhook の実行など、どのアクションが実行されたかに関する情報。
-- **結果の詳細**: オートメーション実行の最終結果に関する追加情報（ある場合）。実行に失敗した際のエラー内容も含まれます。
+* **Execution timestamp**: オートメーションがトリガーされた時刻。
+* **Triggering event**: オートメーションをトリガーした特定のイベント。
+* **Status**: 実行のステータス。[Execution status](#execution-status) を参照してください。
+* **Action details**: Slack チャンネルへの通知や webhook の実行など、どのようなアクションが実行されたかに関する情報。
+* **Result details**: 失敗した実行に対するエラーを含め、オートメーション実行の最終的な結果に関する追加情報 (存在する場合)。
-ユースケースに合わせて、**Registry** または **Project** タブを選択し、オートメーション履歴を表示するための詳細な手順を確認してください。
+ユースケースに応じて、オートメーション履歴の表示方法に関する詳細な手順を見るために、**Registry** タブまたは **Project** タブを選択してください。
-
-1. 左サイドバーの **Registry** をクリックして、レジストリに移動します。
-1. リストから対象のレジストリを選択します。
-1. **Automations** タブでレジストリのオートメーションを確認します。**Last execution** のタイムスタンプをクリックすると、実行履歴の詳細が表示されます。検索バーを使用してオートメーション名でフィルタリングしたり、最終トリガー日でソートして最近実行されたオートメーションを見つけたりすることができます。
-1. **Automations history** タブでは、レジストリのオートメーション実行履歴が、イベント、アクション、ステータスとともに逆時系列で表示されます。特定の実行の詳細を表示するには、実行タイムスタンプをクリックします。
-
-コレクションに関連するオートメーションの実行がある場合、アイコン  と関連する実行数が表示されます。
-
-
-1. 左ナビゲーションの **Automations** タブをクリックします。プロジェクトのオートメーションが表示されます。**Last execution** のタイムスタンプをクリックすると、実行履歴の詳細が表示されます。検索バーを使用してオートメーション名でフィルタリングしたり、最終トリガー日でソートして最近実行されたオートメーションを見つけたりすることができます。
-1. **History** タブでは、プロジェクトのオートメーションのすべての実行が、最新のものから順に逆時系列で表示されます。イベント、アクション、ステータスを含む各実行の メタデータ が表示されます。特定の実行の詳細を表示するには、実行タイムスタンプをクリックします。
-
+
+ 1. プロジェクト サイドバーで **Registry** をクリックして、自分の registry に移動します。
+ 2. 一覧から対象の registry を選択します。
+ 3. **Automations** タブで、その registry のオートメーションを表示します。**Last execution** タイムスタンプをクリックして、実行履歴の詳細を表示します。検索バーを使用してオートメーション名でフィルタリングでき、最後にトリガーされた日付で並べ替えることで、最近実行されたオートメーションを見つけることができます。
+ 4. **Automations history** タブで、その registry のオートメーション実行を、新しいものから順に時系列の逆順で表示します。イベント、アクション、ステータスが含まれます。特定の実行の詳細を表示するには、その実行のタイムスタンプをクリックします。
+
+ コレクションに関連付けられたオートメーション実行がある場合、関連付けられた実行数とともに、アイコン  が表示されます。
+
+
+
+ 1. プロジェクト サイドバーで **Automations** タブをクリックします。プロジェクトのオートメーションが表示されます。**Last execution** タイムスタンプをクリックして、実行履歴の詳細を表示します。検索バーを使用してオートメーション名でフィルタリングでき、最後にトリガーされた日付で並べ替えることで、最近実行されたオートメーションを見つけることができます。
+ 2. **History** タブで、そのプロジェクトのすべてのオートメーション実行を、新しいものから順に時系列の逆順で表示します。各実行のメタデータとして、イベント、アクション、ステータスが表示されます。特定の実行の詳細を表示するには、その実行のタイムスタンプをクリックします。
+
-## 実行詳細の理解
+
+ ## 実行詳細について
+
-各オートメーションの実行は、以下のいずれかのステータスを持ちます：
+各オートメーションの実行には、次のいずれかのステータスがあります。
-- **Finished**: オートメーションのすべてのアクションが正常に完了しました。
-- **Failed**: オートメーションでエラーが発生し、正常に終了しませんでした。
-- **Pending**: オートメーションが実行待ちキューに入っています。
+* **Finished**: オートメーションがすべてのアクションを正常に完了しました。
+* **Failed**: オートメーションでエラーが発生し、正常に完了しませんでした。
+* **Pending**: オートメーションが実行待ち状態です。
-履歴内の実行をクリックすると、詳細が表示されます：
+履歴内の任意の実行をクリックすると、詳細を表示できます。
-- **イベントの詳細**: オートメーションをトリガーした特定のイベント。以下が含まれます：
- - イベントタイプ（例：「新規 Artifact バージョン」、「Run の完了」）
- - エンティティ情報（Run ID、Artifact 名など）
- - イベントをトリガーした User（該当する場合）
+* **Event details**: オートメーションをトリガーした特定のイベントに関する情報 (以下を含む) 。
+ * イベントタイプ (例: "New artifact version"、"Run completed")
+ * Entity 情報 (run ID、artifact 名など)
+ * イベントをトリガーしたユーザー (該当する場合)
-- **アクションの詳細**: オートメーションが試行した内容に関する情報：
- - アクションタイプ（Slack 通知または Webhook）
- - ターゲット（Slack チャンネルまたは Webhook URL）
- - 送信されたペイロード（Webhook の場合）
+* **Action details**: オートメーションが実行しようとした処理に関する情報。
+ * アクションタイプ (Slack 通知または webhook)
+ * 対象 (Slack チャンネルまたは webhook URL)
+ * 送信されたペイロード (webhook の場合)
-- **結果情報**:
- - レスポンスステータス（Webhook の場合）
- - エラーメッセージまたはスタックトレース（実行に失敗した場合）
+* **Result information**:
+ * レスポンスステータス (webhook の場合)
+ * エラーメッセージやスタックトレース (失敗した実行の場合)
-## 次のステップ
+
+ ## 次のステップ
+
-- [オートメーションを作成する](/models/automations/create-automations)
-- [オートメーションのイベントとスコープ](/models/automations/automation-events) について学ぶ
-- [シークレットを作成する](/platform/secrets)
\ No newline at end of file
+* [オートメーションを作成](/ja/models/automations/create-automations)
+* [Automation イベントとスコープについて学ぶ](/ja/models/automations/automation-events)
+* [シークレットを作成](/ja/platform/secrets)
\ No newline at end of file
diff --git a/ja/models/core/automations.mdx b/ja/models/core/automations.mdx
deleted file mode 100644
index eb220c0a31..0000000000
--- a/ja/models/core/automations.mdx
+++ /dev/null
@@ -1,39 +0,0 @@
----
-title: オートメーション
----
-
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
-
-
-
-
-このページでは、W&B の _オートメーション_ について説明します。ワークフローステップをトリガーする [オートメーションの作成](/ja/models/core/automations/create-automations/) は、W&B 内のイベント（例えば、アーティファクトバージョンが作成されたとき）に基づいて、自動モデルテストやデプロイメントなどを行います。
-
-例えば、新しいバージョンが作成されたときに Slack のチャンネルに投稿したり、アーティファクトに `production` エイリアスが追加されたときに自動テストをトリガーするためにウェブフックを実行することができます。
-
-## 概要
-オートメーションは、レジストリやプロジェクトで特定の[イベント](/ja/models/core/automations/automation-events/)が発生したときに実行できます。
-
-[レジストリ](/ja/models/core/registry/)内のアーティファクトの場合、オートメーションを設定して次の場合に実行することができます：
-- 新しいアーティファクトバージョンがコレクションにリンクされたとき。例えば、新しい候補モデルに対するテストおよび検証ワークフローをトリガーします。
-- アーティファクトバージョンにエイリアスが追加されたとき。例えば、モデルバージョンにエイリアスが追加されたときにデプロイメントワークフローをトリガーします。
-
-[プロジェクト](/ja/models/track/project-page/)内のアーティファクトの場合、オートメーションを設定して次の場合に実行することができます：
-- 新しいバージョンがアーティファクトに追加されたとき。例えば、指定されたコレクションにデータセットアーティファクトの新しいバージョンが追加されたときにトレーニングジョブを開始します。
-- アーティファクトバージョンにエイリアスが追加されたとき。例えば、データセットアーティファクトにエイリアス「redaction」が追加されたときに PII 編集ワークフローをトリガーします。
-
-詳細については、[オートメーションイベントとスコープ](/ja/models/core/automations/automation-events/)を参照してください。
-
-[オートメーションを作成するには](/ja/models/core/automations/create-automations/)、以下を行います：
-
-1. 必要に応じて、自動化に必要なアクセス トークン、パスワード、またはセンシティブな設定の詳細などの機密文字列のために、[シークレット](/ja/platform/secrets/)を設定します。シークレットは **Team Settings** で定義されます。シークレットは、資格情報やトークンをプレーン テキストで公開することなく、Webhook のペイロードにハードコードすることなく、安全に外部サービスに渡すために Webhook オートメーションで最も一般的に使用されます。
-1. Webhook または Slack 通知を設定して、Slack に投稿したり、ユーザーに代わって Webhook を実行するように W&B を承認します。単一のオートメーションアクション（Webhookまたは Slack 通知）は、複数のオートメーションで使用できます。これらのアクションは、**Team Settings** で定義されます。
-1. プロジェクトまたはレジストリでオートメーションを作成します：
- 1. 新しいアーティファクトバージョンが追加されたときなど、監視する[イベント](#automation-events)を定義します。
- 1. イベントが発生したときに取るアクション（Slack チャンネルへの投稿またはウェブフックの実行）を定義します。ウェブフックの場合、必要に応じてペイロードと共に送信するアクセス トークンやシークレットを使用するためのシークレットを指定します。
-
-## 次のステップ
-- [オートメーションを作成する](/ja/models/core/automations/create-automations/)。
-- [オートメーションのイベントとスコープ](/ja/models/core/automations/automation-events/)について学ぶ。
-- [シークレットを作成する](/ja/platform/secrets/)。
\ No newline at end of file
diff --git a/ja/models/core/automations/automation-events.mdx b/ja/models/core/automations/automation-events.mdx
deleted file mode 100644
index 5b9c8c073f..0000000000
--- a/ja/models/core/automations/automation-events.mdx
+++ /dev/null
@@ -1,53 +0,0 @@
----
-title: 自動化イベントと範囲
----
-
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
-
-
-
-
-あるオートメーションは、プロジェクトやレジストリのスコープ内で特定のイベントが発生したときに開始されます。プロジェクトの*スコープ*は[スコープの技術的定義を挿入]を参照してください。このページでは、それぞれのスコープ内でオートメーションをトリガーするイベントについて説明します。
-
-オートメーションの詳細は、[オートメーション概要](/ja/models/core/automations/)または[オートメーションの作成](/ja/models/core/automations/create-automations/)を参照してください。
-
-## レジストリ
-このセクションでは、[レジストリ](/ja/models/core/registry/)でのオートメーションのスコープとイベントについて説明します。
-
-1. レジストリアプリをhttps://wandb.ai/registry/で開きます。
-1. レジストリの名前をクリックし、**オートメーション**タブでオートメーションを表示および作成します。
-
-[オートメーションの作成](/ja/models/core/automations/create-automations/)の詳細をご覧ください。
-
-### スコープ
-レジストリにおけるオートメーションは、これらのスコープで作成できます：
-- [レジストリ](/ja/models/core/registry/) レベル：オートメーションは、特定のレジストリ内のすべてのコレクション（将来追加されるコレクションを含む）で発生するイベントを監視します。
-- コレクションレベル：特定のレジストリ内の単一のコレクション。
-
-### イベント
-レジストリオートメーションは、これらのイベントを監視できます：
-- **新しいアーティファクトをコレクションにリンク**: 新しいモデルやデータセットがレジストリに追加されたときにテストと検証。
-- **アーティファクトのバージョンに新しいエイリアスを追加**: 新しいアーティファクトバージョンに特定のエイリアスが適用されたときに、ワークフローの特定のステップをトリガーします。たとえば、`production`エイリアスが適用されたときにモデルをデプロイする。
-
-## プロジェクト
-このセクションでは、[プロジェクト](/ja/models/core/automations/automation-events/#%E3%83%97%E3%83%AD%E3%82%B8%E3%82%A7%E3%82%AF%E3%83%88)でのオートメーションのスコープとイベントについて説明します。
-
-1. W&Bアプリの `https://wandb.ai//` にあるW&Bプロジェクトに移動します。
-1. **オートメーション**タブでオートメーションを表示および作成します。
-
-[オートメーションの作成](/ja/models/core/automations/create-automations/)の詳細をご覧ください。
-
-### スコープ
-プロジェクト内でオートメーションを作成できるスコープ：
-- プロジェクトレベル：オートメーションは、プロジェクト内の任意のコレクションで発生するイベントを監視します。
-- コレクションレベル：指定したフィルタに一致するプロジェクト内のすべてのコレクション。
-
-### イベント
-プロジェクト内でオートメーションは、これらのイベントを監視できます：
-- **コレクションでアーティファクトの新しいバージョンが作成される**: アーティファクトの各バージョンに繰り返しの処理を適用します。コレクションの指定はオプションです。たとえば、新しいデータセットアーティファクトバージョンが作成されたときにトレーニングジョブを開始します。
-- **アーティファクトエイリアスが追加される**: プロジェクトやコレクション内の新しいアーティファクトバージョンに特定のエイリアスが適用されたときに、ワークフローの特定のステップをトリガーします。例えば、アーティファクトに `test-set-quality-check` エイリアスが適用されたときに一連の後処理ステップを実行します。
-
-## 次のステップ
-- [Slackオートメーションを作成](/ja/models/core/automations/create-automations/slack/)
-- [Webhookオートメーションを作成](/ja/models/core/automations/create-automations/webhook/)
\ No newline at end of file
diff --git a/ja/models/core/automations/create-automations.mdx b/ja/models/core/automations/create-automations.mdx
deleted file mode 100644
index e128f28323..0000000000
--- a/ja/models/core/automations/create-automations.mdx
+++ /dev/null
@@ -1,47 +0,0 @@
----
-title: 自動化の作成
----
-
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
-
-
-
-
-このページでは、W&B の [オートメーション](/ja/models/core/automations/) を作成および管理する概要を示します。詳細な手順については [Slack オートメーションを作成する](/ja/models/core/automations/create-automations/slack) または [Webhook オートメーションを作成する](/ja/models/core/automations/create-automations/webhook) を参照してください。
-
-
-オートメーションに関するチュートリアルをお探しですか？
-- [モデルの評価とデプロイメントのための Github アクションを自動的にトリガーする方法を学ぶ](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw)。
-- [モデルを Sagemaker エンドポイントに自動的にデプロイするデモ動画を見る](https://www.youtube.com/watch?v=s5CMj_w3DaQ)。
-- [オートメーションを紹介する動画シリーズを見る](https://youtube.com/playlist?list=PLD80i8An1OEGECFPgY-HPCNjXgGu-qGO6&feature=shared)。
-
-
-## 要件
-- チーム管理者は、チームの Projects やオートメーションのコンポーネント（Webhook、秘密情報、Slack 接続など）のオートメーションを作成および管理できます。[チーム設定](/ja/platform/app/settings-page/teams/)を参照してください。
-- レジストリオートメーションを作成するには、レジストリへのアクセスが必要です。[レジストリアクセスの設定](/ja/models/core/registry/configure_registry#registry-roles)を参照してください。
-- Slack オートメーションを作成するには、選択した Slack インスタンスとチャンネルに投稿する権限が必要です。
-
-## オートメーションを作成する
-プロジェクトまたはレジストリの **Automations** タブからオートメーションを作成します。オートメーションを作成するには、以下のステップに従います：
-
-1. 必要に応じて、オートメーションに必要な各機密文字列（アクセストークン、パスワード、SSH キーなど）のために [W&B の秘密情報を作成する](/ja/platform/secrets/)。秘密情報は **Team Settings** で定義されます。秘密情報は主に Webhook オートメーションで使用されます。
-1. Webhook または Slack 通知を設定して、W&B が Slack に投稿するか、代わりに Webhook を実行できるようにします。単一のオートメーションアクション（Webhook または Slack 通知）は、複数のオートメーションによって使用できます。これらのアクションは **Team Settings** で定義されます。
-1. プロジェクトまたはレジストリで、監視するイベントと実行するアクション（Slack への投稿や Webhook の実行など）を指定するオートメーションを作成します。Webhook オートメーションを作成するときは、送信するペイロードを設定します。
-
-詳細については、以下を参照してください：
-
-- [Slack オートメーションを作成する](/ja/models/core/automations/create-automations/slack/)
-- [Webhook オートメーションを作成する](/ja/models/core/automations/create-automations/webhook/)
-
-## オートメーションを表示および管理する
-プロジェクトまたはレジストリの **Automations** タブからオートメーションを表示および管理します。
-
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、そのアクションの `…` メニューをクリックし、**Edit automation** をクリックします。
-- オートメーションを削除するには、そのアクションの `…` メニューをクリックし、**Delete automation** をクリックします。
-
-## 次のステップ
-- [Slack オートメーションを作成する](/ja/models/core/automations/create-automations/slack/)。
-- [Webhook オートメーションを作成する](/ja/models/core/automations/create-automations/webhook/)。
-- [秘密情報を作成する](/ja/platform/secrets/)。
\ No newline at end of file
diff --git a/ja/models/core/automations/create-automations/slack.mdx b/ja/models/core/automations/create-automations/slack.mdx
deleted file mode 100644
index 01b4d07728..0000000000
--- a/ja/models/core/automations/create-automations/slack.mdx
+++ /dev/null
@@ -1,95 +0,0 @@
----
-title: Slack 自動化の作成
----
-
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
-
-
-
-
-このページでは、Slack [オートメーション](/ja/models/core/automations/)を作成する方法を示します。ウェブフックオートメーションを作成するには、[ウェブフックオートメーションの作成](/ja/models/core/automations/create-automations/webhook)を参照してください。
-
-高レベルでは、Slackオートメーションを作成するには、以下の手順を行います:
-1. [Slackインテグレーションを追加](#add-a-slack-channel)し、W&BがSlackインスタンスとチャンネルに投稿できるように認証します。
-1. [Slackオートメーションを作成](#create-slack-automation)し、監視する[イベント](/ja/models/core/automations/automation-events)と投稿するチャンネルを定義します。
-
-## Slackに接続
-チーム管理者は、チームにSlack宛先を追加できます。
-
-1. W&Bにログインし、チーム設定ページに移動します。
-1. **Slackチャンネルインテグレーション**セクションで、**Slackを接続**をクリックして新しいSlackインスタンスを追加します。既存のSlackインスタンスにチャンネルを追加するには、**新しいインテグレーション**をクリックします。
-
- 必要に応じて、ブラウザでSlackにサインインします。プロンプトが表示されたら、選択したSlackチャンネルにW&Bからの投稿を許可してください。ページを読み、**チャンネルを検索**をクリックしてチャンネル名を入力し始めます。リストからチャンネルを選択し、**許可**をクリックします。
-
-1. Slackで、選択したチャンネルに移動します。`[あなたのSlackハンドル]がこのチャンネルにインテグレーションを追加しました: Weights & Biases`という投稿が表示されれば、インテグレーションが正しく設定されています。
-
-これで、設定したSlackチャンネルに通知する[オートメーションを作成](#create-a-slack-automation)できます。
-
-## Slack接続の表示と管理
-チーム管理者は、チームのSlackインスタンスとチャンネルを表示および管理できます。
-
-1. W&Bにログインし、**チーム設定**に移動します。
-1. **Slackチャンネルインテグレーション**セクションで各Slack宛先を表示します。
-1. 宛先を削除するには、そのゴミ箱アイコンをクリックします。
-
-## オートメーションを作成する
-W&Bチームを[Slackに接続した後](#connect-to-slack)、**Registry**または**Project**を選択し、Slackチャンネルに通知するオートメーションを作成する手順に従います。
-
-
-
-Registry管理者は、そのregistry内でオートメーションを作成できます。
-
-1. W&Bにログインします。
-1. registryの名前をクリックして詳細を表示します。
-1. registryに関連付けられたオートメーションを作成するには、**Automations**タブをクリックし、**Create automation**をクリックします。registryに関連付けられたオートメーションは、自動的にそのすべてのコレクションに適用されます（将来作成されるものも含む）。
-
- registry内の特定のコレクションにのみ関連付けられたオートメーションを作成するには、コレクションのアクション`...`メニューをクリックし、**Create automation**をクリックします。あるいは、コレクションを閲覧しているときに、**Automations**セクションの詳細ページで**Create automation**ボタンを使用して、そのためのオートメーションを作成します。
-1. 監視する[**Event**](/ja/models/core/automations/automation-events)を選択します。
-
- イベントに応じた追加のフィールドが表示されるので、それを入力します。たとえば、**An artifact alias is added**を選択した場合は、**Alias regex**を指定する必要があります。
-
- **Next step**をクリックします。
-1. [Slackインテグレーション](#add-a-slack-integration)を所有するチームを選択します。
-1. **Action type**を**Slack notification**に設定します。Slackチャンネルを選択し、**Next step**をクリックします。
-1. オートメーションの名前を提供します。必要に応じて、説明を追加します。
-1. **Create automation**をクリックします。
-
-
-W&B管理者は、プロジェクト内でオートメーションを作成できます。
-
-1. W&Bにログインします。
-1. プロジェクトページに移動し、**Automations**タブをクリックします。
-1. **Create automation**をクリックします。
-1. 監視する[**Event**](/ja/models/core/automations/automation-events)を選択します。
-
- イベントに応じた追加のフィールドが表示されるので、それを入力します。たとえば、**An artifact alias is added**を選択した場合は、**Alias regex**を指定する必要があります。
-
- **Next step**をクリックします。
-1. [Slackインテグレーション](#add-a-slack-integration)を所有するチームを選択します。
-1. **Action type**を**Slack notification**に設定します。Slackチャンネルを選択し、**Next step**をクリックします。
-1. オートメーションの名前を提供します。必要に応じて、説明を追加します。
-1. **Create automation**をクリックします。
-
-
-
-## オートメーションの表示と管理
-
-
-
-- registryの**Automations**タブから対象のオートメーションを管理します。
-- コレクションの詳細ページの**Automations**セクションからコレクションのオートメーションを管理します。
-
-これらのページのいずれからも、Registry管理者は既存のオートメーションを管理できます:
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、そのアクション`...`メニューをクリックし、**Edit automation**をクリックします。
-- オートメーションを削除するには、そのアクション`...`メニューをクリックし、**Delete automation**をクリックします。確認が必要です。
-
-
-W&B管理者は、プロジェクトの**Automations**タブからプロジェクトのオートメーションを表示および管理できます。
-
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、そのアクション`...`メニューをクリックし、**Edit automation**をクリックします。
-- オートメーションを削除するには、そのアクション`...`メニューをクリックし、**Delete automation**をクリックします。確認が必要です。
-
-
\ No newline at end of file
diff --git a/ja/models/core/automations/create-automations/webhook.mdx b/ja/models/core/automations/create-automations/webhook.mdx
deleted file mode 100644
index ee4774157a..0000000000
--- a/ja/models/core/automations/create-automations/webhook.mdx
+++ /dev/null
@@ -1,312 +0,0 @@
----
-title: Webhook オートメーションを作成する
----
-
-import EnterpriseCloudOnly from "/snippets/en/_includes/enterprise-cloud-only.mdx";
-
-
-
-
-このページでは、webhook のオートメーションを作成する方法を示します。Slack オートメーションを作成するには、代わりに [Slack オートメーションの作成](/ja/models/core/automations/create-automations/slack)を参照してください。
-
-webhook オートメーションを作成するための大まかな手順は以下の通りです。
-
-1. 必要に応じて、オートメーションに必要なアクストークン、パスワード、またはSSHキーなどを含む機密文字列ごとに[W&B シークレットを作成](/ja/platform/secrets/)します。シークレットはチーム設定で定義されます。
-2. [webhook を作成](#create-a-webhook)し、エンドポイントと承認の詳細を定義し、必要なシークレットにアクセスするためのインテグレーションのアクセス権を付与します。
-3. [オートメーションを作成](#create-an-automation)し、監視する[event](/ja/models/core/automations/automation-events)と W&B が送信するペイロードを定義します。ペイロードのために必要なシークレットに対して、オートメーションにアクセスを許可します。
-
-## webhook の作成
-チーム管理者は、チームに webhook を追加できます。
-
-
-webhook が Bearer トークンを必要とする場合、またはペイロードが機密文字列を必要とする場合は、webhook を作成する前にそれを含む[シークレットを作成](/ja/platform/secrets/#add-a-secret)してください。webhook には最大で1つのアクストークンと1つの他のシークレットを設定することができます。webhook の認証と承認の要件は、webhook のサービスによって決まります。
-
-
-1. W&B にログインし、チーム設定ページに移動します。
-2. **Webhooks** セクションで、**New webhook** をクリックします。
-3. webhook に名前を提供します。
-4. webhook のエンドポイント URL を提供します。
-5. webhook が Bearer トークンを必要とする場合、**Access token** をそれを含む [secret](/ja/platform/secrets/)に設定します。webhook オートメーションを使用する際、W&B は `Authorization: Bearer` HTTP ヘッダーをアクストークンに設定し、`${ACCESS_TOKEN}` [payload variable](#payload-variables) でトークンにアクセスできます。
-6. webhook のペイロードにパスワードまたは他の機密文字列が必要な場合、**Secret** をその文字列を含むシークレットに設定します。webhook を使用するオートメーションを設定するとき、シークレットの名前に `$` を付けて [payload variable](#payload-variables) としてシークレットにアクセスできます。
-
- webhook のアクセストークンがシークレットに保存されている場合は、アクセストークンとしてシークレットを指定するために次のステップを _必ず_ 完了してください。
-7. W&B がエンドポイントに接続し、認証できることを確認するには：
- 1. オプションで、テスト用のペイロードを提供します。ペイロード内で webhook がアクセス可能なシークレットを参照するには、その名前に `$` を付けます。このペイロードはテスト用であり保存されません。オートメーションのペイロードは [create the automation](#create-a-webhook-automation) で設定します。シークレットとアクセストークンが `POST` リクエストで指定されている場所を表示するには、[Troubleshoot your webhook](#troubleshoot-your-webhook) を参照してください。
- 1. **Test** をクリックします。W&B は、設定された認証情報を使用して webhook のエンドポイントに接続しようとします。ペイロードを提供した場合は、W&B がそれを送信します。
-
- テストが成功しない場合は、webhook の設定を確認して再試行してください。必要に応じて、[Troubleshoot your webhook](#troubleshoot-your-webhook) を参照してください。
-
-これで webhook を使用する [オートメーションを作成する](#create-a-webhook-automation)ことができます。
-
-## オートメーションの作成
-[webhook を設定](#reate-a-webhook)した後、**Registry** または **Project** を選択し、webhook をトリガーするオートメーションを作成するための手順に従います。
-
-
-
-レジストリ管理者は、そのレジストリ内でオートメーションを作成できます。レジストリのオートメーションは、将来追加されるものを含めて、そのレジストリ内のすべてのコレクションに適用されます。
-
-1. W&B にログインします。
-2. 詳細を確認するためにレジストリの名前をクリックします。
-3. レジストリにスコープされているオートメーションを作成するには、**Automations** タブをクリックし、**Create automation** をクリックします。レジストリにスコープされているオートメーションは、そのすべてのコレクション（将来作成されるものを含む）に自動的に適用されます。
-
- レジストリ内の特定のコレクションのみにスコープされたオートメーションを作成するには、コレクションのアクション `...` メニューをクリックし、**Create automation** をクリックします。または、コレクションを表示しながら、コレクションの詳細ページの **Automations** セクションにある **Create automation** ボタンを使用してそれに対するオートメーションを作成します。
-4. 監視する [**Event**](/ja/models/core/automations/automation-events) を選択します。イベントによっては表示される追加フィールドを入力します。例えば、**An artifact alias is added** を選択した場合、**Alias regex** を指定する必要があります。**Next step** をクリックします。
-5. [webhook](#create-a-webhook)を所有するチームを選択します。
-6. **Action type** を **Webhooks** に設定し、使用する [webhook](#create-a-webhook) を選択します。
-7. webhook にアクセストークンを設定している場合、`${ACCESS_TOKEN}` [payload variable](#payload-variables) でトークンにアクセスできます。webhook にシークレットを設定している場合、シークレットの名前に `$` を付けてペイロード内でアクセスできます。webhook の要件は webhook のサービスによって決まります。
-8. **Next step** をクリックします。
-9. オートメーションに名前を付けます。オプションで説明を入力します。**Create automation** をクリックします。
-
-
-W&B 管理者はプロジェクト内でオートメーションを作成できます。
-
-1. W&B にログインし、プロジェクトページに移動します。
-2. サイドバーの **Automations** をクリックします。
-3. **Create automation** をクリックします。
-4. 監視する [**Event**](/ja/models/core/automations/automation-events) を選択します。
-
- 1. 表示される、追加フィールドを入力します。例えば、**An artifact alias is added** を選択した場合、**Alias regex** を指定する必要があります。
-
- 1. オプションでコレクションフィルタを指定します。それ以外の場合、オートメーションはプロジェクト内のすべてのコレクションに適用され、将来追加されるものも含まれます。
-
- **Next step** をクリックします。
-5. [webhook](#create-a-webhook)を所有するチームを選択します。
-6. **Action type** を **Webhooks** に設定し、使用する [webhook](#create-a-webhook) を選択します。
-7. webhook がペイロードを必要とする場合、それを構築し、**Payload** フィールドに貼り付けます。webhook にアクセストークンを設定している場合、`${ACCESS_TOKEN}` [payload variable](#payload-variables) でトークンにアクセスできます。webhook にシークレットを設定している場合、シークレットの名前に `$` を付けてペイロード内でアクセスできます。webhook の要件は webhook のサービスによって決まります。
-8. **Next step** をクリックします。
-9. オートメーションに名前を付けます。オプションで説明を入力します。**Create automation** をクリックします。
-
-
-
-## オートメーションの表示と管理
-
-
-- レジストリのオートメーションは、レジストリの **Automations** タブから管理します。
-- コレクションのオートメーションは、コレクションの詳細ページの **Automations** セクションから管理します。
-
-これらのページのいずれかから、レジストリ管理者は既存のオートメーションを管理できます。
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、そのアクションの `...` メニューをクリックし、**Edit automation** をクリックします。
-- オートメーションを削除するには、そのアクションの `...` メニューをクリックし、**Delete automation** をクリックします。確認が必要です。
-
-
-W&B 管理者はプロジェクトの **Automations** タブからプロジェクトのオートメーションを表示および管理できます。
-
-- オートメーションの詳細を表示するには、その名前をクリックします。
-- オートメーションを編集するには、そのアクションの `...` メニューをクリックし、**Edit automation** をクリックします。
-- オートメーションを削除するには、そのアクションの `...` メニューをクリックし、**Delete automation** をクリックします。確認が必要です。
-
-
-
-## ペイロードのリファレンス
-以下のセクションを使用して、webhook のペイロードを構築します。webhook とそのペイロードのテストについての詳細は、[Troubleshoot your webhook](#troubleshoot-your-webhook) を参照してください。
-
-### ペイロード変数
-このセクションでは、webhook のペイロードを構築するために使用できる変数について説明します。
-
-| Variable | Details |
-|----------|---------|
-| `${project_name}` | アクションをトリガーした変更を所有するプロジェクトの名前。 |
-| `${entity_name}` | アクションをトリガーした変更を所有する entity またはチームの名前。 |
-| `${event_type}` | アクションをトリガーしたイベントのタイプ。 |
-| `${event_author}` | アクションをトリガーしたユーザー。 |
-| `${artifact_collection_name}` | アーティファクトバージョンがリンクされているアーティファクトコレクションの名前。 |
-| `${artifact_metadata.}` | アクションをトリガーしたアーティファクトバージョンのトップレベルのメタデータキーの任意の値。`` をトップレベルのメタデータキーの名前に置き換えます。webhook のペイロードにはトップレベルのメタデータキーのみが利用可能です。 |
-| `${artifact_version}` | アクションをトリガーしたアーティファクトバージョンの [`Wandb.Artifact`](/ja/models/ref/python/artifact/) 表現。 |
-| `${artifact_version_string}` | アクションをトリガーしたアーティファクトバージョンの`string` 表現。 |
-| `${ACCESS_TOKEN}` | アクストークンが設定されている場合、[webhook](#create-a-webhook)で設定されたアクセストークンの値。アクセストークンは自動的に `Authorization: Bearer` HTTP ヘッダーに渡されます。 |
-| `${SECRET_NAME}` | 設定されている場合、[webhook](#create-a-webhook)に設定されたシークレットの値。`SECRET_NAME` をシークレットの名前に置き換えます。 |
-
-### ペイロードの例
-このセクションでは、一般的なユースケースのための webhook ペイロードの例を示します。例は [payload variables](#payload-variables) をどのように使用するかを示します。
-
-
-
-
-GHA ワークフローをトリガーするために必要なセットのアクセス許可を持っていることを確認してください。詳細については、[これらの GitHub Docs を参照してください](https://docs.github.com/en/rest/repos/repos?#create-a-repository-dispatch-event)。
-
-
-W&B からリポジトリディスパッチを送信して GitHub アクションをトリガーします。例えば、リポジトリディスパッチを `on` キーのトリガーとして受け入れる GitHub ワークフローファイルを持っているとしましょう。
-
-```yaml
-on:
-repository_dispatch:
- types: BUILD_AND_DEPLOY
-```
-
-リポジトリ用のペイロードは次のようなものになるかもしれません。
-
-```json
-{
- "event_type": "BUILD_AND_DEPLOY",
- "client_payload":
- {
- "event_author": "${event_author}",
- "artifact_version": "${artifact_version}",
- "artifact_version_string": "${artifact_version_string}",
- "artifact_collection_name": "${artifact_collection_name}",
- "project_name": "${project_name}",
- "entity_name": "${entity_name}"
- }
-}
-```
-
-
-webhook ペイロードの `event_type` キーは GitHub ワークフローファイルの `types` フィールドと一致しなければなりません。
-
-
-レンダリングされたテンプレート文字列の内容と位置は、オートメーションが設定されているイベントまたはモデルバージョンによって異なります。`${event_type}` は `LINK_ARTIFACT` または `ADD_ARTIFACT_ALIAS` としてレンダリングされます。以下に例のマッピングを示します。
-
-```text
-${event_type} --> "LINK_ARTIFACT" または "ADD_ARTIFACT_ALIAS"
-${event_author} --> ""
-${artifact_version} --> "wandb-artifact://_id/QXJ0aWZhY3Q6NTE3ODg5ODg3""
-${artifact_version_string} --> "/model-registry/:"
-${artifact_collection_name} --> ""
-${project_name} --> "model-registry"
-${entity_name} --> ""
-```
-
-テンプレート文字列を使用して W&B から GitHub Actions や他のツールにコンテキストを動的に渡します。これらのツールが Python スクリプトを呼び出すことができる場合、それらは [W&B API](/ja/models/artifacts/download-and-use-an-artifact/)を通じて登録されたモデルアーティファクトを使用することができます。
-
-- リポジトリディスパッチの詳細については、[GitHub Marketplace の公式ドキュメント](https://github.com/marketplace/actions/repository-dispatch)を参照してください。
-
-- [Webhook Automations for Model Evaluation](https://www.youtube.com/watch?v=7j-Mtbo-E74&ab_channel=Weights%26Biases) と [Webhook Automations for Model Deployment](https://www.youtube.com/watch?v=g5UiAFjM2nA&ab_channel=Weights%26Biases) のビデオを視聴し、モデルの評価とデプロイメントのためのオートメーションを作成する方法を学びましょう。
-
-- W&B の [レポート](https://wandb.ai/wandb/wandb-model-cicd/reports/Model-CI-CD-with-W-B--Vmlldzo0OTcwNDQw) をレビューし、GitHub Actions webhook オートメーションを使用した Model CI の作成方法を説明しています。この [GitHub リポジトリ](https://github.com/hamelsmu/wandb-modal-webhook) をチェックして、Modal Labs webhook を使用した model CI の作成方法を学びましょう。
-
-
-この例のペイロードは、webhook を使用して Teams チャンネルに通知する方法を示しています。
-
-```json
-{
-"@type": "MessageCard",
-"@context": "http://schema.org/extensions",
-"summary": "New Notification",
-"sections": [
- {
- "activityTitle": "Notification from WANDB",
- "text": "This is an example message sent via Teams webhook.",
- "facts": [
- {
- "name": "Author",
- "value": "${event_author}"
- },
- {
- "name": "Event Type",
- "value": "${event_type}"
- }
- ],
- "markdown": true
- }
-]
-}
-```
-
-実行時に W&B データをペイロードに挿入するためにテンプレート文字列を使用できます（上記の Teams の例に示したように）。
-
-
-
-このセクションは歴史的な目的で提供されます。現在、webhook を使用して Slack と統合している場合は、[新しい Slack インテグレーション](#create-a-slack-automation) を使用するように設定を更新することをお勧めします。
-
-
-Slack アプリをセットアップし、[Slack API ドキュメント](https://api.slack.com/messaging/webhooks)で強調されている指示に従って、着信 webhook インテグレーションを追加します。`Bot User OAuth Token` の下で指定されているシークレットが W&B webhook のアクストークンであることを確認してください。
-
-以下はペイロードの例です。
-
-```json
-{
- "text": "New alert from WANDB!",
-"blocks": [
- {
- "type": "section",
- "text": {
- "type": "mrkdwn",
- "text": "Registry event: ${event_type}"
- }
- },
- {
- "type":"section",
- "text": {
- "type": "mrkdwn",
- "text": "New version: ${artifact_version_string}"
- }
- },
- {
- "type": "divider"
- },
- {
- "type": "section",
- "text": {
- "type": "mrkdwn",
- "text": "Author: ${event_author}"
- }
- }
- ]
-}
-```
-
-
-
-## webhook のトラブルシューティング
-W&B アプリ UI または Bash スクリプトを使用して、インタラクティブに webhook のトラブルシューティングを行います。新しい webhook を作成する際や既存の webhook を編集する際に webhook をトラブルシューティングできます。
-
-
-
-チーム管理者は W&B アプリ UI を使用して webhook をインタラクティブにテストできます。
-
-1. W&B チーム設定ページに移動します。
-2. **Webhooks** セクションまでスクロールします。
-3. webhook の名前の横にある三点リーダー（ミートボールアイコン）をクリックします。
-4. **Test** を選択します。
-5. 現れた UI パネルから、表示されるフィールドに POST リクエストを貼り付けます。
-
-
-このシェルスクリプトは、W&B が webhook オートメーションに送信する `POST` リクエストを生成する1つの方法を示しています。
-
-以下のコードをシェルスクリプトにコピーし、webhook のトラブルシューティングを行います。以下の値を指定してください。
-
-* `ACCESS_TOKEN`
-* `SECRET`
-* `PAYLOAD`
-* `API_ENDPOINT`
-
-```bash webhook_test.sh
-#!/bin/bash
-
-# Your access token and secret
-ACCESS_TOKEN="your_api_key"
-SECRET="your_api_secret"
-
-# The data you want to send (for example, in JSON
-format)
-PAYLOAD='{"key1": "value1", "key2": "value2"}'
-
-# Generate the HMAC signature
-# For security, Wandb includes the
-X-Wandb-Signature in the header computed
-# from the payload and the shared secret key
-associated with the webhook
-# using the HMAC with SHA-256 algorithm.
-SIGNATURE=$(echo -n "$PAYLOAD" | openssl dgst
--sha256 -hmac "$SECRET" -binary | base64)
-
-# Make the cURL request
-curl -X POST \
- -H "Content-Type: application/json" \
- -H "Authorization: Bearer $ACCESS_TOKEN" \
- -H "X-Wandb-Signature: $SIGNATURE" \
- -d "$PAYLOAD" API_ENDPOINT
-```
-
-
\ No newline at end of file
diff --git a/ja/models/core/registry.mdx b/ja/models/core/registry.mdx
deleted file mode 100644
index 29eb2ffd52..0000000000
--- a/ja/models/core/registry.mdx
+++ /dev/null
@@ -1,136 +0,0 @@
----
-title: レジストリ
----
-
-
-W&B Registryは現在パブリックプレビュー中です。有効化の方法については、[こちら](/ja/./#enable-wb-registry)のセクションを参照してください。
-
-
-W&B Registryは、組織内のアーティファクトバージョンの管理された中央リポジトリです。組織内で[権限を持つ](/ja/models/core/registry/configure_registry/)ユーザーは、すべてのアーティファクトのライフサイクルを[ダウンロード](/ja/models/core/registry/download_use_artifact/)、共有、共同管理できます。
-
-Registryを使用して、[アーティファクトバージョンを追跡](/ja/models/core/registry/link_version/)し、アーティファクトの使用履歴と変更履歴を監査し、アーティファクトのガバナンスとコンプライアンスを保証し、[モデルCI/CDなどの下流プロセスを自動化](/ja/models/core/automations/)できます。
-
-要約すると、W&B Registryを使用して以下を行うことができます：
-
-- 機械学習タスクを満たすアーティファクトバージョンを組織内の他のユーザーに[プロモート](/ja/models/core/registry/link_version/)します。
-- [アーティファクトをタグで整理](/ja/models/core/registry/organize-with-tags/)し、特定のアーティファクトを見つけたり参照したりします。
-- [アーティファクトのリネージ](/ja/models/core/registry/lineage)を追跡し、変更履歴を監査します。
-- モデルCI/CDなどの[下流プロセスを自動化](/ja/models/core/automations/)します。
-- 組織内の誰が各レジストリのアーティファクトに[アクセスできるかを制限](/ja/models/core/registry/configure_registry/)します。
-
-
-「リンク」という用語は、W&Bがアーティファクトを保存している場所と、レジストリでアーティファクトにアクセスできる場所を接続するポインタを指します。アーティファクトをコレクションにリンクするときにW&Bはアーティファクトを重複しません。
-
-
-例として、以下のコード例では、"my_model.txt"という名前のモデルアーティファクトを[コアレジストリ](/ja/models/core/registry/registry_types/)内の"first-collection"というコレクションにログしリンクする方法を示しています：
-
-1. W&Bのrunを初期化します。
-2. アーティファクトをW&Bにログします。
-3. コレクションとレジストリの名前を指定して、アーティファクトバージョンをリンクします。
-4. アーティファクトをコレクションにリンクします。
-
-このPythonコードをスクリプトとして保存し実行してください。W&B Python SDKバージョン0.18.6以上が必要です。
-
-```python title="hello_collection.py"
-import wandb
-import random
-
-# アーティファクトをトラックするためにW&Bのrunを初期化
-run = wandb.init(project="registry_quickstart")
-
-# シミュレートされたモデルファイルを作成してログします
-with open("my_model.txt", "w") as f:
- f.write("Model: " + str(random.random()))
-
-# アーティファクトをW&Bにログします
-logged_artifact = run.log_artifact(
- artifact_or_path="./my_model.txt",
- name="gemma-finetuned",
- type="model" # アーティファクトタイプを指定
-)
-
-# 公開したいコレクションとレジストリの名前を指定
-COLLECTION_NAME = "first-collection"
-REGISTRY_NAME = "model"
-
-# アーティファクトをレジストリにリンク
-run.link_artifact(
- artifact=logged_artifact,
- target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
-)
-```
-
-指定したレジストリ内に存在しない場合、`link_artifact(target_path = "")`メソッドで返されるrunオブジェクトの指定したコレクションをW&Bが自動的に作成します。
-
-
-ターミナルが出力するURLは、W&Bがあなたのアーティファクトを保存しているプロジェクトにリダイレクトされます。
-
-
-他の組織メンバーと公開したアーティファクトバージョンを表示するためにRegistryアプリに移動します。まずW&Bに移動します。左側のサイドバーで**Applications**以下の**Registry**を選択します。「Model」レジストリを選択します。そのレジストリ内で、リンクしたアーティファクトバージョンを持つ「first-collection」コレクションが表示されるはずです。
-
-アーティファクトバージョンをレジストリ内のコレクションにリンクすると、それを所有している組織メンバーは、適切な権限を持っていれば、あなたのアーティファクトバージョンを表示、ダウンロード、管理し、下流のオートメーションを作成できます。
-
-
-もしアーティファクトバージョンがメトリクスをログする場合（たとえば`run.log_artifact()`を使用して）、そのバージョンの詳細ページからメトリクスを表示できますし、コレクションのページからアーティファクトバージョン間でメトリクスを比較できます。参照：[レジストリ内のリンクされたアーティファクトを表示する](/ja/models/core/registry/link_version/#view-linked-artifacts-in-a-registry)。
-
-
-## W&B Registryを有効にする
-
-デプロイメントタイプに基づいて、以下の条件を満たしてW&B Registryを有効にします：
-
-| デプロイメントタイプ | 有効にする方法 |
-| ----- | ----- |
-| マルチテナントクラウド | アクションは必要ありません。W&B RegistryはW&Bアプリで利用可能です。 |
-| 専用クラウド | アカウントチームに連絡してください。ソリューションアーキテクト(SA)チームがあなたのインスタンスのオペレーターコンソール内でW&B Registryを有効にします。インスタンスがサーバーリリースバージョン0.59.2以上であることを確認してください。|
-| セルフマネージド | `ENABLE_REGISTRY_UI`と呼ばれる環境変数を有効にします。サーバーで環境変数を有効にする方法の詳細については[こちらのドキュメント](/ja/platform/hosting/env-vars/)をご覧ください。セルフマネージドインスタンスでは、インフラストラクチャ管理者がこの環境変数を有効にして`true`に設定する必要があります。インスタンスがサーバーリリースバージョン0.59.2以上であることを確認してください。|
-
-## 開始するためのリソース
-
-ユースケースに応じて、W&B Registryの利用を開始するための以下のリソースを探索してください：
-
-* チュートリアルビデオをチェックしてください：
- * [Weights & BiasesからのRegistryの開始方法](https://www.youtube.com/watch?v=p4XkVOsjIeM)
-* W&Bの[Model CI/CD](https://www.wandb.courses/courses/enterprise-model-management) コースを受講し、以下を学びましょう：
- * W&B Registryを使用してアーティファクトを管理し、バージョン管理、リネージトラッキング、および異なるライフサイクルステージへのモデルプロモートを行います。
- * Webhooksを使用してモデル管理ワークフローを自動化します。
- * 外部MLシステムおよびツールとレジストリを統合して、モデル評価、モニタリング、デプロイメントを行います。
-
-## 旧モデルレジストリからW&B Registryへの移行
-
-旧モデルレジストリの廃止予定日は未定です。旧モデルレジストリを廃止する前に、W&Bは旧モデルレジストリの内容をW&B Registryに移行します。
-
-旧モデルレジストリからW&B Registryへの移行プロセスについて詳しくは、[旧モデルレジストリからの移行](/ja/models/core/registry/model_registry_eol/)を参照してください。
-
-移行が行われるまで、W&Bは旧モデルレジストリと新しいレジストリの両方をサポートしています。
-
-
-旧モデルレジストリを表示するには、W&BアプリでModel Registryに移動してください。ページの上部に、旧モデルレジストリアプリUIを使用できるバナーが表示されます。
-
-
-
-質問がある場合や移行についての懸念がある場合は、support@wandb.comにお問い合わせいただくか、W&Bプロダクトチームとお話しください。
\ No newline at end of file
diff --git a/ja/models/core/registry/configure_registry.mdx b/ja/models/core/registry/configure_registry.mdx
deleted file mode 100644
index ac6f161855..0000000000
--- a/ja/models/core/registry/configure_registry.mdx
+++ /dev/null
@@ -1,124 +0,0 @@
----
-title: レジストリアクセスを設定する
----
-
-レジストリ管理者は、レジストリの設定を設定することで、[レジストリロールを設定](/ja/models/core/registry/configure_registry/#configure-registry-roles)、[ユーザーを追加](/ja/models/core/registry/configure_registry/#add-a-user-or-a-team-to-a-registry)、または[ユーザーを削除](/ja/models/core/registry/configure_registry/#remove-a-user-or-team-from-a-registry)することができます。
-
-## ユーザー管理
-
-### ユーザーまたはチームの追加
-
-レジストリ管理者は、個々のユーザーまたは全チームをレジストリに追加できます。ユーザーまたはチームをレジストリに追加するには、次の手順を実行します。
-
-1. https://wandb.ai/registry/ に移動します。
-2. ユーザーまたはチームを追加したいレジストリを選択します。
-3. 右上隅のギアアイコンをクリックして、レジストリの設定にアクセスします。
-4. **Registry access** セクションで **Add access** をクリックします。
-5. **Include users and teams** フィールドに、追加したいユーザー名、メールアドレス、またはチーム名を指定します。
-6. **Add access** をクリックします。
-
-
-チームからユーザーを削除すると、そのユーザーのレジストリへのアクセスも削除されます。
-
-
-## レジストリロール
-
-レジストリ内の各ユーザーには *レジストリロール* があり、そのレジストリで何をできるかが決まります。
-
-W&B は、レジストリにユーザーやチームが追加されると、自動的にデフォルトのレジストリロールを割り当てます。
-
-| Entity | Default registry role |
-| ----- | ----- |
-| Team | Viewer |
-| User (non admin) | Viewer |
-| Org admin | Admin |
-
-レジストリ管理者は、レジストリ内のユーザーやチームのロールを割り当てまたは変更することができます。詳細は [レジストリでのユーザーロールの設定](/ja/models/core/registry/configure_registry/#configure-registry-roles) を参照してください。
-
-
-**W&Bロールタイプ**
-
-W&B には、[チームロール](/ja/platform/app/settings-page/teams/#team-role-and-permissions)と[レジストリロール](/ja/models/core/registry/configure_registry/#configure-registry-roles)の2種類のロールがあります。
-
-チームにおけるあなたのロールは、いかなるレジストリにおけるあなたのロールにも影響や関連を持ちません。
-
-
-以下の表は、ユーザーが持つことのできる異なるロールとその権限を示しています：
-
-| Permission | Permission Group | Viewer | Member | Admin |
-|--------------------------------------------------------------- |------------------|--------|--------|-------|
-| コレクションの詳細を表示する | Read | X | X | X |
-| リンクされたアーティファクトの詳細を表示する | Read | X | X | X |
-| 使用: レジストリ内で use_artifact を使用してアーティファクトを使用 | Read | X | X | X |
-| リンクされたアーティファクトをダウンロードする | Read | X | X | X |
-| アーティファクトのファイルビューワーからファイルをダウンロードする | Read | X | X | X |
-| レジストリを検索する | Read | X | X | X |
-| レジストリの設定とユーザーリストを表示する | Read | X | X | X |
-| コレクションの新しい自動化を作成する | Create | | X | X |
-| 新しいバージョンが追加されたときの Slack 通知をオンにする | Create | | X | X |
-| 新しいコレクションを作成する | Create | | X | X |
-| 新しいカスタムレジストリを作成する | Create | | X | X |
-| コレクションカード (説明) を編集する | Update | | X | X |
-| リンクされたアーティファクトの説明を編集する | Update | | X | X |
-| コレクションのタグを追加または削除する | Update | | X | X |
-| リンクされたアーティファクトからエイリアスを追加または削除する | Update | | X | X |
-| 新しいアーティファクトをリンクする | Update | | X | X |
-| レジストリ用の許可されたタイプ一覧を編集する | Update | | X | X |
-| カスタムレジストリ名を編集する | Update | | X | X |
-| コレクションを削除する | Delete | | X | X |
-| 自動化を削除する | Delete | | X | X |
-| レジストリからアーティファクトのリンクを解除する | Delete | | X | X |
-| レジストリ用の承認されたアーティファクトタイプを編集する | Admin | | | X |
-| レジストリの公開範囲を変更する（組織または制限付き） | Admin | | | X |
-| ユーザーをレジストリに追加する | Admin | | | X |
-| レジストリ内のユーザーのロールを割り当てるまたは変更する | Admin | | | X |
-
-### 継承された権限
-
-レジストリ内のユーザーの権限は、そのユーザーに個別に、またはチームメンバーシップによって割り当てられた特権の最高レベルに依存します。
-
-例えば、レジストリ管理者が Nico というユーザーをレジストリ A に追加し、**Viewer** レジストリロールを割り当てたとします。次に、レジストリ管理者が Foundation Model Team というチームをレジストリ A に追加し、Foundation Model Team に **Member** レジストリロールを割り当てたとします。
-
-Nico は Foundation Model Team のメンバーであり、このチームは Registry の **Member** です。**Member** の権限は **Viewer** よりも高いため、W&B は Nico に **Member** ロールを付与します。
-
-以下の表は、ユーザーの個別レジストリロールと、彼らが所属するチームのレジストリロールの間で矛盾が生じた場合の最高レベルの権限を示しています：
-
-| Team registry role | Individual registry role | Inherited registry role |
-| ------ | ------ | ------ |
-| Viewer | Viewer | Viewer |
-| Member | Viewer | Member |
-| Admin | Viewer | Admin |
-
-矛盾がある場合、W&B はユーザー名の横に最高レベルの権限を表示します。
-
-例えば、以下の画像では、Alex は `smle-reg-team-1` チームのメンバーであるため、**Member** ロールの特権を継承しています。
-
-
-W&B モデルレジストリに精通している場合は、登録されたモデルについても知識があるかもしれません。モデルレジストリ内の登録されたモデルは、今後は W&B レジストリのコレクションと呼ばれます。
-
-
-## コレクションのタイプ
-
-それぞれのコレクションは、一種類だけの*アーティファクトのタイプ*を受け入れます。指定したタイプは、組織の他のメンバーと一緒にそのコレクションにリンクできるアーティファクトの種類を制限します。
-
-
-アーティファクトのタイプは、プログラミング言語、例えば Python のデータタイプに似ています。この類推では、コレクションは文字列、整数、または浮動小数点数を格納できますが、これらのデータタイプの混合はできません。
-
-
-例えば、「データセット」アーティファクトタイプを受け入れるコレクションを作成したとします。これにより、「データセット」タイプを持つ将来のアーティファクト バージョンのみをこのコレクションにリンクできます。同様に、「モデル」タイプのアーティファクトは、モデルアーティファクトタイプのみを受け入れるコレクションにのみリンクできます。
-
-
-アーティファクトのタイプは、そのアーティファクト オブジェクトを作成するときに指定します。`wandb.Artifact()` 内の `type` フィールドに注意してください。
-
-```python
-import wandb
-
-# Run を初期化
-run = wandb.init(
- entity = "",
- project = ""
- )
-
-# アーティファクトオブジェクトを作成
-artifact = wandb.Artifact(
- name="",
- type=""
- )
-```
-
-
-コレクションを作成するとき、事前に定義されたアーティファクト タイプのリストから選択できます。使用可能なアーティファクト タイプは、そのコレクションが所属するレジストリによります。
-
-アーティファクトをコレクションにリンクしたり新しいコレクションを作成する前に、[そのコレクションが受け入れるアーティファクトのタイプを調査してください](#check-the-types-of-artifact-that-a-collection-accepts)。
-
-### コレクションが受け入れるアーティファクトのタイプを確認する
-
-コレクションにリンクする前に、コレクションが受け入れるアーティファクトタイプを確認してください。W&B Python SDK を使用してプログラム的に、もしくは W&B アプリを使用してインタラクティブに、コレクションが受け入れるアーティファクトタイプを確認することができます。
-
-
-そのアーティファクト タイプを受け入れないコレクションにアーティファクトをリンクしようとすると、エラーメッセージが表示されます。
-
-
-
-
-ホームページまたはレジストリの設定ページで、受け入れられるアーティファクトタイプをレジストリカードで見つけることができます。
-
-どちらのメソッドでも、まず W&B レジストリ アプリに移動します。
-
-レジストリ アプリのホームページでは、そのレジストリのレジストリ カードにスクロールして、受け入れられたアーティファクト タイプを表示できます。レジストリカード内の灰色の水平オーバルには、レジストリが受け入れるアーティファクト タイプが記載されています。
-
-
-
-W&B Python SDK を使用して、レジストリが受け入れるアーティファクト タイプをプログラム的に表示します。
-
-```python
-import wandb
-
-registry_name = ""
-artifact_types = wandb.Api().project(name=f"wandb-registry-{registry_name}").artifact_types()
-print(artifact_type.name for artifact_type in artifact_types)
-```
-
-
-実験やアーティファクトの追跡をせず、W&B API に問い合わせるだけの場合は、実行を初期化する必要がないため、後述のコードスニペットで実行を初期化しないことに注意してください。
-
-
-
-
-コレクションが受け入れるアーティファクトのタイプを知ったら、[コレクションを作成します](#create-a-collection)。
-
-## コレクションを作成する
-
-レジストリ内でインタラクティブまたはプログラムでコレクションを作成します。コレクションを作成した後、そのコレクションが受け入れるアーティファクトのタイプを変更することはできません。
-
-### プログラム的にコレクションを作成する
-
-`wandb.init.link_artifact()` メソッドを使用して、アーティファクトをコレクションにリンクします。`target_path` フィールドに、次の形式のパスとしてコレクションとレジストリの両方を指定します。
-
-```python
-f"wandb-registry-{registry_name}/{collection_name}"
-```
-
-ここで、`registry_name` はレジストリの名前で、`collection_name` はコレクションの名前です。必ずレジストリ名の前に `wandb-registry-` プレフィックスを追加してください。
-
-
-存在しないコレクションにアーティファクトをリンクしようとすると、W&B は自動的にコレクションを作成します。存在するコレクションを指定した場合、W&B はそのアーティファクトを既存のコレクションにリンクします。
-
-
-次のコードスニペットは、プログラムでコレクションを作成する方法を示しています。他の `<>` で囲まれた値を必ず自分の値で置き換えてください。
-
-```python
-import wandb
-
-# Run を初期化
-run = wandb.init(entity = "", project = "")
-
-# アーティファクトオブジェクトを作成
-artifact = wandb.Artifact(
- name = "",
- type = ""
- )
-
-registry_name = ""
-collection_name = ""
-target_path = f"wandb-registry-{registry_name}/{collection_name}"
-
-# アーティファクトをコレクションにリンク
-run.link_artifact(artifact = artifact, target_path = target_path)
-
-run.finish()
-```
-
-### インタラクティブにコレクションを作成する
-
-以下のステップで、W&B レジストリ アプリ UI を使用してレジストリ内にコレクションを作成する方法を説明します。
-
-1. W&B アプリ UI の **Registry** アプリに移動します。
-2. レジストリを選択します。
-3. 右上の **Create collection** ボタンをクリックします。
-4. **Name** フィールドにコレクションの名前を入力します。
-5. **Type** ドロップダウンからタイプを選択します。または、レジストリがカスタムアーティファクトタイプを有効にしている場合は、このコレクションが受け入れる1つ以上のアーティファクトタイプを提供します。
-6. オプションで、**Description** フィールドにコレクションの説明を追加します。
-7. オプションで、**Tags** フィールドに1つ以上のタグを追加します。
-8. **Link version** をクリックします。
-9. **Project** ドロップダウンから、アーティファクトが保存されているプロジェクトを選択します。
-10. **Artifact** コレクションのドロップダウンからアーティファクトを選択します。
-11. **Version** ドロップダウンから、コレクションにリンクしたいアーティファクトバージョンを選択します。
-12. **Create collection** ボタンをクリックします。
-
-
-コアとカスタムレジストリの完全な比較は、[Registry types](/ja/models/core/registry/registry_types/#summary)の概要表をご覧ください。
-
-
-## カスタムレジストリを作成する
-
-カスタムレジストリを作成するには:
-1. https://wandb.ai/registry/ の **Registry** アプリに移動します。
-2. **Custom registry** 内で、**Create registry** ボタンをクリックします。
-3. **Name** フィールドにレジストリの名前を入力します。
-4. 必要に応じてレジストリの説明を提供します。
-5. **Registry visibility** ドロップダウンからレジストリを閲覧できる人を選択します。レジストリの公開範囲オプションの詳細については、[Registry visibility types](/ja/models/core/registry/configure_registry/#registry-visibility-types)をご覧ください。
-6. **All types** または **Specify types** を **Accepted artifacts type** ドロップダウンから選択します。
-7. （**Specify types** を選択した場合）レジストリが受け入れる1つ以上のアーティファクトタイプを追加します。
-8. **Create registry** ボタンをクリックします。
-
-
-アーティファクトタイプは、一旦レジストリの設定に保存されるとそのレジストリから削除することはできません。
-
-
-たとえば、以下の画像はユーザーが作成しようとしている `Fine_Tuned_Models` というカスタムレジストリを示しています。このレジストリは、手動でレジストリに追加されたメンバーのみに**制限**されています。
-
-
-アーティファクトバージョンをコアモデルレジストリまたはコアデータセットレジストリにリンクするには、`model` または `dataset` を指定してください。
-
-
-リンクされたアーティファクトのパスを取得したら、`wandb.init.use_artifact` メソッドを使用してアーティファクトにアクセスし、その内容をダウンロードします。以下のコードスニペットは、W&B レジストリにリンクされたアーティファクトを使用およびダウンロードする方法を示しています。`<>` 内の値を自分のものに置き換えてください。
-
-```python
-import wandb
-
-REGISTRY = ''
-COLLECTION = ''
-ALIAS = ''
-
-run = wandb.init(
- entity = '',
- project = ''
- )
-
-artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{ALIAS}"
-# artifact_name = '' # Registry App で指定されたフルネームをコピーして貼り付け
-fetched_artifact = run.use_artifact(artifact_or_name = artifact_name)
-download_path = fetched_artifact.download()
-```
-
-`.use_artifact()` メソッドは、[run](/ja/models/runs/)を作成するとともに、ダウンロードしたアーティファクトをその run の入力としてマークします。 アーティファクトを run の入力としてマークすることにより、W&B はそのアーティファクトのリネージを追跡できます。
-
-runを作成したくない場合は、`wandb.Api()` オブジェクトを使用してアーティファクトにアクセスできます。
-
-```python
-import wandb
-
-REGISTRY = ""
-COLLECTION = ""
-VERSION = ""
-
-api = wandb.Api()
-artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
-artifact = api.artifact(name = artifact_name)
-```
-
-
-例: W&B レジストリにリンクされたアーティファクトを使用およびダウンロード
-
-次のコード例は、ユーザーが **Fine-tuned Models** レジストリにある `phi3-finetuned` というコレクションにリンクされたアーティファクトをダウンロードする方法を示しています。アーティファクトバージョンのエイリアスは `production` に設定されています。
-
-```python
-import wandb
-
-TEAM_ENTITY = "product-team-applications"
-PROJECT_NAME = "user-stories"
-
-REGISTRY = "Fine-tuned Models"
-COLLECTION = "phi3-finetuned"
-ALIAS = 'production'
-
-# 指定されたチームとプロジェクト内で run を初期化
-run = wandb.init(entity=TEAM_ENTITY, project = PROJECT_NAME)
-
-artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{ALIAS}"
-
-# アーティファクトにアクセスし、それをリネージ追跡のために run の入力としてマーク
-fetched_artifact = run.use_artifact(artifact_or_name = name)
-
-# アーティファクトをダウンロード。ダウンロードされたコンテンツのパスを返します
-downloaded_path = fetched_artifact.download()
-```
-
-
-APIリファレンスガイドの [`use_artifact`](/ja/models/ref/python/run#use_artifact) と [`Artifact.download()`](/ja/models/ref/python/artifact#download) で可能なパラメータや返り値の種類について詳しく見てください。
-
-
-**複数の組織に所属する個人エンティティを持つユーザー**
-
-複数の組織に所属する個人エンティティを持つユーザーは、レジストリにリンクされたアーティファクトにアクセスする際、組織名を指定するか、チームエンティティを使用する必要があります。
-
-```python
-import wandb
-
-REGISTRY = ""
-COLLECTION = ""
-VERSION = ""
-
-# API をインスタンス化する際に、自分のチームエンティティを使用していることを確認
-api = wandb.Api(overrides={"entity": ""})
-artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
-artifact = api.artifact(name = artifact_name)
-
-# パスに組織の表示名または組織エンティティを使用
-api = wandb.Api()
-artifact_name = f"{ORG_NAME}/wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
-artifact = api.artifact(name = artifact_name)
-```
-
-`ORG_NAME` は組織の表示名です。マルチテナント SaaS ユーザーは、`https://wandb.ai/account-settings/` の組織の設定ページで組織名を見つけることができます。専用クラウドおよび自己管理ユーザーの場合、組織の表示名を確認するには、アカウント管理者に連絡してください。
-
-
-## 事前に生成されたコードスニペットのコピーと貼り付け
-
-W&B は、レジストリにリンクされたアーティファクトをダウンロードするために、Pythonスクリプト、ノートブック、またはターミナルにコピーして貼り付けることができるコードスニペットを作成します。
-
-1. レジストリアプリに移動します。
-2. アーティファクトを含むレジストリの名前を選択します。
-3. コレクションの名前を選択します。
-4. アーティファクトバージョンのリストからアクセスするバージョンを選択します。
-5. **Usage** タブを選択します。
-6. **Usage API** セクションに表示されたコードスニペットをコピーします。
-7. コピーしたコードスニペットを Python スクリプト、ノートブック、またはターミナルに貼り付けます。
-
-
-コレクションの一部ではないアーティファクトに対しても、W&Bにログを記録したリネージグラフを表示することができます。
-
-
-リネージグラフは、アーティファクトをログする特定の run を表示できます。さらに、リネージグラフはどの run がアーティファクトを入力として使用したかも表示できます。言い換えると、リネージグラフはrun の入力と出力を表示できます。
-
-例えば、次の画像は ML 実験全体で作成および使用されたアーティファクトを示しています。
-
-", entity="")
-
-# アーティファクトを取得し、依存関係としてマークする
-artifact = run.use_artifact(artifact_or_name="", aliases="")
-```
-
-## run の出力をトラックする
-
-作成したアーティファクトの出力を run の出力として宣言するには、([`wandb.init.log_artifact`](/ja/models/ref/python/run#log_artifact)) を使用します。
-
-次のコードスニペットは、`wandb.init.log_artifact` API の使用方法を示しています。山括弧 (`< >`) で囲まれた値をあなたの値に置き換えるようにしてください。
-
-```python
-import wandb
-
-# run を初期化する
-run = wandb.init(entity "", project = "",)
-artifact = wandb.Artifact(name = "", type = "")
-artifact.add_file(local_path = "", name="")
-
-# アーティファクトをログとして run の出力にする
-run.log_artifact(artifact_or_path = artifact)
-```
-
-アーティファクトの作成に関する詳細については、[Create an artifact](/ja/models/artifacts/construct-an-artifact/) を参照してください。
-
-## コレクション内のリネージグラフを表示する
-
-W&B レジストリ内のコレクションにリンクされたアーティファクトのリネージを表示します。
-
-1. W&B レジストリに移動します。
-2. アーティファクトを含むコレクションを選択します。
-3. ドロップダウンから、リネージグラフを表示したいアーティファクトのバージョンをクリックします。
-4. 「Lineage」タブを選択します。
-
-アーティファクトのリネージグラフのページに移動すると、そのリネージグラフ内の任意のノードに関する追加情報を表示できます。
-
-run ノードを選択して、その run の詳細（run の ID、run の名前、run の状態など）を表示します。例として、次の画像は `rural-feather-20` run に関する情報を示しています。
-
-
-「タイプ」という用語は、アーティファクトオブジェクトのタイプを指します。 アーティファクトオブジェクトを作成する際に ([`wandb.Artifact`](/ja/models/ref/python/artifact))、またはアーティファクトをログに記録する際に ([`wandb.init.log_artifact`](/ja/models/ref/python/run#log_artifact))、`type` パラメータにタイプを指定します。
-
-
-## アーティファクトをコレクションにリンクする
-
-アーティファクトバージョンをインタラクティブまたはプログラム的にコレクションにリンクします。
-
-
-レジストリにアーティファクトをリンクする前に、コレクションが許可しているアーティファクトのタイプを確認してください。 コレクションタイプの詳細については、[コレクションを作成する](/ja/models/core/registry/create_collection/)内の「コレクションタイプ」を参照してください。
-
-
-ユースケースに基づいて、以下のタブで説明されている手順に従ってアーティファクトバージョンをリンクしてください。
-
-
-アーティファクトバージョンがメトリクスをログに記録している場合（`run.log_artifact()`を使用するなど）、そのバージョンの詳細ページからメトリクスを閲覧することができ、アーティファクトのページからアーティファクトバージョン間のメトリクスを比較することができます。 [レジストリでリンクされたアーティファクトを見る](#view-linked-artifacts-in-a-registry)を参照してください。
-
-
-
-
-
-バージョンのリンクを示す[ビデオを見る](https://www.youtube.com/watch?v=2i_n1ExgO0A)（8分）。
-
-
-プログラム的にアーティファクトバージョンをコレクションにリンクするには、[`wandb.init.Run.link_artifact()`](/ja/models/ref/python/run#link_artifact)を使用します。
-
-
-アーティファクトをコレクションにリンクする前に、そのコレクションが所属するレジストリが既に存在することを確認してください。 レジストリが存在するかどうかを確認するには、W&B App UIのレジストリアプリにアクセスし、レジストリの名前を検索してください。
-
-
-`target_path` パラメータを使用して、リンクするアーティファクトバージョンのコレクションとレジストリを指定します。ターゲットパスは、プレフィックス "wandb-registry"、レジストリの名前、コレクション名がフォワードスラッシュで区切られています。
-
-```text
-wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}
-```
-
-以下のコードスニペットをコピーして貼り付け、既存のレジストリ内のコレクションにアーティファクトバージョンをリンクしてください。`<>`で囲まれた値を自分の値に置き換えてください。
-
-```python
-import wandb
-
-# run を初期化
-run = wandb.init(
- entity = "<チームエンティティ>",
- project = "<プロジェクト名>"
-)
-
-# アーティファクトオブジェクトの作成
-# type パラメータは、アーティファクトオブジェクトとコレクションタイプの両方のタイプを指定します
-artifact = wandb.Artifact(name = "<名前>", type = "")
-
-# アーティファクトオブジェクトにファイルを追加
-# ファイルのパスをローカルマシンで指定します
-artifact.add_file(local_path = "<アーティファクトのローカルパス>")
-
-# アーティファクトをリンクするコレクションとレジストリを指定
-REGISTRY_NAME = ""
-COLLECTION_NAME = ""
-target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
-
-# アーティファクトをコレクションにリンク
-run.link_artifact(artifact = artifact, target_path = target_path)
-```
-
-アーティファクトバージョンをモデルレジストリまたはデータセットレジストリにリンクする場合、アーティファクトのタイプをそれぞれ `"model"` または `"dataset"` に設定してください。
-
-
-
-1. Registry App に移動します。
-
-
-1. プロジェクトのアーティファクトブラウザに移動します。URLは: `https://wandb.ai///artifacts`
-2. 左サイドバーでアーティファクトアイコンを選択します。
-3. レジストリにリンクしたいアーティファクトバージョンをクリックします。
-4. **バージョン概要**セクション内で、**Link to registry**ボタンをクリックします。
-5. 画面右側に表示されるモーダルで、**Select a registered model** メニューのドロップダウンからアーティファクトを選択します。
-6. **次のステップ** をクリックします。
-7. (任意) **Aliases** ドロップダウンから別名を選択します。
-8. **Link to registry** をクリックします。
-
-
-
-リンクされたアーティファクトのメタデータ、バージョンデータ、使用状況、リネージ情報などをRegistry Appで表示します。
-
-## リンクされたアーティファクトをレジストリで表示する
-
-Registry Appでメタデータ、リネージ、使用状況情報などのリンクされたアーティファクト情報を表示します。
-
-1. Registry App に移動します。
-2. アーティファクトをリンクしたレジストリの名前を選択します。
-3. コレクションの名前を選択します。
-4. コレクションのアーティファクトがメトリクスをログしている場合、**メトリクスを表示**をクリックしてバージョンを比較します。
-4. アーティファクトバージョンのリストから、アクセスしたいバージョンを選択します。バージョン番号は `v0` から始まる増分で各リンクされたアーティファクトバージョンに割り当てられます。
-5. アーティファクトバージョンの詳細を表示するには、そのバージョンをクリックします。このページのタブから、そのバージョンのメタデータ（ログされたメトリクスを含む）、リネージ、使用状況情報を表示できます。
-
-**バージョンタブ** 内の **フルネーム** フィールドに注意してください。リンクされたアーティファクトのフルネームは、レジストリ、コレクション名、アーティファクトのバージョンのエイリアスまたはインデックスから構成されています。
-
- ```text title="リンクされたアーティファクトのフルネーム"
- wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{INTEGER}
- ```
-
-プログラム的にアーティファクトバージョンにアクセスするには、リンクされたアーティファクトのフルネームが必要です。
-
-## トラブルシューティング
-
-アーティファクトをリンクできない場合は、次のような一般的なチェックを確認してください。
-
-### 個人アカウントからアーティファクトをログする
-
-個人エンティティを使用してW&Bにログされたアーティファクトはレジストリにリンクすることができません。 アーティファクトを組織内のチームエンティティを使用してログに記録していることを確認してください。 組織のチーム内でログに記録されたアーティファクトのみが組織のレジストリにリンクされることができます。
-
-
-アーティファクトをレジストリにリンクしたい場合は、チームエンティティを使用してアーティファクトをログしてください。
-
-
-#### あなたのチームエンティティを見つける
-
-W&B はあなたのチームの名前をチームのエンティティとして使用します。 例えば、あなたのチームが **team-awesome** と呼ばれている場合、あなたのチームエンティティは `team-awesome` です。
-
-あなたのチームの名前を確認するには：
-
-1. あなたのチームの W&B プロファイルページに移動します。
-2. サイトの URL をコピーします。それは`https://wandb.ai/`の形式です。ここで `` はあなたのチームの名前とチームのエンティティの両方です。
-
-#### チームエンティティからログする
-1. [`wandb.init()`](/ja/models/ref/python/init)を使用して run を初期化するときに、エンティティとしてチームを指定します。もし run を初期化するときに `entity` を指定しなかった場合、run はあなたのデフォルトエンティティを使用しますが、それがチームエンティティであるとは限りません。
- ```python
- import wandb
-
- run = wandb.init(
- entity='',
- project=''
- )
- ```
-2. run にアーティファクトをログするには、run.log_artifact を使用するか、Artifact オブジェクトを作成してからファイルを追加します:
-
- ```python
- artifact = wandb.Artifact(name="", type="")
- ```
- アーティファクトのログ方法についての詳細は、[アーティファクトを構成する](/ja/models/artifacts/construct-an-artifact/)を参照してください。
-3. 個人エンティティにログされたアーティファクトがある場合、それを組織内のエンティティに再ログする必要があります。
-
-### W&B App UIでレジストリのパスを確認する
-
-UIを使用してレジストリのパスを確認する方法は2つあります: 空のコレクションを作成してコレクションの詳細を表示するか、コレクションのホームページで自動生成されたコードをコピー＆ペーストすることです。
-
-#### 自動生成されたコードをコピーして貼り付ける
-
-1. Registry app に移動します: https://wandb.ai/registry/.
-2. アーティファクトをリンクしたいレジストリをクリックします。
-3. ページの上部に自動生成されたコードブロックが表示されます。
-4. これをコピーしてコードに貼り付け、パスの最後の部分をコレクションの名前に置き換えてください。
-
-
-一時コレクションのコレクション名を、リンクしたいアーティファクトのコレクション名に置き換えることを忘れないでください。
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry.mdx b/ja/models/core/registry/model_registry.mdx
deleted file mode 100644
index a048a6f731..0000000000
--- a/ja/models/core/registry/model_registry.mdx
+++ /dev/null
@@ -1,75 +0,0 @@
----
-title: モデルレジストリ
-description: モデルレジストリでトレーニングからプロダクションまでのモデルライフサイクルを管理する
----
-
-
-W&B は最終的に W&B Model Registry のサポートを停止します。ユーザーは代わりにモデルのアーティファクトバージョンをリンクして共有するために [W&B Registry](/ja/models/core/registry/) を使用することを推奨されます。W&B Registry は、旧 W&B Model Registry の機能を拡張します。W&B Registry について詳しくは、[Registry docs](/ja/models/core/registry/) をご覧ください。
-
-W&B は近い将来、旧 Model Registry にリンクされた既存のモデルアーティファクトを新しい W&B Registry へ移行する予定です。移行プロセスに関する情報は、[Migrating from legacy Model Registry](/ja/models/core/registry/model_registry_eol) をご覧ください。
-
-
-W&B Model Registry は、チームのトレーニングされたモデルを収納し、MLプラクティショナーがプロダクションに向けた候補を公開し、下流のチームや関係者に消費させることができます。これは、ステージング/候補モデルを収容し、ステージングに関連するワークフローを管理するために使用されます。
-
-
-チーム管理者または現在のレジストリ管理者のみがレジストリ管理者のリストを管理できます。
-
-
-例えば、`staging` と `production` を保護されたエイリアスとして設定したとします。チームのどのメンバーも新しいモデルバージョンを追加できますが、`staging` または `production` エイリアスを追加できるのは管理者のみです。
-
-## アクセス制御の設定
-
-次の手順で、チームのモデルレジストリに対するアクセス制御を設定します。
-
-1. W&B モデルレジストリアプリケーションに移動します：[https://wandb.ai/registry/model](https://wandb.ai/registry/model)
-2. ページ右上のギアボタンを選択します。
-3. **Manage registry admins** ボタンを選択します。
-4. **Members** タブ内で、モデルバージョンから保護されたエイリアスを追加および削除するアクセス権を付与したいユーザーを選択します。
-
-## 保護されたエイリアスの追加
-
-1. W&B モデルレジストリアプリケーションに移動します：[https://wandb.ai/registry/model](https://wandb.ai/registry/model)
-2. ページ右上のギアボタンを選択します。
-3. **Protected Aliases** セクションまでスクロールダウンします。
-4. プラスアイコン (**+**) をクリックして新しいエイリアスを追加します。
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/consume-models.mdx b/ja/models/core/registry/model_registry/consume-models.mdx
deleted file mode 100644
index f31eefd798..0000000000
--- a/ja/models/core/registry/model_registry/consume-models.mdx
+++ /dev/null
@@ -1,91 +0,0 @@
----
-title: モデルバージョンをダウンロードする
-description: W&B Python SDK で モデル をダウンロードする方法
----
-
-W&B Python SDK を使用して、Model Registry にリンクしたモデルアーティファクトをダウンロードします。
-
-
-モデルを再構築し、逆シリアル化して作業可能な形式に変換するための Python 関数や API コールの提供はユーザーの責任です。
-
-W&B はモデルカードを使って、モデルをメモリにロードする方法の情報を文書化することを推奨しています。詳細は、[Document machine learning models](/ja/models/core/registry/model_registry/create-model-cards/) ページをご覧ください。
-
-
-`<>` の中の値を自身のものに置き換えてください：
-
-```python
-import wandb
-
-# Run を初期化
-run = wandb.init(project="", entity="")
-
-# モデルへのアクセスとダウンロード。ダウンロードしたアーティファクトへのパスを返します
-downloaded_model_path = run.use_model(name="")
-```
-
-モデルバージョンを以下のいずれかの形式で参照します：
-
-* `latest` - 最も最近リンクされたモデルバージョンを指定するために `latest` エイリアスを使用します。
-* `v#` - 特定のバージョンを取得するために `v0`、`v1`、`v2` などを使用します。
-* `alias` - モデルバージョンに対してチームが設定したカスタムエイリアスを指定します。
-
-API リファレンスガイドの [`use_model`](/ja/models/ref/python/run#use_model) を参照して、使用可能なパラメータと返り値の型についての詳細を確認してください。
-
-
-例：ログされたモデルをダウンロードして使用する
-
-例えば、以下のコードスニペットでは、ユーザーが `use_model` API を呼び出しています。彼らは取得したいモデルアーティファクトの名前を指定し、さらにバージョン/エイリアスも提供しています。その後、API から返されたパスを `downloaded_model_path` 変数に格納しています。
-
-```python
-import wandb
-
-entity = "luka"
-project = "NLP_Experiments"
-alias = "latest" # モデルバージョンのセマンティックニックネームまたは識別子
-model_artifact_name = "fine-tuned-model"
-
-# Run を初期化
-run = wandb.init()
-# モデルへのアクセスとダウンロード。ダウンロードしたアーティファクトへのパスを返します
-
-downloaded_model_path = run.use_model(name=f"{entity/project/model_artifact_name}:{alias}")
-```
-
-
-
-**2024年のW&B Model Registryの廃止予定について**
-
-以下のタブでは、近日廃止予定の Model Registry を使用してモデルアーティファクトを利用する方法を示しています。
-
-W&B Registry を使用して、モデルアーティファクトを追跡、整理、利用します。詳細は [Registry docs](/ja/models/core/registry/) を参照してください。
-
-
-
-
-`<>` の中の値を自身のものに置き換えてください：
-```python
-import wandb
-# Run を初期化
-run = wandb.init(project="", entity="")
-# モデルへのアクセスとダウンロード。ダウンロードしたアーティファクトへのパスを返します
-downloaded_model_path = run.use_model(name="")
-```
-モデルバージョンを以下のいずれかの形式で参照します：
-
-* `latest` - 最も最近リンクされたモデルバージョンを指定するために `latest` エイリアスを使用します。
-* `v#` - 特定のバージョンを取得するために `v0`、`v1`、`v2` などを使用します。
-* `alias` - モデルバージョンに対してチームが設定したカスタムエイリアスを指定します。
-
-API リファレンスガイドの [`use_model`](/ja/models/ref/python/run#use_model) を参照して、使用可能なパラメータと返り値の型についての詳細を確認してください。
-
-
-1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) の Model Registry App に移動します。
-2. ダウンロードしたいモデルを含む登録済みモデル名の隣にある **詳細を見る** を選択します。
-3. バージョンセクション内で、ダウンロードしたいモデルバージョンの隣にある表示ボタンを選択します。
-4. **ファイル** タブを選択します。
-5. ダウンロードしたいモデルファイルの隣にあるダウンロードボタンをクリックします。
-
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/create-model-cards.mdx b/ja/models/core/registry/model_registry/create-model-cards.mdx
deleted file mode 100644
index 6b1c208859..0000000000
--- a/ja/models/core/registry/model_registry/create-model-cards.mdx
+++ /dev/null
@@ -1,30 +0,0 @@
----
-title: 機械学習モデルを文書化する
-description: モデル カードに説明を追加して、モデルをドキュメント化する
----
-
-モデルレジストリに登録されたモデルのモデルカードに説明を追加して、機械学習モデルの側面を文書化します。文書化する価値があるトピックには以下のものがあります：
-
-* **Summary**: モデルの概要。モデルの目的。モデルが使用する機械学習フレームワークなど。
-* **Training data**: 使用したトレーニングデータについて、トレーニングデータセットで行ったプロセッシング、そのデータがどこに保存されているかなどを説明します。
-* **Architecture**: モデルのアーキテクチャー、レイヤー、および特定の設計選択に関する情報。
-* **Deserialize the model**: チームの誰かがモデルをメモリにロードする方法についての情報を提供します。
-* **Task**: 機械学習モデルが実行するよう設計された特定のタスクや問題のタイプ。モデルの意図された能力の分類です。
-* **License**: 機械学習モデルの使用に関連する法的条件と許可。モデルユーザーが法的な枠組みのもとでモデルを利用できることを理解するのに役立ちます。
-* **References**: 関連する研究論文、データセット、または外部リソースへの引用や参照。
-* **Deployment**: モデルがどのように、そしてどこにデプロイメントされているのか、他の企業システムにどのように統合されているかに関するガイダンスを含む詳細。
-
-## モデルカードに説明を追加する
-
-1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) で W&B モデルレジストリ アプリに移動します。
-2. モデルカードを作成したい登録済みモデル名の横にある **View details** を選択します。
-3. **Model card** セクションに移動します。
-", project="")
-run.link_model(path="", registered_model_name="")
-run.finish()
-```
-
-`registered_model_name` に指定した名前は [Model Registry App](https://wandb.ai/registry/model) に表示される名前です。
-
-## インタラクティブに registered model を作成する
-
-[Model Registry App](https://wandb.ai/registry/model) でインタラクティブに registered model を作成します。
-
-1. Model Registry App に移動します: [https://wandb.ai/registry/model](https://wandb.ai/registry/model)。
-
-モデルをモデルレジストリに手動でリンクすることは、一度だけのモデルに便利です。しかし、[プログラムでモデルバージョンをモデルレジストリにリンクする](/ja/models/core/registry/model_registry/link-model-version/#programmatically-link-a-model)こともよくあります。
-
-例えば、毎晩のジョブがあるとします。毎晩作成されるモデルを手動でリンクするのは面倒です。代わりに、モデルを評価し、そのモデルがパフォーマンスを改善した場合にそのモデルを W&B Python SDK を使用してモデルレジストリにリンクするスクリプトを作成することができます。
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/link-model-version.mdx b/ja/models/core/registry/model_registry/link-model-version.mdx
deleted file mode 100644
index 97eda0e7a3..0000000000
--- a/ja/models/core/registry/model_registry/link-model-version.mdx
+++ /dev/null
@@ -1,99 +0,0 @@
----
-title: モデルバージョンをリンクする
-description: モデル バージョンを登録されたモデルに、W&B アプリまたは Python SDK を使ってプログラム的にリンクします。
----
-
-モデルのバージョンを W&B App または Python SDK を使用してプログラムで登録済みのモデルにリンクします。
-
-## プログラムでモデルをリンクする
-
-[`link_model`](/ja/models/ref/python/run#link_model) メソッドを使用して、プログラムでモデルファイルを W&B run にログし、それを [W&B モデルレジストリ](/ja/./) にリンクします。
-
-`<>`で囲まれた値を自分のものに置き換えることを忘れないでください:
-
-```python
-import wandb
-
-run = wandb.init(entity="", project="")
-run.link_model(path="", registered_model_name="")
-run.finish()
-```
-
-指定した `registered-model-name` パラメータの名前が既に存在しない場合、W&B は登録済みのモデルを自動的に作成します。
-
-例えば、既に "Fine-Tuned-Review-Autocompletion" という名前の登録済みモデル(`registered-model-name="Fine-Tuned-Review-Autocompletion"`)がモデルレジストリにあり、それにいくつかのモデルバージョンがリンクされているとします: `v0`、`v1`、`v2`。新しいモデルをプログラムでリンクし、同じ登録済みモデル名を使用した場合（`registered-model-name="Fine-Tuned-Review-Autocompletion"`）、W&B はこのモデルを既存の登録済みモデルにリンクし、モデルバージョン `v3` を割り当てます。この名前の登録済みモデルが存在しない場合、新しい登録済みモデルが作成され、モデルバージョン `v0` を持ちます。
-
-["Fine-Tuned-Review-Autocompletion" 登録済みモデルの一例をここでご覧ください](https://wandb.ai/reviewco/registry/model?selectionPath=reviewco%2Fmodel-registry%2FFinetuned-Review-Autocompletion&view=all-models).
-
-## インタラクティブにモデルをリンクする
-インタラクティブにモデルレジストリまたはアーティファクトブラウザでモデルをリンクします。
-
-
-
-1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) のモデルレジストリアプリに移動します。
-2. 新しいモデルをリンクしたい登録済みモデルの名前の横にマウスをホバーします。
-3. **View details** の横のミートボールメニューアイコン（三つの水平な点）を選択します。
-4. ドロップダウンメニューから **Link new version** を選択します。
-5. **Project** ドロップダウンからモデルを含むプロジェクトの名前を選択します。
-6. **Model Artifact** ドロップダウンからモデルアーティファクトの名前を選択します。
-7. **Version** ドロップダウンから登録済みモデルにリンクしたいモデルバージョンを選択します。
-
-
-
-1. W&B App でプロジェクトのアーティファクトブラウザに移動します: `https://wandb.ai///artifacts`
-2. 左側のサイドバーで Artifacts アイコンを選択します。
-3. リストにあなたのモデルを表示したいプロジェクトを表示します。
-4. モデルのバージョンをクリックして、モデルレジストリにリンクします。
-5. 画面右側に表示されるモーダルから、**Select a register model** メニュードロップダウンから登録済みモデルを選択します。
-6. **Next step** をクリックします。
-7. （オプション）**Aliases** ドロップダウンからエイリアスを選択します。
-8. **Link to registry** をクリックします。
-
-
-
-
-
-## リンクされたモデルのソースを表示する
-
-リンクされたモデルのソースを表示する方法は2つあります: モデルがログされているプロジェクト内のアーティファクトブラウザと W&B モデルレジストリです。
-
-モデルレジストリ内の特定のモデルバージョンを、（そのモデルがログされているプロジェクト内に位置する）ソースモデルアーティファクトと接続するポインタがあります。ソースモデルアーティファクトにもモデルレジストリへのポインタがあります。
-
-
-
-1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) でモデルレジストリに移動します。
-
-
-1. W&B App でプロジェクトのアーティファクトブラウザに移動します: `https://wandb.ai///artifacts`
-2. 左側のサイドバーで Artifacts アイコンを選択します。
-3. アーティファクトパネルから **model** ドロップダウンメニューを展開します。
-4. モデルレジストリにリンクされたモデルの名前とバージョンを選択します。
-5. 右パネル内の **Version** タブをクリックします。
-6. **Version overview** セクション内に **Linked To** フィールドを含む行があります。**Linked To** フィールドは、登録済みモデルの名前とそれに属するバージョンを示しています（`registered-model-name:version`）。
-
-例えば、次の画像では、`MNIST-dev` という登録済みモデルがあります（**Linked To** フィールドを参照）。バージョン `v0` のモデルバージョン `mnist_model`（`mnist_model:v0`）が `MNIST-dev` 登録済みモデルを指しています。
-
-
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/log-model-to-experiment.mdx b/ja/models/core/registry/model_registry/log-model-to-experiment.mdx
deleted file mode 100644
index bf931492f2..0000000000
--- a/ja/models/core/registry/model_registry/log-model-to-experiment.mdx
+++ /dev/null
@@ -1,79 +0,0 @@
----
-title: モデルを追跡する
-description: W&B Python SDK を使用して、モデル、モデルの依存関係、およびそのモデルに関連するその他の情報を追跡します。
----
-
-モデル、モデルの依存関係、およびそのモデルに関連するその他の情報を W&B Python SDK を使用して追跡します。
-
-内部的には、W&B は [モデルアーティファクト](/ja/models/core/registry/model_registry/model-management-concepts/#model-artifact) のリネージを作成し、W&B アプリ UI で表示したり、W&B Python SDK を使用してプログラム的に確認することができます。詳細は [モデルリネージマップの作成](/ja/models/core/registry/model_registry/model-lineage/) を参照してください。
-
-## モデルをログする方法
-
-`run.log_model` API を使用してモデルをログします。モデルファイルが保存されているパスを `path` パラメータに提供してください。このパスはローカルファイル、ディレクトリー、または `s3://bucket/path` のような外部バケットへの[リファレンス URI](/ja/models/artifacts/track-external-files/#amazon-s3--gcs--azure-blob-storage-references) のいずれかにすることができます。
-
-オプションでモデルアーティファクトの名前を `name` パラメータに指定できます。`name` が指定されていない場合、W&B は入力パスのベース名を実行 ID を前に付けたものとして使用します。
-
-以下のコードスニペットをコピーして貼り付けてください。`<>` で囲まれた値をあなた自身のものに置き換えてください。
-
-```python
-import wandb
-
-# W&B run を初期化
-run = wandb.init(project="", entity="")
-
-# モデルをログする
-run.log_model(path="", name="")
-```
-
-
-
-例: Keras モデルを W&B にログする
-
-以下のコード例は、畳み込みニューラルネットワーク (CNN) モデルを W&B にログする方法を示します。
-
-```python
-import os
-import wandb
-from tensorflow import keras
-from tensorflow.keras import layers
-
-config = {"optimizer": "adam", "loss": "categorical_crossentropy"}
-
-# W&B run を初期化
-run = wandb.init(entity="charlie", project="mnist-project", config=config)
-
-# トレーニングアルゴリズム
-loss = run.config["loss"]
-optimizer = run.config["optimizer"]
-metrics = ["accuracy"]
-num_classes = 10
-input_shape = (28, 28, 1)
-
-model = keras.Sequential(
- [
- layers.Input(shape=input_shape),
- layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
- layers.MaxPooling2D(pool_size=(2, 2)),
- layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
- layers.MaxPooling2D(pool_size=(2, 2)),
- layers.Flatten(),
- layers.Dropout(0.5),
- layers.Dense(num_classes, activation="softmax"),
- ]
-)
-
-model.compile(loss=loss, optimizer=optimizer, metrics=metrics)
-
-# モデルを保存
-model_filename = "model.h5"
-local_filepath = "./"
-full_path = os.path.join(local_filepath, model_filename)
-model.save(filepath=full_path)
-
-# モデルをログする
-run.log_model(path=full_path, name="MNIST")
-
-# W&B に対して明示的に run の終了を通知します。
-run.finish()
-```
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/model-lineage.mdx b/ja/models/core/registry/model_registry/model-lineage.mdx
deleted file mode 100644
index 335e71d838..0000000000
--- a/ja/models/core/registry/model_registry/model-lineage.mdx
+++ /dev/null
@@ -1,121 +0,0 @@
----
-title: モデルリネージ マップを作成する
-description: ''
----
-
-このページでは、従来の W&B Model Registry でのリネージグラフの作成について説明します。W&B Registry でのリネージグラフについて学ぶには、[リネージマップの作成と表示](/ja/models/core/registry/lineage/)を参照してください。
-
-
-W&B は、従来の [W&B Model Registry](/ja/models/core/registry/model_registry/) から新しい [W&B Registry](/ja/./) へのアセット移行を管理および実行します。この移行は W&B によって完全に管理され、ユーザーによる介入は必要ありません。このプロセスは、既存のワークフローへの影響を最小限に抑えて、可能な限りシームレスに設計されています。[従来の Model Registry からの移行](/ja/models/core/registry/model_registry_eol/) を参照してください。
-
-
-モデルアーティファクトを W&B にログする際の便利な機能の一つにリネージグラフがあります。リネージグラフは、run によってログされたアーティファクトと特定の run で使用されたアーティファクトを表示します。
-
-つまり、モデルアーティファクトをログする際には、少なくともモデルアーティファクトを使用または生成した W&B run を表示するためのアクセスが可能です。[依存関係を追跡する](#track-an-artifact-dependency)場合、モデルアーティファクトで使用された入力も見ることができます。
-
-例えば、以下の画像では、ML 実験全体で作成および使用されたアーティファクトが示されています。
-
-")
-```
-
-アーティファクトを取得した後、そのアーティファクトを使用して（例えば）、モデルのパフォーマンスを評価できます。
-
-
-
-例: モデルを訓練し、データセットをモデルの入力として追跡
-
-```python
-job_type = "train_model"
-
-config = {
- "optimizer": "adam",
- "batch_size": 128,
- "epochs": 5,
- "validation_split": 0.1,
-}
-
-run = wandb.init(project=project, job_type=job_type, config=config)
-
-version = "latest"
-name = "{}:{}".format("{}_dataset".format(model_use_case_id), version)
-
-artifact = run.use_artifact(name)
-
-train_table = artifact.get("train_table")
-x_train = train_table.get_column("x_train", convert_to="numpy")
-y_train = train_table.get_column("y_train", convert_to="numpy")
-
-# 設定辞書から変数に値を保存して簡単にアクセス
-num_classes = 10
-input_shape = (28, 28, 1)
-loss = "categorical_crossentropy"
-optimizer = run.config["optimizer"]
-metrics = ["accuracy"]
-batch_size = run.config["batch_size"]
-epochs = run.config["epochs"]
-validation_split = run.config["validation_split"]
-
-# モデルアーキテクチャーの作成
-model = keras.Sequential(
- [
- layers.Input(shape=input_shape),
- layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
- layers.MaxPooling2D(pool_size=(2, 2)),
- layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
- layers.MaxPooling2D(pool_size=(2, 2)),
- layers.Flatten(),
- layers.Dropout(0.5),
- layers.Dense(num_classes, activation="softmax"),
- ]
-)
-model.compile(loss=loss, optimizer=optimizer, metrics=metrics)
-
-# トレーニングデータのラベルを生成
-y_train = keras.utils.to_categorical(y_train, num_classes)
-
-# トレーニングセットとテストセットの作成
-x_t, x_v, y_t, y_v = train_test_split(x_train, y_train, test_size=0.33)
-
-# モデルのトレーニング
-model.fit(
- x=x_t,
- y=y_t,
- batch_size=batch_size,
- epochs=epochs,
- validation_data=(x_v, y_v),
- callbacks=[WandbCallback(log_weights=True, log_evaluation=True)],
-)
-
-# モデルをローカルに保存
-path = "model.h5"
-model.save(path)
-
-path = "./model.h5"
-registered_model_name = "MNIST-dev"
-name = "mnist_model"
-
-run.link_model(path=path, registered_model_name=registered_model_name, name=name)
-run.finish()
-```
-
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/model-management-concepts.mdx b/ja/models/core/registry/model_registry/model-management-concepts.mdx
deleted file mode 100644
index f9dd9ef7c4..0000000000
--- a/ja/models/core/registry/model_registry/model-management-concepts.mdx
+++ /dev/null
@@ -1,61 +0,0 @@
----
-title: モデルレジストリの用語と概念
-description: モデルレジストリの用語と概念
----
-
-以下の用語は、W&B モデルレジストリの主要な構成要素を説明します: [*model version*](#model-version)、[*model artifact*](#model-artifact)、および [*registered model*](#registered-model)。
-
-## Model version
-モデルバージョンは、単一のモデルチェックポイントを表します。モデルバージョンは、実験内のモデルとそのファイルのある時点でのスナップショットです。
-
-モデルバージョンは、訓練されたモデルを記述するデータとメタデータの不変なディレクトリーです。W&B は、後でモデルのアーキテクチャーと学習されたパラメータを保存（および復元）できるように、ファイルをモデルバージョンに追加することを推奨しています。
-
-モデルバージョンは、1つだけの [model artifact](#model-artifact) に属します。モデルバージョンは、ゼロまたは複数の [registered models](#registered-model) に属する場合があります。モデルバージョンは、model artifact にログされる順序で格納されます。同じ model artifact にログされたモデルの内容が以前のモデルバージョンと異なる場合、W&B は自動的に新しいモデルバージョンを作成します。
-
-モデリングライブラリによって提供されるシリアライズプロセスから生成されたファイルをモデルバージョン内に保存します（例：[PyTorch](https://pytorch.org/tutorials/beginner/saving_loading_models.html) と [Keras](https://www.tensorflow.org/guide/keras/save_and_serialize)）。
-
-## Model alias
-
-モデルエイリアスは、登録されたモデル内でモデルバージョンを一意に識別または参照するための可変文字列です。登録されたモデルのバージョンにだけエイリアスを割り当てることができます。これは、エイリアスがプログラム的に使用されたとき、一意のバージョンを指す必要があるためです。エイリアスは、モデルの状態（チャンピオン、候補、プロダクション）をキャプチャするためにも使用されます。
-
-"best"、"latest"、"production"、"staging" のようなエイリアスを使用して、特定の目的を持つモデルバージョンにマークを付けることは一般的です。
-
-たとえば、モデルを作成し、それに "best" エイリアスを割り当てたとします。その特定のモデルを `run.use_model` で参照できます。
-
-```python
-import wandb
-run = wandb.init()
-name = f"{entity/project/model_artifact_name}:{alias}"
-run.use_model(name=name)
-```
-
-## Model tags
-モデルタグは、1つ以上の登録されたモデルに属するキーワードまたはラベルです。
-
-モデルタグを使用して、登録されたモデルをカテゴリに整理し、モデルレジストリの検索バーでそれらのカテゴリを検索します。モデルタグは Registered Model Card の上部に表示されます。ML タスク、所有チーム、または優先順位に基づいて登録モデルをグループ化するために使用することもできます。同じモデルタグを複数の登録されたモデルに追加してグループ化を可能にします。
-
-
-登録されたモデルに適用されるラベルで、グループ化と発見性のために使用されるモデルタグは、[model aliases](#model-alias) とは異なります。モデルエイリアスは、一意の識別子またはニックネームで、プログラム的にモデルバージョンを取得するために使用します。モデルレジストリでタスクを整理するためのタグの使用について詳しくは、[Organize models](/ja/models/core/registry/model_registry/organize-models/) を参照してください。
-
-
-## Model artifact
-モデルアーティファクトは、ログされた [model versions](#model-version) のコレクションです。モデルバージョンは、model artifact にログされた順序で保存されます。
-
-モデルアーティファクトには1つ以上のモデルバージョンが含まれる場合があります。モデルバージョンがログされていない場合、モデルアーティファクトは空です。
-
-たとえば、モデルアーティファクトを作成するとします。モデルのトレーニング中に、定期的にチェックポイントでモデルを保存します。各チェックポイントはその独自の [model version](#model-version) に対応しています。トレーニングスクリプトの開始時に作成した同じモデルアーティファクトに、モデルトレーニング中とチェックポイント保存中に作成されたすべてのモデルバージョンが保存されます。
-
-以下の画像は、3つのモデルバージョン v0、v1、v2 を含むモデルアーティファクトを示しています。
-
-
-チームのために Slack 通知を設定した場合、**Connect Slack** ボタンの代わりに **New model version linked to...** と書かれたトグルが表示されます。
-
-
-下のスクリーンショットは Slack 通知が設定された FMNIST 分類器の登録済みモデルを示しています。
-
-
-* このガイドで提示された順にコードスニペットをコピーしてください。
-* モデルレジストリに固有でないコードは折りたたみ可能なセルに隠されています。
-
-
-## セットアップ
-
-始める前に、このウォークスルーに必要な Python の依存関係をインポートします：
-
-```python
-import wandb
-import numpy as np
-from tensorflow import keras
-from tensorflow.keras import layers
-from wandb.integration.keras import WandbMetricsLogger
-from sklearn.model_selection import train_test_split
-```
-
-`entity` 変数に W&B エンティティを指定します：
-
-```python
-entity = ""
-```
-
-### データセット アーティファクトを作成する
-
-まず、データセットを作成します。次のコードスニペットは、MNIST データセットをダウンロードする関数を作成します：
-```python
-def generate_raw_data(train_size=6000):
- eval_size = int(train_size / 6)
- (x_train, y_train), (x_eval, y_eval) = keras.datasets.mnist.load_data()
-
- x_train = x_train.astype("float32") / 255
- x_eval = x_eval.astype("float32") / 255
- x_train = np.expand_dims(x_train, -1)
- x_eval = np.expand_dims(x_eval, -1)
-
- print("Generated {} rows of training data.".format(train_size))
- print("Generated {} rows of eval data.".format(eval_size))
-
- return (x_train[:train_size], y_train[:train_size]), (
- x_eval[:eval_size],
- y_eval[:eval_size],
- )
-
-# データセットを作成
-(x_train, y_train), (x_eval, y_eval) = generate_raw_data()
-```
-
-次に、データセットを W&B にアップロードします。これを行うには、[artifact](/ja/models/artifacts/) オブジェクトを作成し、そのアーティファクトにデータセットを追加します。
-
-```python
-project = "model-registry-dev"
-
-model_use_case_id = "mnist"
-job_type = "build_dataset"
-
-# W&B run を初期化
-run = wandb.init(entity=entity, project=project, job_type=job_type)
-
-# トレーニングデータ用に W&B Table を作成
-train_table = wandb.Table(data=[], columns=[])
-train_table.add_column("x_train", x_train)
-train_table.add_column("y_train", y_train)
-train_table.add_computed_columns(lambda ndx, row: {"img": wandb.Image(row["x_train"])})
-
-# 評価データ用に W&B Table を作成
-eval_table = wandb.Table(data=[], columns=[])
-eval_table.add_column("x_eval", x_eval)
-eval_table.add_column("y_eval", y_eval)
-eval_table.add_computed_columns(lambda ndx, row: {"img": wandb.Image(row["x_eval"])})
-
-# アーティファクトオブジェクトを作成
-artifact_name = "{}_dataset".format(model_use_case_id)
-artifact = wandb.Artifact(name=artifact_name, type="dataset")
-
-# wandb.WBValue オブジェクトをアーティファクトに追加
-artifact.add(train_table, "train_table")
-artifact.add(eval_table, "eval_table")
-
-# アーティファクトに加えられた変更を永続化
-artifact.save()
-
-# W&B にこの run が完了したことを知らせます
-run.finish()
-```
-
-
-アーティファクトにファイル（データセットなど）を保存することは、モデルの依存関係を追跡できるため、モデルをログに記録するという文脈で便利です。
-
-
-## モデルのトレーニング
-前のステップで作成したアーティファクトデータセットを使用してモデルをトレーニングします。
-
-### データセットアーティファクトを run の入力として宣言
-
-前のステップで作成したデータセットアーティファクトを W&B run の入力として宣言します。これにより、特定のモデルをトレーニングするために使用されたデータセット（およびデータセットのバージョン）を追跡できるため、モデルをログに記録するという文脈で特に便利です。W&B は収集された情報を使用して、[lineage map](/ja/models/core/registry/model_registry/model-lineage/) を作成します。
-
-`use_artifact` API を使用して、データセットアーティファクトを run の入力として宣言し、アーティファクト自体を取得します。
-
-```python
-job_type = "train_model"
-config = {
- "optimizer": "adam",
- "batch_size": 128,
- "epochs": 5,
- "validation_split": 0.1,
-}
-
-# W&B run を初期化
-run = wandb.init(project=project, job_type=job_type, config=config)
-
-# データセットアーティファクトを取得
-version = "latest"
-name = "{}:{}".format("{}_dataset".format(model_use_case_id), version)
-artifact = run.use_artifact(artifact_or_name=name)
-
-# データフレームから特定のコンテンツを取得
-train_table = artifact.get("train_table")
-x_train = train_table.get_column("x_train", convert_to="numpy")
-y_train = train_table.get_column("y_train", convert_to="numpy")
-```
-
-モデルの入力と出力を追跡する方法の詳細については、[Create model lineage](/ja/models/core/registry/model_registry/model-lineage/) mapを参照してください。
-
-### モデルの定義とトレーニング
-
-このウォークスルーでは、Keras を使用して MNIST データセットから画像を分類するための 2D 畳み込みニューラルネットワーク (CNN) を定義します。
-
-
-MNIST データに対する CNN のトレーニング
-
-```python
-# 設定辞書から値を取得して変数に格納（アクセスしやすくするため）
-num_classes = 10
-input_shape = (28, 28, 1)
-loss = "categorical_crossentropy"
-optimizer = run.config["optimizer"]
-metrics = ["accuracy"]
-batch_size = run.config["batch_size"]
-epochs = run.config["epochs"]
-validation_split = run.config["validation_split"]
-
-# モデルアーキテクチャを作成
-model = keras.Sequential(
- [
- layers.Input(shape=input_shape),
- layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
- layers.MaxPooling2D(pool_size=(2, 2)),
- layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
- layers.MaxPooling2D(pool_size=(2, 2)),
- layers.Flatten(),
- layers.Dropout(0.5),
- layers.Dense(num_classes, activation="softmax"),
- ]
-)
-model.compile(loss=loss, optimizer=optimizer, metrics=metrics)
-
-# トレーニングデータのラベルを生成
-y_train = keras.utils.to_categorical(y_train, num_classes)
-
-# トレーニングセットとテストセットを作成
-x_t, x_v, y_t, y_v = train_test_split(x_train, y_train, test_size=0.33)
-```
-次に、モデルをトレーニングします：
-
-```python
-# モデルをトレーニング
-model.fit(
- x=x_t,
- y=y_t,
- batch_size=batch_size,
- epochs=epochs,
- validation_data=(x_v, y_v),
- callbacks=[WandbCallback(log_weights=True, log_evaluation=True)],
-)
-```
-
-最後に、モデルをローカルマシンに保存します：
-
-```python
-# モデルをローカルに保存
-path = "model.h5"
-model.save(path)
-```
-
-
-## モデルを Model Registry にログし、リンクする
-[`link_model`](/ja/models/ref/python/run#link_model) API を使用して、一つまたは複数のファイルを W&B run にログし、それを [W&B Model Registry](/ja/./) にリンクします。
-
-```python
-path = "./model.h5"
-registered_model_name = "MNIST-dev"
-
-run.link_model(path=path, registered_model_name=registered_model_name)
-run.finish()
-```
-
-指定した名前の `registered-model-name` がまだ存在しない場合、W&B は登録されたモデルを作成します。
-
-オプションのパラメータに関する詳細は、API リファレンスガイドの [`link_model`](/ja/models/ref/python/run#link_model) を参照してください。
-
-## モデルのパフォーマンスを評価する
-複数のモデルのパフォーマンスを評価するのは一般的な手法です。
-
-まず、前のステップで W&B に保存された評価データセットアーティファクトを取得します。
-
-```python
-job_type = "evaluate_model"
-
-# 初期化
-run = wandb.init(project=project, entity=entity, job_type=job_type)
-
-model_use_case_id = "mnist"
-version = "latest"
-
-# データセットアーティファクトを取得し、それを依存関係としてマーク
-artifact = run.use_artifact(
- "{}:{}".format("{}_dataset".format(model_use_case_id), version)
-)
-
-# 必要なデータフレームを取得
-eval_table = artifact.get("eval_table")
-x_eval = eval_table.get_column("x_eval", convert_to="numpy")
-y_eval = eval_table.get_column("y_eval", convert_to="numpy")
-```
-
-評価したい W&B からの[モデルバージョン](/ja/models/core/registry/model_registry/model-management-concepts/#model-version) をダウンロードします。`use_model` API を使用してモデルにアクセスし、ダウンロードします。
-
-```python
-alias = "latest" # エイリアス
-name = "mnist_model" # モデルアーティファクトの名前
-
-# モデルにアクセスしダウンロードします。ダウンロードされたアーティファクトへのパスを返します
-downloaded_model_path = run.use_model(name=f"{name}:{alias}")
-```
-
-Keras モデルをロードし、損失を計算します：
-
-```python
-model = keras.models.load_model(downloaded_model_path)
-
-y_eval = keras.utils.to_categorical(y_eval, 10)
-(loss, _) = model.evaluate(x_eval, y_eval)
-score = (loss, _)
-```
-
-最後に、損失のメトリクスを W&B run にログします：
-
-```python
-# メトリクス、画像、テーブル、または評価に役立つデータをログします。
-run.log(data={"loss": (loss, _)})
-```
-
-## モデルバージョンを昇格する
-[*モデルエイリアス*](/ja/models/core/registry/model_registry/model-management-concepts/#model-alias) を使用して、機械学習ワークフローの次のステージに準備が整ったモデルバージョンをマークします。各登録済みモデルは 1 つまたは複数のモデルエイリアスを持つことができます。モデルエイリアスは、1 度に 1 つのモデルバージョンにのみ所属できます。
-
-例えば、モデルのパフォーマンスを評価した後、そのモデルがプロダクションの準備が整ったと確信したとします。モデルバージョンを昇格させるために、特定のモデルバージョンに `production` エイリアスを追加します。
-
-
-`production` エイリアスは、モデルをプロダクション対応としてマークするために使用される最も一般的なエイリアスの 1 つです。
-
-
-W&B アプリ UI を使用してインタラクティブに、または Python SDK を使用してプログラムでモデルバージョンにエイリアスを追加できます。次のステップは、W&B Model Registry App を使用してエイリアスを追加する方法を示しています：
-
-1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) の Model Registry App に移動します。
-2. 登録されているモデルの名前の横にある **View details** をクリックします。
-3. **Versions** セクション内で、プロモーションしたいモデルバージョンの名前の横にある **View** ボタンをクリックします。
-4. **Aliases** フィールドの隣にあるプラスアイコン (**+**) をクリックします。
-5. 表示されるフィールドに `production` と入力します。
-6. キーボードの Enter キーを押します。
-
-
-旧モデルレジストリを表示するには、W&B アプリでモデルレジストリに移動します。ページの上部にバナーが表示され、旧モデルレジストリアプリの UI を使用できます。
-
-
-
-### 組織の公開範囲
-旧モデルレジストリにリンクされたアーティファクトはチームレベルの公開範囲を持っています。つまり、チームのメンバーだけが旧 W&B モデルレジストリでアーティファクトを閲覧できます。W&B レジストリは組織レベルの公開範囲を持っています。つまり、適切な権限を持つ組織全体のメンバーがレジストリにリンクされたアーティファクトを閲覧できます。
-
-### レジストリへの公開範囲の制限
-カスタムレジストリの表示とアクセスを誰ができるかを制限します。カスタムレジストリの作成時または作成後に、レジストリへの公開範囲を制限できます。制限されたレジストリでは、選択したメンバーのみがコンテンツにアクセスでき、プライバシーとコントロールを維持します。レジストリの公開範囲の詳細については、[レジストリの公開範囲の種類](/ja/models/core/registry/configure_registry/#registry-visibility-types)を参照してください。
-
-### カスタムレジストリの作成
-旧モデルレジストリとは異なり、W&B レジストリはモデルやデータセットレジストリに限定されません。特定のワークフローやプロジェクトニーズに合わせたカスタムレジストリを作成し、任意のオブジェクトタイプを保持できるようにします。この柔軟性により、チームは独自の要件に従ってアーティファクトを組織し、管理できるようになります。カスタムレジストリの作成方法について詳しくは、[カスタムレジストリの作成](/ja/models/core/registry/model_registry_eol/#%E3%82%AB%E3%82%B9%E3%82%BF%E3%83%A0%E3%83%AC%E3%82%B8%E3%82%B9%E3%83%88%E3%83%AA%E3%81%AE%E4%BD%9C%E6%88%90)を参照してください。
-
-
-**エイリアスとタグの使い分け**
-
-特定のアーティファクトバージョンを一意に参照する必要がある場合は、エイリアスを使用します。例えば、`artifact_name:alias` が常に単一で特定のバージョンを指すように、「production」や「latest」といったエイリアスを使用します。
-
-より自由にグループ化や検索をしたい場合は、タグを使用します。タグは複数のバージョンやコレクションが同じラベルを共有できるときに理想的で、特定の識別子に関連付けられるバージョンが一つだけである保証は必要ありません。
-
-
-## コレクションにタグを追加する
-
-W&B アプリ UI または Python SDK を使用してコレクションにタグを追加します。
-
-
-
-W&B アプリ UI を使用してコレクションにタグを追加します。
-
-1. W&B レジストリに移動します: https://wandb.ai/registry
-2. レジストリカードをクリックします
-3. コレクション名の横にある **View details** をクリックします
-4. コレクションカード内で、**Tags** フィールドの隣にあるプラスアイコン (**+**) をクリックし、タグの名前を入力します
-5. キーボードの **Enter** を押します
-
-
-
-```python
-import wandb
-
-COLLECTION_TYPE = ""
-ORG_NAME = ""
-REGISTRY_NAME = ""
-COLLECTION_NAME = ""
-
-full_name = f"{ORG_NAME}/wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
-
-collection = wandb.Api().artifact_collection(
- type_name = COLLECTION_TYPE,
- name = full_name
- )
-
-collection.tags = ["your-tag"]
-collection.save()
-```
-
-
-
-## コレクションに属するタグを更新する
-
-`tags` 属性を再割り当てするか、変更することでプログラム上でタグを更新します。W&B は `tags` 属性をインプレースで変更するのではなく、再割り当てすることを推奨しており、これは良い Python の習慣でもあります。
-
-例えば、以下のコードスニペットは、再割り当てを用いてリストを更新する一般的な方法を示しています。簡潔にするために、このコード例は [コレクションにタグを追加するセクション](#add-a-tag-to-a-collection) から続いています。
-
-```python
-collection.tags = [*collection.tags, "new-tag", "other-tag"]
-collection.tags = collection.tags + ["new-tag", "other-tag"]
-
-collection.tags = set(collection.tags) - set(tags_to_delete)
-collection.tags = [] # すべてのタグを削除
-```
-
-次のコードスニペットは、インプレースでの変更を使用してアーティファクトバージョンに属するタグを更新する方法を示しています。
-
-```python
-collection.tags += ["new-tag", "other-tag"]
-collection.tags.append("new-tag")
-
-collection.tags.extend(["new-tag", "other-tag"])
-collection.tags[:] = ["new-tag", "other-tag"]
-collection.tags.remove("existing-tag")
-collection.tags.pop()
-collection.tags.clear()
-```
-
-## コレクションに属するタグを表示する
-
-W&B アプリ UI を使用してコレクションに追加されたタグを表示します。
-
-1. W&B レジストリに移動します: https://wandb.ai/registry
-2. レジストリカードをクリックします
-3. コレクション名の横にある **View details** をクリックします
-
-コレクションに 1 つ以上のタグがある場合、それらのタグはコレクションカード内の **Tags** フィールドの隣に表示されます。
-
-
-
-1. W&B レジストリに移動します: https://wandb.ai/registry
-2. レジストリカードをクリックします
-3. タグを追加したいコレクションの名前の横にある **View details** をクリックします
-4. 下にスクロールして **Versions** を表示します
-5. アーティファクトバージョンの横にある **View** をクリックします
-6. **Version** タブ内で、**Tags** フィールドの隣にあるプラスアイコン (**+**) をクリックし、タグの名前を入力します
-7. キーボードの **Enter** を押します
-
-
-
-タグを追加または更新したいアーティファクトバージョンを取得します。アーティファクトバージョンを取得したら、アーティファクトオブジェクトの `tag` 属性にアクセスして、そのアーティファクトのタグを追加または変更します。1 つ以上のタグをリストとして `tag` 属性に渡します。
-
-他のアーティファクト同様、W&B からアーティファクトを取得するのに run を作成する必要はありませんが、run を作成し、その run の中でアーティファクトを取得することもできます。どちらの場合でも、W&B サーバー上でアーティファクトを更新するために、アーティファクトオブジェクトの `save` メソッドを呼び出すことを確認してください。
-
-以下のコードセルをコピーして、アーティファクトバージョンのタグを追加または変更します。`<>` 内の値を自分のものに置き換えてください。
-
-次のコードスニペットは、新しい run を作成せずにアーティファクトを取得してタグを追加する方法を示しています。
-
-```python title="Add a tag to an artifact version without creating a new run"
-import wandb
-
-ARTIFACT_TYPE = ""
-ORG_NAME = ""
-REGISTRY_NAME = ""
-COLLECTION_NAME = ""
-VERSION = ""
-
-artifact_name = f"{ORG_NAME}/wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{VERSION}"
-
-artifact = wandb.Api().artifact(name = artifact_name, type = ARTIFACT_TYPE)
-artifact.tags = ["tag2"] # リストに 1 つ以上のタグを提供
-artifact.save()
-```
-
-次のコードスニペットは、新しい run を作成してアーティファクトを取得し、タグを追加する方法を示しています。
-
-```python title="Add a tag to an artifact version during a run"
-import wandb
-
-ORG_NAME = ""
-REGISTRY_NAME = ""
-COLLECTION_NAME = ""
-VERSION = ""
-
-run = wandb.init(entity = "", project="")
-
-artifact_name = f"{ORG_NAME}/wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{VERSION}"
-
-artifact = run.use_artifact(artifact_or_name = artifact_name)
-artifact.tags = ["tag2"] # リストに 1 つ以上のタグを提供
-artifact.save()
-```
-
-
-
-## アーティファクトバージョンに属するタグを更新する
-
-`tags` 属性を再割り当てするか、変更することでプログラム上でタグを更新します。W&B は `tags` 属性をインプレースで変更するのではなく、再割り当てすることを推奨しており、これは良い Python の習慣でもあります。
-
-例えば、以下のコードスニペットは、再割り当てを用いてリストを更新する一般的な方法を示しています。簡潔にするために、このコード例は [アーティファクトバージョンにタグを追加するセクション](#add-a-tag-to-an-artifact-version) から続いています。
-
-```python
-artifact.tags = [*artifact.tags, "new-tag", "other-tag"]
-artifact.tags = artifact.tags + ["new-tag", "other-tag"]
-
-artifact.tags = set(artifact.tags) - set(tags_to_delete)
-artifact.tags = [] # すべてのタグを削除
-```
-
-次のコードスニペットは、インプレースでの変更を使用してアーティファクトバージョンに属するタグを更新する方法を示しています。
-
-```python
-artifact.tags += ["new-tag", "other-tag"]
-artifact.tags.append("new-tag")
-
-artifact.tags.extend(["new-tag", "other-tag"])
-artifact.tags[:] = ["new-tag", "other-tag"]
-artifact.tags.remove("existing-tag")
-artifact.tags.pop()
-artifact.tags.clear()
-```
-
-## アーティファクトバージョンに属するタグを表示する
-
-W&B アプリ UI または Python SDK を使用して、レジストリにリンクされたアーティファクトバージョンに属するタグを表示します。
-
-
-
-1. W&B レジストリに移動します: https://wandb.ai/registry
-2. レジストリカードをクリックします
-3. タグを追加したいコレクションの名前の横にある **View details** をクリックします
-4. 下にスクロールして **Versions** セクションを表示します
-
-アーティファクトバージョンに 1 つ以上のタグがある場合、それらのタグは **Tags** 列に表示されます。
-
-
-
-アーティファクトバージョンを取得して、そのタグを表示します。アーティファクトバージョンを取得したら、アーティファクトオブジェクトの `tag` 属性を表示して、そのアーティファクトに属するタグを表示します。
-
-他のアーティファクト同様、W&B からアーティファクトを取得するのに run を作成する必要はありませんが、run を作成し、その run の中でアーティファクトを取得することもできます。
-
-以下のコードセルをコピーして、アーティファクトバージョンのタグを追加または変更します。`<>` 内の値を自分のものに置き換えてください。
-
-次のコードスニペットは、新しい run を作成せずにアーティファクトバージョンを取得して表示する方法を示しています。
-
-```python title="Add a tag to an artifact version without creating a new run"
-import wandb
-
-ARTIFACT_TYPE = ""
-ORG_NAME = ""
-REGISTRY_NAME = ""
-COLLECTION_NAME = ""
-VERSION = ""
-
-artifact_name = f"{ORG_NAME}/wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{VERSION}"
-
-artifact = wandb.Api().artifact(name = artifact_name, type = artifact_type)
-print(artifact.tags)
-```
-
-次のコードスニペットは、新しい run を作成してアーティファクトバージョンのタグを取得して表示する方法を示しています。
-
-```python title="Add a tag to an artifact version during a run"
-import wandb
-
-ORG_NAME = ""
-REGISTRY_NAME = ""
-COLLECTION_NAME = ""
-VERSION = ""
-
-run = wandb.init(entity = "", project="")
-
-artifact_name = f"{ORG_NAME}/wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{VERSION}"
-
-artifact = run.use_artifact(artifact_or_name = artifact_name)
-print(artifact.tags)
-```
-
-
-
-
-## アーティファクトバージョンからタグを削除する
-
-1. W&B レジストリに移動します: https://wandb.ai/registry
-2. レジストリカードをクリックします
-3. タグを追加したいコレクションの名前の横にある **View details** をクリックします
-4. 下にスクロールして **Versions** を表示します
-5. アーティファクトバージョンの横にある **View** をクリックします
-6. **Version** タブ内でタグの名前の上にマウスを移動してください
-7. キャンセルボタン（**X** アイコン）をクリックします
-
-## 既存のタグを検索する
-
-W&B アプリ UI を使用して、コレクションやアーティファクトバージョン内の既存のタグを検索します。
-
-1. W&B レジストリに移動します: https://wandb.ai/registry
-2. レジストリカードをクリックします
-3. 検索バー内にタグの名前を入力します
-
-",
- name = "",
- tags = ["", ""]
-)
-
-for artifact_version in tagged_artifact_versions:
- print(artifact_version.tags)
-```
\ No newline at end of file
diff --git a/ja/models/core/registry/registry_cards.mdx b/ja/models/core/registry/registry_cards.mdx
deleted file mode 100644
index 5e0b4a7080..0000000000
--- a/ja/models/core/registry/registry_cards.mdx
+++ /dev/null
@@ -1,69 +0,0 @@
----
-title: コレクションに注釈を付ける
----
-
-コレクションに人間が理解しやすいテキストを追加して、ユーザーがコレクションの目的とその中に含まれるアーティファクトを理解するのを助けます。
-
-コレクションに応じて、トレーニングデータ、モデルアーキテクチャー、タスク、ライセンス、参考文献、デプロイメントに関する情報を含めることをお勧めします。以下は、コレクションで文書化する価値のあるトピックのリストです。
-
-W&Bは少なくともこれらの詳細を含めることを推奨します。
-* **概要**: コレクションの目的。機械学習実験に使用された機械学習フレームワーク。
-* **ライセンス**: 機械学習モデルの使用に関連する法的条件と許可。モデルのユーザーがどの法的枠組みの下でモデルを利用できるかを理解するのに役立ちます。一般的なライセンスには、Apache 2.0、MIT、GPL などがあります。
-* **参考文献**: 関連する研究論文、データセット、または外部リソースへの引用または参考文献。
-
-コレクションにトレーニングデータが含まれている場合は、以下の詳細を考慮してください。
-* **トレーニングデータ**: 使用したトレーニングデータの説明
-* **プロセッシング**: トレーニングデータセットに対して行われたプロセッシング。
-* **データストレージ**: そのデータがどこに保存されていて、どのようにアクセスするか。
-
-コレクションに機械学習モデルが含まれている場合は、以下の詳細を考慮してください。
-* **アーキテクチャー**: モデルのアーキテクチャー、レイヤー、および特定のデザイン選択に関する情報。
-* **タスク**: コレクションモデルが実行するように設計された特定のタスクまたは問題の種類。モデルの意図された能力のカテゴリ分けです。
-* **モデルをデシリアライズ**: あなたのチームの誰かがモデルをメモリにロードする方法に関する情報を提供してください。
-* **タスク**: 機械学習モデルが実行するように設計された特定のタスクまたは問題の種類。モデルの意図された能力のカテゴリ分けです。
-* **デプロイメント**: モデルがどのように、どこでデプロイされるかに関する詳細、およびワークフローのオーケストレーションプラットフォームなどの他の企業システムにモデルを統合する方法に関するガイダンス。
-
-## コレクションに説明を追加する
-
-W&B Registry UIまたはPython SDKを使用して、インタラクティブまたはプログラム的にコレクションに説明を追加します。
-
-
-
-1. [https://wandb.ai/registry/](https://wandb.ai/registry/)でW&B Registryにアクセスします。
-2. コレクションをクリックします。
-3. コレクション名の横にある**詳細を表示**を選択します。
-4. **説明**フィールド内で、コレクションに関する情報を提供します。[Markdownマークアップ言語](https://www.markdownguide.org/)でテキストをフォーマットします。
-
-
-[`wandb.Api().artifact_collection()`](/ja/models/ref/python/public-api/api#artifact_collection) メソッドを使用してコレクションの説明にアクセスします。返されたオブジェクトの `description` プロパティを使用してコレクションに説明を追加または更新します。
-
-`type_name`パラメータにはコレクションのタイプを、`name`パラメータにはコレクションの完全な名前を指定します。コレクションの名前は「wandb-registry」、レジストリの名前、およびコレクションの名前をスラッシュで区切ったものです:
-
-```text
-wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}
-```
-
-以下のコードスニペットをあなたのPythonスクリプトまたはノートブックにコピーペーストします。角括弧で囲まれた値 (`<>`) をあなた独自のものに置き換えてください。
-
-```python
-import wandb
-
-api = wandb.Api()
-
-collection = api.artifact_collection(
- type_name = "",
- name = ""
- )
-
-
-collection.description = "This is a description."
-collection.save()
-```
-
-
-
-例えば、以下の画像は、モデルのアーキテクチャー、意図された使用法、パフォーマンス情報などをドキュメントしているコレクションを示しています。
-
-
+ ## 人気の高い ML インテグレーション:
+
-ここに記載されていない ライブラリ と W&B を連携させたい場合は、 ベストプラクティス と実装ガイドが記載された [Add W&B to any library](/models/integrations/add-wandb-to-any-library) を参照してください。
+
+
+ W&B を PyTorch Lightning コードと連携させて、パイプラインに実験管理機能を追加します。
+
-## 機械学習フレームワークとライブラリ
+
+ HuggingFace Transformer モデルを W&B と組み合わせて最適化し、実験管理と Model Management を行います。
+
+
-### 機械学習フレームワーク
+
+
+ W&B と Keras を使用して、機械学習の実験管理、データセットのバージョン管理、およびプロジェクトでのコラボレーションを行います。
+
-主要な 機械学習 フレームワークと W&B を連携させます。
+
+ "You Only Look Once" (別名 YOLOv5) リアルタイム物体検出フレームワークと W&B を使用して、モデルのメトリクスを追跡し、モデル出力を確認し、中断された run を再開します。
+
+
-- [Catalyst](/models/integrations/catalyst)
-- [DeepChem](/models/integrations/deepchem)
-- [DSPy](/models/integrations/dspy)
-- [Keras](/models/integrations/keras)
-- [LightGBM](/models/integrations/lightgbm)
-- [MMEngine](/models/integrations/mmengine)
-- [MMF](/models/integrations/mmf)
-- [PaddleDetection](/models/integrations/paddledetection)
-- [PaddleOCR](/models/integrations/paddleocr)
-- [PyTorch Lightning](/models/integrations/lightning)
-- [PyTorch Ignite](/models/integrations/ignite)
-- [Skorch](/models/integrations/skorch)
-- [TensorFlow](/models/integrations/tensorflow)
-- [XGBoost](/models/integrations/xgboost)
-
-### 機械学習ライブラリ
-
-以下の 機械学習 ライブラリを使用して ワークフロー を拡張します。
-
-- [Deepchecks](/models/integrations/deepchecks)
-- [Hugging Face](/models/integrations/huggingface)
-- [Diffusers](/models/integrations/diffusers)
-- [AutoTrain](/models/integrations/autotrain)
-- [Fast.ai](/models/integrations/fastai)
-- [Fast.ai v1](/models/integrations/fastai/v1)
-- [Composer](/models/integrations/composer)
-- [OpenAI Gym](/models/integrations/openai-gym)
-- [Prodigy](/models/integrations/prodigy)
-- [PyTorch Geometric](/models/integrations/pytorch-geometric)
-- [TorchTune](/models/integrations/torchtune)
-- [Scikit-learn](/models/integrations/scikit)
-- [Simple Transformers](/models/integrations/simpletransformers)
-- [spaCy](/models/integrations/spacy)
-- [Stable Baselines 3](/models/integrations/stable-baselines-3)
-- [Ultralytics](/models/integrations/ultralytics)
-
-## クラウドプラットフォーム
-
-W&B を使用して、 クラウド プラットフォーム上で モデル (Models) のデプロイとトレーニングを行います。
-
-- [Amazon SageMaker](/models/integrations/sagemaker)
-- [Databricks](/models/integrations/databricks)
-- [Azure OpenAI Fine-tuning](/models/integrations/azure-openai-fine-tuning)
-- [OpenAI Fine-tuning](/models/integrations/openai-fine-tuning)
-- [Cohere Fine-tuning](/models/integrations/cohere-fine-tuning)
-- [OpenAI API](/models/integrations/openai-api)
-- [NVIDIA NIM](/models/integrations/nim)
-
-## ワークフローオーケストレーション
-
-W&B を ワークフロー オーケストレーション ツールと連携させます。
-
-- [Kubeflow Pipelines (KFP)](/models/integrations/kubeflow-pipelines-kfp)
-- [Metaflow](/models/integrations/metaflow)
-- [Dagster](/models/integrations/dagster)
-- [Hydra](/models/integrations/hydra)
-
-## その他のインテグレーション
-
-その他の ツール および インテグレーション:
-
-- [Docker](/models/integrations/docker)
-- [TensorBoard](/models/integrations/tensorboard)
-- [W&B for Julia](/models/integrations/w-and-b-for-julia)
-- [YOLOX](/models/integrations/yolox)
-- [YOLOv5](/models/integrations/yolov5)
\ No newline at end of file
+使用しているライブラリがネイティブにサポートされていない場合でも、W&B の [Python SDK](/ja/models/ref/python) を使って W&B を統合できます。ベストプラクティスと実装方法については、[Add W&B to any library](/ja/models/integrations/add-wandb-to-any-library) を参照してください。
\ No newline at end of file
diff --git a/ja/models/integrations/accelerate.mdx b/ja/models/integrations/accelerate.mdx
index ef65771124..4eaa9c6fdc 100644
--- a/ja/models/integrations/accelerate.mdx
+++ b/ja/models/integrations/accelerate.mdx
@@ -1,23 +1,25 @@
---
+description: 大規模なトレーニングと推論を、シンプルかつ効率的で柔軟に実行
title: Hugging Face Accelerate
-description: 大規模な トレーニング と推論を、シンプルかつ効率的、そして柔軟に。
---
-Hugging Face Accelerate は、同じ PyTorch コードをあらゆる分散設定で実行できるようにし、大規模な モデルトレーニング と推論を簡素化する ライブラリ です。
+Hugging Face Accelerate は、同じ PyTorch コードをあらゆる分散構成で実行できるようにし、大規模なモデルのトレーニングと推論を簡素化するライブラリです。
-Accelerate には W&B Tracker が含まれており、その使用方法を以下に示します。また、[Hugging Face の Accelerate Trackers](https://huggingface.co/docs/accelerate/main/en/usage_guides/tracking) について詳しく読むこともできます。
+Accelerate には W&B Tracker が含まれており、その使い方を以下で説明します。Hugging Face における [Accelerate Trackers の詳細](https://huggingface.co/docs/accelerate/main/en/usage_guides/tracking) も参照してください。
-## Accelerate でログ記録を開始する
+
+ ## Accelerate でロギングを開始する
+
-Accelerate と W&B を使い始めるには、以下の疑似コードに従ってください。
+Accelerate と W&B を使い始めるには、まず次の疑似コードを参考にしてください。
```python
from accelerate import Accelerator
-# Accelerator オブジェクトに wandb でログを記録するように指定します
+# Accelerator オブジェクトに wandb でログを記録するよう指示する
accelerator = Accelerator(log_with="wandb")
-# wandb のパラメータや設定情報を渡して、wandb run を初期化します
+# wandb の run を初期化し、wandb パラメーターと設定情報を渡す
accelerator.init_trackers(
project_name="my_project",
config={"dropout": 0.1, "learning_rate": 1e-2}
@@ -26,60 +28,69 @@ accelerator.init_trackers(
...
-# `accelerator.log` を呼び出して wandb にログを記録します。`step` は任意です
+# `accelerator.log` を呼び出して wandb にログを記録する。`step` は省略可能
accelerator.log({"train_loss": 1.12, "valid_loss": 0.8}, step=global_step)
-# wandb tracker が正しく終了することを確認します
+# wandb トラッカーが正しく終了することを確認する
accelerator.end_training()
```
-詳細な手順は以下の通りです。
+もう少し詳しく説明すると、次のことを行う必要があります。
-1. Accelerator クラスを初期化する際に `log_with="wandb"` を渡します。
-2. [`init_trackers`](https://huggingface.co/docs/accelerate/main/en/package_reference/accelerator#accelerate.Accelerator.init_trackers) メソッドを呼び出し、以下を渡します。
-- `project_name` による プロジェクト 名
-- `init_kwargs` へのネストされた辞書を介して [`wandb.init()`](/models/ref/python/functions/init) に渡したい パラメータ
-- `config` を介して wandb run にログを記録したいその他の 実験 設定 情報
-3. `.log` メソッドを使用して Weights & Biases にログを記録します。 `step` 引数 は任意です。
-4. トレーニング が終了したら `.end_training` を呼び出します。
+1. Accelerator クラスを初期化するときに `log_with="wandb"` を渡す
+2. [`init_trackers`](https://huggingface.co/docs/accelerate/main/en/package_reference/accelerator#accelerate.Accelerator.init_trackers) メソッドを呼び出し、次を渡す:
-## W&B tracker へのアクセス
+* `project_name` を介してプロジェクト名
+* `init_kwargs` にネストされた dict として、[`wandb.init()`](/ja/models/ref/python/functions/init) に渡したい任意のパラメーター
+* `config` を介して、wandb run にログしたいその他の実験設定情報
-W&B tracker に アクセス するには、 `Accelerator.get_tracker()` メソッドを使用します。tracker の `.name` 属性に対応する文字列を渡すと、 `main` プロセス 上の tracker が返されます。
+3. `.log` メソッドを使って Weights & Biases にログを送る。`step` 引数は任意
+4. トレーニングが完了したら `.end_training` を呼び出す
+
+
+ ## W&B tracker にアクセスする
+
+
+W&B tracker にアクセスするには、`Accelerator.get_tracker()` メソッドを使用します。tracker の `.name` 属性に対応する文字列を渡すと、`main` プロセスでその tracker が返されます。
```python
wandb_tracker = accelerator.get_tracker("wandb")
```
-そこから、通常どおり wandb の run オブジェクトを操作できます。
+以降は wandb の run オブジェクトを通常どおり操作できます。
```python
wandb_tracker.log_artifact(some_artifact_to_log)
```
-Accelerate に組み込まれた tracker は自動的に正しい プロセス で実行されるため、メイン プロセス でのみ実行されるべき tracker は自動的にそのように動作します。
+ Accelerate に組み込まれたトラッカーは自動的に正しいプロセス上で実行されるため、本来メインプロセスでのみ動かす想定のトラッカーであっても、自動的にそのように動作します。
-Accelerate のラッピングを完全に解除したい場合は、以下のようにして同じ結果を得ることができます。
+ Accelerate によるラップを本当に完全に外したい場合は、次のようにして同じ結果を得ることができます:
-```python
-wandb_tracker = accelerator.get_tracker("wandb", unwrap=True)
-with accelerator.on_main_process:
- wandb_tracker.log_artifact(some_artifact_to_log)
-```
+ ```python
+ wandb_tracker = accelerator.get_tracker("wandb", unwrap=True)
+ with accelerator.on_main_process:
+ wandb_tracker.log_artifact(some_artifact_to_log)
+ ```
-## Accelerate 関連記事
-以下は、Accelerate に関するおすすめの記事です。
+
+ ## Accelerate 記事
+
-
+以下に、参考になる Accelerate 関連の記事を紹介します。
-HuggingFace Accelerate Super Charged With W&B
+
+ HuggingFace Accelerate を W&B でさらに強化する
-* この記事では、HuggingFace Accelerate が提供する機能と、結果を W&B にログ記録しながら分散 トレーニング と評価をいかに簡単に実行できるかについて解説します。
+ * この記事では、HuggingFace Accelerate が提供する機能と、分散トレーニングと評価をどれほど簡単に実行できるか、さらにその結果を W&B にログする方法について説明します。
-[Hugging Face Accelerate Super Charged with W&B レポート](https://wandb.ai/gladiator/HF%20Accelerate%20+%20W&B/reports/Hugging-Face-Accelerate-Super-Charged-with-Weights-Biases--VmlldzoyNzk3MDUx?utm_source=docs&utm_medium=docs&utm_campaign=accelerate-docs) を読む。
+ [Hugging Face Accelerate Super Charged with W&B のレポート](https://wandb.ai/gladiator/HF%20Accelerate%20+%20W\&B/reports/Hugging-Face-Accelerate-Super-Charged-with-Weights-Biases--VmlldzoyNzk3MDUx?utm_source=docs\&utm_medium=docs\&utm_campaign=accelerate-docs)を参照してください。
-
-W&Bの使用方法をまだ学習中の場合は、読み進める前に [実験管理](/models/track/) など、このドキュメント内の他の W&B ガイドを先に確認することをお勧めします。
-
+
+ W&B を初めて利用する場合は、先にコアガイド（たとえば [Experiment Tracking（実験管理）](/ja/models/track/)）に目を通してください。
+
-以下では、作業中のコードベースが単一のPythonトレーニングスクリプトやJupyter notebookよりも複雑な場合の、最適なヒントとベストプラクティスを説明します。対象となるトピックは以下の通りです。
+ここでは、扱っているコードベースが単一の Python トレーニングスクリプトや Jupyter Notebook よりも複雑な場合の、ヒントとベストプラクティスを紹介します。
-* セットアップ要件
-* ユーザーログイン
-* wandb Run の開始
-* Run Config の定義
-* W&Bへのログ記録
-* 分散トレーニング
-* モデルのチェックポイント保存とその他
-* ハイパーパラメータチューニング
-* 高度なインテグレーション
+
+ ## ユーザーに W&B をどうインストールしてもらうか決める
+
-### セットアップ要件
+作業を始める前に、ライブラリで W&B を必須の依存関係にするか、オプション機能として扱うかを決めてください。
-開始する前に、W&Bをライブラリの依存関係に必須とするかどうかを決定してください。
+
+ ### 依存関係として W&B を必須のものにする
+
-#### インストール時に W&B を必須にする
+W&B がライブラリの中核機能を担う場合は、W&B Python SDK (`wandb`) を依存関係に追加してください。
-`requirements.txt` ファイルなどの依存関係ファイルに、W&B Pythonライブラリ (`wandb`) を追加します。
-
-```python
+```txt
torch==1.8.0
...
wandb==0.13.*
```
-#### インストール時に W&B を任意にする
+
+ ### インストール時に W&B をオプション機能にする
+
-W&B SDK (`wandb`) をオプションにするには、2つの方法があります。
+W&B をオプション機能にする場合は、ライブラリが W&B をインストールしていなくても動作するようにしてください。
-A. ユーザーが手動でインストールせずに `wandb` 機能を使用しようとしたときにエラーを発生させ、適切なエラーメッセージを表示する：
+Python で `wandb` を条件付きでインポートするか、`pyproject.toml` でオプションの依存関係として宣言できます。
-```python
-try:
- import wandb
-except ImportError:
- raise ImportError(
- "現在 wandb がインストールされていない状態で wandb を使用しようとしています。"
- "pip install wandb を使用してインストールしてください。"
- )
-```
+
+
+ `wandb` が利用可能かどうかを検出し、ユーザーが W&B 機能を有効にしているにもかかわらずインストールしていない場合は、分かりやすいエラーを発生させます：
+
+ ```python
+ try:
+ import wandb
+ _WANDB_AVAILABLE = True
+ except ImportError:
+ _WANDB_AVAILABLE = False
+ ```
+
+
+
+ `wandb` を `pyproject.toml` ファイルのオプション依存関係として宣言します：
+
+ ```toml
+ [project]
+ name = "my_awesome_lib"
+ version = "0.1.0"
+ dependencies = [
+ "torch",
+ "sklearn"
+ ]
+
+ [project.optional-dependencies]
+ dev = [
+ "wandb"
+ ]
+ ```
+
+
-B. Pythonパッケージを構築している場合は、`pyproject.toml` ファイルにオプションの依存関係として `wandb` を追加する：
-
-```toml
-[project]
-name = "my_awesome_lib"
-version = "0.1.0"
-dependencies = [
- "torch",
- "sklearn"
-]
-
-[project.optional-dependencies]
-dev = [
- "wandb"
-]
-```
+
+ ## ユーザーを認証する
+
-### ユーザーログイン
+W&B では ユーザーおよびマシンを認証するために API キーを使用します。
-#### APIキーの作成
+
+ ### API キーを作成する
+
-APIキーは、クライアントまたはマシンをW&Bに対して認証します。ユーザープロファイルから APIキー を生成できます。
+API キーは、クライアントまたはマシンからのアクセスを W&B に対して認証します。API キーはユーザープロファイルから生成できます。
-
+ ### W&B をインストールしてログインする
+
-ローカルに `wandb` ライブラリをインストールしてログインするには：
+ローカル環境に `wandb` ライブラリをインストールしてログインするには、次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) を APIキー に設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を自身の API キーに設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
-1. `wandb` ライブラリをインストールしてログインします。
+ 2. `wandb` ライブラリをインストールしてログインします。
- ```shell
- pip install wandb
+ ```bash
+ pip install wandb
- wandb login
- ```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+ wandb login
+ ```
+
-import wandb
-wandb.login()
-```
-
-
+
+ 1. ターミナルを開き、Python SDK をインストールします。
+ ```bash
+ pip install wandb
+ ```
-ユーザーが上記のステップを実行せずに初めて wandb を使用する場合、スクリプトが `wandb.init` を呼び出すと、自動的にログインを促すプロンプトが表示されます。
+ 2. Python スクリプトまたはノートブックから W&B にログインします。すると、API キーの入力を求められます。
+ ```python
+ import wandb
+ wandb.login()
+ ```
+
-### Run の開始
+
+ 次のコードスニペットを Jupyter ノートブックのセルにコピー＆ペーストして実行します。すると、API キーの入力を求められます。
-W&B Run は、W&Bによって記録される計算の単位です。通常、1つのトレーニング実験につき1つの W&B Run を関連付けます。
+ ```notebook
+ !pip install wandb
-コード内で W&B を初期化し、Run を開始するには次のようにします。
+ import wandb
+ wandb.login()
+ ```
+
+
-```python
-run = wandb.init()
-```
+
+ ## run を開始する
+
-オプションとして、プロジェクトの名前を指定したり、`wandb_project` などのパラメータを使用してユーザー自身に設定させたりすることができます。また、entity パラメータとして `wandb_entity` のようにユーザー名やチーム名を指定することも可能です。
+*run* は、トレーニング実験のような 1 回分の計算処理の単位を表します。ほとんどのライブラリは、トレーニングジョブごとに 1 つの run を作成します。run の詳細については、[W&B Runs](/ja/models/runs/) を参照してください。
-```python
-run = wandb.init(project=wandb_project, entity=wandb_entity)
-```
-
-Run を終了するには `run.finish()` を呼び出す必要があります。インテグレーションの設計に合う場合は、Run をコンテキストマネージャーとして使用してください。
+[`wandb.init()`](/ja/models/ref/python/functions/init) で run を初期化し、プロジェクト名と team entity（チーム名）を指定します。プロジェクトを指定しない場合、W&B は run を「uncategorized」という名前のデフォルトプロジェクトに保存します。
```python
-# このブロックを抜けると、自動的に run.finish() が呼び出されます。
-# 例外によって終了した場合は run.finish(exit_code=1) が使用され、
-# Run は失敗としてマークされます。
-with wandb.init() as run:
+with wandb.init(project="", entity="") as run:
...
```
-#### `wandb.init` をいつ呼び出すべきか？
+W&B では、エラーが発生した場合でも run が正しく終了するように、コンテキストマネージャーを使用することを推奨しています。コンテキストマネージャーを使用しない場合は、`run.finish()` を呼び出して run を終了し、すべてのデータを W&B にログする必要があります。
+
+
+ **`wandb.init` を呼び出すタイミング**
+
+ 可能な限り早いタイミングで `wandb.init()` を呼び出してください。W&B は stdout、stderr、およびエラーメッセージを取得するので、デバッグが容易になります。
-コンソールへの出力（エラーメッセージを含む）はすべて W&B Run の一部として記録されるため、ライブラリではできるだけ早い段階で W&B Run を作成する必要があります。これによりデバッグが容易になります。
+ すべての関連情報が run にキャプチャされるように、トレーニングループ全体を `wandb.init` のコンテキストマネージャーでラップしてください。これには、デバッグにとって重要となる可能性のあるエラーメッセージも含まれます。
+
-#### `wandb` をオプションの依存関係として使用する
+
+ ### `wandb` をオプションの依存関係として設定する
+
-ユーザーがライブラリを使用する際に `wandb` をオプションにしたい場合は、以下のいずれかを行います。
+あなたのライブラリの ユーザーにとって `wandb` をオプションにしたい場合は、次のいずれかを行います。
-* 次のような `wandb` フラグを定義する：
+* 次のような `wandb` フラグを定義する:
-
-```python
-trainer = my_trainer(..., use_wandb=True)
-```
-
-
-```bash
-python train.py ... --use-wandb
-```
-
+
+ ```python
+ trainer = my_trainer(..., use_wandb=True)
+ ```
+
+
+
+ ```bash
+ python train.py ... --use-wandb
+ ```
+
-* または、`wandb.init` で `wandb` を `disabled` に設定する：
+* または、`wandb.init` で `wandb` を `disabled` に設定する:
-
-```python
-wandb.init(mode="disabled")
-```
-
-
-```bash
-export WANDB_MODE=disabled
-```
+
+ ```python
+ wandb.init(mode="disabled")
+ ```
+
-または
+
+ ```bash
+ export WANDB_MODE=disabled
+ ```
-```bash
-wandb disabled
-```
-
+ または
+
+ ```bash
+ wandb disabled
+ ```
+
-* または、`wandb` をオフラインに設定する。これによって `wandb` は引き続き動作しますが、インターネット経由で W&B と通信しようとはしません。
+* または、`wandb` をオフラインに設定する — これは `wandb` 自体は実行されますが、インターネット経由で W&B と通信しようとはしなくなります:
-
-```bash
-export WANDB_MODE=offline
-```
+
+ ```bash
+ export WANDB_MODE=offline
+ ```
-または
+ または
-```python
-os.environ['WANDB_MODE'] = 'offline'
-```
-
-
-```bash
-wandb offline
-```
-
+ ```python
+ os.environ['WANDB_MODE'] = 'offline'
+ ```
+
+
+
+ ```bash
+ wandb offline
+ ```
+
-### Run Config の定義
-`wandb` の Run Config を使用すると、W&B Run を作成する際にモデルやデータセットなどのメタデータを提供できます。この情報を使用して、異なる 実験 を比較し、主な違いを素早く把握できます。
+
+ ## run の config を定義する
+
+
+run を初期化するときに設定用の辞書を渡して、ハイパーパラメーターやその他のメタデータを W&B にログします。
+
+W&B App を使うと、config パラメーターに基づいて run を比較したり、Runs テーブル内でフィルタリングしたりできます。また、これらのパラメーターを使って W&B App 内で run をグループ化することもできます。
+
+たとえば次の画像では、バッチサイズ (`bathch_size`) が config パラメーターとして定義されており、Runs テーブルの列（最初の列）に表示されています。これにより ユーザーはバッチサイズに基づいて run をフィルタリングおよび比較できます。
+ ### run config を更新する
+
+
+初期化時点で値が用意できない場合は、後から `wandb.Run.config.update` を使って config を更新します。たとえば、モデルをインスタンス化した後に、そのパラメーターを追加したい場合などです。
```python
-run.config.update({"model_parameters": 3500})
+with wandb.init(...) as run:
+ model = MyModel(...)
+ run.config.update({"model_parameters": 3500})
```
-config ファイルの定義方法の詳細については、[実験の設定](/models/track/config/) を参照してください。
+詳細は [実験の設定](/ja/models/track/config/) を参照してください。
-### W&Bへのログ記録
+
+ ## メトリクスとデータの記録
+
-#### メトリクスのログ記録
+
+ ### メトリクスをログする
+
-キーの値がメトリクスの名前である辞書を作成します。この辞書オブジェクトを [`run.log`](/models/) に渡します。
+メトリクス名をキーとする辞書を作成します。この辞書オブジェクトを [`wandb.Run.log()`](/ja/models/ref/python/experiments/run#method-run-log) に渡して、W&B にログします。
```python
+NUM_EPOCHS = 10
+
for epoch in range(NUM_EPOCHS):
for input, ground_truth in data:
prediction = model(input)
@@ -258,42 +291,47 @@ for epoch in range(NUM_EPOCHS):
run.log(metrics)
```
-メトリクスが多数ある場合は、メトリクス名に `train/...` や `val/...` などのプレフィックスを使用することで、UI上で自動的にグループ化できます。これにより、W&B Workspace 内にトレーニングメトリクスと検証メトリクス、またはその他の分離したいメトリクスタイプごとのセクションが作成されます。
+W&B App 内で関連するメトリクスをグループ化するには、メトリクス名のプレフィックスを使用します。代表的なものとしては、トレーニング用に `train/`、検証用に `val/` などがありますが、ユースケースに合っていれば任意のプレフィックスを使用できます。
+
+これにより、プロジェクトのワークスペース内に、トレーニング用メトリクスや検証用メトリクス、あるいは分けて管理したいその他のメトリクス種別ごとに、個別のセクションが作成されます。
```python
-metrics = {
- "train/loss": 0.4,
- "train/learning_rate": 0.4,
- "val/loss": 0.5,
- "val/accuracy": 0.7
-}
-run.log(metrics)
+with wandb.init(...) as run:
+ metrics = {
+ "train/loss": 0.4,
+ "train/learning_rate": 0.4,
+ "val/loss": 0.5,
+ "val/accuracy": 0.7
+ }
+ run.log(metrics)
```
+ ### x 軸を制御する
+
-同じトレーニングステップに対して `run.log` を複数回呼び出すと、wandb SDK は `run.log` の呼び出しごとに内部ステップカウンターをインクリメントします。このカウンターは、トレーニングループ内のトレーニングステップと一致しない場合があります。
+同じトレーニングステップに対して `wandb.Run.log()` を複数回呼び出すと、wandb SDK は `wandb.Run.log()` の呼び出しごとに内部のステップカウンターを 1 ずつ増加させます。このカウンターは、トレーニングループ内のトレーニングステップと一致しない場合があります。
-この状況を避けるには、`wandb.init` を呼び出した直後に一度だけ、`run.define_metric` を使用して X軸のステップを明示的に定義します。
+この状況を避けるには、`wandb.init` を呼び出した直後に一度だけ、`run.define_metric` を使って x 軸のステップを明示的に定義してください。
```python
with wandb.init(...) as run:
run.define_metric("*", step_metric="global_step")
```
-グロブパターン `*` は、すべてのメトリクスがチャートの X軸 として `global_step` を使用することを意味します。特定のメトリクスのみを `global_step` に対して記録したい場合は、それらを指定できます。
+グロブパターン `*` は、すべてのメトリクスがチャートの x 軸として `global_step` を使用することを意味します。特定のメトリクスだけを `global_step` に対してログしたい場合は、代わりにそれらを個別に指定できます。
```python
run.define_metric("train/loss", step_metric="global_step")
```
-これで、`run.log` を呼び出すたびに、メトリクス、`step` メトリクス、および `global_step` を記録します。
+次に、`wandb.Run.log()` を呼び出すたびに、メトリクス、`step` メトリクス、および `global_step` をログに記録します。
```python
for step, (input, ground_truth) in enumerate(data):
@@ -302,47 +340,55 @@ for step, (input, ground_truth) in enumerate(data):
run.log({"global_step": step, "eval/loss": 0.2})
```
-独立したステップ変数にアクセスできない場合（例えば、検証ループ中に "global_step" が利用できない場合）、以前に記録された "global_step" の値が wandb によって自動的に使用されます。この場合、メトリクスが必要な時に定義されているよう、初期値を記録しておくようにしてください。
+独立したステップ変数にアクセスできない場合、たとえば検証ループ中に "global_step" が利用できないときは、wandb によって "global_step" に対して以前にログされた値が自動的に使用されます。この場合は、必要なときにそのメトリクスが定義済みになっているよう、初期値をあらかじめログしておいてください。
-#### 画像、テーブル、オーディオなどのログ記録
+
+ ### メディアと構造化データをログする
+
-メトリクスに加えて、プロット、ヒストグラム、テーブル、テキスト、および画像、ビデオ、オーディオ、3D などのメディアを記録できます。
+スカラー値に加えて、画像、テーブル、テキスト、音声、動画などもログできます。
-データを記録する際の考慮事項は以下の通りです。
+データをログする際には、次の点を検討してください。
-* メトリクスを記録する頻度はどのくらいか？ オプションにするべきか？
-* 可視化に役立つデータの種類は何か？
- * 画像の場合、予測サンプルやセグメンテーションマスクなどを記録して、時間経過による変化を確認できます。
- * テキストの場合、後で探索するために予測サンプルのテーブルを記録できます。
+* メトリクスはどのくらいの頻度でログすべきか？ 任意にすべきか？
+* どのような種類のデータが可視化に役立つか？
+ * 画像の場合、サンプル予測やセグメンテーションマスクなどをログして、時間経過に伴う変化を確認できます。
+ * テキストの場合、後から探索できるようにサンプル予測のテーブルをログできます。
-メディア、オブジェクト、プロットなどの [ログ記録ガイド](/models/) を参照してください。
+例については、[Log objects and media](/ja/models/track/log) を参照してください。
-### 分散トレーニング
+
+ ## 分散トレーニングのサポート
+
-分散環境をサポートするフレームワークでは、以下のワークフローのいずれかを適用できます。
+分散環境をサポートしているフレームワークでは、次のいずれかのワークフローを利用できます。
-* どのプロセスが「メイン」プロセスであるかを検出し、そこでのみ `wandb` を使用する。他のプロセスからの必要なデータは、まずメインプロセスにルーティングされる必要があります。（このワークフローを推奨します）。
-* すべてのプロセスで `wandb` を呼び出し、すべてに同じ一意の `group` 名を付けて自動グループ化する。
+* メインプロセスからのみログを出力する（推奨）。
+* すべてのプロセスからログを出力し、共通の `group` 名で runs をグループ化する。
-詳細は [分散トレーニング実験のログ記録](/models/track/log/distributed-training/) を参照してください。
+詳しくは、[Log Distributed Training Experiments](/ja/models/track/log/distributed-training/) を参照してください。
-### モデルのチェックポイント保存とその他
+
+ ## Artifacts でモデルとデータセットを追跡する
+
-フレームワークがモデルやデータセットを使用または生成する場合、それらを記録して完全な追跡可能性を確保し、W&B Artifacts を通じてパイプライン全体を自動的にモニタリングできます。
+[W&B Artifacts](/ja/models/artifacts/) を使用して、モデルとデータセットを追跡およびバージョン管理します。 Artifacts は機械学習資産の保存とバージョン管理を提供し、データとモデルの系譜を自動的に追跡して、その関係性を可視化します。
+ ### モデルのチェックポイントをログする
+
-モデルのチェックポイントを W&B に記録できます。一意の `wandb` Run ID を利用して出力モデルのチェックポイントに名前を付けると、Run 間でそれらを区別するのに役立ちます。また、有用なメタデータを追加することもできます。さらに、以下に示すように各モデルにエイリアスを追加することも可能です。
+モデルのチェックポイントを W&B にログします。よくある方法として、W&B が生成する一意の run ID を Artifacts 名の一部として使用して、チェックポイントを Artifacts としてログするやり方があります。
```python
metadata = {"eval/accuracy": 0.8, "train/steps": 800}
@@ -358,47 +404,48 @@ aliases = ["best", "epoch_10"]
run.log_artifact(artifact, aliases=aliases)
```
-カスタムエイリアスの作成方法については、[カスタムエイリアスの作成](/models/artifacts/create-a-custom-alias/) を参照してください。
+直前のコードスニペットは、モデル チェックポイントを Artifacts としてログし、評価精度やトレーニングステップなどのメタデータを追加する方法を示しています。 Artifacts には一意の run ID を含む名前が付けられ、参照しやすいように [カスタムエイリアス](/ja/models/artifacts/create-a-custom-alias/) がタグとして付けられています。
-出力 Artifacts は任意の頻度（例えば、毎エポック、500ステップごとなど）で記録でき、自動的にバージョン管理されます。
+
+ ### 入力 Artifacts をログに記録する
+
-#### 学習済みモデルやデータセットのログ記録と追跡
-
-トレーニングの入力として使用される、学習済みモデルやデータセットなどのアーティファクトを記録できます。次のスニペットは、アーティファクトを記録し、上のグラフに示されているように、進行中の Run の入力として追加する方法を示しています。
+入力として使用するデータセットや事前学習済みモデルをログに記録します。
```python
-artifact_input_data = wandb.Artifact(name="flowers", type="dataset")
-artifact_input_data.add_file("flowers.npy")
-run.use_artifact(artifact_input_data)
+dataset = wandb.Artifact(name="flowers", type="dataset")
+dataset.add_file("flowers.npy")
+run.use_artifact(dataset)
```
-#### アーティファクトのダウンロード
+前のコードスニペットでは、"flowers" という名前のデータセット用 Artifacts を作成し、その中にファイルを追加します。その後、`run.use_artifact()` を使ってその Artifacts を現在の run に関連付けます。こうすることで、その run で使用されたデータセットの来歴を W&B が追跡できるようになります。
+
+
+ ### Artifacts をダウンロードする
+
+
+W&B に以前にログした Artifacts をダウンロードして、トレーニングまたは推論コードで使用します。
-アーティファクト（データセット、モデルなど）を再利用すると、`wandb` はローカルにコピーをダウンロードし、キャッシュします。
+run コンテキストがある場合は、[`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run) を使用して W&B の Artifacts を参照してから、[`wandb.Artifact.download()`](/ja/models/ref/python/experiments/artifact) を呼び出してローカルディレクトリにダウンロードします。
```python
-artifact = run.use_artifact("user/project/artifact:latest")
-local_path = artifact.download("./tmp")
+with wandb.init(...) as run:
+ artifact = run.use_artifact("user/project/artifact:latest")
+ local_path = artifact.download()
```
-Artifacts は W&B の Artifacts セクションで見つけることができ、自動的に生成されたエイリアス (`latest`, `v2`, `v3`) や、ログ記録時に手動で付けたエイリアス (`best_accuracy` など) で参照できます。
-
-分散環境や単純な推論などで、`wandb` run を作成せずに（`wandb.init` を通さずに）アーティファクトをダウンロードするには、[wandb API](/models/ref/python/public-api/) を使用してアーティファクトを参照できます。
+[W&B Public API](/ja/models/ref/python/public-api/) を使用すると、run を初期化せずに Artifacts を参照したりダウンロードしたりできます。これは、分散環境での利用時や推論を実行する際など、新しい run を作成したくない場合に有用です。
```python
+import wandb
artifact = wandb.Api().artifact("user/project/artifact:latest")
local_path = artifact.download()
```
-詳細については、[アーティファクトのダウンロードと使用](/models/artifacts/download-and-use-an-artifact/) を参照してください。
-
-### ハイパーパラメータのチューニング
-
-ライブラリで W&B のハイパーパラメータチューニングを利用したい場合は、[W&B Sweeps](/models/sweeps/) をライブラリに追加することもできます。
-
-### 高度なインテグレーション
+詳しくは、[Artifacts のダウンロードと利用](/ja/models/artifacts/download-and-use-an-artifact/) を参照してください。
-以下のインテグレーションで、高度な W&B インテグレーションがどのようなものかを確認できます。ほとんどのインテグレーションはこれほど複雑にはならないことに注意してください。
+
+ ## ハイパーパラメーターを調整する
+
-* [Hugging Face Transformers `WandbCallback`](https://github.com/huggingface/transformers/blob/49629e7ba8ef68476e08b671d6fc71288c2f16f1/src/transformers/integrations.py#L639)
-* [PyTorch Lightning `WandbLogger`](https://github.com/Lightning-AI/lightning/blob/18f7f2d3958fb60fcb17b4cb69594530e83c217f/src/pytorch_lightning/loggers/wandb.py#L53)
\ No newline at end of file
+使用しているライブラリがハイパーパラメーターのチューニングをサポートしている場合、[W&B Sweeps](/ja/models/sweeps/) と連携して、実験の管理や可視化を行えます。
\ No newline at end of file
diff --git a/ja/models/integrations/autotrain.mdx b/ja/models/integrations/autotrain.mdx
index bdf7c67a2a..db549e1d54 100644
--- a/ja/models/integrations/autotrain.mdx
+++ b/ja/models/integrations/autotrain.mdx
@@ -2,127 +2,136 @@
title: Hugging Face AutoTrain
---
-[Hugging Face AutoTrain](https://huggingface.co/docs/autotrain/index) は、自然言語処理 (NLP) 、コンピュータビジョン (CV) 、音声、さらにはテーブルデータタスクのための最先端のモデルをトレーニングできるノーコード ツールです。
+[Hugging Face AutoTrain](https://huggingface.co/docs/autotrain/index) は、自然言語処理 (NLP) タスク、コンピュータビジョン (CV) タスク、音声タスク、さらには表形式データを扱うタスク向けに、最先端の モデル をノーコードでトレーニングできるツールです。
-[W&B](https://wandb.com/) は Hugging Face AutoTrain に直接統合されており、 実験管理 と構成管理（config management）機能を提供します。 CLI コマンドに引数を 1 つ追加するだけで、簡単に実験を開始できます。
+[W&B](https://wandb.com/) は Hugging Face AutoTrain に直接インテグレーションされており、実験管理と設定管理を提供します。実験では、CLI コマンドにパラメーターを 1 つ指定するだけで簡単に利用できます。
+ ## 前提条件をインストールする
+
`autotrain-advanced` と `wandb` をインストールします。
-
-```shell
-pip install --upgrade autotrain-advanced wandb
-```
-
-
-```notebook
-!pip install --upgrade autotrain-advanced wandb
-```
-
+
+ ```shell
+ pip install --upgrade autotrain-advanced wandb
+ ```
+
+
+
+ ```notebook
+ !pip install --upgrade autotrain-advanced wandb
+ ```
+
-これらの変更を実演するために、このページでは数学の データセット を使用して LLM をファインチューニングし、 [GSM8k Benchmarks](https://github.com/openai/grade-school-math) の `pass@1` で SoTA（State-of-the-Art）の結果を出す手順を説明します。
+これらの変更を実際に確認するために、このページでは数学の データセット 上で LLM をファインチューニングし、[GSM8k Benchmarks](https://github.com/openai/grade-school-math) の `pass@1` において SoTA の結果を達成します。
-## データセットの準備
+
+ ## データセットを準備する
+
-Hugging Face AutoTrain でカスタムの CSV データセット を適切に動作させるには、特定のフォーマットにする必要があります。
+Hugging Face AutoTrain は、CSV 形式のカスタムデータセットが正しく動作するために特定の形式であることを求めます。
-- トレーニングファイルには、トレーニングに使用する `text` カラムが含まれている必要があります。最良の結果を得るには、 `text` カラムのデータが `### Human: Question?### Assistant: Answer.` という形式に従っている必要があります。 優れた例として [`timdettmers/openassistant-guanaco`](https://huggingface.co/datasets/timdettmers/openassistant-guanaco) を参考にしてください。
+* トレーニング用ファイルには、トレーニングで使用される `text` カラムが含まれている必要があります。最良の結果を得るには、`text` カラムのデータを `### Human: Question?### Assistant: Answer.` という形式に揃えてください。優れた例として、[`timdettmers/openassistant-guanaco`](https://huggingface.co/datasets/timdettmers/openassistant-guanaco) を参照してください。
- 一方、 [MetaMathQA dataset](https://huggingface.co/datasets/meta-math/MetaMathQA) には `query` 、 `response` 、 `type` というカラムが含まれています。まず、この データセット を前処理します。 `type` カラムを削除し、 `query` と `response` カラムの内容を組み合わせて、 `### Human: Query?### Assistant: Response.` 形式の新しい `text` カラムを作成します。トレーニングには、この結果として得られた データセット [`rishiraj/guanaco-style-metamath`](https://huggingface.co/datasets/rishiraj/guanaco-style-metamath) を使用します。
+ ただし、[MetaMathQA データセット](https://huggingface.co/datasets/meta-math/MetaMathQA) には `query`、`response`、`type` というカラムが含まれています。まず、このデータセットを前処理してください。`type` カラムを削除し、`query` と `response` カラムの内容を結合して、新しい `text` カラムとして `### Human: Query?### Assistant: Response.` という形式にします。トレーニングでは、この前処理後のデータセット [`rishiraj/guanaco-style-metamath`](https://huggingface.co/datasets/rishiraj/guanaco-style-metamath) を使用します。
-## `autotrain` を使用したトレーニング
+
+ ## `autotrain` を使ってトレーニングする
+
-コマンドラインまたは ノートブック から `autotrain` advanced を使用してトレーニングを開始できます。 `--log` 引数 を使用するか、 `--log wandb` を使用して、結果を [W&B Run](/models/runs/) に ログ 記録します。
+コマンドラインやノートブックから `autotrain` advanced を使ってトレーニングを開始できます。`--log` 引数を使用するか、`--log wandb` を指定して結果を [W&B Run](/ja/models/runs/) に記録します。
-
-```shell
-autotrain llm \
- --train \
- --model HuggingFaceH4/zephyr-7b-alpha \
- --project-name zephyr-math \
- --log wandb \
- --data-path data/ \
- --text-column text \
- --lr 2e-5 \
- --batch-size 4 \
- --epochs 3 \
- --block-size 1024 \
- --warmup-ratio 0.03 \
- --lora-r 16 \
- --lora-alpha 32 \
- --lora-dropout 0.05 \
- --weight-decay 0.0 \
- --gradient-accumulation 4 \
- --logging_steps 10 \
- --fp16 \
- --use-peft \
- --use-int4 \
- --merge-adapter \
- --push-to-hub \
- --token \
- --repo-id
-```
-
-
-```notebook
-# ハイパーパラメーターの設定
-learning_rate = 2e-5
-num_epochs = 3
-batch_size = 4
-block_size = 1024
-trainer = "sft"
-warmup_ratio = 0.03
-weight_decay = 0.
-gradient_accumulation = 4
-lora_r = 16
-lora_alpha = 32
-lora_dropout = 0.05
-logging_steps = 10
-
-# トレーニングの実行
-!autotrain llm \
- --train \
- --model "HuggingFaceH4/zephyr-7b-alpha" \
- --project-name "zephyr-math" \
- --log "wandb" \
- --data-path data/ \
- --text-column text \
- --lr str(learning_rate) \
- --batch-size str(batch_size) \
- --epochs str(num_epochs) \
- --block-size str(block_size) \
- --warmup-ratio str(warmup_ratio) \
- --lora-r str(lora_r) \
- --lora-alpha str(lora_alpha) \
- --lora-dropout str(lora_dropout) \
- --weight-decay str(weight_decay) \
- --gradient-accumulation str(gradient_accumulation) \
- --logging-steps str(logging_steps) \
- --fp16 \
- --use-peft \
- --use-int4 \
- --merge-adapter \
- --push-to-hub \
- --token str(hf_token) \
- --repo-id "rishiraj/zephyr-math"
-```
-
+
+ ```shell
+ autotrain llm \
+ --train \
+ --model HuggingFaceH4/zephyr-7b-alpha \
+ --project-name zephyr-math \
+ --log wandb \
+ --data-path data/ \
+ --text-column text \
+ --lr 2e-5 \
+ --batch-size 4 \
+ --epochs 3 \
+ --block-size 1024 \
+ --warmup-ratio 0.03 \
+ --lora-r 16 \
+ --lora-alpha 32 \
+ --lora-dropout 0.05 \
+ --weight-decay 0.0 \
+ --gradient-accumulation 4 \
+ --logging_steps 10 \
+ --fp16 \
+ --use-peft \
+ --use-int4 \
+ --merge-adapter \
+ --push-to-hub \
+ --token \
+ --repo-id
+ ```
+
+
+
+ ```notebook
+ # ハイパーパラメーターを設定
+ learning_rate = 2e-5
+ num_epochs = 3
+ batch_size = 4
+ block_size = 1024
+ trainer = "sft"
+ warmup_ratio = 0.03
+ weight_decay = 0.
+ gradient_accumulation = 4
+ lora_r = 16
+ lora_alpha = 32
+ lora_dropout = 0.05
+ logging_steps = 10
+
+ # トレーニングを実行
+ !autotrain llm \
+ --train \
+ --model "HuggingFaceH4/zephyr-7b-alpha" \
+ --project-name "zephyr-math" \
+ --log "wandb" \
+ --data-path data/ \
+ --text-column text \
+ --lr str(learning_rate) \
+ --batch-size str(batch_size) \
+ --epochs str(num_epochs) \
+ --block-size str(block_size) \
+ --warmup-ratio str(warmup_ratio) \
+ --lora-r str(lora_r) \
+ --lora-alpha str(lora_alpha) \
+ --lora-dropout str(lora_dropout) \
+ --weight-decay str(weight_decay) \
+ --gradient-accumulation str(gradient_accumulation) \
+ --logging-steps str(logging_steps) \
+ --fp16 \
+ --use-peft \
+ --use-int4 \
+ --merge-adapter \
+ --push-to-hub \
+ --token str(hf_token) \
+ --repo-id "rishiraj/zephyr-math"
+ ```
+
-
+ ## その他のリソース
+
-* [AutoTrain Advanced now supports Experiment Tracking](https://huggingface.co/blog/rishiraj/log-autotrain) : [Rishiraj Acharya](https://huggingface.co/rishiraj) 氏によるブログ。
-* [Hugging Face AutoTrain Docs](https://huggingface.co/docs/autotrain/index) : 公式ドキュメント。
\ No newline at end of file
+* [AutoTrain Advanced が実験管理をサポートするようになりました](https://huggingface.co/blog/rishiraj/log-autotrain) ([Rishiraj Acharya](https://huggingface.co/rishiraj) による記事)
+* [Hugging Face AutoTrain ドキュメント](https://huggingface.co/docs/autotrain/index)
\ No newline at end of file
diff --git a/ja/models/integrations/azure-openai-fine-tuning.mdx b/ja/models/integrations/azure-openai-fine-tuning.mdx
index 4811c51d46..425ca8e3b2 100644
--- a/ja/models/integrations/azure-openai-fine-tuning.mdx
+++ b/ja/models/integrations/azure-openai-fine-tuning.mdx
@@ -1,46 +1,71 @@
---
-title: Azure OpenAI Fine-Tuning
-description: W&B を使用して Azure OpenAI Models を ファインチューン する方法。
+description: W&B を使用して Azure OpenAI モデルをファインチューニングする方法。
+title: Azure OpenAI モデルのファインチューニング
---
-## イントロダクション
-Microsoft Azure 上での GPT-3.5 または GPT-4 モデルのファインチューニングにおいて、W&B を使用することで、メトリクスの自動キャプチャや、W&B の 実験管理 および評価ツールを通じた体系的な評価が可能になり、モデルパフォーマンスの追跡、分析、改善を行うことができます。
+
+ ## はじめに
+
+
+Microsoft Azure 上で GPT-3.5 や GPT-4 モデルを W&B を用いてファインチューニングすると、メトリクスを自動的に記録し、W&B の実験管理および評価ツールによる体系的な評価を通じて、モデルのパフォーマンスを追跡・分析し、向上させることができます。
+ ## 前提条件
+
+
+- [Azure の公式ドキュメント](https://wandb.me/aoai-wb-int)に従って Azure OpenAI Service をセットアップします。
+- API キーを使用して W&B アカウントを設定します。
+
+
+ ## ワークフローの概要
+
-## ワークフローの概要
+
+ ### 1. ファインチューニングのセットアップ
+
-### 1. ファインチューニングのセットアップ
-- Azure OpenAI の要件に従って トレーニングデータ を準備します。
-- Azure OpenAI でファインチューニングジョブを 設定 します。
-- W&B はファインチューニングの プロセス を自動的に追跡し、メトリクスと ハイパーパラメーター を ログ に記録します。
+- Azure OpenAI の要件に従ってトレーニングデータを準備します。
+- Azure OpenAI でファインチューニングジョブを設定します。
+- W&B がファインチューニングプロセスを自動的に追跡し、メトリクスとハイパーパラメーターをログに記録します。
-### 2. 実験管理
-ファインチューニング中、W&B は以下の情報をキャプチャします：
-- トレーニングおよび検証メトリクス
-- モデルの ハイパーパラメーター
+
+ ### 2. 実験管理
+
+
+ファインチューニング中、W&B は次の情報を記録します：
+
+- トレーニングおよび検証時のメトリクス
+- モデルのハイパーパラメーター
- リソース使用率
-- トレーニングの Artifacts
-
-### 3. モデルの評価
-ファインチューニング後、[W&B Weave](https://weave-docs.wandb.ai) を使用して以下のことが行えます：
-- 参照 データセット に対するモデル出力の評価
-- 異なるファインチューニングの Runs 間でのパフォーマンス比較
-- 特定のテストケースにおけるモデルの 振る舞い の分析
-- モデル選定のためのデータに基づいた意思決定
-
-## 実例
-* [医療メモ生成のデモ](https://wandb.me/aoai-ft-colab) を探索して、この インテグレーション がどのように以下を促進するか確認してください：
- - ファインチューニング 実験 の体系的な追跡
- - ドメイン固有のメトリクスを用いた モデルの評価
-* [ノートブックを用いたファインチューニングのインタラクティブなデモ](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/azure/azure_gpt_medical_notes.ipynb) を実行する
-
-## 追加リソース
-- [Azure OpenAI W&B インテグレーションガイド](https://wandb.me/aoai-wb-int)
-- [Azure OpenAI ファインチューニングドキュメント](https://learn.microsoft.com/azure/ai-services/openai/how-to/fine-tuning?tabs=turbo%2Cpython&pivots=programming-language-python)
\ No newline at end of file
+- トレーニングに関連する Artifacts
+
+
+ ### 3. モデル評価
+
+
+ファインチューニング後は、[W&B Weave](https://weave-docs.wandb.ai) を使用して次のことができます：
+
+- 参照データセットに対してモデル出力を評価する
+- 異なるファインチューニング run 間でパフォーマンスを比較する
+- 特定のテストケースにおけるモデルの挙動を分析する
+- モデル選択のためのデータドリブンな意思決定を行う
+
+
+ ## 実例
+
+
+* [medical note generation デモ](https://wandb.me/aoai-ft-colab) を確認し、このインテグレーションにより次のことが可能になる様子を確認してください:
+ - ファインチューニング 実験の体系的なトラッキング
+ - ドメイン固有のメトリクスを用いた モデル 評価
+* [notebook を使った ファインチューニング のインタラクティブなデモ](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/azure/azure_gpt_medical_notes.ipynb) を試してください
+
+
+ ## 追加リソース
+
+
+- [Azure OpenAI W&B インテグレーション ガイド](https://wandb.me/aoai-wb-int)
+- [Azure OpenAI ファインチューニング ドキュメント](https://learn.microsoft.com/azure/ai-services/openai/how-to/fine-tuning?tabs=turbo%2Cpython&pivots=programming-language-python)
\ No newline at end of file
diff --git a/ja/models/integrations/catalyst.mdx b/ja/models/integrations/catalyst.mdx
index 8feb18fd67..19e6fdf922 100644
--- a/ja/models/integrations/catalyst.mdx
+++ b/ja/models/integrations/catalyst.mdx
@@ -1,14 +1,16 @@
---
+description: W&B を Catalyst、PyTorch フレームワークと連携させる方法。
title: Catalyst
-description: Pytorch フレームワークである Catalyst に W&B を統合する方法。
---
-[Catalyst](https://github.com/catalyst-team/catalyst) は、再現性、迅速な実験、およびコードベースの再利用に焦点を当てた、ディープラーニングの研究開発向け PyTorch フレームワークです。これにより、新しいモデルの作成を効率的に行うことができます。
+[Catalyst](https://github.com/catalyst-team/catalyst) は、再現性、高速な実験、コードベースの再利用性に重点を置いたディープラーニング R&D 向けの PyTorch フレームワークで、新しいものを素早く構築できるようにします。
-Catalyst には、パラメータ、メトリクス、画像、およびその他の Artifacts をログに記録するための W&B インテグレーションが含まれています。
+Catalyst には、パラメーター、メトリクス、画像、その他の Artifacts を記録するための W&B インテグレーションが用意されています。
-Python や Hydra を使用した例を含む、[インテグレーションのドキュメント](https://catalyst-team.github.io/catalyst/api/loggers.html#catalyst.loggers.wandb.WandbLogger) をご確認ください。
+Python と Hydra を使ったサンプルも含まれている [インテグレーションのドキュメント](https://catalyst-team.github.io/catalyst/api/loggers.html#catalyst.loggers.wandb.WandbLogger) を参照してください。
-## インタラクティブな例
+
+ ## インタラクティブな例
+
-[Colab の例](https://colab.research.google.com/drive/1PD0LnXiADCtt4mu7bzv7VfQkFXVrPxJq?usp=sharing) を実行して、Catalyst と W&B のインテグレーションの実際の動作を確認してください。
\ No newline at end of file
+[サンプルの Colab ノートブック](https://colab.research.google.com/drive/1PD0LnXiADCtt4mu7bzv7VfQkFXVrPxJq?usp=sharing) を実行して、Catalyst と W&B のインテグレーションが実際にどのように動作するかを確認してください。
\ No newline at end of file
diff --git a/ja/models/integrations/cohere-fine-tuning.mdx b/ja/models/integrations/cohere-fine-tuning.mdx
index 826d100e49..8bab6396f5 100644
--- a/ja/models/integrations/cohere-fine-tuning.mdx
+++ b/ja/models/integrations/cohere-fine-tuning.mdx
@@ -1,33 +1,36 @@
---
-title: Cohere fine-tuning
-description: W&B を使用して Cohere モデル を ファインチューン する方法。
+description: W&B を使って Cohere モデルをファインチューニングする方法。
+title: Cohere のファインチューニング
---
-W&B を使用すると、Cohere モデルのファインチューニングのメトリクスと設定をログに記録して、モデルのパフォーマンスを分析・理解し、その結果を同僚と共有することができます。
+W&B を使うと、Cohere モデルのファインチューニングに関するメトリクスや設定をログして、モデルの性能を分析・理解したり、その結果を同僚と共有したりできます。
-この [Cohere によるガイド](https://docs.cohere.com/page/convfinqa-finetuning-wandb) には、ファインチューニングの run を開始する方法の完全な例が記載されています。また、[Cohere API ドキュメントはこちら](https://docs.cohere.com/reference/createfinetunedmodel#request.body.settings.wandb) で確認できます。
+[Cohere のこのガイド](https://docs.cohere.com/page/convfinqa-finetuning-wandb)では、ファインチューニング run を開始する方法を含む完全な例が紹介されており、[Cohere API ドキュメントはこちら](https://docs.cohere.com/reference/createfinetunedmodel#request.body.settings.wandb)から参照できます。
-## Cohere ファインチューニングの結果をログに記録する
+
+ ## Cohere ファインチューニング結果をログに記録する
+
-Cohere のファインチューニングのログを W&B Workspace に追加するには：
+W&B ワークスペースに Cohere ファインチューニングのログを追加するには、次の手順を実行します。
-1. W&B APIキー、W&B の `entity`、および `project` 名を含む `WandbConfig` を作成します。APIキーは https://wandb.ai/settings で作成できます。
+1. W&B API キー、W&B の `entity`、`project` 名を含む `WandbConfig` を作成します。API キーは https://wandb.ai/settings で作成します。
+
+2. この設定を、モデル名、データセット、ハイパーパラメーターと合わせて `FinetunedModel` オブジェクトに渡し、ファインチューニング run を開始します。
-2. この設定を、モデル名、データセット、ハイパーパラメーターとともに `FinetunedModel` オブジェクトに渡し、ファインチューニングの run を開始します。
```python
from cohere.finetuning import WandbConfig, FinetunedModel
- # W&B の詳細を含む設定を作成します
+ # W&B の情報を含む設定を作成
wandb_ft_config = WandbConfig(
api_key="",
- entity="my-entity", # 提供されたAPIキーに関連付けられた有効な entity である必要があります
+ entity="my-entity", # 指定した API キーに紐づく有効な entity である必要があります
project="cohere-ft",
)
- ... # データセットとハイパーパラメーターをセットアップします
+ ... # データセットとハイパーパラメーターを設定
- # Cohere でファインチューニングの run を開始します
+ # cohere でファインチューニング run を開始
cmd_r_finetune = co.finetuning.create_finetuned_model(
request=FinetunedModel(
name="command-r-ft",
@@ -41,20 +44,22 @@ Cohere のファインチューニングのログを W&B Workspace に追加す
)
```
-3. 作成した W&B プロジェクトで、モデルのファインチューニングのトレーニングおよび検証メトリクス、ハイパーパラメーターを確認します。
+3. 作成した W&B プロジェクト内で、モデルのファインチューニングのトレーニングおよび検証のメトリクスとハイパーパラメーターを確認します。
+ ## run を整理する
+
-## Runs の整理
-
-W&B の Runs は自動的に整理され、ジョブタイプ、ベースモデル、学習率、その他のハイパーパラメーターなどの設定パラメータに基づいてフィルタリングやソートが可能です。
-
-さらに、Runs の名前変更、ノートの追加、タグの作成を行ってグループ化することもできます。
+W&B run は自動的に整理され、ジョブ タイプ、ベース モデル、学習率などの任意の設定パラメーターにもとづいてフィルタリングやソートができます。
+さらに、run の名前を変更したり、メモを追加したり、タグを付けてグループ化したりできます。
-## リソース
+
+ ## リソース
+
* [Cohere ファインチューニングの例](https://github.com/cohere-ai/notebooks/blob/kkt_ft_cookbooks/notebooks/finetuning/convfinqa_finetuning_wandb.ipynb)
\ No newline at end of file
diff --git a/ja/models/integrations/composer.mdx b/ja/models/integrations/composer.mdx
index 8b3c0230a0..386748650b 100644
--- a/ja/models/integrations/composer.mdx
+++ b/ja/models/integrations/composer.mdx
@@ -1,16 +1,19 @@
---
+description: ニューラルネットワークを訓練するための最先端アルゴリズム
title: MosaicML Composer
-description: ニューラルネットワーク をトレーニングするための最先端のアルゴリズム
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## W&B へのログ記録を開始する
+
```python
from composer import Trainer
@@ -20,36 +23,40 @@ trainer = Trainer(..., logger=WandBLogger())
```
+ ## Composer の `WandBLogger` を使用する
+
-Composer ライブラリは、`Trainer` 内の [WandBLogger](https://docs.mosaicml.com/projects/composer/en/stable/trainer/file_uploading.html#weights-biases-artifacts) クラスを使用してメトリクスを W&B にログ記録します。ロガーをインスタンス化して `Trainer` に渡すだけで簡単に利用できます。
+Composer ライブラリは、`Trainer` で [WandBLogger](https://docs.mosaicml.com/projects/composer/en/stable/trainer/file_uploading.html#weights-biases-artifacts) クラスを使用して、メトリクスを W&B に記録します。使い方は、ロガーをインスタンス化してそれを `Trainer` に渡すだけです。
```python
wandb_logger = WandBLogger(project="gpt-5", log_artifacts=True)
trainer = Trainer(logger=wandb_logger)
```
-## ロガーの引数
+
+ ## Logger の引数
+
-以下は `WandbLogger` のパラメータです。全リストと説明については [Composer documentation](https://docs.mosaicml.com/projects/composer/en/stable/api_reference/generated/composer.loggers.WandBLogger.html) を参照してください。
+以下は `WandbLogger` のパラメーターです。完全な一覧と説明については [Composer documentation](https://docs.mosaicml.com/projects/composer/en/stable/api_reference/generated/composer.loggers.WandBLogger.html) を参照してください。
-| パラメータ | 説明 |
-| ------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
-| `project` | W&B Projects 名 (str, optional) |
-| `group` | W&B グループ名 (str, optional) |
-| `name` | W&B Runs 名。指定されない場合、State.run_name が使用されます (str, optional) |
-| `entity` | W&B Entities 名。ユーザー名や W&B Teams 名など (str, optional) |
-| `tags` | W&B タグ (List[str], optional) |
-| `log_artifacts` | チェックポイントを W&B にログ記録するかどうか。デフォルト: `false` (bool, optional) |
-| `rank_zero_only` | rank-zero プロセスのみでログを記録するかどうか。Artifacts をログに記録する場合、すべての rank でログを記録することを強く推奨します。rank ≥1 からの Artifacts は保存されないため、関連情報が破棄される可能性があります。例えば、Deepspeed ZeRO を使用する場合、すべての rank からの Artifacts がないとチェックポイントから復元することが不可能になります。デフォルト: `True` (bool, optional) |
-| `init_kwargs` | `wandb.init()` に渡す引数（wandb の `config` など）。`wandb.init()` が受け付けるパラメータについては、[`wandb.init()` parameters](/models/ref/python/functions/init) を参照してください。 |
+| Parameter | Description |
+| ---------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `project` | W&B Project の名前 (str, 省略可) |
+| `group` | W&B group の名前 (str, 省略可) |
+| `name` | W&B Run の名前。指定しない場合は State.run_name が使用されます (str, 省略可) |
+| `entity` | W&B entity の名前。あなたのユーザー名や W&B Team 名など (str, 省略可) |
+| `tags` | W&B のタグ (List[str], 省略可) |
+| `log_artifacts` | チェックポイントを wandb にログするかどうか。デフォルト: `false` (bool, 省略可) |
+| `rank_zero_only` | ランク 0 のプロセスでのみログするかどうか。 Artifacts をログする場合は、すべてのランクでログすることを強く推奨します。ランク ≥ 1 の Artifacts は保存されず、重要な情報が失われる可能性があります。例えば DeepSpeed ZeRO を使用している場合、すべてのランクからの Artifacts がないとチェックポイントから復元できません。デフォルト: `True` (bool, 省略可) |
+| `init_kwargs` | `wandb.init()` に渡すパラメーター。例えば wandb の `config` など。`wandb.init()` が受け付けるパラメーターについては、[`wandb.init()` parameters](/ja/models/ref/python/functions/init) を参照してください。 |
-典型的な使用例は以下の通りです：
+代表的な使用例は次のとおりです。
-```python
+```
init_kwargs = {"notes":"Testing higher learning rate in this experiment",
"config":{"arch":"Llama",
"use_mixed_precision":True
@@ -59,9 +66,11 @@ init_kwargs = {"notes":"Testing higher learning rate in this experiment",
wandb_logger = WandBLogger(log_artifacts=True, init_kwargs=init_kwargs)
```
-## 予測サンプルのログ記録
+
+ ## 予測サンプルをログに記録する
+
-[Composer's Callbacks](https://docs.mosaicml.com/projects/composer/en/stable/trainer/callbacks.html) システムを使用して、`WandBLogger` 経由で W&B にログを記録するタイミングを制御できます。この例では、検証用画像と予測のサンプルがログ記録されます。
+[Composer's Callbacks](https://docs.mosaicml.com/projects/composer/en/stable/trainer/callbacks.html) システムを使用して、`WandBLogger` を介して W&B にログを出力するタイミングを制御できます。この例では、検証用の画像と予測結果のサンプルがログに記録されます。
```python
import wandb
@@ -74,9 +83,9 @@ class LogPredictions(Callback):
self.data = []
def eval_batch_end(self, state: State, logger: Logger):
- """バッチごとに予測を計算し、self.data に保存します"""
+ """バッチごとに予測を計算し、self.data に保存する"""
- if state.timer.epoch == state.max_duration: # 最後の検証エポック時
+ if state.timer.epoch == state.max_duration: #最後の検証エポック時
if len(self.data) < self.num_samples:
n = self.num_samples
x, y = state.batch_pair
@@ -86,7 +95,7 @@ class LogPredictions(Callback):
def eval_end(self, state: State, logger: Logger):
with wandb.init() as run:
- "wandb.Table を作成してログに記録します"
+ "wandb.Table を作成してログに記録する"
columns = ['image', 'ground truth', 'prediction']
table = wandb.Table(columns=columns, data=self.data[:self.num_samples])
run.log({'sample_table':table}, step=int(state.timer.batch))
@@ -97,4 +106,4 @@ trainer = Trainer(
loggers=[WandBLogger()],
callbacks=[LogPredictions()]
)
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/dagster.mdx b/ja/models/integrations/dagster.mdx
index d540e7ab66..94b91e3dea 100644
--- a/ja/models/integrations/dagster.mdx
+++ b/ja/models/integrations/dagster.mdx
@@ -1,136 +1,148 @@
---
+description: W&B を Dagster と連携させる方法のガイドです。
title: Dagster
-description: Dagster と W&B を統合する方法についてのガイド。
---
-Dagster と Weights & Biases (W&B) を使用して、MLOps パイプラインをオーケストレートし、ML 資産を維持します。W&B とのインテグレーションにより、Dagster 内で以下のことが容易になります。
+Dagster と W&B (W&B) を使用して MLOps パイプラインをオーケストレートし、ML アセットを管理できます。W&B とのインテグレーションにより、Dagster 内で次のことが簡単に行えます。
-* [W&B Artifacts](/models/artifacts/) の作成と使用。
-* [W&B Registry](/models/registry/) での Registered Models の使用と作成。
-* [W&B Launch](/platform/launch) を使用した専用計算リソースでのトレーニングジョブの実行。
-* ops や assets 内での [wandb](/models/ref/python/) クライアントの使用。
+* [W&B Artifact](/ja/models/artifacts) を作成・利用する。
+* [W&B Registry](/ja/models/registry) で Registered Models を利用および作成する。
+* [W&B Launch](/ja/platform/launch) を使って、専用コンピュート上でトレーニング ジョブを実行する。
+* ops とアセット内で [wandb](/ja/models/ref/python) クライアントを使用する。
-W&B Dagster インテグレーションは、W&B 固有の Dagster リソースと IO マネージャーを提供します。
+W&B Dagster インテグレーションは、W&B 固有の Dagster リソースと IO マネージャーを提供します。
-* `wandb_resource`: W&B API との認証および通信に使用される Dagster リソース。
-* `wandb_artifacts_io_manager`: W&B Artifacts を消費するために使用される Dagster IO マネージャー。
+* `wandb_resource`: W&B API への認証と通信に使用される Dagster リソース。
+* `wandb_artifacts_io_manager`: W&B Artifacts を利用するために使用される Dagster IO マネージャー。
-以下のガイドでは、Dagster で W&B を使用するための前提条件を満たす方法、ops や assets で W&B Artifacts を作成・使用する方法、W&B Launch の使用方法、および推奨されるベストプラクティスについて説明します。
+このガイドでは、Dagster で W&B を使用するための前提条件の満たし方、ops とアセットで W&B Artifacts を作成および使用する方法、W&B Launch の使い方と推奨されるベストプラクティスを説明します。
-## 開始する前に
-W&B 内で Dagster を使用するには、以下のリソースが必要です。
-1. **W&B API キー**。
-2. **W&B entity (ユーザーまたはチーム)**: entity は、W&B Runs や Artifacts を送信するユーザー名またはチーム名です。Run をログに記録する前に、W&B App UI でアカウントまたはチームの entity を作成してください。entity を指定しない場合、Run は通常ユーザー名であるデフォルトの entity に送信されます。デフォルトの entity は、設定の **Project Defaults** で変更できます。
-3. **W&B プロジェクト**: [W&B Runs](/models/runs/) が保存されるプロジェクト名。
+
+ ## 始める前に
+
-W&B App のユーザーまたはチームのプロフィールページを確認して、W&B entity を見つけてください。既存の W&B プロジェクトを使用することも、新しく作成することもできます。新しいプロジェクトは、W&B App のホームページまたはユーザー/チームのプロフィールページで作成できます。プロジェクトが存在しない場合は、最初に使用したときに自動的に作成されます。
+W&B 内で Dagster を使用するには、次のリソースが必要です。
-### API キーの設定
-1. [W&B にログイン](https://wandb.ai/login) します。注意: W&B Server を使用している場合は、管理者にインスタンスのホスト名を問い合わせてください。
-2. [User Settings](https://wandb.ai/settings) で API キーを作成します。プロダクション環境では、そのキーを所有するために [サービスアカウント](/models/support/service_account_useful/) を使用することをお勧めします。
-3. その API キーの環境変数を設定します: `export WANDB_API_KEY=YOUR_KEY`。
+1. **W&B API Key**。
+2. **W&B entity (user or team)**: entity は、W&B Runs と Artifacts を送信するユーザー名またはチーム名です。run を記録する前に、W&B App UI でアカウントまたはチームの entity を作成しておいてください。entity を指定しない場合、run はデフォルトの entity に送信され、通常はあなたのユーザー名の entity になります。デフォルトの entity は、設定の **Project Defaults** から変更できます。
+3. **W&B project**: [W&B Runs](/ja/models/runs) が保存されるプロジェクト名です。
+W&B entity は、W&B App の該当ユーザーまたはチームのプロフィールページを確認すると確認できます。既存の W&B プロジェクトを使用することも、新しく作成することもできます。新しいプロジェクトは、W&B App のホームページまたはユーザー／チームのプロフィールページから作成できます。プロジェクトが存在しない場合は、初めて使用したときに自動的に作成されます。
-以下の例では、Dagster コードのどこで API キーを指定するかを示しています。`wandb_config` ネストされた辞書内に entity とプロジェクト名を必ず指定してください。別の W&B プロジェクトを使用したい場合は、異なる `wandb_config` 値を異なる ops/assets に渡すことができます。渡すことができるキーの詳細については、以下の Configuration セクションを参照してください。
+
+ ### API キーを設定する
+
+1. [W&B にログイン](https://wandb.ai/login)します。注意: W&B Server を使用している場合は、管理者にインスタンスのホスト名を確認してください。
+2. [User Settings](https://wandb.ai/settings) で API キーを作成します。本番環境では、そのキーを所有するアカウントとして [service account](/ja/models/support/service_account_useful) を使用することを推奨します。
+3. その API キー の環境変数を設定します: `export WANDB_API_KEY=YOUR_KEY`。
-
-
-例: `@job` 用の設定
-```python
-# これを config.yaml に追加します
-# あるいは、Dagit の Launchpad または JobDefinition.execute_in_process で設定することもできます
-# 参照: https://docs.dagster.io/concepts/configuration/config-schema#specifying-runtime-configuration
-resources:
- wandb_config:
- config:
- entity: my_entity # これをあなたの W&B entity に置き換えてください
- project: my_project # これをあなたの W&B プロジェクトに置き換えてください
-
-
-@job(
- resource_defs={
- "wandb_config": make_values_resource(
- entity=str,
- project=str,
- ),
- "wandb_resource": wandb_resource.configured(
- {"api_key": {"env": "WANDB_API_KEY"}}
- ),
- "io_manager": wandb_artifacts_io_manager,
- }
-)
-def simple_job_example():
- my_op()
-```
-
-
-例: assets を使用した `@repository` 用の設定
-
-```python
-from dagster_wandb import wandb_artifacts_io_manager, wandb_resource
-from dagster import (
- load_assets_from_package_module,
- make_values_resource,
- repository,
- with_resources,
-)
+以下の例では、Dagster コード内のどこで API キーを指定するかを示します。`wandb_config` の入れ子になった 辞書 内に、`entity` と `project` 名を必ず指定してください。異なる W&B Project を使いたい場合は、異なる `wandb_config` の値を異なる op/asset に渡すことができます。渡すことができるキーの詳細については、下記の Configuration セクションを参照してください。
-from . import assets
-
-@repository
-def my_repository():
- return [
- *with_resources(
- load_assets_from_package_module(assets),
- resource_defs={
- "wandb_config": make_values_resource(
- entity=str,
- project=str,
- ),
- "wandb_resource": wandb_resource.configured(
- {"api_key": {"env": "WANDB_API_KEY"}}
- ),
- "wandb_artifacts_manager": wandb_artifacts_io_manager.configured(
- {"cache_duration_in_minutes": 60} # ファイルを1時間だけキャッシュする
- ),
- },
- resource_config_by_key={
- "wandb_config": {
- "config": {
- "entity": "my_entity", # これをあなたの W&B entity に置き換えてください
- "project": "my_project", # これをあなたの W&B プロジェクトに置き換えてください
+
+
+ 例: `@job` 用の設定
+
+ ```python
+ # これを config.yaml に追加します
+ # もしくは Dagit の Launchpad または JobDefinition.execute_in_process で設定することもできます
+ # 参考: https://docs.dagster.io/concepts/configuration/config-schema#specifying-runtime-configuration
+ resources:
+ wandb_config:
+ config:
+ entity: my_entity # ここをあなたの W&B entity に置き換えてください
+ project: my_project # ここをあなたの W&B project に置き換えてください
+
+
+ @job(
+ resource_defs={
+ "wandb_config": make_values_resource(
+ entity=str,
+ project=str,
+ ),
+ "wandb_resource": wandb_resource.configured(
+ {"api_key": {"env": "WANDB_API_KEY"}}
+ ),
+ "io_manager": wandb_artifacts_io_manager,
+ }
+ )
+ def simple_job_example():
+ my_op()
+ ```
+
+
+
+ 例: assets を使用する `@repository` 用の設定
+
+ ```python
+ from dagster_wandb import wandb_artifacts_io_manager, wandb_resource
+ from dagster import (
+ load_assets_from_package_module,
+ make_values_resource,
+ repository,
+ with_resources,
+ )
+
+ from . import assets
+
+ @repository
+ def my_repository():
+ return [
+ *with_resources(
+ load_assets_from_package_module(assets),
+ resource_defs={
+ "wandb_config": make_values_resource(
+ entity=str,
+ project=str,
+ ),
+ "wandb_resource": wandb_resource.configured(
+ {"api_key": {"env": "WANDB_API_KEY"}}
+ ),
+ "wandb_artifacts_manager": wandb_artifacts_io_manager.configured(
+ {"cache_duration_in_minutes": 60} # ファイルを 1 時間だけキャッシュします
+ ),
+ },
+ resource_config_by_key={
+ "wandb_config": {
+ "config": {
+ "entity": "my_entity", # ここをあなたの W&B entity に置き換えてください
+ "project": "my_project", # ここをあなたの W&B project に置き換えてください
+ }
}
- }
- },
- ),
- ]
-```
-この例では、`@job` の例とは異なり、IO マネージャーのキャッシュ保持期間を設定している点に注意してください。
-
+ },
+ ),
+ ]
+ ```
+
+ この例では、`@job` の例とは異なり、IO Manager のキャッシュ期間を設定している点に注意してください。
+
+
+ ### 設定
+
-### Configuration (設定)
-以下の設定オプションは、インテグレーションによって提供される W&B 固有の Dagster リソースおよび IO マネージャーの設定として使用されます。
+以下の設定オプションは、この integration によって提供される W&B 固有の Dagster resource と IO Manager の設定として使用されます。
-* `wandb_resource`: W&B API と通信するために使用される Dagster [リソース](https://docs.dagster.io/concepts/resources)。提供された API キーを使用して自動的に認証されます。プロパティ:
- * `api_key`: (str, 必須): W&B API と通信するために必要な W&B API キー。
- * `host`: (str, オプション): 使用する API ホストサーバー。W&B Server を使用している場合にのみ必要です。デフォルトはパブリッククラウドホストの `https://api.wandb.ai` です。
-* `wandb_artifacts_io_manager`: W&B Artifacts を消費するための Dagster [IO マネージャー](https://docs.dagster.io/concepts/io-management/io-managers)。プロパティ:
- * `base_dir`: (int, オプション) ローカルストレージとキャッシュに使用されるベースディレクトリ。W&B Artifacts と W&B Run のログはこのディレクトリに対して読み書きされます。デフォルトでは `DAGSTER_HOME` ディレクトリを使用します。
- * `cache_duration_in_minutes`: (int, オプション) W&B Artifacts と W&B Run ログをローカルストレージに保持する時間を定義します。その時間内に開かれなかったファイルとディレクトリのみがキャッシュから削除されます。キャッシュのパージは IO マネージャーの実行終了時に行われます。キャッシュを完全に無効にする場合は 0 に設定できます。キャッシュは、同じマシンで実行されるジョブ間で Artifact が再利用される際の速度を向上させます。デフォルトは 30 日です。
- * `run_id`: (str, オプション): 再開に使用される、この Run の一意の ID。プロジェクト内で一意である必要があり、Run を削除した場合、その ID は再利用できません。短い説明的な名前には name フィールドを、Run 間で比較するためにハイパーパラメーターを保存するには config を使用してください。ID には次の特殊文字を含めることはできません: `/\#?%:..` Dagster 内で実験管理を行っている場合、IO マネージャーが Run を再開できるように Run ID を設定する必要があります。デフォルトでは Dagster Run ID (例: `7e4df022-1bf2-44b5-a383-bb852df4077e`) に設定されます。
- * `run_name`: (str, オプション) UI でこの Run を識別しやすくするための短い表示名。デフォルトでは、次の形式の文字列になります: `dagster-run-[Dagster Run ID の最初の 8 文字]`。例: `dagster-run-7e4df022`。
- * `run_tags`: (list[str], オプション) 文字列のリスト。UI 上のこの Run のタグリストに入力されます。タグは、Run をまとめて整理したり、`baseline` や `production` のような一時的なラベルを適用したりするのに便利です。UI でタグを追加または削除したり、特定のタグを持つ Run だけに絞り込んだりすることが簡単にできます。インテグレーションによって使用されるすべての W&B Run には `dagster_wandb` タグが付与されます。
+* `wandb_resource`: W&B API と通信するために使用される Dagster の [resource](https://docs.dagster.io/guides/build/external-resources)。指定された API キーを用いて自動的に認証を行います。プロパティ:
+ * `api_key`: (str, required): W&B API と通信するために必要な W&B の API キー。
+ * `host`: (str, optional): 使用したい API ホストサーバー。W&B Server を使用している場合にのみ必要です。デフォルトでは Public Cloud ホスト `https://api.wandb.ai` が使用されます。
+* `wandb_artifacts_io_manager`: W&B Artifacts を利用するための Dagster [IO Manager](https://docs.dagster.io/guides/build/io-managers)。プロパティ:
+ * `base_dir`: (int, optional) ローカルストレージとキャッシュに使用されるベースディレクトリ。W&B Artifacts と W&B Run ログはこのディレクトリから読み書きされます。デフォルトでは `DAGSTER_HOME` ディレクトリが使用されます。
+ * `cache_duration_in_minutes`: (int, optional) W&B Artifacts と W&B Run ログをローカルストレージに保持しておく時間を定義します。その時間だけ開かれていないファイルやディレクトリのみがキャッシュから削除されます。キャッシュの削除は IO Manager の実行終了時に行われます。キャッシュを完全に無効にしたい場合は 0 に設定できます。同じマシン上で実行されるジョブ間で Artifacts が再利用される場合、キャッシュによって速度が向上します。デフォルトは 30 日間です。
+ * `run_id`: (str, optional): 再開に使用される、この run の一意な ID。プロジェクト内で一意である必要があり、run を削除した場合、その ID を再利用することはできません。短い説明的な名前には name フィールドを、run 間で比較するためにハイパーパラメーターを保存するには config を使用してください。ID には次の特殊文字を含めることはできません: `/\#?%:..` Dagster 内で実験管理を行う場合、IO Manager が run を再開できるように Run ID を設定する必要があります。デフォルトでは Dagster Run ID が設定されます (例: `7e4df022-1bf2-44b5-a383-bb852df4077e`)。
+ * `run_name`: (str, optional) この run を UI 上で識別しやすくするための短い表示名。デフォルトでは、次の形式の文字列になります: `dagster-run-[8 first characters of the Dagster Run ID]`。例えば、`dagster-run-7e4df022` のようになります。
+ * `run_tags`: (list[str], optional): UI 上でこの run のタグ一覧を構成する文字列のリスト。タグは run をまとめて整理したり、`baseline` や `production` のような一時的なラベルを付与したりするのに便利です。UI ではタグの追加や削除が容易で、特定のタグを持つ run のみに絞り込むこともできます。この integration によって使用されるすべての W&B Run には `dagster_wandb` タグが付きます。
-## W&B Artifacts の使用
+
+ ## W&B Artifacts を使用する
+
-W&B Artifact とのインテグレーションは、Dagster IO マネージャーに基づいています。
+W&B Artifacts とのインテグレーションは Dagster の IO Manager を利用します。
-[IO マネージャー](https://docs.dagster.io/concepts/io-management/io-managers) は、asset または op の出力を保存し、それを下流の asset または op への入力としてロードする責任を持つ、ユーザー提供のオブジェクトです。例えば、IO マネージャーはファイルシステム上のファイルからオブジェクトを保存およびロードする場合があります。
+[IO Managers](https://docs.dagster.io/guides/build/io-managers) は、アセットまたは op の出力を保存し、それを下流のアセットや ops への入力として読み込む役割を持つ、ユーザー提供のオブジェクトです。たとえば、IO Manager はファイルシステム上のファイルからオブジェクトを保存および読み込みできます。
-このインテグレーションは、W&B Artifacts 用の IO マネージャーを提供します。これにより、Dagster の `@op` や `@asset` が W&B Artifacts をネイティブに作成および消費できるようになります。これは、Python リストを含む dataset タイプの W&B Artifact を生成する `@asset` の簡単な例です。
+このインテグレーションは、W&B Artifacts 用の IO Manager を提供します。これにより、任意の Dagster の `@op` や `@asset` が、ネイティブに W&B Artifacts を作成および利用できるようになります。次は、Python のリストを含むデータセット型の W&B Artifacts を生成する `@asset` の簡単な例です。
```python
@asset(
@@ -146,174 +158,183 @@ def create_dataset():
return [1, 2, 3] # これは Artifact に保存されます
```
-Artifact を書き込むために、`@op`、`@asset`、`@multi_asset` にメタデータ設定をアノテートできます。同様に、Dagster 外で作成された W&B Artifacts も消費できます。
-
-## W&B Artifacts の書き込み
-続行する前に、W&B Artifacts の使用方法をよく理解しておくことをお勧めします。[Artifacts ガイド](/models/artifacts/) をお読みください。
-
-W&B Artifact を書き込むには、Python 関数からオブジェクトを返します。W&B では以下のオブジェクトがサポートされています。
-* Python オブジェクト (int, dict, list…)
-* W&B オブジェクト (Table, Image, Graph…)
-* W&B Artifact オブジェクト
-
-以下の例は、Dagster assets (`@asset`) で W&B Artifacts を書き込む方法を示しています。
-
-
-
-
-[pickle](https://docs.python.org/3/library/pickle.html) モジュールでシリアライズできるものはすべて pickle 化され、インテグレーションによって作成された Artifact に追加されます。Dagster 内でその Artifact を読み込む際に内容はアンピクルされます（詳細は [Artifacts の読み込み](#wb-artifacts-の読み込み) を参照）。
-
-```python
-@asset(
- name="my_artifact",
- metadata={
- "wandb_artifact_arguments": {
- "type": "dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_dataset():
- return [1, 2, 3]
-```
-
+`@op`、`@asset`、`@multi_asset` にメタデータ設定を付与することで、 Artifacts を書き込むことができます。同様に、Dagster の外部で作成された W&B Artifacts も利用できます。
-W&B は、複数の Pickle ベースのシリアライゼーションモジュール ([pickle](https://docs.python.org/3/library/pickle.html), [dill](https://github.com/uqfoundation/dill), [cloudpickle](https://github.com/cloudpipe/cloudpickle), [joblib](https://github.com/joblib/joblib)) をサポートしています。また、[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) のようなより高度なシリアライゼーションも使用できます。詳細については、[Serialization](#serialization-configuration-シリアライゼーション設定) セクションを参照してください。
-
-
-[Table](/models/ref/python/data-types/table) や [Image](/models/ref/python/data-types/image) などの W&B オブジェクトは、インテグレーションによって作成された Artifact に追加されます。この例では、Table を Artifact に追加します。
+
+ ## W&B Artifacts の書き込み
+
-```python
-import wandb
+先に進む前に、W&B Artifacts の使い方について十分に理解しておくことをおすすめします。[Artifacts ガイド](/ja/models/artifacts)を参照してください。
-@asset(
- name="my_artifact",
- metadata={
- "wandb_artifact_arguments": {
- "type": "dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_dataset_in_table():
- return wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
-```
-
-
-複雑なユースケースでは、独自の Artifact オブジェクトを構築する必要があるかもしれません。その場合でも、インテグレーションは、インテグレーションの両側でメタデータを補強するなどの有用な追加機能を提供します。
+Python 関数からオブジェクトを返すことで、W&B Artifact に書き込みます。W&B では次のオブジェクトがサポートされています:
-```python
-import wandb
+* Python オブジェクト (int、dict、list など)
+* W&B オブジェクト (Table、Image、Graph など)
+* W&B Artifact オブジェクト
-MY_ASSET = "my_asset"
+以下の例では、Dagster asset (`@asset`) を用いて W&B Artifacts に書き込む方法を示します:
-@asset(
- name=MY_ASSET,
- io_manager_key="wandb_artifacts_manager",
-)
-def create_artifact():
- artifact = wandb.Artifact(MY_ASSET, "dataset")
- table = wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
- artifact.add(table, "my_table")
- return artifact
-```
-
+
+
+ [pickle](https://docs.python.org/3/library/pickle.html) モジュールでシリアル化可能なものはすべて pickle でシリアル化され、このインテグレーションによって作成された Artifact に追加されます。Dagster 内でその Artifact を読み込むときに内容は復元されます (詳細は [Artifacts の読み取り](#read-wb-artifacts) を参照してください)。
+
+ ```python
+ @asset(
+ name="my_artifact",
+ metadata={
+ "wandb_artifact_arguments": {
+ "type": "dataset",
+ }
+ },
+ io_manager_key="wandb_artifacts_manager",
+ )
+ def create_dataset():
+ return [1, 2, 3]
+ ```
+
+ W&B は複数の pickle ベースのシリアル化モジュール ([pickle](https://docs.python.org/3/library/pickle.html)、[dill](https://github.com/uqfoundation/dill)、[cloudpickle](https://github.com/cloudpipe/cloudpickle)、[joblib](https://github.com/joblib/joblib)) をサポートしています。[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) のような、より高度なシリアル化も利用できます。詳細は [シリアル化](#serialization-configuration) セクションを参照してください。
+
+
+
+ [Table](/ja/models/ref/python/data-types/table) や [Image](/ja/models/ref/python/data-types/image) など、任意の W&B オブジェクトは、このインテグレーションによって作成された Artifact に追加されます。次の例では、Table を Artifact に追加しています:
+
+ ```python
+ import wandb
+
+ @asset(
+ name="my_artifact",
+ metadata={
+ "wandb_artifact_arguments": {
+ "type": "dataset",
+ }
+ },
+ io_manager_key="wandb_artifacts_manager",
+ )
+ def create_dataset_in_table():
+ return wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
+ ```
+
+
+
+ 複雑なユースケースでは、独自の Artifact オブジェクトを構築する必要がある場合があります。このインテグレーションは、そのような場合でも、インテグレーションの両側でメタデータを拡張するなどの有用な追加機能を提供します。
+
+ ```python
+ import wandb
+
+ MY_ASSET = "my_asset"
+
+ @asset(
+ name=MY_ASSET,
+ io_manager_key="wandb_artifacts_manager",
+ )
+ def create_artifact():
+ artifact = wandb.Artifact(MY_ASSET, "dataset")
+ table = wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
+ artifact.add(table, "my_table")
+ return artifact
+ ```
+
+
+ ### 設定
+
-### Configuration (設定)
-`wandb_artifact_configuration` と呼ばれる設定辞書を、`@op`、`@asset`、`@multi_asset` に設定できます。この辞書は、デコレータの引数にメタデータとして渡す必要があります。この設定は、IO マネージャーによる W&B Artifacts の読み書きを制御するために必要です。
+`wandb_artifact_configuration` という設定用の辞書を `@op`、`@asset`、`@multi_asset` に対して指定できます。この辞書はデコレーターの引数として metadata に渡す必要があります。この設定は、IO Manager による W&B Artifacts の読み書きを制御するために必須です。
-`@op` の場合、[Out](https://docs.dagster.io/_apidocs/ops#dagster.Out) メタデータ引数を通じて出力メタデータ内に配置されます。
-`@asset` の場合、asset の metadata 引数内に配置されます。
-`@multi_asset` の場合、[AssetOut](https://docs.dagster.io/_apidocs/assets#dagster.AssetOut) メタデータ引数を通じて各出力メタデータ内に配置されます。
+`@op` の場合、[Out](https://docs.dagster.io/_apidocs/ops#dagster.Out) の metadata 引数を通じて、出力の metadata 内に指定します。\
+`@asset` の場合、asset 側の metadata 引数に指定します。\
+`@multi_asset` の場合、[AssetOut](https://docs.dagster.io/_apidocs/assets#dagster.AssetOut) の metadata 引数を通じて、各出力の metadata 内に指定します。
-以下のコード例は、`@op`、`@asset`、`@multi_asset` の計算で辞書を設定する方法を示しています。
+以下のコード例は、`@op`、`@asset`、`@multi_asset` の計算で辞書をどのように設定するかを示しています。
-
-`@op` の例:
-```python
-@op(
- out=Out(
- metadata={
- "wandb_artifact_configuration": {
- "name": "my_artifact",
- "type": "dataset",
- }
- }
- )
-)
-def create_dataset():
- return [1, 2, 3]
-```
-
-
-`@asset` の例:
-```python
-@asset(
- name="my_artifact",
- metadata={
- "wandb_artifact_configuration": {
- "type": "dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
-)
-def create_dataset():
- return [1, 2, 3]
-```
-
-`@asset` にはすでに名前があるため、設定を通じて名前を渡す必要はありません。インテグレーションは Artifact 名を asset 名として設定します。
-
-
-`@multi_asset` の例:
+
+ `@op` の例:
-```python
-@multi_asset(
- name="create_datasets",
- outs={
- "first_table": AssetOut(
+ ```python
+ @op(
+ out=Out(
metadata={
"wandb_artifact_configuration": {
- "type": "training_dataset",
- }
- },
- io_manager_key="wandb_artifacts_manager",
- ),
- "second_table": AssetOut(
- metadata={
- "wandb_artifact_configuration": {
- "type": "validation_dataset",
+ "name": "my_artifact",
+ "type": "dataset",
}
- },
- io_manager_key="wandb_artifacts_manager",
- ),
- },
- group_name="my_multi_asset_group",
-)
-def create_datasets():
- first_table = wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
- second_table = wandb.Table(columns=["d", "e"], data=[[4, 5]])
-
- return first_table, second_table
-```
-
+ }
+ )
+ )
+ def create_dataset():
+ return [1, 2, 3]
+ ```
+
+
+
+ `@asset` の例:
+
+ ```python
+ @asset(
+ name="my_artifact",
+ metadata={
+ "wandb_artifact_configuration": {
+ "type": "dataset",
+ }
+ },
+ io_manager_key="wandb_artifacts_manager",
+ )
+ def create_dataset():
+ return [1, 2, 3]
+ ```
+
+ 設定で name を指定する必要はありません。`@asset` にはすでに name があるためです。インテグレーションによって、 Artifacts の name は asset の name に設定されます。
+
+
+
+ `@multi_asset` の例:
+
+ ```python
+ @multi_asset(
+ name="create_datasets",
+ outs={
+ "first_table": AssetOut(
+ metadata={
+ "wandb_artifact_configuration": {
+ "type": "training_dataset",
+ }
+ },
+ io_manager_key="wandb_artifacts_manager",
+ ),
+ "second_table": AssetOut(
+ metadata={
+ "wandb_artifact_configuration": {
+ "type": "validation_dataset",
+ }
+ },
+ io_manager_key="wandb_artifacts_manager",
+ ),
+ },
+ group_name="my_multi_asset_group",
+ )
+ def create_datasets():
+ first_table = wandb.Table(columns=["a", "b", "c"], data=[[1, 2, 3]])
+ second_table = wandb.Table(columns=["d", "e"], data=[[4, 5]])
+
+ return first_table, second_table
+ ```
+
+サポートされているプロパティ：
-
-サポートされているプロパティ:
-* `name`: (str) この Artifact の人間が読める名前。UI でこの Artifact を識別したり、`use_artifact` 呼び出しで参照したりする際に使用します。名前には、英数字、アンダースコア、ハイフン、ドットを使用できます。名前はプロジェクト内で一意である必要があります。`@op` では必須です。
-* `type`: (str) Artifact の整理と区別に使用される Artifact のタイプ。一般的なタイプには `dataset` や `model` がありますが、英数字、アンダースコア、ハイフン、ドットを含む任意の文字列を使用できます。出力がまだ Artifact でない場合は必須です。
-* `description`: (str) Artifact の説明を提供するフリーテキスト。説明は UI で Markdown としてレンダリングされるため、テーブルやリンクなどを配置するのに適しています。
-* `aliases`: (list[str]) Artifact に適用する 1 つ以上のエイリアスを含む配列。インテグレーションは、設定されているかどうかにかかわらず、そのリストに "latest" タグも追加します。これは、モデルやデータセットのバージョン管理を管理するための効果的な方法です。
-* [`add_dirs`](/models/ref/python/experiments/artifact#add_dir): (list[dict[str, Any]]): Artifact に含める各ローカルディレクトリの設定を含む配列。
-* [`add_files`](/models/ref/python/experiments/artifact#add_file): (list[dict[str, Any]]): Artifact に含める各ローカルファイルの設定を含む配列。
-* [`add_references`](/models/ref/python/experiments/artifact#add_reference): (list[dict[str, Any]]): Artifact に含める各外部リファレンスの設定を含む配列。
-* `serialization_module`: (dict) 使用するシリアライゼーションモジュールの設定。詳細については、Serialization セクションを参照してください。
- * `name`: (str) シリアライゼーションモジュールの名前。許容される値: `pickle`, `dill`, `cloudpickle`, `joblib`。モジュールがローカルで使用可能である必要があります。
- * `parameters`: (dict[str, Any]) シリアライゼーション関数に渡されるオプションの引数。そのモジュールの dump メソッドと同じパラメータを受け入れます。例: `{"compress": 3, "protocol": 4}`。
+* `name`: (str) この Artifacts の人間が読める名前です。UI でこの Artifacts を識別したり、`use_artifact` 呼び出しで参照したりする際に使います。名前には英字、数字、アンダースコア、ハイフン、ドットを含めることができます。名前はプロジェクト全体で一意である必要があります。`@op` では必須です。
+* `type`: (str) Artifacts の種類です。 Artifacts を整理して区別するために使われます。一般的な種類としては データセット や モデル がありますが、英字、数字、アンダースコア、ハイフン、ドットを含む任意の文字列を使用できます。出力がすでに Artifact ではない場合に必須です。
+* `description`: (str) Artifacts の説明文となる自由形式のテキストです。description は UI 上で Markdown としてレンダリングされるため、ここに表やリンクなどを記載するのに適しています。
+* `aliases`: (list[str]) Artifact に適用したい 1 つ以上のエイリアスを含む配列です。このインテグレーションは、設定の有無にかかわらずこのリストに「latest」タグも追加します。これは モデル や データセット のバージョニングを管理するのに有効な方法です。
+* [`add_dirs`](/ja/models/ref/python/experiments/artifact#add_dir): (list[dict[str, Any]]): Artifact に含める各ローカルディレクトリの設定を含む配列です。
+* [`add_files`](/ja/models/ref/python/experiments/artifact#add_file): (list[dict[str, Any]]): Artifact に含める各ローカルファイルの設定を含む配列です。
+* [`add_references`](/ja/models/ref/python/experiments/artifact#add_reference): (list[dict[str, Any]]): Artifact に含める各外部参照の設定を含む配列です。
+* `serialization_module`: (dict) 使用するシリアライゼーションモジュールの設定です。詳細は Serialization セクションを参照してください。
+ * `name`: (str) シリアライゼーションモジュール名です。指定可能な値: `pickle`, `dill`, `cloudpickle`, `joblib`。モジュールはローカルで利用可能である必要があります。
+ * `parameters`: (dict[str, Any]) シリアライゼーション関数に渡される任意の引数です。そのモジュールの dump メソッドと同じパラメーターを受け付けます。たとえば `{"compress": 3, "protocol": 4}` のように指定します。
高度な例:
@@ -359,49 +380,52 @@ def create_advanced_artifact():
return [1, 2, 3]
```
+このアセットは、インテグレーションの両側で有用なメタデータとともに生成されます。
+* W&B 側: ソースとなるインテグレーション名とバージョン、使用された Python のバージョン、pickle プロトコルのバージョンなど。
+* Dagster 側:
+ * Dagster Run ID
+ * W&B Run: ID、name、path、URL
+ * W&B Artifact: ID、name、type、version、size、URL
+ * W&B Entity
+ * W&B Project
-asset は、インテグレーションの両側で有用なメタデータとともに実体化（materialize）されます。
-* W&B 側: ソースインテグレーションの名前とバージョン、使用された Python バージョン、pickle プロトコルバージョンなど。
-* Dagster 側:
- * Dagster Run ID
- * W&B Run: ID, 名前, パス, URL
- * W&B Artifact: ID, 名前, タイプ, バージョン, サイズ, URL
- * W&B Entity
- * W&B Project
-
-次の画像は、W&B から Dagster asset に追加されたメタデータを示しています。この情報はインテグレーションなしでは利用できません。
+次の画像は、Dagster アセットに追加された W&B からのメタデータを示しています。この情報はインテグレーションによって Dagster に渡されます。
-mypy のような静的タイプチェッカーを使用している場合は、次のようにして設定タイプ定義オブジェクトをインポートしてください。
+ mypy などの静的型チェッカーを使用している場合は、次のように設定の型定義オブジェクトをインポートします:
-```python
-from dagster_wandb import WandbArtifactConfiguration
-```
+ ```python
+ from dagster_wandb import WandbArtifactConfiguration
+ ```
-### パーティションの使用
+
+ ### パーティションの使用
+
+
+この インテグレーション は、[Dagster partitions](https://docs.dagster.io/guides/build/partitions-and-backfills) をネイティブにサポートします。
-インテグレーションは [Dagster partitions](https://docs.dagster.io/concepts/partitions-schedules-sensors/partitions) をネイティブにサポートしています。
+以下は、`DailyPartitionsDefinition` を使用してパーティション化した例です。
-以下は、`DailyPartitionsDefinition` を使用したパーティション化の例です。
```python
@asset(
partitions_def=DailyPartitionsDefinition(start_date="2023-01-01", end_date="2023-02-01"),
@@ -418,94 +442,106 @@ def create_my_daily_partitioned_asset(context):
context.log.info(f"Creating partitioned asset for {partition_key}")
return random.randint(0, 100)
```
-このコードは、パーティションごとに 1 つの W&B Artifact を生成します。UI の Artifact パネルで、パーティションキーが付加された asset 名（例: `my_daily_partitioned_asset.2023-01-01`, `my_daily_partitioned_asset.2023-01-02`, `my_daily_partitioned_asset.2023-01-03`）の下に表示されます。複数のディメンションにまたがってパーティション化された asset は、各ディメンションがドット区切り形式で表示されます（例: `my_asset.car.blue`）。
+
+このコードでは、各パーティションごとに 1 つの W&B Artifact を生成します。 Artifacts パネル (UI) では、パーティションキーが付加されたアセット名の下に Artifacts が表示されます。例えば、`my_daily_partitioned_asset.2023-01-01`、`my_daily_partitioned_asset.2023-01-02`、`my_daily_partitioned_asset.2023-01-03` のようになります。複数の次元でパーティション分割されたアセットでは、各次元がドット区切り形式で表現されます。例えば、`my_asset.car.blue` のようになります。
-このインテグレーションでは、1 つの Run 内で複数のパーティションを実体化（materialize）することはできません。asset を実体化するには、複数の Run を実行する必要があります。これは、Dagit で asset を実体化する際に実行できます。
+ このインテグレーションでは、1 つの run 内で複数のパーティションをマテリアライズすることはできません。アセットをマテリアライズするには、run を複数回実行する必要があります。これは、アセットをマテリアライズする際に Dagit 上で行えます。
-
-#### 高度な使用法
-- [Partitioned job](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/ops/partitioned_job.py)
-- [Simple partitioned asset](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/simple_partitions_example.py)
-- [Multi-partitioned asset](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/multi_partitions_example.py)
-- [Advanced partitioned usage](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/advanced_partitions_example.py)
+
+ #### 高度な使い方
+
+* [パーティション化されたジョブ](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/ops/partitioned_job.py)
+* [シンプルなパーティション化アセット](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/simple_partitions_example.py)
+* [マルチパーティション化アセット](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/multi_partitions_example.py)
+* [パーティション機能の高度な使い方](https://github.com/wandb/dagster/blob/master/examples/with_wandb/with_wandb/assets/advanced_partitions_example.py)
-## W&B Artifacts の読み込み
-W&B Artifacts の読み込みは、書き込みと同様です。`wandb_artifact_configuration` と呼ばれる設定辞書を `@op` または `@asset` に設定できます。唯一の違いは、出力ではなく入力に設定を行う必要がある点です。
+
+ ## W&B Artifacts を読み取る
+
-`@op` の場合、[In](https://docs.dagster.io/_apidocs/ops#dagster.In) メタデータ引数を通じて入力メタデータ内に配置されます。Artifact の名前を明示的に渡す必要があります。
+W&B Artifacts の読み取りは、書き込みとよく似ています。`wandb_artifact_configuration` という設定辞書を `@op` または `@asset` に指定できます。唯一の違いは、出力ではなく入力側に設定しなければならない点です。
-`@asset` の場合、[AssetIn](https://docs.dagster.io/_apidocs/assets#dagster.AssetIn) メタデータ引数を通じて入力メタデータ内に配置されます。親 asset の名前が一致する必要があるため、Artifact 名を渡す必要はありません。
+`@op` の場合、入力 metadata 内の [In](https://docs.dagster.io/_apidocs/ops#dagster.In) の metadata 引数にあります。Artifact の名前を明示的に渡す必要があります。
-インテグレーション外で作成された Artifact に依存関係を持たせたい場合は、[SourceAsset](https://docs.dagster.io/_apidocs/assets#dagster.SourceAsset) を使用する必要があります。これにより、常にその asset の最新バージョンが読み込まれます。
+`@asset` の場合、入力 metadata 内の [Asset](https://docs.dagster.io/_apidocs/assets#dagster.AssetIn) In の metadata 引数にあります。親 asset の名前と一致している必要があるため、Artifact 名は渡さないでください。
-以下の例は、さまざまな ops から Artifact を読み込む方法を示しています。
+インテグレーションの外部で作成された Artifact に依存関係を持たせたい場合は、[SourceAsset](https://docs.dagster.io/_apidocs/assets#dagster.SourceAsset) を使用する必要があります。これは常にその asset の最新バージョンを読み込みます。
+
+以下の例では、さまざまな `@op` から Artifact を読み取る方法を示します。
-
-`@op` から Artifact を読み込む
-```python
-@op(
- ins={
- "artifact": In(
- metadata={
- "wandb_artifact_configuration": {
- "name": "my_artifact",
+
+ `@op` から Artifacts を読み取る
+
+ ```python
+ @op(
+ ins={
+ "artifact": In(
+ metadata={
+ "wandb_artifact_configuration": {
+ "name": "my_artifact",
+ }
}
- }
- )
- },
- io_manager_key="wandb_artifacts_manager"
-)
-def read_artifact(context, artifact):
- context.log.info(artifact)
-```
-
-
-別の `@asset` によって作成された Artifact を読み込む
-```python
-@asset(
- name="my_asset",
- ins={
- "artifact": AssetIn(
- # 入力引数の名前を変更したくない場合は、'key' を削除できます
- key="parent_dagster_asset_name",
- input_manager_key="wandb_artifacts_manager",
- )
- },
-)
-def read_artifact(context, artifact):
- context.log.info(artifact)
-```
-
-
-Dagster 外で作成された Artifact を読み込む:
-
-```python
-my_artifact = SourceAsset(
- key=AssetKey("my_artifact"), # W&B Artifact の名前
- description="Artifact created outside Dagster",
- io_manager_key="wandb_artifacts_manager",
-)
-
-
-@asset
-def read_artifact(context, my_artifact):
- context.log.info(my_artifact)
-```
-
+ )
+ },
+ io_manager_key="wandb_artifacts_manager"
+ )
+ def read_artifact(context, artifact):
+ context.log.info(artifact)
+ ```
+
+
+
+ 別の `@asset` で作成された Artifacts を読み取る
+
+ ```python
+ @asset(
+ name="my_asset",
+ ins={
+ "artifact": AssetIn(
+ # 入力引数の名前を変更したくない場合は 'key' を削除できます
+ key="parent_dagster_asset_name",
+ input_manager_key="wandb_artifacts_manager",
+ )
+ },
+ )
+ def read_artifact(context, artifact):
+ context.log.info(artifact)
+ ```
+
+
+
+ Dagster の外部で作成された Artifact を読み取る:
+
+ ```python
+ my_artifact = SourceAsset(
+ key=AssetKey("my_artifact"), # W&B Artifact の名前
+ description="Dagster の外部で作成された Artifacts",
+ io_manager_key="wandb_artifacts_manager",
+ )
+
+
+ @asset
+ def read_artifact(context, my_artifact):
+ context.log.info(my_artifact)
+ ```
+
+
+ ### 設定
+
-### Configuration (設定)
-以下の設定は、IO マネージャーが何を収集し、デコレートされた関数に入力として提供するかを示すために使用されます。以下の読み込みパターンがサポートされています。
+以下の設定では、IO Manager が収集し、デコレートされた関数への入力として提供する対象を指定します。次の読み取りパターンがサポートされています。
-1. Artifact 内に含まれる名前付きオブジェクトを取得するには、`get` を使用します。
+1. Artifacts に含まれる名前付きオブジェクトを取得するには、get を使用します。
```python
@asset(
@@ -525,8 +561,7 @@ def get_table(context, table):
context.log.info(table.get_column("a"))
```
-
-2. Artifact 内に含まれるダウンロード済みファイルのローカルパスを取得するには、`get_path` を使用します。
+2. Artifact 内に含まれるダウンロードしたファイルのローカルパスを取得するには、get_path を使用します:
```python
@asset(
@@ -546,7 +581,8 @@ def get_path(context, path):
context.log.info(path)
```
-3. Artifact オブジェクト全体を取得するには（コンテンツはローカルにダウンロードされます）:
+3. Artifact オブジェクト全体を取得するには（内容をローカルにダウンロードした状態で）:
+
```python
@asset(
ins={
@@ -560,29 +596,34 @@ def get_artifact(context, artifact):
context.log.info(artifact.name)
```
-
サポートされているプロパティ
-* `get`: (str) Artifact の相対名にある W&B オブジェクトを取得します。
-* `get_path`: (str) Artifact の相対名にあるファイルへのパスを取得します。
-### Serialization configuration (シリアライゼーション設定)
-デフォルトでは、インテグレーションは標準の [pickle](https://docs.python.org/3/library/pickle.html) モジュールを使用しますが、一部のオブジェクトはこれと互換性がありません。例えば、`yield` を含む関数を pickle 化しようとするとエラーが発生します。
+* `get`: (str) Artifacts の相対名で指定された W&B オブジェクトを取得します。
+* `get_path`: (str) Artifacts の相対名で指定されたファイルへのパスを取得します。
+
+
+ ### シリアライズ設定
+
-より多くの Pickle ベースのシリアライゼーションモジュール ([dill](https://github.com/uqfoundation/dill), [cloudpickle](https://github.com/cloudpipe/cloudpickle), [joblib](https://github.com/joblib/joblib)) をサポートしています。また、シリアライズされた文字列を返すか、Artifact を直接作成することで、[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) のようなより高度なシリアライゼーションも使用できます。適切な選択はユースケースに依存します。この主題に関する既存のドキュメントを参照してください。
+デフォルトでは、この インテグレーション は標準の [pickle](https://docs.python.org/3/library/pickle.html) モジュールを使用しますが、一部のオブジェクトはこれと互換性がありません。たとえば、`yield` を含む関数は、pickle しようとするとエラーが発生します。
-### Pickle ベースのシリアライゼーションモジュール
+Pickle をベースとしたシリアライズモジュールとしては、[dill](https://github.com/uqfoundation/dill)、[cloudpickle](https://github.com/cloudpipe/cloudpickle)、[joblib](https://github.com/joblib/joblib) などにも対応しています。シリアライズ済み文字列を返したり、直接 Artifact を作成したりすることで、[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) のような、より高度なシリアライズ方式を使用することもできます。適切な方式はユースケースによって異なるため、このトピックに関する既存の文献を参照してください。
+
+
+ ### Pickle ベースのシリアライズモジュール
+
-Pickle 化は安全でないことが知られています。セキュリティが懸念される場合は、W&B オブジェクトのみを使用してください。データに署名し、ハッシュキーを独自のシステムに保存することをお勧めします。より複雑なユースケースについては、お気軽にお問い合わせください。喜んでお手伝いいたします。
+ Pickling は安全ではないことが知られています。セキュリティが懸念される場合は、W&B オブジェクトのみを使用してください。データに署名し、ハッシュキーを独自のシステムに保存することを推奨します。より複雑なユースケースについては、遠慮なくお問い合わせください。喜んでサポートいたします。
-`wandb_artifact_configuration` 内の `serialization_module` 辞書を通じて、使用するシリアライゼーションを設定できます。Dagster を実行しているマシンでモジュールが利用可能であることを確認してください。
+使用するシリアライズ方式は、`wandb_artifact_configuration` の `serialization_module` 辞書で設定できます。Dagster を実行しているマシン上で、そのモジュールが利用可能であることを必ず確認してください。
-インテグレーションは、その Artifact を読み込む際に、どのシリアライゼーションモジュールを使用すべきかを自動的に判断します。
+このインテグレーションは、その Artifact を読み込む際に、どのシリアライズモジュールを使うべきか自動的に判断します。
-現在サポートされているモジュールは `pickle`, `dill`, `cloudpickle`, `joblib` です。
+現在サポートされているモジュールは、`pickle`、`dill`、`cloudpickle`、`joblib` です。
-これは、joblib でシリアライズされた “model” を作成し、それを推論に使用する簡略化された例です。
+以下は、joblib でシリアライズしたモデルを作成し、その後で推論に使用する簡略化した例です。
```python
@asset(
@@ -599,7 +640,7 @@ Pickle 化は安全でないことが知られています。セキュリティ
io_manager_key="wandb_artifacts_manager",
)
def create_model_serialized_with_joblib():
- # これは本物の ML モデルではありませんが、pickle モジュールでは不可能なことです
+ # これは実際の ML モデルではありませんが、pickle モジュールでは実現できません
return lambda x, y: x + y
@asset(
@@ -625,14 +666,18 @@ def use_model_serialized_with_joblib(
return inference_result
```
-### 高度なシリアライゼーション形式 (ONNX, PMML)
-ONNX や PMML のような相互交換ファイル形式を使用するのが一般的です。インテグレーションはこれらの形式をサポートしていますが、Pickle ベースのシリアライゼーションよりも少し手間がかかります。
+
+ ### 高度なシリアル化フォーマット (ONNX、PMML)
+
+
+ONNX や PMML のような交換用ファイル形式を使うことは一般的です。このインテグレーションはそれらの形式もサポートしていますが、Pickle ベースのシリアル化よりも少し手間がかかります。
+
+これらの形式を使う方法は 2 通りあります。
-これらの形式を使用するには 2 つの異なる方法があります。
-1. モデルを選択した形式に変換し、通常の Python オブジェクトであるかのようにその形式の文字列表現を返します。インテグレーションはその文字列を pickle 化します。その後、その文字列を使用してモデルを再構築できます。
-2. シリアライズされたモデルを含む新しいローカルファイルを作成し、`add_file` 設定を使用してそのファイルでカスタム Artifact を構築します。
+1. モデルを選択した形式に変換し、その形式の文字列表現を通常の Python オブジェクトと同様に返します。インテグレーションはその文字列を pickle でシリアル化します。その文字列を使ってモデルを再構築できます。
+2. シリアル化したモデルを含む新しいローカルファイルを作成し、そのファイルを `add_file` 設定を使ってカスタム Artifact を作成します。
-これは、ONNX を使用してシリアライズされる Scikit-learn モデルの例です。
+以下は、Scikit-learn モデルを ONNX を使ってシリアル化する例です。
```python
import numpy
@@ -668,20 +713,20 @@ from dagster import AssetIn, AssetOut, asset, multi_asset
group_name="onnx_example",
)
def create_onnx_model():
- # https://onnx.ai/sklearn-onnx/ を参考に作成
+ # Inspired from https://onnx.ai/sklearn-onnx/
- # モデルをトレーニング
+ # Train a model.
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y)
clr = RandomForestClassifier()
clr.fit(X_train, y_train)
- # ONNX 形式に変換
+ # Convert into ONNX format
initial_type = [("float_input", FloatTensorType([None, 4]))]
onx = convert_sklearn(clr, initial_types=initial_type)
- # アーティファクトを書き出し (model + test_set)
+ # Write artifacts (model + test_set)
return onx.SerializeToString(), {"X_test": X_test, "y_test": y_test}
@asset(
@@ -698,9 +743,9 @@ def create_onnx_model():
group_name="onnx_example",
)
def use_onnx_model(context, my_onnx_model, my_test_set):
- # https://onnx.ai/sklearn-onnx/ を参考に作成
+ # https://onnx.ai/sklearn-onnx/ を参考にしています
- # ONNX Runtime で予測を実行
+ # ONNX Runtime で予測を計算します
sess = rt.InferenceSession(my_onnx_model)
input_name = sess.get_inputs()[0].name
label_name = sess.get_outputs()[0].name
@@ -711,67 +756,71 @@ def use_onnx_model(context, my_onnx_model, my_test_set):
return pred_onx
```
-### パーティションの使用
+
+ ### パーティションの使用
+
-インテグレーションは [Dagster partitions](https://docs.dagster.io/concepts/partitions-schedules-sensors/partitions) をネイティブにサポートしています。
+このインテグレーションは標準で [Dagster partitions](https://docs.dagster.io/guides/build/partitions-and-backfills) をサポートします。
-asset の 1 つ、複数、またはすべてのパーティションを選択的に読み込むことができます。
-
-すべてのパーティションは辞書形式で提供され、キーと値はそれぞれパーティションキーと Artifact の内容を表します。
+アセットのパーティションを 1 つ、複数、またはすべて選択して読み取ることができます。
+すべてのパーティションは辞書として提供され、この辞書のキーと値はそれぞれパーティションキーと Artifact の内容を表します。
-
-上流の `@asset` のすべてのパーティションを辞書として読み込みます。この辞書では、キーと値がそれぞれパーティションキーと Artifact の内容に対応します。
-```python
-@asset(
- compute_kind="wandb",
- ins={"my_daily_partitioned_asset": AssetIn()},
- output_required=False,
-)
-def read_all_partitions(context, my_daily_partitioned_asset):
- for partition, content in my_daily_partitioned_asset.items():
- context.log.info(f"partition={partition}, content={content}")
-```
-
-
-`AssetIn` の `partition_mapping` 設定により、特定のパーティションを選択できます。この場合、`TimeWindowPartitionMapping` を採用しています。
-```python
-@asset(
- partitions_def=DailyPartitionsDefinition(start_date="2023-01-01", end_date="2023-02-01"),
- compute_kind="wandb",
- ins={
- "my_daily_partitioned_asset": AssetIn(
- partition_mapping=TimeWindowPartitionMapping(start_offset=-1)
- )
- },
- output_required=False,
-)
-def read_specific_partitions(context, my_daily_partitioned_asset):
- for partition, content in my_daily_partitioned_asset.items():
- context.log.info(f"partition={partition}, content={content}")
-```
-
+
+ 上流の `@asset` のすべてのパーティションを読み取ります。これらは辞書として渡され、この辞書のキーと値はそれぞれパーティションキーと Artifact の内容に対応します。
+
+ ```python
+ @asset(
+ compute_kind="wandb",
+ ins={"my_daily_partitioned_asset": AssetIn()},
+ output_required=False,
+ )
+ def read_all_partitions(context, my_daily_partitioned_asset):
+ for partition, content in my_daily_partitioned_asset.items():
+ context.log.info(f"partition={partition}, content={content}")
+ ```
+
+
+
+ `AssetIn` の `partition_mapping` 設定を使うと、特定のパーティションを選択できます。この例では `TimeWindowPartitionMapping` を使用しています。
+
+ ```python
+ @asset(
+ partitions_def=DailyPartitionsDefinition(start_date="2023-01-01", end_date="2023-02-01"),
+ compute_kind="wandb",
+ ins={
+ "my_daily_partitioned_asset": AssetIn(
+ partition_mapping=TimeWindowPartitionMapping(start_offset=-1)
+ )
+ },
+ output_required=False,
+ )
+ def read_specific_partitions(context, my_daily_partitioned_asset):
+ for partition, content in my_daily_partitioned_asset.items():
+ context.log.info(f"partition={partition}, content={content}")
+ ```
+
-設定オブジェクト `metadata` は、プロジェクト内のさまざまなアーティファクトパーティションと W&B がどのように相互作用するかを設定します。
+`metadata` という設定オブジェクトは、W&B がプロジェクト内の異なる Artifact のパーティションとどのようにやり取りするかを設定します。
-`metadata` オブジェクトには `wandb_artifact_configuration` というキーが含まれており、さらにその中に `partitions` というネストされたオブジェクトが含まれています。
+`metadata` オブジェクトには `wandb_artifact_configuration` というキーが含まれており、その中にさらに `partitions` という入れ子のオブジェクトが含まれます。
-`partitions` オブジェクトは、各パーティションの名前をその設定にマッピングします。各パーティションの設定では、そこからデータを取得する方法を指定できます。これらの設定には、各パーティションの要件に応じて、`get`, `version`, `alias` といった異なるキーを含めることができます。
+`partitions` オブジェクトは、各パーティション名をその設定にマッピングします。各パーティションの設定では、そのパーティションからデータをどのように取得するかを指定できます。これらの設定には、各パーティションの要件に応じて `get`、`version`、`alias` といった異なるキーを含めることができます。
**設定キー**
1. `get`:
-`get` キーは、データを取得する場所である W&B オブジェクト（Table, Image...）の名前を指定します。
+ `get` キーは、データを取得する対象となる W&B オブジェクト (Table や Image など) の名前を指定します。
2. `version`:
-`version` キーは、Artifact の特定のバージョンを取得したい場合に使用されます。
+ `version` キーは、特定のバージョンの Artifact を取得したい場合に使用します。
3. `alias`:
-`alias` キーを使用すると、エイリアスによって Artifact を取得できます。
+ `alias` キーを使うと、エイリアスで Artifact を取得できます。
**ワイルドカード設定**
-ワイルドカード `"*"` は、設定されていないすべてのパーティションを表します。これは、`partitions` オブジェクトで明示的に言及されていないパーティションのデフォルト設定を提供します。
+ワイルドカード `"*"` は、個別に設定されていないすべてのパーティションを表します。これにより、`partitions` オブジェクトで明示的に指定されていないパーティションに対するデフォルト設定を提供できます。
例えば、
@@ -780,11 +829,12 @@ def read_specific_partitions(context, my_daily_partitioned_asset):
"get": "default_table_name",
},
```
+
この設定は、明示的に設定されていないすべてのパーティションについて、`default_table_name` という名前のテーブルからデータが取得されることを意味します。
-**特定のパーティション設定**
+**特定パーティションの設定**
-特定のパーティションの設定をキーとともに提供することで、ワイルドカード設定を上書きできます。
+キーを指定して個別の設定を指定することで、特定のパーティションに対してワイルドカードの設定を上書きできます。
例えば、
@@ -794,13 +844,13 @@ def read_specific_partitions(context, my_daily_partitioned_asset):
},
```
-この設定は、`yellow` という名前のパーティションについて、ワイルドカード設定を上書きして `custom_table_name` という名前のテーブルからデータが取得されることを意味します。
+この設定では、`yellow` という名前のパーティションについてはワイルドカード設定を上書きして、`custom_table_name` という名前のテーブルからデータを取得します。
-**バージョニングとエイリアシング**
+**バージョニングとエイリアス**
-バージョニングとエイリアシングのために、設定で特定の `version` および `alias` キーを提供できます。
+バージョニングやエイリアスの目的で、設定内に特定の `version` キーと `alias` キーを指定できます。
-バージョンの場合、
+バージョンについては、
```python
"orange": {
@@ -808,9 +858,9 @@ def read_specific_partitions(context, my_daily_partitioned_asset):
},
```
-この設定は、`orange` Artifact パーティションのバージョン `v0` からデータを取得します。
+この設定では、`orange` Artifact パーティションのバージョン `v0` からデータを取得します。
-エイリアスの場合、
+エイリアスについては、
```python
"blue": {
@@ -818,53 +868,61 @@ def read_specific_partitions(context, my_daily_partitioned_asset):
},
```
-この設定は、`special_alias` というエイリアスを持つ Artifact パーティション（設定内では `blue` として参照）の `default_table_name` テーブルからデータを取得します。
+この設定では、エイリアス `special_alias` が付いた Artifact パーティションのテーブル `default_table_name` からデータを取得します（`blue` はこの設定内での名称です）。
+
+### 高度な使い方
-### 高度な使用法
-インテグレーションの高度な使用法については、以下の完全なコード例を参照してください。
-* [assets の高度な使用例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/assets/advanced_example.py)
-* [パーティション化されたジョブの例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/ops/partitioned_job.py)
-* [Model Registry へのモデルのリンク](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/assets/model_registry_example.py)
+インテグレーションの高度な使い方については、次のコード全体の例を参照してください。
+* [アセット向けの高度な利用例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/assets/advanced_example.py)
+* [パーティションされたジョブの例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/ops/partitioned_job.py)
+* [モデルを Model Registry にリンクする例](https://github.com/dagster-io/dagster/blob/master/examples/with_wandb/with_wandb/assets/model_registry_example.py)
-## W&B Launch の使用
+
+ ## W&B Launch の使用方法
+
-アクティブに開発中のベータ版製品です。
-Launch に興味がありますか？W&B Launch のカスタマーパイロットプログラムへの参加については、アカウントチームにお問い合わせください。
-パイロットカスタマーは、ベータプログラムの対象となるために AWS EKS または SageMaker を使用する必要があります。最終的には、追加のプラットフォームをサポートする予定です。
+ 現在積極的に開発中のベータ版製品です
+ Launch にご興味がありますか？W&B Launch のカスタマー パイロット プログラムへの参加については、担当のアカウント チームまでお問い合わせください。
+ パイロット参加のお客様は、ベータ プログラムの対象となるには AWS EKS または SageMaker を利用している必要があります。将来的には、その他のプラットフォームにも対応する予定です。
-続行する前に、W&B Launch の使用方法をよく理解しておくことをお勧めします。[Launch ガイド](/platform/launch) をお読みください。
+先へ進む前に、W&B Launch の使い方を十分に理解しておくことをお勧めします。[Launch ガイド](/ja/platform/launch) を参照してください。
-Dagster インテグレーションは以下を支援します。
-* Dagster インスタンスで 1 つまたは複数の Launch エージェントを実行する。
-* Dagster インスタンス内でローカルの Launch ジョブを実行する。
-* オンプレミスまたはクラウドでのリモート Launch ジョブ。
+Dagster インテグレーションは次のことに役立ちます：
-### Launch agents
-このインテグレーションは、`run_launch_agent` と呼ばれるインポート可能な `@op` を提供します。これは Launch Agent を起動し、手動で停止されるまで長時間実行プロセスとして実行します。
+* Dagster インスタンス内で 1 つまたは複数の Launch agent を実行すること。
+* Dagster インスタンス内でローカルの Launch job を実行すること。
+* オンプレミス環境またはクラウド上でリモートの Launch job を実行すること。
-エージェントは、Launch キューをポーリングし、ジョブを順番に実行（または実行するために外部サービスにディスパッチ）するプロセスです。
+
+ ### Launch エージェント
+
-[Launch ページ](/platform/launch) を参照してください。
+このインテグレーションでは、`run_launch_agent` というインポート可能な `@op` を提供します。これは Launch Agent を起動し、手動で停止されるまで常駐プロセスとして実行します。
-Launchpad ですべてのプロパティの有用な説明を確認することもできます。
+エージェントは Launch キューをポーリングし、ジョブを順番に実行する（または外部サービスにディスパッチして実行させる）プロセスです。
+
+[Launch ページ](/ja/platform/launch)を参照してください。
+
+Launchpad では、各プロパティの有用な説明も確認できます。
+ ### Launch ジョブ
+
+
+このインテグレーションは、インポート可能な `@op` である `run_launch_job` を提供します。これは Launch ジョブを実行します。
-Launch ジョブは、実行されるためにキューに割り当てられます。キューを作成するか、デフォルトのものを使用できます。そのキューをリスニングしているアクティブなエージェントがあることを確認してください。Dagster インスタンス内でエージェントを実行することもできますが、Kubernetes で展開可能なエージェントの使用を検討することもできます。
+Launch ジョブは、実行のためにキューに割り当てられます。キューを作成することも、デフォルトのキューを使うこともできます。そのキューを監視している稼働中のエージェントがいることを確認してください。エージェントは Dagster インスタンス内で実行できますが、Kubernetes でデプロイ可能なエージェントを使用することも検討できます。
-[Launch ページ](/platform/launch) を参照してください。
+[Launch ページ](/ja/platform/launch)を参照してください。
-Launchpad ですべてのプロパティの有用な説明を確認することもできます。
+Launchpad では、すべてのプロパティに対する有用な説明も確認できます。
+ ## ベストプラクティス
+
-1. Artifacts の読み書きには IO マネージャーを使用してください。
-[`Artifact.download()`](/models/ref/python/experiments/artifact#download) や [`Run.log_artifact()`](/models/ref/python/experiments/run#log_artifact) を直接使用することは避けてください。これらのメソッドはインテグレーションによって処理されます。代わりに、Artifact に保存したいデータを返し、残りはインテグレーションに任せてください。このアプローチにより、Artifact のリネージがより正確になります。
+1. Artifacts の読み書きには IO Manager を使用する。
+ [`Artifact.download()`](/ja/models/ref/python/experiments/artifact#download) や [`Run.log_artifact()`](/ja/models/ref/python/experiments/run#log_artifact) を直接使用するのは避けてください。これらのメソッドはインテグレーションによって処理されます。代わりに、Artifact に保存したいデータを返し、残りはインテグレーションに任せてください。このアプローチにより、Artifact のリネージ情報がより明確になります。
-2. 複雑なユースケースの場合のみ、自分で Artifact オブジェクトを構築してください。
-Python オブジェクトと W&B オブジェクトは、ops/assets から返されるべきです。インテグレーションが Artifact のパッケージ化を処理します。
-複雑なユースケースでは、Dagster ジョブで直接 Artifact を構築できます。ソースインテグレーションの名前とバージョン、使用された Python バージョン、pickle プロトコルバージョンなどのメタデータを強化するために、Artifact オブジェクトをインテグレーションに渡すことをお勧めします。
+2. 複雑なユースケースの場合にのみ、自分で Artifact オブジェクトを構築する。
+ Python オブジェクトおよび W&B オブジェクトは、ops/assets から返されるべきです。Artifact のバンドル処理はインテグレーションが行います。
+ 複雑なユースケースでは、Dagster ジョブ内で Artifact を直接構築できます。ソースのインテグレーション名とバージョン、使用された Python バージョン、pickle プロトコルバージョンなどのメタデータ拡充のために、Artifact オブジェクトをインテグレーションに渡すことを推奨します。
-3. メタデータを通じて、ファイル、ディレクトリ、外部リファレンスを Artifacts に追加してください。
-インテグレーションの `wandb_artifact_configuration` オブジェクトを使用して、ファイル、ディレクトリ、または外部リファレンス（Amazon S3, GCS, HTTP…）を追加します。詳細については、[Artifact configuration セクション](#configuration-1) の高度な例を参照してください。
+3. ファイル、ディレクトリ、および外部参照をメタデータ経由で Artifacts に追加する。
+ インテグレーションの `wandb_artifact_configuration` オブジェクトを使用して、任意のファイル、ディレクトリ、または外部参照（Amazon S3、GCS、HTTP など）を追加します。詳細については、[Artifact configuration セクション](#configuration-1) の発展的な例を参照してください。
-4. Artifact が生成される場合は、@op の代わりに @asset を使用してください。
-Artifacts は assets です。Dagster がその資産を維持する場合は、asset を使用することをお勧めします。これにより、Dagit Asset Catalog での可観測性が向上します。
+4. Artifact が生成される場合は、@op ではなく @asset を使用する。
+ Artifacts はアセットです。Dagster がそのアセットを管理する場合は、asset を使用することを推奨します。これにより、Dagit Asset Catalog における可観測性が向上します。
-5. Dagster 外で作成された Artifact を消費するには、SourceAsset を使用してください。
-これにより、インテグレーションを利用して外部で作成された Artifact を読み取ることができます。そうしないと、インテグレーションによって作成された Artifact しか使用できません。
+5. Dagster の外部で作成された Artifact を利用するには、SourceAsset を使用する。
+ これにより、インテグレーションを利用して外部で作成された Artifacts を読み取ることができます。そうしない場合、インテグレーションによって作成された Artifacts のみを使用できます。
-6. 大規模モデルの専用計算リソースでのトレーニングのオーケストレーションには、W&B Launch を使用してください。
-小規模なモデルは Dagster クラスター内でトレーニングでき、GPU ノードを持つ Kubernetes クラスターで Dagster を実行することもできます。大規模なモデルのトレーニングには W&B Launch を使用することをお勧めします。これにより、インスタンスの過負荷を防ぎ、より適切な計算リソースへのアクセスが可能になります。
+6. 大規模なモデルのトレーニングを専用のコンピュート上でオーケストレーションするには、W&B Launch を使用する。
+ 小規模なモデルは Dagster クラスター内でトレーニングでき、GPU ノードを備えた Kubernetes クラスターで Dagster を実行することもできます。大規模なモデルのトレーニングには W&B Launch を使用することを推奨します。これによりインスタンスの過負荷を防ぎ、より適切なコンピュートリソースへアクセスできます。
-7. Dagster 内で実験管理を行う場合は、W&B Run ID を Dagster Run ID の値に設定してください。
-[Run を再開可能](/models/runs/resuming/) にし、かつ W&B Run ID を Dagster Run ID または任意の文字列に設定することをお勧めします。この推奨事項に従うことで、Dagster 内でモデルをトレーニングする際に、W&B メトリクスと W&B Artifacts が同じ W&B Run に保存されるようになります。
+7. Dagster 内で実験管理を行う場合は、W&B Run ID を Dagster Run ID の値に設定する。
+ [Run を再開可能にする](/ja/models/runs/resuming) とともに、W&B Run ID を Dagster Run ID か任意の文字列に設定することを推奨します。この推奨に従うことで、Dagster 内でモデルをトレーニングする際、W&B メトリクス と W&B Artifacts が同じ W&B Run に保存されることが保証されます。
+いずれの場合も W&B Run ID を Dagster Run ID に設定してください。
-W&B Run ID を Dagster Run ID に設定するか、
```python
wandb.init(
id=context.run_id,
@@ -980,8 +1043,8 @@ wandb.init(
)
```
+あるいは、任意の W&B Run ID を自分で決めて、それを IO Manager の設定に渡します。
-あるいは、独自の W&B Run ID を選択して IO マネージャーの設定に渡します。
```python
wandb.init(
id="my_resumable_run_id",
@@ -998,10 +1061,10 @@ wandb.init(
)
```
-8. 大規模な W&B Artifacts の場合は、get または get_path を使用して必要なデータのみを収集してください。
-デフォルトでは、インテグレーションは Artifact 全体をダウンロードします。非常に大きな Artifact を使用している場合は、必要な特定のファイルやオブジェクトのみを収集したい場合があります。これにより、速度とリソース使用率が向上します。
+8. 大規模な W&B Artifacts を扱う場合は、必要なデータだけを get や get_path で取得する。
+ デフォルトでは、インテグレーションは Artifact 全体をダウンロードします。非常に大きな Artifacts を使用している場合は、必要なファイルやオブジェクトだけを取得するようにするとよいでしょう。これにより、処理速度とリソース効率が向上します。
-9. Python オブジェクトについては、ユースケースに合わせて pickle 化モジュールを適応させてください。
-デフォルトでは、W&B インテグレーションは標準の [pickle](https://docs.python.org/3/library/pickle.html) モジュールを使用します。しかし、一部のオブジェクトはこれと互換性がありません。例えば、`yield` を含む関数を pickle 化しようとするとエラーが発生します。W&B は、他の Pickle ベースのシリアライゼーションモジュール ([dill](https://github.com/uqfoundation/dill), [cloudpickle](https://github.com/cloudpipe/cloudpickle), [joblib](https://github.com/joblib/joblib)) をサポートしています。
+9. Python オブジェクトについては、ユースケースに合わせて pickling モジュールを選択・調整する。
+ デフォルトでは、W&B のインテグレーションは標準の [pickle](https://docs.python.org/3/library/pickle.html) モジュールを使用します。しかし、いくつかのオブジェクトはこれと互換性がありません。たとえば、yield を含む関数は pickle しようとするとエラーになります。W&B は、他の Pickle ベースのシリアライゼーションモジュール（[dill](https://github.com/uqfoundation/dill)、[cloudpickle](https://github.com/cloudpipe/cloudpickle)、[joblib](https://github.com/joblib/joblib)）もサポートしています。
-また、シリアライズされた文字列を返すか、Artifact を直接作成することで、[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) のようなより高度なシリアライゼーションも使用できます。適切な選択はユースケースに依存します。この主題に関する既存のドキュメントを参照してください。
\ No newline at end of file
+また、シリアライズ済みの文字列を返したり、直接 Artifact を作成したりすることで、[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) のような、より高度なシリアライゼーションを利用することもできます。どの方法が適切かはユースケースによって異なるため、このトピックに関する既存の文献を参照してください。
diff --git a/ja/models/integrations/databricks.mdx b/ja/models/integrations/databricks.mdx
index 2007f81621..e0ddd78f31 100644
--- a/ja/models/integrations/databricks.mdx
+++ b/ja/models/integrations/databricks.mdx
@@ -1,40 +1,46 @@
---
-title: Databricks
description: W&B を Databricks と統合する方法。
+title: Databricks
---
-W&Bは、Databricks 環境における W&B Jupyter ノートブックのエクスペリエンスをカスタマイズすることで、 [Databricks](https://www.databricks.com/) と統合します。
+W&B は [Databricks](https://www.databricks.com/) 環境内で W&B Jupyter Notebook のエクスペリエンスをカスタマイズすることで Databricks と統合します。
-## Databricks の設定
+
+ ## Databricks を設定する
+
1. クラスターに wandb をインストールする
- クラスター設定に移動し、使用するクラスターを選択して **Libraries** をクリックします。 **Install New** をクリックし、 **PyPI** を選択して、パッケージ `wandb` を追加します。
+ クラスターの設定に移動し、クラスターを選択して **Libraries** をクリックします。**Install New** をクリックし、**PyPI** を選択して、パッケージ `wandb` を追加します。
-2. 認証の設定
+2. 認証を設定する
- W&B アカウントを認証するために、ノートブックから照会できる Databricks secret を追加できます。
+ W&B アカウントを認証するには、ノートブックから参照できる Databricks シークレットを追加します。
```bash
- # databricks cli をインストール
+ # Databricks CLI をインストール
pip install databricks-cli
- # databricks UI からトークンを生成
+ # Databricks の UI からトークンを発行
databricks configure --token
- # 以下の2つのコマンドのいずれかを使用してスコープを作成（Databricks でセキュリティ機能が有効になっているかどうかに依存）:
- # セキュリティアドオンがある場合
+ # スコープを作成（Databricks でセキュリティ機能が有効かどうかに応じて、次の 2 つのコマンドのいずれかを使用）
+ # セキュリティアドオンあり
databricks secrets create-scope --scope wandb
- # セキュリティアドオンがない場合
+ # セキュリティアドオンなし
databricks secrets create-scope --scope wandb --initial-manage-principal users
- # https://wandb.ai/settings で APIキー を作成
+ # https://wandb.ai/settings で API キーを作成
databricks secrets put --scope wandb --key api_key
```
-## 例
+
+ ## 例
+
-### シンプルな例
+
+ ### シンプルな例
+
```python
import os
@@ -47,14 +53,16 @@ with wandb.init() as run:
run.log({"foo": 1})
```
-### Sweeps
+
+ ### Sweeps
+
-`wandb.sweep()` または `wandb.agent()` を使用するノートブックに必要な（一時的な）セットアップ：
+wandb.sweep() または wandb.agent() を使用するノートブックでは、次の（一時的な）セットアップが必要です：
```python
import os
-# これらは将来的に不要になる予定です
+# これらは将来的には不要になります
os.environ["WANDB_ENTITY"] = "my-entity"
os.environ["WANDB_PROJECT"] = "my-project-that-exists"
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/deepchecks.mdx b/ja/models/integrations/deepchecks.mdx
index e73e6b28a3..eea7e2154a 100644
--- a/ja/models/integrations/deepchecks.mdx
+++ b/ja/models/integrations/deepchecks.mdx
@@ -1,58 +1,65 @@
---
+description: W&B を DeepChecks と連携させる方法。
title: DeepChecks
-description: W&B を DeepChecks と統合する方法。
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## はじめに
+
-DeepChecks を W&B と共に使用するには、まず [W&B アカウント](https://wandb.ai/site) に登録する必要があります。DeepChecks の W&B インテグレーションを使えば、以下のように素早く開始できます。
+DeepChecks を W&B と一緒に使用するには、まず [W&B アカウント](https://wandb.ai/site) にサインアップする必要があります。DeepChecks の W&B インテグレーションを使うと、次のようにすぐに使い始められます。
```python
import wandb
wandb.login()
-# deepchecks から check をインポート
+# deepchecks からチェックをインポートする
from deepchecks.checks import ModelErrorAnalysis
-# check を実行
+# チェックを実行する
result = ModelErrorAnalysis()
-# その結果を wandb にプッシュ
+# 結果を wandb にプッシュする
result.to_wandb()
```
-また、DeepChecks のテストスイート全体を W&B にログ記録することも可能です。
+W&B に DeepChecks のテストスイート全体をログとして記録することもできます。
```python
import wandb
wandb.login()
-# deepchecks から full_suite テストをインポート
+# deepchecks から full_suite テストをインポートする
from deepchecks.suites import full_suite
-# DeepChecks テストスイートを作成して実行
+# DeepChecks テストスイートを作成して実行する
suite_result = full_suite().run(...)
-# これらの結果を wandb にプッシュ
-# ここで必要な wandb.init の設定や引数を渡すことができます
+# 結果を wandb にプッシュする
+# ここで必要な wandb.init の設定や引数を渡すことができる
suite_result.to_wandb(project="my-suite-project", config={"suite-name": "full-suite"})
```
-## 例
-[こちらの Reports](https://wandb.ai/cayush/deepchecks/reports/Validate-your-Data-and-Models-with-Deepchecks-and-W-B--VmlldzoxNjY0ODc5) では、DeepChecks と W&B を組み合わせた際の効果を確認できます。
+
+ ## 例
+
+
+[This Report](https://wandb.ai/cayush/deepchecks/reports/Validate-your-Data-and-Models-with-Deepchecks-and-W-B--VmlldzoxNjY0ODc5) は、DeepChecks と W&B を組み合わせたときの威力を示しています。
+ ## 3 行のコードで DeepChem をロギング
+
```python
logger = WandbLogger(…)
@@ -16,90 +18,104 @@ model.fit(…)
```
+ ## レポートと Google Colab
+
-W&B DeepChem インテグレーションを使用して生成されたチャートの例については、記事「 [Using W&B with DeepChem: Molecular Graph Convolutional Networks](https://wandb.ai/kshen/deepchem_graphconv/reports/Using-W-B-with-DeepChem-Molecular-Graph-Convolutional-Networks--Vmlldzo4MzU5MDc?galleryTag=) 」をご覧ください。
+W&B DeepChem インテグレーションで生成されたチャートの例として、[Using W&B with DeepChem: Molecular Graph Convolutional Networks](https://wandb.ai/kshen/deepchem_graphconv/reports/Using-W-B-with-DeepChem-Molecular-Graph-Convolutional-Networks--Vmlldzo4MzU5MDc?galleryTag=) という記事を参照してください。
-すぐに実行可能な コード を確認するには、こちらの [Google Colab](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/deepchem/W%26B_x_DeepChem.ipynb) をチェックしてください。
+実行可能なコードからすぐに試してみたい場合は、この [Google Colab](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/deepchem/W%26B_x_DeepChem.ipynb) を確認してください。
-## 実験 (Experiments) を追跡する
+
+ ## 実験をトラッキングする
+
-[KerasModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#keras-models) または [TorchModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#pytorch-models) タイプの DeepChem モデルに対して W&B を設定します。
+[KerasModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#keras-models) または [TorchModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#pytorch-models) 型の DeepChem モデル向けに W&B を設定します。
-### サインアップと APIキー の作成
+
+ ### サインアップして API キーを作成する
+
-APIキー は、マシンを W&B に対して認証するために使用されます。 APIキー は ユーザー プロフィールから生成できます。
+API キーはあなたのマシンを W&B に認証します。API キーはユーザー プロファイルから生成できます。
-
+ ### `wandb` ライブラリをインストールしてログインする
+
-ローカルに `wandb` ライブラリをインストールしてログインする方法：
+ローカル環境に `wandb` ライブラリをインストールし、ログインするには次の手順を実行してください。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) をご利用の API キーに設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
-1. `wandb` ライブラリをインストールしてログインします。
+ ```shell
+ pip install wandb
- ```shell
+ wandb login
+ ```
+
+
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
-### トレーニングと評価のデータを W&B にログ記録する
+
+ ### トレーニングと評価データを W&B にログする
+
-トレーニングの損失（loss）と 評価メトリクス は、自動的に W&B に ログ 記録されます。DeepChem の [ValidationCallback](https://github.com/deepchem/deepchem/blob/master/deepchem/models/callbacks.py) を使用してオプションの評価を有効にすると、 `WandbLogger` は `ValidationCallback` コールバック を検出し、生成された メトリクス を ログ 記録します。
+トレーニング損失と評価メトリクスは、自動的に W&B にログできます。オプションの評価は DeepChem の [ValidationCallback](https://github.com/deepchem/deepchem/blob/master/deepchem/models/callbacks.py) を使って有効化でき、`WandbLogger` は ValidationCallback を検出して、生成されたメトリクスをログします。
-
-```python
-from deepchem.models import TorchModel, ValidationCallback
+
+ ```python
+ from deepchem.models import TorchModel, ValidationCallback
+
+ vc = ValidationCallback(…) # オプション
+ model = TorchModel(…, wandb_logger=logger)
+ model.fit(…, callbacks=[vc])
+ logger.finish()
+ ```
+
-vc = ValidationCallback(…) # オプション
-model = TorchModel(…, wandb_logger=logger)
-model.fit(…, callbacks=[vc])
-logger.finish()
-```
-
-
-```python
-from deepchem.models import KerasModel, ValidationCallback
+
+ ```python
+ from deepchem.models import KerasModel, ValidationCallback
-vc = ValidationCallback(…) # オプション
-model = KerasModel(…, wandb_logger=logger)
-model.fit(…, callbacks=[vc])
-logger.finish()
-```
-
+ vc = ValidationCallback(…) # オプション
+ model = KerasModel(…, wandb_logger=logger)
+ model.fit(…, callbacks=[vc])
+ logger.finish()
+ ```
+
\ No newline at end of file
diff --git a/ja/models/integrations/diffusers.mdx b/ja/models/integrations/diffusers.mdx
index 68f73cd503..7b303b2866 100644
--- a/ja/models/integrations/diffusers.mdx
+++ b/ja/models/integrations/diffusers.mdx
@@ -1,295 +1,306 @@
---
title: Hugging Face Diffusers
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## たった 2 行で高度なロギングを実現
+
-わずか2行の コード を追加するだけで、実験に関連するすべてのプロンプト、ネガティブプロンプト、生成されたメディア、および 設定 を ログ に記録できます。ロギングを開始するための2行の コード は以下の通りです。
+実験に関連するプロンプト、ネガティブプロンプト、生成メディア、および各種設定を、コードを 2 行追加するだけでまとめてログできます。ログを開始するための 2 行のコードは次のとおりです。
```python
-# autolog関数をインポート
+# autolog 関数をインポートする
from wandb.integration.diffusers import autolog
-# パイプラインを呼び出す前にautologを呼び出す
+# パイプラインを呼び出す前に autolog を呼び出す
autolog(init=dict(project="diffusers_logging"))
```
-
+ ## はじめに
+
- - コマンドライン :
+1. `diffusers`、`transformers`、`accelerate`、`wandb` をインストールします。
- ```shell
- pip install --upgrade diffusers transformers accelerate wandb
- ```
+ * コマンドライン:
- - ノートブック :
+ ```shell
+ pip install --upgrade diffusers transformers accelerate wandb
+ ```
- ```bash
- !pip install --upgrade diffusers transformers accelerate wandb
- ```
+ * ノートブック:
+ ```bash
+ !pip install --upgrade diffusers transformers accelerate wandb
+ ```
-2. `autolog` を使用して W&B Run を初期化し、[サポートされているすべてのパイプライン呼び出し](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72) からの入力と出力を自動的に追跡します。
+2. `autolog` を使って W&B の Run を初期化し、[サポートされているすべてのパイプライン呼び出し](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72)からの入力と出力を自動的に追跡します。
- `autolog()` 関数は `init` パラメータ を使用して呼び出すことができます。これには [`wandb.init()`](/models/ref/python/functions/init) で必要な パラメータ の 辞書 を渡します。
+ `autolog()` 関数を `init` パラメーター付きで呼び出すことができます。`init` には、[`wandb.init()`](/ja/models/ref/python/functions/init) に必要なパラメーターをまとめた辞書を渡します。
- `autolog()` を呼び出すと、W&B Run が初期化され、[サポートされているすべてのパイプライン呼び出し](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72) からの入力と出力が自動的に追跡されます。
+ `autolog()` を呼び出すと、W&B の Run が初期化され、[サポートされているすべてのパイプライン呼び出し](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72)からの入力と出力が自動的に追跡されます。
- - 各パイプライン呼び出しは、Workspace 内の独自の [テーブル](/models/tables/) に追跡され、パイプライン呼び出しに関連付けられた 設定 は、その Run の 設定 内の ワークフロー リストに追加されます。
- - プロンプト、ネガティブプロンプト、および生成されたメディアは [`wandb.Table`](/models/tables/) に ログ 記録されます。
- - シードやパイプライン アーキテクチャー を含む、実験に関連するその他すべての 設定 は、Run の config セクションに保存されます。
- - 各パイプライン呼び出しで生成されたメディアは、Run 内の [メディアパネル](/models/track/log/media/) にも ログ 記録されます。
+ * 各パイプライン呼び出しは ワークスペース 内のそれぞれ専用の [テーブル](/ja/models/tables/) に記録され、そのパイプライン呼び出しに関連するコンフィグは、その run のコンフィグ内にあるワークフローのリストに追加されます。
+ * プロンプト、ネガティブプロンプト、および生成されたメディアは、[`wandb.Table`](/ja/models/tables/) にログされます。
+ * seed やパイプラインアーキテクチャを含む、実験に関連するその他すべてのコンフィグは、その run の config セクションに保存されます。
+ * 各パイプライン呼び出しで生成されたメディアは、その run の [media panels](/ja/models/track/log/media/) にもログされます。
-
- [サポートされているパイプライン呼び出しのリスト](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72) を確認できます。このインテグレーションの新機能のリクエストや、関連するバグの報告が必要な場合は、[W&B GitHub issues ページ](https://github.com/wandb/wandb/issues) で issue を作成してください。
-
+
+ [サポートされているパイプライン呼び出しの一覧](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72)を確認できます。このインテグレーションに新機能をリクエストしたい場合や、関連するバグを報告したい場合は、[W&B GitHub Issues ページ](https://github.com/wandb/wandb/issues)で issue を作成してください。
+
-## 例
+
+ ## 使用例
+
-### オートロギング (Autologging)
+
+ ### 自動ロギング
+
-以下は、autolog が動作する簡単な エンドツーエンド の例です。
+autolog がどのように動作するかを示す、簡潔な end-to-end の例を以下に示します。
-
-```python
-import torch
-from diffusers import DiffusionPipeline
-
-# autolog関数をインポート
-from wandb.integration.diffusers import autolog
-
-# パイプラインを呼び出す前にautologを呼び出す
-autolog(init=dict(project="diffusers_logging"))
-
-# 拡散パイプラインを初期化
-pipeline = DiffusionPipeline.from_pretrained(
- "stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16
-).to("cuda")
-
-# プロンプト、ネガティブプロンプト、およびシードを定義
-prompt = ["a photograph of an astronaut riding a horse", "a photograph of a dragon"]
-negative_prompt = ["ugly, deformed", "ugly, deformed"]
-generator = torch.Generator(device="cpu").manual_seed(10)
-
-# パイプラインを呼び出して画像を生成
-images = pipeline(
- prompt,
- negative_prompt=negative_prompt,
- num_images_per_prompt=2,
- generator=generator,
-)
-```
-
-
-```python
-import torch
-from diffusers import DiffusionPipeline
-
-import wandb
-
-# autolog関数をインポート
-from wandb.integration.diffusers import autolog
-
-run = wandb.init()
-
-# パイプラインを呼び出す前にautologを呼び出す
-autolog(init=dict(project="diffusers_logging"))
-
-# 拡散パイプラインを初期化
-pipeline = DiffusionPipeline.from_pretrained(
- "stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16
-).to("cuda")
-
-# プロンプト、ネガティブプロンプト、およびシードを定義
-prompt = ["a photograph of an astronaut riding a horse", "a photograph of a dragon"]
-negative_prompt = ["ugly, deformed", "ugly, deformed"]
-generator = torch.Generator(device="cpu").manual_seed(10)
-
-# パイプラインを呼び出して画像を生成
-images = pipeline(
- prompt,
- negative_prompt=negative_prompt,
- num_images_per_prompt=2,
- generator=generator,
-)
-
-# 実験を終了
-run.finish()
-```
-
+
+ ```python
+ import torch
+ from diffusers import DiffusionPipeline
+
+ # autolog 関数をインポートする
+ from wandb.integration.diffusers import autolog
+
+ # パイプラインを呼び出す前に autolog を呼び出す
+ autolog(init=dict(project="diffusers_logging"))
+
+ # Diffusion パイプラインを初期化する
+ pipeline = DiffusionPipeline.from_pretrained(
+ "stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16
+ ).to("cuda")
+
+ # プロンプト、ネガティブプロンプト、およびシードを定義する
+ prompt = ["a photograph of an astronaut riding a horse", "a photograph of a dragon"]
+ negative_prompt = ["ugly, deformed", "ugly, deformed"]
+ generator = torch.Generator(device="cpu").manual_seed(10)
+
+ # 画像を生成するためにパイプラインを呼び出す
+ images = pipeline(
+ prompt,
+ negative_prompt=negative_prompt,
+ num_images_per_prompt=2,
+ generator=generator,
+ )
+ ```
+
+
+
+ ```python
+ import torch
+ from diffusers import DiffusionPipeline
+
+ import wandb
+
+ # autolog 関数をインポートする
+ from wandb.integration.diffusers import autolog
+
+ run = wandb.init()
+
+ # パイプラインを呼び出す前に autolog を呼び出す
+ autolog(init=dict(project="diffusers_logging"))
+
+ # Diffusion パイプラインを初期化する
+ pipeline = DiffusionPipeline.from_pretrained(
+ "stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16
+ ).to("cuda")
+
+ # プロンプト、ネガティブプロンプト、およびシードを定義する
+ prompt = ["a photograph of an astronaut riding a horse", "a photograph of a dragon"]
+ negative_prompt = ["ugly, deformed", "ugly, deformed"]
+ generator = torch.Generator(device="cpu").manual_seed(10)
+
+ # 画像を生成するためにパイプラインを呼び出す
+ images = pipeline(
+ prompt,
+ negative_prompt=negative_prompt,
+ num_images_per_prompt=2,
+ generator=generator,
+ )
+
+ # 実験を終了する
+ run.finish()
+ ```
+
+* 単一の実験結果：
-- 単一の 実験 の 結果 :
+
-IPython ノートブック 環境で コード を実行する場合、パイプラインを呼び出した後に明示的に [`wandb.Run.finish()`](/models/ref/python/functions/finish) を呼び出す必要があります。Python スクリプト を実行する場合には、これは必要ありません。
+ パイプラインを呼び出した後に IPython notebook 環境でコードを実行する場合は、明示的に [`wandb.Run.finish()`](/ja/models/ref/python/functions/finish) を呼び出す必要があります。Python スクリプトを実行する場合は、この呼び出しは不要です。
-### マルチパイプライン ワークフロー の追跡
+
+ ### 複数パイプライン ワークフローの追跡
+
-このセクションでは、一般的な [Stable Diffusion XL + Refiner](https://huggingface.co/docs/diffusers/using-diffusers/sdxl#base-to-refiner-model) ワークフロー での autolog の使用例を示します。この ワークフロー では、[`StableDiffusionXLPipeline`](https://huggingface.co/docs/diffusers/api/pipelines/stable_diffusion/stable_diffusion_xl) によって生成された latents が、対応する refiner によって洗練されます。
+このセクションでは、典型的な [Stable Diffusion XL + Refiner](https://huggingface.co/docs/diffusers/using-diffusers/sdxl#base-to-refiner-model) ワークフローにおける autolog の使用例を示します。このワークフローでは、[`StableDiffusionXLPipeline`](https://huggingface.co/docs/diffusers/api/pipelines/stable_diffusion/stable_diffusion_xl) によって生成された潜在表現 (latents) が、対応する refiner によってさらに精細化されます。
-
-```python
-import torch
-from diffusers import StableDiffusionXLImg2ImgPipeline, StableDiffusionXLPipeline
-from wandb.integration.diffusers import autolog
-
-# SDXL base パイプラインを初期化
-base_pipeline = StableDiffusionXLPipeline.from_pretrained(
- "stabilityai/stable-diffusion-xl-base-1.0",
- torch_dtype=torch.float16,
- variant="fp16",
- use_safetensors=True,
-)
-base_pipeline.enable_model_cpu_offload()
-
-# SDXL refiner パイプラインを初期化
-refiner_pipeline = StableDiffusionXLImg2ImgPipeline.from_pretrained(
- "stabilityai/stable-diffusion-xl-refiner-1.0",
- text_encoder_2=base_pipeline.text_encoder_2,
- vae=base_pipeline.vae,
- torch_dtype=torch.float16,
- use_safetensors=True,
- variant="fp16",
-)
-refiner_pipeline.enable_model_cpu_offload()
-
-prompt = "a photo of an astronaut riding a horse on mars"
-negative_prompt = "static, frame, painting, illustration, sd character, low quality, low resolution, greyscale, monochrome, nose, cropped, lowres, jpeg artifacts, deformed iris, deformed pupils, bad eyes, semi-realistic worst quality, bad lips, deformed mouth, deformed face, deformed fingers, deformed toes standing still, posing"
-
-# 乱数を制御して実験の再現性を確保
-# シード値は自動的にWandBにログ記録されます
-seed = 42
-generator_base = torch.Generator(device="cuda").manual_seed(seed)
-generator_refiner = torch.Generator(device="cuda").manual_seed(seed)
-
-# Diffusers用のW&B Autologを呼び出す
-# これにより、プロンプト、生成された画像、パイプラインアーキテクチャー、
-# および関連するすべての実験設定がW&Bに自動的にログ記録され、
-# 画像生成実験の再現、共有、分析が容易になります。
-autolog(init=dict(project="sdxl"))
-
-# base パイプラインを呼び出して latents を生成
-image = base_pipeline(
- prompt=prompt,
- negative_prompt=negative_prompt,
- output_type="latent",
- generator=generator_base,
-).images[0]
-
-# refiner パイプラインを呼び出して洗練された画像を生成
-image = refiner_pipeline(
- prompt=prompt,
- negative_prompt=negative_prompt,
- image=image[None, :],
- generator=generator_refiner,
-).images[0]
-```
-
-
-```python
-import torch
-from diffusers import StableDiffusionXLImg2ImgPipeline, StableDiffusionXLPipeline
-
-import wandb
-from wandb.integration.diffusers import autolog
-
-run = wandb.init()
-
-# SDXL base パイプラインを初期化
-base_pipeline = StableDiffusionXLPipeline.from_pretrained(
- "stabilityai/stable-diffusion-xl-base-1.0",
- torch_dtype=torch.float16,
- variant="fp16",
- use_safetensors=True,
-)
-base_pipeline.enable_model_cpu_offload()
-
-# SDXL refiner パイプラインを初期化
-refiner_pipeline = StableDiffusionXLImg2ImgPipeline.from_pretrained(
- "stabilityai/stable-diffusion-xl-refiner-1.0",
- text_encoder_2=base_pipeline.text_encoder_2,
- vae=base_pipeline.vae,
- torch_dtype=torch.float16,
- use_safetensors=True,
- variant="fp16",
-)
-refiner_pipeline.enable_model_cpu_offload()
-
-prompt = "a photo of an astronaut riding a horse on mars"
-negative_prompt = "static, frame, painting, illustration, sd character, low quality, low resolution, greyscale, monochrome, nose, cropped, lowres, jpeg artifacts, deformed iris, deformed pupils, bad eyes, semi-realistic worst quality, bad lips, deformed mouth, deformed face, deformed fingers, deformed toes standing still, posing"
-
-# 乱数を制御して実験の再現性を確保
-# シード値は自動的にWandBにログ記録されます
-seed = 42
-generator_base = torch.Generator(device="cuda").manual_seed(seed)
-generator_refiner = torch.Generator(device="cuda").manual_seed(seed)
-
-# Diffusers用のW&B Autologを呼び出す
-# これにより、プロンプト、生成された画像、パイプラインアーキテクチャー、
-# および関連するすべての実験設定がW&Bに自動的にログ記録され、
-# 画像生成実験の再現、共有、分析が容易になります。
-autolog(init=dict(project="sdxl"))
-
-# base パイプラインを呼び出して latents を生成
-image = base_pipeline(
- prompt=prompt,
- negative_prompt=negative_prompt,
- output_type="latent",
- generator=generator_base,
-).images[0]
-
-# refiner パイプラインを呼び出して洗練された画像を生成
-image = refiner_pipeline(
- prompt=prompt,
- negative_prompt=negative_prompt,
- image=image[None, :],
- generator=generator_refiner,
-).images[0]
-
-# 実験を終了
-run.finish()
-```
-
+
+ ```python
+ import torch
+ from diffusers import StableDiffusionXLImg2ImgPipeline, StableDiffusionXLPipeline
+ from wandb.integration.diffusers import autolog
+
+ # SDXL ベースパイプラインを初期化する
+ base_pipeline = StableDiffusionXLPipeline.from_pretrained(
+ "stabilityai/stable-diffusion-xl-base-1.0",
+ torch_dtype=torch.float16,
+ variant="fp16",
+ use_safetensors=True,
+ )
+ base_pipeline.enable_model_cpu_offload()
+
+ # SDXL リファイナーパイプラインを初期化する
+ refiner_pipeline = StableDiffusionXLImg2ImgPipeline.from_pretrained(
+ "stabilityai/stable-diffusion-xl-refiner-1.0",
+ text_encoder_2=base_pipeline.text_encoder_2,
+ vae=base_pipeline.vae,
+ torch_dtype=torch.float16,
+ use_safetensors=True,
+ variant="fp16",
+ )
+ refiner_pipeline.enable_model_cpu_offload()
+
+ prompt = "a photo of an astronaut riding a horse on mars"
+ negative_prompt = "static, frame, painting, illustration, sd character, low quality, low resolution, greyscale, monochrome, nose, cropped, lowres, jpeg artifacts, deformed iris, deformed pupils, bad eyes, semi-realistic worst quality, bad lips, deformed mouth, deformed face, deformed fingers, deformed toes standing still, posing"
+
+ # ランダム性を制御して実験を再現可能にする。
+ # シードは WandB に自動的にログされる。
+ seed = 42
+ generator_base = torch.Generator(device="cuda").manual_seed(seed)
+ generator_refiner = torch.Generator(device="cuda").manual_seed(seed)
+
+ # Diffusers 向け WandB Autolog を呼び出す。これにより、プロンプト、生成画像、
+ # パイプラインアーキテクチャ、および関連するすべての実験設定が W&B に自動的にログされ、
+ # 画像生成実験の再現・共有・分析が容易になる。
+ autolog(init=dict(project="sdxl"))
+
+ # ベースパイプラインを呼び出して潜在変数を生成する
+ image = base_pipeline(
+ prompt=prompt,
+ negative_prompt=negative_prompt,
+ output_type="latent",
+ generator=generator_base,
+ ).images[0]
+
+ # リファイナーパイプラインを呼び出してリファイン済み画像を生成する
+ image = refiner_pipeline(
+ prompt=prompt,
+ negative_prompt=negative_prompt,
+ image=image[None, :],
+ generator=generator_refiner,
+ ).images[0]
+ ```
+
+
+
+ ```python
+ import torch
+ from diffusers import StableDiffusionXLImg2ImgPipeline, StableDiffusionXLPipeline
+
+ import wandb
+ from wandb.integration.diffusers import autolog
+
+ run = wandb.init()
+
+ # SDXL ベースパイプラインを初期化する
+ base_pipeline = StableDiffusionXLPipeline.from_pretrained(
+ "stabilityai/stable-diffusion-xl-base-1.0",
+ torch_dtype=torch.float16,
+ variant="fp16",
+ use_safetensors=True,
+ )
+ base_pipeline.enable_model_cpu_offload()
+
+ # SDXL リファイナーパイプラインを初期化する
+ refiner_pipeline = StableDiffusionXLImg2ImgPipeline.from_pretrained(
+ "stabilityai/stable-diffusion-xl-refiner-1.0",
+ text_encoder_2=base_pipeline.text_encoder_2,
+ vae=base_pipeline.vae,
+ torch_dtype=torch.float16,
+ use_safetensors=True,
+ variant="fp16",
+ )
+ refiner_pipeline.enable_model_cpu_offload()
+
+ prompt = "a photo of an astronaut riding a horse on mars"
+ negative_prompt = "static, frame, painting, illustration, sd character, low quality, low resolution, greyscale, monochrome, nose, cropped, lowres, jpeg artifacts, deformed iris, deformed pupils, bad eyes, semi-realistic worst quality, bad lips, deformed mouth, deformed face, deformed fingers, deformed toes standing still, posing"
+
+ # ランダム性を制御して実験を再現可能にする。
+ # シードは WandB に自動的にログされる。
+ seed = 42
+ generator_base = torch.Generator(device="cuda").manual_seed(seed)
+ generator_refiner = torch.Generator(device="cuda").manual_seed(seed)
+
+ # Diffusers 向け WandB Autolog を呼び出す。これにより、プロンプト、生成画像、
+ # パイプラインアーキテクチャ、および関連するすべての実験設定が W&B に自動的にログされ、
+ # 画像生成実験の再現・共有・分析が容易になる。
+ autolog(init=dict(project="sdxl"))
+
+ # ベースパイプラインを呼び出して潜在変数を生成する
+ image = base_pipeline(
+ prompt=prompt,
+ negative_prompt=negative_prompt,
+ output_type="latent",
+ generator=generator_base,
+ ).images[0]
+
+ # リファイナーパイプラインを呼び出して精緻化された画像を生成する
+ image = refiner_pipeline(
+ prompt=prompt,
+ negative_prompt=negative_prompt,
+ image=image[None, :],
+ generator=generator_refiner,
+ ).images[0]
+
+ # 実験を終了する
+ run.finish()
+ ```
+
-- Stable Diffusion XL + Refiner の 実験 例 :
-
+ ## 参考資料
+
-* [Stable Diffusionのためのプロンプトエンジニアリングガイド](https://wandb.ai/geekyrakshit/diffusers-prompt-engineering/reports/A-Guide-to-Prompt-Engineering-for-Stable-Diffusion--Vmlldzo1NzY4NzQ3) (Reports)
-* [PIXART-α: text-to-image 生成のための Diffusion Transformer モデル](https://wandb.ai/geekyrakshit/pixart-alpha/reports/PIXART-A-Diffusion-Transformer-Model-for-Text-to-Image-Generation--Vmlldzo2MTE1NzM3) (Reports)
\ No newline at end of file
+* [Stable Diffusion 向けプロンプトエンジニアリングガイド](https://wandb.ai/geekyrakshit/diffusers-prompt-engineering/reports/A-Guide-to-Prompt-Engineering-for-Stable-Diffusion--Vmlldzo1NzY4NzQ3)
+* [PIXART-α: テキストから画像を生成する Diffusion Transformer モデル](https://wandb.ai/geekyrakshit/pixart-alpha/reports/PIXART-A-Diffusion-Transformer-Model-for-Text-to-Image-Generation--Vmlldzo2MTE1NzM3)
\ No newline at end of file
diff --git a/ja/models/integrations/docker.mdx b/ja/models/integrations/docker.mdx
index 69e9517e78..e464a32900 100644
--- a/ja/models/integrations/docker.mdx
+++ b/ja/models/integrations/docker.mdx
@@ -1,24 +1,34 @@
---
+description: W&B を Docker と連携させる方法。
title: Docker
-description: W&B を Docker と統合する方法。
---
-## Docker インテグレーション
+
+ ## Docker インテグレーション
+
-W&B は、コードが実行された Docker イメージへのポインタを保存できます。これにより、以前の 実験 を実行時と全く同じ 環境 で復元することが可能になります。 wandbライブラリ は、この状態を永続化するために **WANDB_DOCKER** 環境 変数を確認します。この状態を自動的に設定するためのヘルパーをいくつか提供しています。
+W&B は、コードを実行した Docker イメージへの参照情報を保存できるため、過去の実験を、その run が実行されたのとまったく同じ環境で復元できます。wandb ライブラリは、この状態を保持するために **WANDB_DOCKER** 環境変数を参照します。W&B では、この状態を自動的に設定するためのヘルパーをいくつか提供しています。
-### ローカル開発
+
+ ### ローカル開発
+
-`wandb docker` は、 dockerコンテナ を起動し、 wandb 環境 変数を渡し、コードをマウントし、 wandb がインストールされていることを確認する コマンド です。デフォルトでは、この コマンド は TensorFlow、PyTorch、Keras、Jupyter がインストールされた Docker イメージを使用します。独自の Docker イメージを開始するために同じ コマンド を使用することもできます： `wandb docker my/image:latest` 。この コマンド は現在の ディレクトリー をコンテナの "/app" ディレクトリー にマウントします。これは "--dir" フラグで変更可能です。
+`wandb docker` は、Docker コンテナーを起動し、wandb の環境変数を渡し、ローカルのコードをマウントし、wandb がインストールされていることを保証するためのコマンドです。デフォルトでは、このコマンドは TensorFlow、PyTorch、Keras、Jupyter がインストールされた Docker イメージを使用します。同じコマンドを使って、自分の Docker イメージを起動することもできます: `wandb docker my/image:latest`。このコマンドは、現在のディレクトリをコンテナー内の "/app" ディレクトリにマウントしますが、これは "--dir" フラグで変更できます。
-### プロダクション
+
+ ### 本番環境
+
-プロダクション のワークロード向けに `wandb docker-run` コマンド が提供されています。これは `nvidia-docker` のドロップインリプレイスメントとして機能することを意図しています。これは `docker run` コマンド のシンプルなラッパーであり、資格情報と **WANDB_DOCKER** 環境 変数を呼び出しに追加します。 "--runtime" フラグを渡さず、かつマシン上で `nvidia-docker` が利用可能な場合、ランタイムが nvidia に設定されることも保証します。
+`wandb docker-run` コマンドは本番ワークロード向けに提供されています。これは `nvidia-docker` の代替としてそのまま置き換えて使用できるように設計されています。`docker run` コマンドへのシンプルなラッパーであり、呼び出しに認証情報と **WANDB_DOCKER** 環境変数を追加します。`--runtime` フラグを指定せず、かつマシン上で `nvidia-docker` が利用可能な場合には、ランタイムが自動的に nvidia に設定されます。
-### Kubernetes
+
+ ### Kubernetes
+
-トレーニング ワークロードを Kubernetes で実行しており、k8s API がポッドに公開されている場合（デフォルト設定）、 wandb は API に Docker イメージのダイジェストを問い合わせ、 **WANDB_DOCKER** 環境 変数を自動的に設定します。
+Kubernetes でトレーニング ワークロードを実行しており、k8s API が pod に公開されている場合（これはデフォルトの挙動です）、wandb は Docker イメージのダイジェストを取得するために API に問い合わせ、自動的に **WANDB_DOCKER** 環境変数を設定します。
-## 復元（Restoring）
+
+ ## 復元
+
-Run が **WANDB_DOCKER** 環境 変数とともに計測されていた場合、 `wandb restore username/project:run_id` を呼び出すと、コードを復元する新しいブランチをチェックアウトし、 トレーニング で使用されたのと全く同じ Docker イメージを、元の コマンド が入力された状態で ローンンチ します。
\ No newline at end of file
+run に対して **WANDB_DOCKER** 環境変数を指定して実行している場合、`wandb restore username/project:run_id` を実行すると、コードを復元した状態の新しいブランチをチェックアウトし、その後、元のコマンドがあらかじめ設定された、トレーニングに使用されたのと全く同じ Docker イメージを起動します。
\ No newline at end of file
diff --git a/ja/models/integrations/dspy.mdx b/ja/models/integrations/dspy.mdx
index 5f4a303bf0..e64c3ec9c6 100644
--- a/ja/models/integrations/dspy.mdx
+++ b/ja/models/integrations/dspy.mdx
@@ -1,77 +1,82 @@
---
+description: W&B を使用して DSPy プログラムをトラッキングおよび最適化します。
title: DSPy
-description: W&B を使用して DSPy プログラムをトラッキングし、最適化します。
---
-W&B を DSPy と組み合わせて使用することで、言語モデルプログラムの追跡と最適化が可能になります。W&B は [Weave DSPy integration](/weave/guides/integrations/dspy) を補完し、以下の機能を提供します。
+W&B を DSPy と併用して、言語モデル プログラムをトラッキングおよび最適化します。W&B は [Weave DSPy インテグレーション](/ja/weave/guides/integrations/dspy) を補完し、次の機能を提供します。
-- 評価メトリクスの経時的な追跡
-- プログラムシグネチャの進化を記録する W&B Tables
-- MIPROv2 などの DSPy オプティマイザーとの連携
+* 評価メトリクスの経時的なトラッキング
+* プログラムシグネチャの変化を可視化する W&B Tables
+* MIPROv2 などの DSPy オプティマイザーとのインテグレーション
-DSPy モジュールを最適化する際に包括的なオブザーバビリティ（観測性）を得るには、W&B と Weave の両方でインテグレーションを有効にしてください。
+DSPy モジュールを最適化する際に包括的なオブザーバビリティを得るには、W&B と Weave の両方でインテグレーションを有効化してください。
-**Note**
+ **Note**
-`wandb==0.21.2` および `weave==0.52.5` 以降、W&B と併用すると Weave は自動的に初期化されます。
+ `wandb==0.21.2` および `weave==0.52.5` 以降では、W&B と併用した場合に Weave が自動的に初期化されます。
-- `weave` をインポートした後に `wandb.init()` を呼び出した場合（スクリプトの場合）
-- `wandb.init()` を呼び出した後に `weave` をインポートした場合（ノートブック / Jupyter の場合）
+ * `weave` をインポートしてから `wandb.init()` を呼び出す場合 (スクリプトの場合)
+ * 先に `wandb.init()` を呼び出し、その後で `weave` をインポートする場合 (notebook/Jupyter の場合)
-明示的な `weave.init(...)` の呼び出しは不要です。
+ 明示的に `weave.init(...)` を呼び出す必要はありません。
-## インストールと認証
+
+ ## インストールと認証
+
-必要なライブラリをインストールし、W&B で認証を行います。
+必要なライブラリをインストールし、W&B で認証を行います。
-
-1. 必要なライブラリをインストールします：
+
+ 1. 必要なライブラリをインストールします:
- ```shell
- pip install wandb weave dspy
- ```
+ ```shell
+ pip install wandb weave dspy
+ ```
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/)を設定してログインします：
+ 2. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を設定してログインします:
- ```bash
- export WANDB_API_KEY=
- wandb login
- ```
-
-
-1. 必要なライブラリをインストールします：
+ ```bash
+ export WANDB_API_KEY=
+ wandb login
+ ```
+
- ```bash
- pip install wandb weave dspy
- ```
-1. コード内で W&B にログインします：
+
+ 1. 必要なライブラリをインストールします:
+
+ ```bash
+ pip install wandb weave dspy
+ ```
+ 2. コード内で W&B にログインします:
+
+ ```python
+ import wandb
+ wandb.login()
+ ```
+
+
+
+ 必要なライブラリをインストールしてインポートし、その後 W&B にログインします:
+
+ ```notebook
+ !pip install wandb weave dspy
- ```python
import wandb
wandb.login()
```
-
-
-必要なライブラリをインストールしてインポートし、W&B にログインします：
-```notebook
-!pip install wandb weave dspy
-
-import wandb
-wandb.login()
-```
-
+
-W&B を初めて使用される方は、[クイックスタートガイド](/models/quickstart/)をご覧ください。
-
+W&B を初めて利用する場合は、[クイックスタートガイド](/ja/models/quickstart/) を参照してください。
-## プログラム最適化の追跡 (experimental)
+
+ ## プログラム最適化のトラッキング (実験的)
+
-
-`dspy.Evaluate` を使用する DSPy オプティマイザー（MIPROv2 など）では、`WandbDSPyCallback` を使用して評価メトリクスを時系列でログに記録し、プログラムシグネチャの進化を W&B Tables で追跡できます。
+`dspy.Evaluate` を使用する DSPy オプティマイザー (MIPROv2 など) の場合は、`WandbDSPyCallback` を使用して、時間経過に伴う評価メトリクスをログし、W&B Tables でのプログラムシグネチャの変化を追跡します。
```python
import dspy
@@ -81,24 +86,24 @@ import weave
import wandb
from wandb.integration.dspy import WandbDSPyCallback
-# W&B を初期化 (weave をインポートするだけで十分です。明示的な weave.init は不要です)
+# W&B を初期化する（weave をインポートするだけで十分。明示的な weave.init は不要）
project_name = "dspy-optimization"
with wandb.init(project=project_name) as run:
- # DSPy に W&B コールバックを追加
+ # W&B コールバックを DSPy に追加する
dspy.settings.callbacks.append(
WandbDSPyCallback(run=run)
)
- # 言語モデルの設定
+ # 言語モデルを設定する
teacher_lm = dspy.LM('openai/gpt-4o', max_tokens=2000, cache=True)
student_lm = dspy.LM('openai/gpt-4o-mini', max_tokens=2000)
dspy.configure(lm=student_lm)
- # データセットのロードとプログラムの定義
+ # データセットを読み込み、プログラムを定義する
dataset = MATH(subset='algebra')
program = dspy.ChainOfThought("question -> answer")
- # オプティマイザーの設定と実行
+ # オプティマイザーを設定して実行する
optimizer = dspy.MIPROv2(
metric=dataset.metric,
auto="light",
@@ -115,79 +120,86 @@ with wandb.init(project=project_name) as run:
)
```
-このコードを実行すると、W&B Run URL と Weave URL の両方が発行されます。W&B には評価メトリクスの推移と、プログラムシグネチャの変化を示す Tables が表示されます。Run の **Overview** タブには、詳細な調査のための Weave トレース へのリンクが含まれています。
+このコードを実行すると、W&B Run URL と Weave URL の両方を取得できます。W&B は、時間経過に伴う評価メトリクスを表示するとともに、プログラムシグネチャの推移を示す Tables も表示します。run の **Overview** タブには、詳細に調査するための Weave トレースへのリンクが含まれます。
-`WandbDSPyCallback` に `run` オブジェクトが渡されない場合は、グローバルな `run` オブジェクトが使用されます。
+`run` オブジェクトが `WandbDSPyCallback` に渡されない場合、グローバルな `run` オブジェクトが使用されます。
+ ## 予測を W&B Tables にログする
+
-詳細な予測ログを有効にすると、最適化中の個々の例を詳細に確認できます。コールバックは各評価ステップに対して W&B Tables を作成し、特定の成功例や失敗例の分析を容易にします。
+詳細な予測ログ記録を有効にして、最適化中に個々の例を確認できるようにします。このコールバックは各評価ステップごとに W&B Tables を作成し、特定の成功例や失敗例を分析するのに役立ちます。
```python
from wandb.integration.dspy import WandbDSPyCallback
-# 予測のログを有効化 (デフォルトで有効)
+# 予測ログを有効化（デフォルトで有効）
callback = WandbDSPyCallback(log_results=True)
dspy.settings.callbacks.append(callback)
# 最適化を実行
optimized_program = optimizer.compile(program, trainset=train_data)
-# 必要に応じて予測のログを無効化
+# 必要に応じて予測ログを無効化
# callback = WandbDSPyCallback(log_results=False)
```
-### 予測データへのアクセス
+
+ ### 予測データにアクセスする
+
+
+最適化後、W&B で予測データにアクセスできます:
-最適化後、W&B で予測データを確認できます：
+1. 対象の run の **Overview** ページに移動します。
+2. `predictions_0`、`predictions_1` などの名前が付いた Table パネルを探します。
+3. `is_correct` でフィルタして失敗ケースを分析します。
+4. プロジェクトの Workspace 内で、run 間のテーブルを比較します。
-1. Run の **Overview** ページに移動します。
-2. `predictions_0`、`predictions_1` のようなパターンで命名された Table パネルを探します。
-3. `is_correct` でフィルタリングして、失敗例を分析します。
-4. プロジェクトの Workspace で、Run 間のテーブルを比較します。
+各テーブルには次の列が含まれます:
-各テーブルには以下のカラムが含まれます：
-- `example`: 入力データ
-- `prediction`: モデルの出力
-- `is_correct`: 評価結果
+* `example`: 入力データ
+* `prediction`: モデルの出力
+* `is_correct`: 評価結果
-詳細は [W&B Tables ガイド](/models/tables/visualize-tables/) および [Tables チュートリアル](/ja/models/tutorials/tables) をご覧ください。
+詳細は [W&B Tables guide](/ja/models/tables/visualize-tables/) を参照してください。
-## DSPy プログラムの保存とバージョン管理
+
+ ## DSPy プログラムの保存とバージョン管理
+
-最適な DSPy プログラムを再現し、バージョン管理するために、W&B Artifacts として保存します。プログラム全体を保存するか、状態のみを保存するかを選択できます。
+最良の DSPy プログラムを再現可能にしてバージョン管理するには、W&B Artifacts として保存してください。プログラム全体を保存するか、状態のみを保存するかを選択できます。
```python
from wandb.integration.dspy import WandbDSPyCallback
-# コールバック インスタンスの作成
+# コールバックインスタンスを作成する
callback = WandbDSPyCallback()
dspy.settings.callbacks.append(callback)
-# 最適化の実行
+# 最適化を実行する
optimized_program = optimizer.compile(program, trainset=train_data)
# 保存オプション:
-# 1. プログラム全体 (推奨) - アーキテクチャーと状態の両方を含む
+# 1. 完全なプログラム（推奨）- アーキテクチャと状態を含む
callback.log_best_model(optimized_program, save_program=True)
-# 2. 状態のみを JSON として保存 - 軽量で人間が読める形式
+# 2. JSON 形式で状態のみ - 軽量で人間が読みやすい
callback.log_best_model(optimized_program, save_program=False, filetype="json")
-# 3. 状態のみを pickle として保存 - Python オブジェクトをそのまま保持
+# 3. pickle 形式で状態のみ - Python オブジェクトを保持する
callback.log_best_model(optimized_program, save_program=False, filetype="pkl")
-# バージョン管理用のカスタムエイリアスを追加
+# バージョン管理用のカスタムエイリアスを追加する
callback.log_best_model(
optimized_program,
save_program=True,
aliases=["best", "production", "v2.0"]
)
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/farama-gymnasium.mdx b/ja/models/integrations/farama-gymnasium.mdx
index f6d486dbfb..387550f9bf 100644
--- a/ja/models/integrations/farama-gymnasium.mdx
+++ b/ja/models/integrations/farama-gymnasium.mdx
@@ -1,14 +1,14 @@
---
+description: W&B を Farama Gymnasium とインテグレーションする方法。
title: Farama Gymnasium
-description: W&B を Farama Gymnasium と統合する方法。
---
-[Farama Gymnasium](https://gymnasium.farama.org/#) を使用している場合、 `gymnasium.wrappers.Monitor` によって生成された環境のビデオを自動的に ログ 記録します。 [`wandb.init`](/models/ref/python/functions/init) のキーワード 引数 である `monitor_gym` を `True` に設定するだけです。
+[Farama Gymnasium](https://gymnasium.farama.org/#) を使用している場合、`gymnasium.wrappers.Monitor` によって生成された環境の動画は自動でログに記録されます。[`wandb.init`](/ja/models/ref/python/functions/init) のキーワード引数 `monitor_gym` を `True` に設定してください。
-W&B の Gymnasium インテグレーション は非常に軽量です。 `gymnasium` から ログ 記録される [ビデオファイルの名前を確認し](https://github.com/wandb/wandb/blob/c5fe3d56b155655980611d32ef09df35cd336872/wandb/integration/gym/__init__.py#LL69C67-L69C67) 、その名前に基づいて命名します。一致するものがない場合はデフォルトで `"videos"` という名前になります。より細かく制御したい場合は、いつでも手動で [ビデオを ログ 記録](/models/track/log/media/) することができます。
+Gymnasium とのインテグレーションはごく軽量です。`gymnasium` からログされる[動画ファイル名を確認](https://github.com/wandb/wandb/blob/c5fe3d56b155655980611d32ef09df35cd336872/wandb/integration/gym/__init__.py#LL69C67-L69C67)し、そのファイル名を動画名として使用するか、一致するものがない場合は `"videos"` をデフォルト名として使用します。より細かく制御したい場合は、手動で[動画をログ](/ja/models/track/log/media/)することもできます。
-Gymnasium と CleanRL ライブラリ を併用する方法の詳細については、こちらの [Reports](https://wandb.ai/raph-test/cleanrltest/reports/Mario-Bros-but-with-AI-Gymnasium-and-CleanRL---Vmlldzo0NTcxNTcw) をご覧ください。
+Gymnasium を CleanRL ライブラリと組み合わせて使う方法については、この[レポート](https://wandb.ai/raph-test/cleanrltest/reports/Mario-Bros-but-with-AI-Gymnasium-and-CleanRL---Vmlldzo0NTcxNTcw)を参照してください。
+ ## サインアップして API キーを作成する
+
-API キーは、お使いのマシンを W&B に対して認証するために使用されます。 API キーはユーザープロファイルから生成できます。
+API キー は、お使いのマシンを W&B に認証するためのものです。API キー はユーザープロフィールから生成できます。
-
+ ## ローカルに `wandb` ライブラリをインストールしてログインする
+
-ローカルに `wandb` ライブラリをインストールしてログインするには：
+ローカルに `wandb` ライブラリをインストールしてログインするには、次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) を API キーに設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を自分の API キー に設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
-1. `wandb` ライブラリをインストールしてログインします。
+ 2. `wandb` ライブラリをインストールしてログインします。
- ```shell
+ ```shell
+ pip install wandb
+
+ wandb login
+ ```
+
+
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
-## `learner` または `fit` メソッドに `WandbCallback` を追加する
+
+ ## `learner` または `fit` メソッドに `WandbCallback` を追加する
+
```python
import wandb
from fastai.callback.wandb import *
-# wandb run のログ記録を開始
+# wandb の run のログを開始する
wandb.init(project="my_project")
# 1つのトレーニングフェーズのみログを記録する場合
@@ -71,187 +80,194 @@ learn = learner(..., cbs=WandbCallback())
```
-Fastai のバージョン1を使用している場合は、 [Fastai v1 ドキュメント](/models/integrations/fastai/v1/) を参照してください。
+ Fastai のバージョン 1 を使用している場合は、[Fastai v1 ドキュメント](/ja/models/integrations/fastai/v1/) を参照してください。
-## WandbCallback の引数
+
+ ## WandbCallback の引数
+
-`WandbCallback` は以下の引数を受け取ります：
+`WandbCallback` は次の引数を受け取ります:
-| 引数 | 説明 |
+| Args | Description |
| ------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
-| log | モデルの何をログ記録するか： `gradients` , `parameters`, `all` または `None` (デフォルト)。損失とメトリクスは常にログに記録されます。 |
-| log_preds | 予測サンプルのログを記録するかどうか（デフォルトは `True` ）。 |
-| log_preds_every_epoch | 各エポックごとに予測をログ記録するか、終了時に記録するか（デフォルトは `False` ）。 |
-| log_model | モデルをログ記録するかどうか（デフォルトは False ）。これには `SaveModelCallback` も必要です。 |
-| model_name | 保存する `file` の名前。 `SaveModelCallback` を上書きします。 |
-| log_dataset | False (デフォルト)True は learn.dls.path で参照されるフォルダをログに記録します。ログに記録するフォルダを参照するために、パスを明示的に定義することもできます。 注意: サブフォルダ "models" は常に無視されます。
|
-| dataset_name | ログに記録されるデータセットの名前（デフォルトは folder name ）。 |
-| valid_dl | 予測サンプルに使用されるアイテムを含む DataLoaders （デフォルトは learn.dls.valid からのランダムなアイテム）。 |
-| n_preds | ログに記録する予測の数（デフォルトは 36 ）。 |
-| seed | ランダムサンプルの定義に使用されます。 |
-
-カスタムワークフローでは、データセットとモデルを手動でログに記録できます：
+| log | モデルの `gradients`、`parameters`、`all` もしくは `None`（デフォルト）のどれをログに記録するかを指定します。損失とメトリクスは常にログに記録されます。 |
+| log_preds | 予測サンプルをログに記録するかどうか（デフォルトは `True`）。 |
+| log_preds_every_epoch | 予測を毎エポックでログに記録するか、最後にのみ記録するか（デフォルトは `False`）。 |
+| log_model | モデルをログに記録するかどうか（デフォルトは False）。これには `SaveModelCallback` も必要です。 |
+| model_name | 保存する `file` の名前。`SaveModelCallback` の設定を上書きします。 |
+| log_dataset | False（デフォルト）True の場合、learn.dls.path が指すフォルダをログに記録します。ログに記録するフォルダを指定するためのパスを明示的に設定できます。 注: サブフォルダ "models" は常に無視されます。
|
+| dataset_name | ログに記録されるデータセット名（デフォルトは `folder name`）。 |
+| valid_dl | 予測サンプルに使用されるアイテムを含む `DataLoaders`（デフォルトは `learn.dls.valid` からのランダムなアイテム）。 |
+| n_preds | ログに記録する予測の数（デフォルトは 36）。 |
+| seed | ランダムなサンプルを決定するために使用されます。 |
+
+カスタムワークフローでは、データセットとモデルを手動でログに記録できます:
* `log_dataset(path, name=None, metadata={})`
* `log_model(path, name=None, metadata={})`
-_注意: いかなるサブフォルダ "models" も無視されます。_
+*注: 任意のサブフォルダ "models" は無視されます。*
-## 分散トレーニング
+
+ ## 分散トレーニング
+
-`fastai` はコンテキストマネージャー `distrib_ctx` を使用した分散トレーニングをサポートしています。W&B はこれを自動的にサポートしており、設定不要でマルチ GPU 実験を追跡できます。
+`fastai` はコンテキストマネージャー `distrib_ctx` を使って分散トレーニングをサポートします。W&B はこれを自動的にサポートし、マルチ GPU の実験をすぐにトラッキングできるようにします。
-以下の最小構成の例を確認してください：
+次の最小限の例を確認してください：
-
-```python
-import wandb
-from fastai.vision.all import *
-from fastai.distributed import *
-from fastai.callback.wandb import WandbCallback
-
-# experiment="service" を指定して wandb.require を実行
-wandb.require(experiment="service")
-path = rank0_first(lambda: untar_data(URLs.PETS) / "images")
-
-def train():
- dls = ImageDataLoaders.from_name_func(
- path,
- get_image_files(path),
- valid_pct=0.2,
- label_func=lambda x: x[0].isupper(),
- item_tfms=Resize(224),
- )
- wandb.init("fastai_ddp", entity="capecape")
- cb = WandbCallback()
- learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
- with learn.distrib_ctx(sync_bn=False):
- learn.fit(1)
-
-if __name__ == "__main__":
- train()
-```
+
+ ```python
+ import wandb
+ from fastai.vision.all import *
+ from fastai.distributed import *
+ from fastai.callback.wandb import WandbCallback
+
+ wandb.require(experiment="service")
+ path = rank0_first(lambda: untar_data(URLs.PETS) / "images")
+
+ def train():
+ dls = ImageDataLoaders.from_name_func(
+ path,
+ get_image_files(path),
+ valid_pct=0.2,
+ label_func=lambda x: x[0].isupper(),
+ item_tfms=Resize(224),
+ )
+ wandb.init("fastai_ddp", entity="capecape")
+ cb = WandbCallback()
+ learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
+ with learn.distrib_ctx(sync_bn=False):
+ learn.fit(1)
-次に、ターミナルで以下を実行します：
+ if __name__ == "__main__":
+ train()
+ ```
-```shell
-$ torchrun --nproc_per_node 2 train.py
-```
+ 次に、ターミナルで以下を実行します：
-この場合、マシンには 2 つの GPU が搭載されています。
-
-
-ノートブック内で直接分散トレーニングを実行できるようになりました。
+ ```shell
+ $ torchrun --nproc_per_node 2 train.py
+ ```
-```python
-import wandb
-from fastai.vision.all import *
-
-from accelerate import notebook_launcher
-from fastai.distributed import *
-from fastai.callback.wandb import WandbCallback
-
-wandb.require(experiment="service")
-path = untar_data(URLs.PETS) / "images"
-
-def train():
- dls = ImageDataLoaders.from_name_func(
- path,
- get_image_files(path),
- valid_pct=0.2,
- label_func=lambda x: x[0].isupper(),
- item_tfms=Resize(224),
- )
- wandb.init("fastai_ddp", entity="capecape")
- cb = WandbCallback()
- learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
- with learn.distrib_ctx(in_notebook=True, sync_bn=False):
- learn.fit(1)
-
-# 2つのプロセスでランチャーを起動
-notebook_launcher(train, num_processes=2)
-```
-
-
+ この場合、このマシンには GPU が 2 基搭載されています。
+
-### メインプロセスのみでログを記録する
+
+ これで、ノートブック内で直接分散トレーニングを実行できます。
-上記の例では、 `wandb` はプロセスごとに 1 つの run を開始します。トレーニングが終了すると、 2 つの run が作成されます。これが混乱を招く場合があり、メインプロセスのみでログを記録したいことがあります。その場合は、どのプロセスにいるかを手動で検出し、他のすべてのプロセスで run の作成（ `wandb.init` の呼び出し）を避ける必要があります。
+ ```python
+ import wandb
+ from fastai.vision.all import *
-
-
-```python
-import wandb
-from fastai.vision.all import *
-from fastai.distributed import *
-from fastai.callback.wandb import WandbCallback
-
-wandb.require(experiment="service")
-path = rank0_first(lambda: untar_data(URLs.PETS) / "images")
-
-def train():
- cb = []
- dls = ImageDataLoaders.from_name_func(
- path,
- get_image_files(path),
- valid_pct=0.2,
- label_func=lambda x: x[0].isupper(),
- item_tfms=Resize(224),
- )
- # ランク0（メインプロセス）のみ wandb を初期化
- if rank_distrib() == 0:
- run = wandb.init("fastai_ddp", entity="capecape")
- cb = WandbCallback()
- learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
- with learn.distrib_ctx(sync_bn=False):
- learn.fit(1)
+ from accelerate import notebook_launcher
+ from fastai.distributed import *
+ from fastai.callback.wandb import WandbCallback
-if __name__ == "__main__":
- train()
-```
-ターミナルでの呼び出し：
+ wandb.require(experiment="service")
+ path = untar_data(URLs.PETS) / "images"
-```
-$ torchrun --nproc_per_node 2 train.py
-```
-
-
-```python
-import wandb
-from fastai.vision.all import *
-
-from accelerate import notebook_launcher
-from fastai.distributed import *
-from fastai.callback.wandb import WandbCallback
-
-wandb.require(experiment="service")
-path = untar_data(URLs.PETS) / "images"
-
-def train():
- cb = []
- dls = ImageDataLoaders.from_name_func(
- path,
- get_image_files(path),
- valid_pct=0.2,
- label_func=lambda x: x[0].isupper(),
- item_tfms=Resize(224),
- )
- # ランク0（メインプロセス）のみ wandb を初期化
- if rank_distrib() == 0:
- run = wandb.init("fastai_ddp", entity="capecape")
+ def train():
+ dls = ImageDataLoaders.from_name_func(
+ path,
+ get_image_files(path),
+ valid_pct=0.2,
+ label_func=lambda x: x[0].isupper(),
+ item_tfms=Resize(224),
+ )
+ wandb.init("fastai_ddp", entity="capecape")
cb = WandbCallback()
- learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
- with learn.distrib_ctx(in_notebook=True, sync_bn=False):
- learn.fit(1)
+ learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
+ with learn.distrib_ctx(in_notebook=True, sync_bn=False):
+ learn.fit(1)
-notebook_launcher(train, num_processes=2)
-```
-
+ notebook_launcher(train, num_processes=2)
+ ```
+
+
+
+
+ ### メインプロセスのみでログを記録する
+
+
+上の例では、`wandb` はプロセスごとに 1 つの run を作成します。トレーニングの最後には 2 つの run が作成されることになり、これが紛らわしく感じられる場合があります。そのような場合は、メインプロセスのみでログを記録したくなるかもしれません。そのためには、自分で現在どのプロセスにいるかを検出し、メイン以外のプロセスでは run を作成しないようにします（他のすべてのプロセスで `wandb.init` を呼び出さないようにします）。
+
+
+
+ ```python
+ import wandb
+ from fastai.vision.all import *
+ from fastai.distributed import *
+ from fastai.callback.wandb import WandbCallback
+
+ wandb.require(experiment="service")
+ path = rank0_first(lambda: untar_data(URLs.PETS) / "images")
+
+ def train():
+ cb = []
+ dls = ImageDataLoaders.from_name_func(
+ path,
+ get_image_files(path),
+ valid_pct=0.2,
+ label_func=lambda x: x[0].isupper(),
+ item_tfms=Resize(224),
+ )
+ if rank_distrib() == 0:
+ run = wandb.init("fastai_ddp", entity="capecape")
+ cb = WandbCallback()
+ learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
+ with learn.distrib_ctx(sync_bn=False):
+ learn.fit(1)
+
+ if __name__ == "__main__":
+ train()
+ ```
+
+ ターミナルで次を実行します:
+
+ ```
+ $ torchrun --nproc_per_node 2 train.py
+ ```
+
+
+
+ ```python
+ import wandb
+ from fastai.vision.all import *
+
+ from accelerate import notebook_launcher
+ from fastai.distributed import *
+ from fastai.callback.wandb import WandbCallback
+
+ wandb.require(experiment="service")
+ path = untar_data(URLs.PETS) / "images"
+
+ def train():
+ cb = []
+ dls = ImageDataLoaders.from_name_func(
+ path,
+ get_image_files(path),
+ valid_pct=0.2,
+ label_func=lambda x: x[0].isupper(),
+ item_tfms=Resize(224),
+ )
+ if rank_distrib() == 0:
+ run = wandb.init("fastai_ddp", entity="capecape")
+ cb = WandbCallback()
+ learn = vision_learner(dls, resnet34, metrics=error_rate, cbs=cb).to_fp16()
+ with learn.distrib_ctx(in_notebook=True, sync_bn=False):
+ learn.fit(1)
+
+ notebook_launcher(train, num_processes=2)
+ ```
+
-## 例
+
+ ## 例
+
-* [Visualize, track, and compare Fastai models](https://app.wandb.ai/borisd13/demo_config/reports/Visualize-track-compare-Fastai-models--Vmlldzo4MzAyNA): 詳細にドキュメント化されたウォークスルー。
-* [Image Segmentation on CamVid](https://bit.ly/fastai-wandb): インテグレーションのサンプルユースケース。
\ No newline at end of file
+* [Fastai モデルの可視化、追跡、比較](https://app.wandb.ai/borisd13/demo_config/reports/Visualize-track-compare-Fastai-models--Vmlldzo4MzAyNA): 詳細な解説付きのウォークスルーです。
+* [CamVid での画像セグメンテーション](https://colab.research.google.com/drive/1IWrhwcJoncCKHm6VXsNwOr9Yukhz3B49?usp=sharing): このインテグレーションのユースケース例です。
\ No newline at end of file
diff --git a/ja/models/integrations/fastai/v1.mdx b/ja/models/integrations/fastai/v1.mdx
index e1e3ba8a19..f4ba100d5a 100644
--- a/ja/models/integrations/fastai/v1.mdx
+++ b/ja/models/integrations/fastai/v1.mdx
@@ -3,11 +3,11 @@ title: fastai v1
---
-このドキュメントは fastai v1 用です。
-現行バージョンの fastai を使用している場合は、 [fastai のページ](../) を参照してください。
+ このドキュメントは fastai v1 向けです。
+ 現在のバージョンの fastai を使用している場合は、[fastai page](../) を参照してください。
-fastai v1 を使用した スクリプト では、モデル のトポロジー、損失、メトリクス、重み、勾配、予測 サンプル、および最良の トレーニング 済み モデル を自動的に ログ 記録できる コールバック を提供しています。
+fastai v1 を使用するスクリプト向けに、モデル トポロジー、loss、メトリクス、weights、gradients、サンプル予測、および最良の学習済みモデルを自動的にログするための callback を用意しています。
```python
import wandb
@@ -15,55 +15,58 @@ from wandb.fastai import WandbCallback
wandb.init()
-# callback_fnsにWandbCallbackを指定して学習器を初期化
learn = cnn_learner(data, model, callback_fns=WandbCallback)
learn.fit(epochs)
```
-ログ 記録される データ は、コールバック のコンストラクタを通じて設定可能です。
+どのデータをログするかは、コールバックのコンストラクターで設定できます。
```python
from functools import partial
-# partialを使用して引数を渡す例
learn = cnn_learner(
data, model, callback_fns=partial(WandbCallback, input_type="images")
)
```
-トレーニング を開始する際のみに `WandbCallback` を使用することも可能です。この場合、インスタンス化する必要があります。
+トレーニングの開始時にのみ WandbCallback を使用することもできます。その場合は、事前にインスタンス化しておく必要があります。
```python
learn.fit(epochs, callbacks=WandbCallback(learn))
```
-その段階で カスタム パラメータ を渡すこともできます。
+その時点でカスタムパラメーターを指定することもできます。
```python
learn.fit(epochs, callbacks=WandbCallback(learn, input_type="images"))
```
-## サンプルコード
-インテグレーション の動作を確認するための例をいくつか用意しました：
+
+ ## サンプルコード
+
-**Fastai v1**
-
-* [シンプソンズのキャラクター分類](https://github.com/borisdayma/simpsons-fastai) : Fastai モデル の追跡と比較を行うシンプルな デモ
-* [Fastai によるセマンティックセグメンテーション](https://github.com/borisdayma/semantic-segmentation) : 自動運転車向けの ニューラルネットワーク の最適化
+このインテグレーションがどのように機能するかを確認できるよう、いくつかのサンプルを用意しました。
-## オプション
-
-`WandbCallback()` クラスは以下のオプションをサポートしています：
+**Fastai v1**
-| キーワード 引数 | デフォルト | 説明 |
-| :--- | :--- | :--- |
-| learn | N/A | フック する fast.ai の learner。 |
-| save_model | True | ステップごとに改善が見られた場合に モデル を保存します。また、トレーニング 終了時に最良の モデル をロードします。 |
-| mode | auto | `min` 、 `max` 、または `auto` : `monitor` で指定された トレーニング メトリクス をステップ間で比較する方法。 |
-| monitor | None | 最良の モデル を保存するためにパフォーマンスを測定する トレーニング メトリクス。 None の場合はデフォルトで validation loss が使用されます。 |
-| log | gradients | `gradients` 、 `parameters` 、 `all` 、または None。損失と メトリクス は常に ログ 記録されます。 |
-| input_type | None | `images` または `None` 。 予測 サンプルの表示に使用されます。 |
-| validation_data | None | `input_type` が設定されている場合に、予測 サンプルに使用される データ。 |
-| predictions | 36 | `input_type` が設定され、 `validation_data` が `None` の場合に作成する 予測 の数。 |
-| seed | 12345 | `input_type` が設定され、 `validation_data` が `None` の場合に、予測 サンプルのための乱数生成器を初期化します。 |
\ No newline at end of file
+* [シンプソンズのキャラクターを分類](https://github.com/borisdayma/simpsons-fastai)[: ](https://app.wandb.ai/jxmorris12/huggingface-demo/reports/A-Step-by-Step-Guide-to-Tracking-Hugging-Face-Model-Performance--VmlldzoxMDE2MTU)Fastai モデルを追跡・比較するためのシンプルなデモ
+* [Fastai によるセマンティックセグメンテーション](https://github.com/borisdayma/semantic-segmentation): 自動運転車向けニューラルネットワークの最適化
+
+
+ ## オプション
+
+
+`WandbCallback()` クラスはいくつかのオプションをサポートします:
+
+| Keyword argument | Default | Description |
+| ---------------- | --------- | -------------------------------------------------------------------------------------------------------- |
+| learn | N/A | フックする fast.ai の learner。 |
+| save_model | True | 各ステップで改善された場合にモデルを保存します。トレーニングの最後にベストモデルも読み込みます。 |
+| mode | auto | `min`、`max`、または `auto`。`monitor` で指定されたトレーニング メトリクスをステップ間でどのように比較するか。 |
+| monitor | None | ベストモデルを保存する際の性能を測定するトレーニング メトリクス。None の場合は検証 loss がデフォルトです。 |
+| log | gradients | `gradients`、`parameters`、`all`、または None。Loss と メトリクス は常にログされます。 |
+| input_type | None | `images` または `None`。サンプル予測を表示するために使用されます。 |
+| validation_data | None | `input_type` が設定されている場合にサンプル予測に使用されるデータ。 |
+| predictions | 36 | `input_type` が設定されており `validation_data` が `None` の場合に行う予測の数。 |
+| seed | 12345 | `input_type` が設定されており `validation_data` が `None` の場合に、サンプル予測用の乱数生成器を初期化します。 |
\ No newline at end of file
diff --git a/ja/models/integrations/huggingface.mdx b/ja/models/integrations/huggingface.mdx
index ffa0e7a15a..ee7d732b52 100644
--- a/ja/models/integrations/huggingface.mdx
+++ b/ja/models/integrations/huggingface.mdx
@@ -1,513 +1,135 @@
---
-title: Hugging Face Transformers
+title: Hugging Face
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
-" # W&B プロジェクト名を指定
-os.environ["WANDB_LOG_MODEL"] = "checkpoint" # すべてのモデルチェックポイントをログに記録
-
-from transformers import TrainingArguments, Trainer
+
+ ## なぜ W&B を使うべきですか？
+
-args = TrainingArguments(..., report_to="wandb") # W&B ロギングを有効化
-trainer = Trainer(..., args=args)
-```
-すぐに実行可能なコードを確認したい場合は、こちらの [Google Colab](https://wandb.me/hf) をご覧ください。
-
-
-## はじめに：実験を追跡する
+* **統合ダッシュボード**: すべての モデル のメトリクスと予測を一元的に管理する中央リポジトリ
+* **軽量**: Hugging Face との インテグレーション にコードの変更は不要
+* **利用しやすい**: 個人およびアカデミックチームは無料
+* **安全**: すべての プロジェクト はデフォルトで非公開
+* **信頼性**: OpenAI、Toyota、Lyft などの機械学習チームに利用されています
-### サインアップと API キーの作成
+W&B は機械学習 モデル 向けの GitHub のようなものだと考えてください — 機械学習実験をプライベートでホストされた ダッシュボード に保存できます。スクリプトをどこで実行していても、すべての モデル バージョンが保存されるという安心感を持って、素早く実験できます。
-APIキー は、お使いのマシンを W&B に対して認証するために使用されます。ユーザープロファイルから APIキー を生成できます。
+W&B の軽量な インテグレーション はあらゆる Python スクリプトで動作し、無料の W&B アカウント にサインアップするだけで、 モデル のトラッキングと可視化を始められます。
-
+ ## インストール、インポート、ログイン
+
-ローカルに `wandb` ライブラリをインストールしてログインするには：
+このチュートリアル用に Hugging Face と W&B のライブラリ、および GLUE データセットとトレーニングスクリプトをインストールします。
-
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) を APIキー に設定します。
+* [Hugging Face Transformers](https://github.com/huggingface/transformers): 自然言語処理モデルとデータセット
+* [W&B](/ja/): 実験管理と可視化
+* [GLUE dataset](https://gluebenchmark.com/): 言語理解のベンチマークデータセット
+* [GLUE script](https://raw.githubusercontent.com/huggingface/transformers/refs/heads/main/examples/pytorch/text-classification/run_glue.py): シーケンス分類用のモデルのトレーニングスクリプト
- ```bash
- export WANDB_API_KEY=
- ```
-
-1. `wandb` ライブラリをインストールしてログインします。
-
- ```shell
- pip install wandb
-
- wandb login
- ```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
```notebook
-!pip install wandb
-
-import wandb
-wandb.login()
+!pip install datasets wandb evaluate accelerate -qU
+!wget https://raw.githubusercontent.com/huggingface/transformers/refs/heads/main/examples/pytorch/text-classification/run_glue.py
```
-
-
-
-W&B を初めて使用する場合は、[クイックスタート](/models/quickstart/) も併せてご確認ください。
-### プロジェクトに名前を付ける
-
-W&B の Projects は、関連する Runs からログ記録されたすべてのチャート、データ、モデルが保存される場所です。プロジェクトに名前を付けることで、作業を整理し、1つのプロジェクトに関するすべての情報を1か所にまとめて管理できます。
-
-Run をプロジェクトに追加するには、環境変数 `WANDB_PROJECT` にプロジェクト名を設定するだけです。`WandbCallback` がこのプロジェクト名の環境変数を読み取り、Run のセットアップ時に使用します。
-
-
-
-```bash
-WANDB_PROJECT=amazon_sentiment_analysis
-```
-
-
-```python
-import os
-os.environ["WANDB_PROJECT"]="amazon_sentiment_analysis"
-```
-
-
```notebook
-%env WANDB_PROJECT=amazon_sentiment_analysis
+# run_glue.py スクリプトには transformers の開発版が必要です
+!pip install -q git+https://github.com/huggingface/transformers
```
-
-
-
-
-プロジェクト名は必ず `Trainer` を初期化する _前_ に設定してください。
-
-
-プロジェクト名が指定されていない場合、デフォルトのプロジェクト名は `huggingface` になります。
-### トレーニング Run を W&B にログ記録する
+続行する前に、[無料アカウントを作成](https://app.wandb.ai/login?signup=true)してください。
-`Trainer` のトレーニング引数を定義する際、コード内またはコマンドラインから **最も重要なステップ** は、W&B でのロギングを有効にするために `report_to` を `"wandb"` に設定することです。
+
+ ## API キーを入力する
+
-`TrainingArguments` 内の `logging_steps` 引数により、トレーニング中にメトリクスを W&B にプッシュする頻度を制御できます。また、`run_name` 引数を使用して、W&B 上のトレーニング Run に名前を付けることも可能です。
+サインアップが完了したら、次のセルを実行し、表示されたリンクをクリックして API キーを取得し、このノートブックを認証してください。
-設定はこれだけです。これで、トレーニング中の損失、評価メトリクス、モデルのトポロジー、勾配が W&B にログ記録されるようになります。
-
-
-
-```bash
-python run_glue.py \ # Python スクリプトを実行
- --report_to wandb \ # W&B へのロギングを有効化
- --run_name bert-base-high-lr \ # W&B Run の名前（任意）
- # その他のコマンドライン引数
-```
-
-
```python
-from transformers import TrainingArguments, Trainer
-
-args = TrainingArguments(
- # その他の引数
- report_to="wandb", # W&B へのロギングを有効化
- run_name="bert-base-high-lr", # W&B Run の名前（任意）
- logging_steps=1, # W&B へのログ記録頻度
-)
-
-trainer = Trainer(
- # その他の引数
- args=args, # トレーニング引数
-)
-
-trainer.train() # トレーニングを開始し W&B にログを記録
-```
-
-
-
-
-TensorFlow をお使いですか？ PyTorch の `Trainer` を TensorFlow 用の `TFTrainer` に置き換えるだけで同様に動作します。
-
-
-### モデルのチェックポイント保存を有効にする
-
-[Artifacts](/models/artifacts/) を使用すると、最大 100GB までのモデルやデータセットを無料で保存でき、W&B の [Registry](/models/registry/) を利用できるようになります。Registry を使えば、モデルの登録、探索、評価、ステージングへの準備、プロダクション環境へのデプロイが可能になります。
-
-Hugging Face のモデルチェックポイントを Artifacts にログ記録するには、環境変数 `WANDB_LOG_MODEL` を以下のいずれかに設定します：
-
-- **`checkpoint`**: [`TrainingArguments`](https://huggingface.co/docs/transformers/main/en/main_classes/trainer#transformers.TrainingArguments) の `args.save_steps` ごとにチェックポイントをアップロードします。
-- **`end`**: `load_best_model_at_end` も設定されている場合、トレーニング終了時にモデルをアップロードします。
-- **`false`**: モデルをアップロードしません。
-
-
-
-```bash
-WANDB_LOG_MODEL="checkpoint"
-```
-
-
-```python
-import os
-
-os.environ["WANDB_LOG_MODEL"] = "checkpoint"
-```
-
-
-```notebook
-%env WANDB_LOG_MODEL="checkpoint"
-```
-
-
-
-これ以降に初期化されるすべての Transformers `Trainer` は、モデルを W&B プロジェクトにアップロードします。ログ記録されたモデルチェックポイントは [Artifacts](/models/artifacts/) UI から確認でき、完全な モデルリネージ も含まれます（UI でのモデルチェックポイントの例は [こちら](https://wandb.ai/wandb/arttest/artifacts/model/iv3_trained/5334ab69740f9dda4fed/lineage?_gl=1*yyql5q*_ga*MTQxOTYyNzExOS4xNjg0NDYyNzk1*_ga_JH1SJHJQXJ*MTY5MjMwNzI2Mi4yNjkuMS4xNjkyMzA5NjM2LjM3LjAuMA..) で確認できます）。
-
-
-デフォルトでは、`WANDB_LOG_MODEL` が `end` に設定されている場合は `model-{run_id}`、`checkpoint` に設定されている場合は `checkpoint-{run_id}` という名前で W&B Artifacts に保存されます。
-ただし、`TrainingArguments` で [`run_name`](https://huggingface.co/docs/transformers/main/en/main_classes/trainer#transformers.TrainingArguments.run_name) を渡した場合、モデルは `model-{run_name}` または `checkpoint-{run_name}` として保存されます。
-
-
-#### W&B Registry
-チェックポイントを Artifacts にログ記録した後は、最良のモデルチェックポイントを登録し、[Registry](/models/registry/) を通じてチーム全体で一元管理できます。Registry を使用すると、タスクごとに最適なモデルを整理し、モデルのライフサイクルを管理し、ML ライフサイクル全体を追跡・監査し、ダウンストリームのアクションを [オートメーション](/models/automations/) 化できます。
-
-モデル Artifact のリンク方法については、[Registry](/models/registry/) を参照してください。
-
-### トレーニング中の評価出力の可視化
-
-トレーニング中や評価中のモデル出力を可視化することは、モデルがどのように学習しているかを真に理解するために不可欠です。
-
-Transformers Trainer のコールバックシステムを使用すると、モデルのテキスト生成出力やその他の予測結果などの追加データを W&B Tables にログ記録できます。
-
-トレーニング中の評価出力を W&B テーブルにログ記録する方法の完全なガイドについては、以下の [カスタムロギングセクション](#custom-logging-log-and-view-evaluation-samples-during-training) を参照してください。
-
-", num_labels=num_labels
- )
- # トレーニング引数の設定
- training_args = TrainingArguments()
-
- trainer = Trainer(model=model, args=training_args)
-
- # チェックポイントディレクトリを使用してトレーニングを再開
- trainer.train(resume_from_checkpoint=checkpoint_dir)
-```
-
-### トレーニング中に評価サンプルをログ記録・表示するには
-
-Transformers `Trainer` を介した W&B へのロギングは、Transformers ライブラリ内の [`WandbCallback`](https://huggingface.co/transformers/main_classes/callback.html#transformers.integrations.WandbCallback) によって処理されます。Hugging Face のロギングをカスタマイズする必要がある場合は、`WandbCallback` をサブクラス化し、Trainer クラスのメソッドを活用する機能を追加することで、このコールバックを変更できます。
-
-以下は、この新しいコールバックを HF Trainer に追加する一般的なパターンです。さらにその下には、評価出力を W&B テーブルにログ記録するための完全なコード例があります。
-
-```python
-# 通常通り Trainer をインスタンス化
-trainer = Trainer()
-
-# 新しいロギングコールバックをインスタンス化し、Trainer オブジェクトを渡す
-evals_callback = WandbEvalsCallback(trainer, tokenizer, ...)
-
-# コールバックを Trainer に追加
-trainer.add_callback(evals_callback)
-
-# 通常通りトレーニングを開始
-trainer.train()
+import wandb
+wandb.login()
```
-#### トレーニング中に評価サンプルを表示する
-
-以下のセクションでは、`WandbCallback` をカスタマイズして、トレーニング中にモデルの予測を実行し、評価サンプルを W&B テーブルにログ記録する方法を示します。Trainer コールバックの `on_evaluate` メソッドを使用して、`eval_steps` ごとに実行します。
-
-ここでは、トークナイザーを使用してモデル出力から予測とラベルをデコードする `decode_predictions` 関数を作成しました。
-
-次に、予測とラベルから pandas DataFrame を作成し、DataFrame に `epoch` 列を追加します。
-
-最後に、DataFrame から `wandb.Table` を作成し、それを W&B にログ記録します。
-さらに、`freq` エポックごとに予測をログ記録することで、ログの頻度を制御できます。
-
-**注意**: 通常の `WandbCallback` とは異なり、このカスタムコールバックは `Trainer` の初期化中ではなく、`Trainer` がインスタンス化された **後** に追加する必要があります。
-これは、初期化時に `Trainer` インスタンスがコールバックに渡されるためです。
+必要に応じて、環境変数を設定して W&B のログ出力をカスタマイズできます。[Hugging Face インテグレーションガイド](/ja/models/integrations/huggingface/)を参照してください。
```python
-from transformers.integrations import WandbCallback
-import pandas as pd
-
-
-def decode_predictions(tokenizer, predictions):
- labels = tokenizer.batch_decode(predictions.label_ids)
- logits = predictions.predictions.argmax(axis=-1)
- prediction_text = tokenizer.batch_decode(logits)
- return {"labels": labels, "predictions": prediction_text}
-
-
-class WandbPredictionProgressCallback(WandbCallback):
- """トレーニング中にモデルの予測をログ記録するカスタム WandbCallback。
-
- このコールバックは、トレーニング中の各ロギングステップでモデルの予測とラベルを
- wandb.Table にログ記録します。これにより、トレーニングの進行に合わせて
- モデルの予測を可視化できます。
-
- Attributes:
- trainer (Trainer): Hugging Face Trainer インスタンス。
- tokenizer (AutoTokenizer): モデルに関連付けられたトークナイザー。
- sample_dataset (Dataset): 予測生成用の検証データセットのサブセット。
- num_samples (int, optional): 予測生成用に検証データセットから選択するサンプル数。デフォルトは 100。
- freq (int, optional): ロギングの頻度。デフォルトは 2。
- """
-
- def __init__(self, trainer, tokenizer, val_dataset, num_samples=100, freq=2):
- super().__init__()
- self.trainer = trainer
- self.tokenizer = tokenizer
- self.sample_dataset = val_dataset.select(range(num_samples))
- self.freq = freq
-
- def on_evaluate(self, args, state, control, **kwargs):
- super().on_evaluate(args, state, control, **kwargs)
- # `freq` エポックごとに予測をログ記録することで頻度を制御
- if state.epoch % self.freq == 0:
- # 予測を生成
- predictions = self.trainer.predict(self.sample_dataset)
- # 予測とラベルをデコード
- predictions = decode_predictions(self.tokenizer, predictions)
- # 予測を wandb.Table に追加
- predictions_df = pd.DataFrame(predictions)
- predictions_df["epoch"] = state.epoch
- records_table = self._wandb.Table(dataframe=predictions_df)
- # テーブルを wandb にログ記録
- self._wandb.log({"sample_predictions": records_table})
-
-
-# まず、Trainer をインスタンス化
-trainer = Trainer(
- model=model,
- args=training_args,
- train_dataset=lm_datasets["train"],
- eval_dataset=lm_datasets["validation"],
-)
-
-# WandbPredictionProgressCallback をインスタンス化
-progress_callback = WandbPredictionProgressCallback(
- trainer=trainer,
- tokenizer=tokenizer,
- val_dataset=lm_dataset["validation"],
- num_samples=10,
- freq=2,
-)
-
-# コールバックを trainer に追加
-trainer.add_callback(progress_callback)
-```
-
-より詳細な例については、こちらの [Colab](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/huggingface/Custom_Progress_Callback.ipynb) を参照してください。
-
-### 利用可能な追加の W&B 設定は？
-
-環境変数を設定することで、`Trainer` でログ記録される内容をさらに詳細に設定できます。W&B 環境変数の全リストは [こちらで見ることができます](/platform/hosting/env-vars)。
-
-| 環境変数 | 用途 |
-| -------------------- |----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
-| `WANDB_PROJECT` | プロジェクトに名前を付けます（デフォルトは `huggingface`） |
-| `WANDB_LOG_MODEL` | モデルチェックポイントを W&B Artifact としてログ記録します（デフォルトは `false`）
false (デフォルト): チェックポイントを記録しません checkpoint: args.save_steps ごとにチェックポイントがアップロードされます。 end: トレーニング終了時に最終的なモデルチェックポイントがアップロードされます。モデルの勾配、パラメータ、またはその両方をログ記録するか設定します
false (デフォルト): 勾配やパラメータのログを記録しません gradients: 勾配のヒストグラムをログ記録します all: 勾配とパラメータの両方のヒストグラムをログ記録します
-
-```bash
-WANDB_WATCH=all
-WANDB_SILENT=true
-```
-
-
-```notebook
+# オプション: 勾配とパラメーターの両方をログする
%env WANDB_WATCH=all
-%env WANDB_SILENT=true
```
-
-
-
-### `wandb.init` をカスタマイズするには？
-`Trainer` が使用する `WandbCallback` は、`Trainer` の初期化時にバックグラウンドで `wandb.init` を呼び出します。あるいは、`Trainer` を初期化する前に `wandb.init` を呼び出して手動で Run を設定することもできます。これにより、W&B Run の設定を完全に制御できるようになります。
+
+ ## モデルをトレーニングする
+
-`init` に渡す設定の例を以下に示します。`wandb.init()` の詳細については、[`wandb.init()` リファレンス](/models/ref/python/functions/init) を参照してください。
+次に、ダウンロードしたトレーニングスクリプト [run_glue.py](https://huggingface.co/transformers/examples.html#glue) を実行し、トレーニングが自動的に W&B ダッシュボード 上で追跡される様子を確認します。このスクリプトは、Microsoft Research Paraphrase Corpus ― 文が意味的に同等かどうかを人手で注釈した文ペアからなるコーパス ― 上で BERT をファインチューニングします。
```python
-wandb.init(
- project="amazon_sentiment_analysis",
- name="bert-base-high-lr",
- tags=["baseline", "high-lr"],
- group="bert",
-)
-```
-
-## その他のリソース
-
-Transformers と W&B に関連する 6 つの記事をご紹介します。
-
-
-
-Hugging Face Transformers のハイパーパラメーター最適化
-
-* Hugging Face Transformers のハイパーパラメーター最適化のための 3 つの戦略（グリッド検索、ベイズ最適化、Population Based Training）を比較しています。
-* Hugging Face Transformers の標準的な uncased BERT モデルを使用し、SuperGLUE ベンチマークの RTE データセットでファインチューニングを行います。
-* 結果、Population Based Training が Hugging Face transformer モデルのハイパーパラメーター最適化において最も効果的なアプローチであることが示されました。
-
-[Hyperparameter Optimization for Hugging Face Transformers レポート](https://wandb.ai/amogkam/transformers/reports/Hyperparameter-Optimization-for-Hugging-Face-Transformers--VmlldzoyMTc2ODI) を読む。
-
+%env WANDB_PROJECT=huggingface-demo
+%env TASK_NAME=MRPC
-
-
-Hugging Tweets: ツイートを生成するモデルのトレーニング
-
-* この記事では、学習済みの GPT2 HuggingFace Transformer モデルを誰でも自分のツイートで 5 分以内にファインチューニングする方法を解説しています。
-* モデルは、ツイートのダウンロード、データセットの最適化、初期実験、ユーザー間の損失の比較、モデルのファインチューニングというパイプラインを使用しています。
-
-フルレポートを [こちら](https://wandb.ai/wandb/huggingtweets/reports/HuggingTweets-Train-a-Model-to-Generate-Tweets--VmlldzoxMTY5MjI) で読む。
-
-
-
-
-Hugging Face BERT と W&B を使用した文の分類
-
-* この記事では、自然言語処理における最近の画期的な成果を活用し、NLP への転移学習の応用に焦点を当てて文分類器を構築します。
-* 1 文分類用に CoLA (Corpus of Linguistic Acceptability) データセットを使用します。これは文法的に正しいか正しくないかのラベルが付いた文のセットです。
-* Google の BERT を使用して、最小限の労力でさまざまな NLP タスクにおいて高性能なモデルを作成します。
-
-フルレポートを [こちら](https://wandb.ai/cayush/bert-finetuning/reports/Sentence-Classification-With-Huggingface-BERT-and-W-B--Vmlldzo4MDMwNA) で読む。
-
-
-
-
-Hugging Face モデルのパフォーマンスを追跡するためのステップバイステップガイド
-
-* W&B と Hugging Face transformers を使用して、BERT より 40% 小さいながらも 97% の精度を維持する DistilBERT を GLUE ベンチマークでトレーニングします。
-* GLUE ベンチマークは、NLP モデルをトレーニングするための 9 つのデータセットとタスクのコレクションです。
+!python run_glue.py \
+ --model_name_or_path bert-base-uncased \
+ --task_name $TASK_NAME \
+ --do_train \
+ --do_eval \
+ --max_seq_length 256 \
+ --per_device_train_batch_size 32 \
+ --learning_rate 2e-4 \
+ --num_train_epochs 3 \
+ --output_dir /tmp/$TASK_NAME/ \
+ --overwrite_output_dir \
+ --logging_steps 50
+```
-フルレポートを [こちら](https://wandb.ai/jxmorris12/huggingface-demo/reports/A-Step-by-Step-Guide-to-Tracking-HuggingFace-Model-Performance--VmlldzoxMDE2MTU) で読む。
-
+
+ ## ダッシュボードで結果を可視化する
+
-
+上に表示されたリンクをクリックするか、[wandb.ai](https://app.wandb.ai) にアクセスして、結果がリアルタイムでストリーミングされる様子を確認できます。ブラウザで run を表示するためのリンクは、すべての依存関係の読み込みが完了したあとに表示されます。出力の中から次のような行を探してください: "**wandb**: View run at [URL to your unique run]"
-HuggingFace における早期終了（Early Stopping）の例
+**モデル性能を可視化する**
+数十の実験を俯瞰し、興味深い結果にズームインして確認し、高次元データを簡単に可視化できます。
-* 早期終了正則化を使用した Hugging Face Transformer のファインチューニングは、PyTorch または TensorFlow でネイティブに実行できます。
-* TensorFlow での EarlyStopping コールバックの使用は、`tf.keras.callbacks.EarlyStopping` を使って簡単に行えます。
-* PyTorch には既製の早期終了メソッドはありませんが、GitHub Gist で利用可能な早期終了フックが存在します。
+
+**アーキテクチャを比較する**
+こちらは [BERT vs DistilBERT](https://app.wandb.ai/jack-morris/david-vs-goliath/reports/Does-model-size-matter%3F-Comparing-BERT-and-DistilBERT-using-Sweeps--VmlldzoxMDUxNzU) を比較する例です。自動生成される折れ線グラフの可視化により、異なるアーキテクチャがトレーニング全体を通して評価精度にどのような影響を与えるかを簡単に確認できます。
-
+カスタムデータセットで Hugging Face Transformers をファインチューニングする方法
+
+ ## 重要な情報をデフォルトで自動的に記録
+
-カスタムの IMDB データセットを使用して、感情分析（二値分類）のために DistilBERT transformer をファインチューニングします。
+W&B は、各 experiment に対して新しい run を保存します。デフォルトで次の情報が保存されます:
-フルレポートを [こちら](https://wandb.ai/ayush-thakur/huggingface/reports/How-to-Fine-Tune-HuggingFace-Transformers-on-a-Custom-Dataset--Vmlldzo0MzQ2MDc) で読む。
-
+* **Hyperparameters**: モデルのハイパーパラメーターなどの設定が Config に保存されます
+* **Model Metrics**: ストリーミングされるメトリクスの時系列データが Log に保存されます
+* **Terminal Logs**: コマンドライン出力が保存され、タブから参照できます
+* **System Metrics**: GPU と CPU の使用率、メモリ、温度などが保存されます
-## ヘルプの取得や機能リクエスト
+
+ ## さらに詳しく学ぶ
+
-Hugging Face W&B インテグレーションに関する問題、質問、機能リクエストについては、[Hugging Face フォーラムのこのスレッド](https://discuss.huggingface.co/t/logging-experiment-tracking-with-w-b/498) に投稿するか、Hugging Face [Transformers GitHub リポジトリ](https://github.com/huggingface/transformers) で Issue を作成してください。
\ No newline at end of file
+* [YouTube の動画ウォークスルー](http://wandb.me/youtube)
\ No newline at end of file
diff --git a/ja/models/integrations/huggingface_transformers.mdx b/ja/models/integrations/huggingface_transformers.mdx
new file mode 100644
index 0000000000..1b2f839edc
--- /dev/null
+++ b/ja/models/integrations/huggingface_transformers.mdx
@@ -0,0 +1,572 @@
+---
+title: Hugging Face Transformers
+---
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
+
+
+ ## 数行のコードでロギングを次のレベルへ
+
+
+```python
+os.environ["WANDB_PROJECT"] = "" # W&B プロジェクトに名前を付ける
+os.environ["WANDB_LOG_MODEL"] = "checkpoint" # すべてのモデルチェックポイントをログに記録する
+
+from transformers import TrainingArguments, Trainer
+
+args = TrainingArguments(..., report_to="wandb") # W&B ロギングを有効にする
+trainer = Trainer(..., args=args)
+```
+
+
+ 動作するコードからすぐに始めたい場合は、この [Google Colab](https://wandb.me/hf) を参照してください。
+
+
+
+ ## はじめに: Experiments のトラッキングを開始する
+
+
+
+ ### サインアップして API キーを作成する
+
+
+API キー はマシンを W&B に認証するために使用されます。API キー はユーザー プロフィールから発行できます。
+
+
+ ### `wandb` ライブラリをインストールしてログインする
+
+
+ローカルに `wandb` ライブラリをインストールしてログインするには、次の手順を実行します。
+
+
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) をご自身の API キーに設定します。
+
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
+
+ ```shell
+ pip install wandb
+
+ wandb login
+ ```
+
+
+
+ ```bash
+ pip install wandb
+ ```
+
+ ```python
+ import wandb
+ wandb.login()
+ ```
+
+
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
+
+
+初めて W&B を使用する場合は、[クイックスタート](/ja/models/quickstart/) も参照してください。
+
+
+ ### プロジェクトに名前を付ける
+
+
+W&B Project は、関連する run からログされたすべてのチャート、データ、モデルが保存される場所です。プロジェクトに名前を付けると、作業を整理し、1 つのプロジェクトに関するすべての情報を 1 か所にまとめておくことができます。
+
+run をプロジェクトに追加するには、`WANDB_PROJECT` 環境変数をプロジェクト名に設定します。`WandbCallback` はこのプロジェクト名の環境変数を読み取り、run をセットアップするときにその値を使用します。
+
+
+
+ ```bash
+ WANDB_PROJECT=amazon_sentiment_analysis
+ ```
+
+
+
+ ```python
+ import os
+ os.environ["WANDB_PROJECT"]="amazon_sentiment_analysis"
+ ```
+
+
+
+ ```notebook
+ %env WANDB_PROJECT=amazon_sentiment_analysis
+ ```
+
+
+
+
+ `Trainer` を初期化する *前に*、必ずプロジェクト名を設定してください。
+
+
+プロジェクト名を指定しない場合、プロジェクト名のデフォルト値は `huggingface` になります。
+
+
+ ### トレーニング run を W&B にログする
+
+
+コード内またはコマンドラインから `Trainer` の `TrainingArguments` を定義する際の **最も重要なステップ** は、`report_to` を `"wandb"` に設定して W&B へのログ出力を有効にすることです。
+
+`TrainingArguments` の `logging_steps` 引数は、トレーニング中にどのくらいの頻度でトレーニング メトリクスを W&B に送信するかを制御します。`run_name` 引数を使って、W&B 上のトレーニング run に名前を付けることもできます。
+
+以上です。これでトレーニング中に、モデルは損失、評価メトリクス、モデルのトポロジー、勾配を W&B にログするようになります。
+
+
+
+ ```bash
+ python run_glue.py \ # Python スクリプトを実行
+ --report_to wandb \ # W&B へのログ出力を有効化
+ --run_name bert-base-high-lr \ # W&B run の名前（任意）
+ # 他のコマンドライン引数をここに追加
+ ```
+
+
+
+ ```python
+ from transformers import TrainingArguments, Trainer
+
+ args = TrainingArguments(
+ # 他の args や kwargs はここに指定
+ report_to="wandb", # W&B へのログ出力を有効化
+ run_name="bert-base-high-lr", # W&B run の名前（任意）
+ logging_steps=1, # W&B へのログ頻度
+ )
+
+ trainer = Trainer(
+ # 他の args や kwargs はここに指定
+ args=args, # トレーニング引数
+ )
+
+ trainer.train() # トレーニングを開始し、W&B にログする
+ ```
+
+
+
+
+ TensorFlow を使っていますか？PyTorch の `Trainer` を TensorFlow の `TFTrainer` に置き換えるだけでかまいません。
+
+
+
+ ### モデルのチェックポイントを有効にする
+
+
+[Artifacts](/ja/models/artifacts/) を使用すると、最大 100GB までのモデルとデータセットを無料で保存でき、その後 W&B の [Registry](/ja/models/registry/) を利用できます。Registry を使うと、モデルを登録して探索および評価したり、ステージング用に準備したり、本番環境にデプロイしたりできます。
+
+Hugging Face のモデル チェックポイントを Artifacts にログするには、環境変数 `WANDB_LOG_MODEL` を次の *いずれか 1 つ* に設定します:
+
+* **`checkpoint`**: [`TrainingArguments`](https://huggingface.co/docs/transformers/main/en/main_classes/trainer#transformers.TrainingArguments) の `args.save_steps` ごとにチェックポイントをアップロードします。
+* **`end`**: `load_best_model_at_end` も設定されている場合、トレーニング終了時にモデルをアップロードします。
+* **`false`**: モデルをアップロードしません。
+
+
+
+ ```bash
+ WANDB_LOG_MODEL="checkpoint"
+ ```
+
+
+
+ ```python
+ import os
+
+ os.environ["WANDB_LOG_MODEL"] = "checkpoint"
+ ```
+
+
+
+ ```notebook
+ %env WANDB_LOG_MODEL="checkpoint"
+ ```
+
+
+
+これ以降に初期化する Transformers の任意の `Trainer` は、モデルを W&B プロジェクトにアップロードします。ログしたモデル チェックポイントは [Artifacts](/ja/models/artifacts/) UI から閲覧でき、完全なモデルの系譜情報を含みます (UI 上のモデル チェックポイントの例は [こちら](https://wandb.ai/wandb/arttest/artifacts/model/iv3_trained/5334ab69740f9dda4fed/lineage?_gl=1*yyql5q*_ga*MTQxOTYyNzExOS4xNjg0NDYyNzk1*_ga_JH1SJHJQXJ*MTY5MjMwNzI2Mi4yNjkuMS4xNjkyMzA5NjM2LjM3LjAuMA..) を参照してください)。
+
+
+ デフォルトでは、`WANDB_LOG_MODEL` が `end` に設定されている場合、モデルは `model-{run_id}` として、`WANDB_LOG_MODEL` が `checkpoint` に設定されている場合は `checkpoint-{run_id}` として W&B Artifacts に保存されます。
+ ただし、`TrainingArguments` で [`run_name`](https://huggingface.co/docs/transformers/main/en/main_classes/trainer#transformers.TrainingArguments.run_name) を指定した場合、モデルは `model-{run_name}` または `checkpoint-{run_name}` として保存されます。
+
+
+
+ #### W&B Registry
+
+
+チェックポイントを Artifacts にログしたら、[Registry](/ja/models/registry/) を使ってベストなモデルチェックポイントを登録し、チーム全体で一元管理できます。Registry を使用すると、タスクごとにベストなモデルを整理し、モデルのライフサイクルを管理し、ML のライフサイクル全体を追跡・監査し、下流のアクションを[自動化](/ja/models/automations/)できます。
+
+モデル Artifacts をリンクする方法については、[Registry](/ja/models/registry/) を参照してください。
+
+
+ ### トレーニング中に評価結果を可視化する
+
+
+トレーニングや評価の最中にモデルの出力を可視化することは、モデルがどのようにトレーニングされているかを深く理解するうえでしばしば不可欠です。
+
+Transformers Trainer の callbacks システムを使うことで、モデルのテキスト生成結果やその他の予測結果などの有用な追加データを、W&B Tables にログできます。
+
+トレーニング中に評価結果をログして、次のような W&B Table に記録する方法については、下記の [Custom logging セクション](#custom-logging-log-and-view-evaluation-samples-during-training) を参照してください。
+
+
+ ### W&B run を終了する（Notebook のみ）
+
+
+トレーニングが Python スクリプトとして実行されている場合、スクリプトが終了すると W&B run も終了します。
+
+Jupyter Notebook や Google Colab を使用している場合は、`run.finish()` を呼び出して、トレーニングが完了したことを W&B に知らせる必要があります。
+
+```python
+run = wandb.init()
+trainer.train() # トレーニングを開始し、W&B にログを記録する
+
+# トレーニング後の分析、テスト、その他のログ記録コード
+
+run.finish()
+```
+
+
+ ### 結果を可視化する
+
+
+トレーニング結果をログに記録したら、[W&B Dashboard](/ja/models/track/workspaces/) で結果を動的に探索できます。多数の run を一度に簡単に比較したり、興味深い発見にズームインして確認したり、柔軟でインタラクティブな可視化を使って複雑なデータからインサイトを引き出したりできます。
+
+
+ ## 高度な機能とよくある質問
+
+
+
+ ### 最良のモデルはどのように保存すればよいですか？
+
+
+`Trainer` に `load_best_model_at_end=True` を指定した `TrainingArguments` を渡すと、W&B は性能が最も高いモデルのチェックポイントを Artifacts に保存します。
+
+モデルのチェックポイントを Artifacts として保存しておくと、それらを [Registry](/ja/models/registry/) に昇格させることができます。Registry では次のことができます。
+
+* ML タスクごとに最良のモデルバージョンを整理する。
+* モデルを一元管理し、チームと共有する。
+* モデルを本番環境向けにステージングしたり、さらなる評価のためにブックマークしたりする。
+* 下流の CI/CD プロセスをトリガーする。
+
+
+ ### 保存済みのモデルを読み込むにはどうすればよいですか？
+
+
+`WANDB_LOG_MODEL` を使って W&B Artifacts にモデルを保存した場合、追加のトレーニングや推論を実行するためにモデルの重みをダウンロードできます。以前に使用していたものと同じ Hugging Face アーキテクチャに重みを読み込めば完了です。
+
+```python
+# 新しい run を作成する
+with wandb.init(project="amazon_sentiment_analysis") as run:
+ # Artifacts の名前とバージョンを渡す
+ my_model_name = "model-bert-base-high-lr:latest"
+ my_model_artifact = run.use_artifact(my_model_name)
+
+ # モデルの重みをフォルダにダウンロードしてパスを返す
+ model_dir = my_model_artifact.download()
+
+ # 同じモデルクラスを使用して、そのフォルダから
+ # Hugging Face モデルを読み込む
+ model = AutoModelForSequenceClassification.from_pretrained(
+ model_dir, num_labels=num_labels
+ )
+
+ # 追加のトレーニングを行うか、推論を実行する
+```
+
+
+ ### チェックポイントからトレーニングを再開するにはどうすればよいですか？
+
+
+もし `WANDB_LOG_MODEL='checkpoint'` を設定していた場合は、`TrainingArguments` の `model_name_or_path` 引数に `model_dir` を指定し、`Trainer` に `resume_from_checkpoint=True` を渡すことでトレーニングを再開できます。
+
+```python
+last_run_id = "xxxxxxxx" # wandb ワークスペースから run_id を取得する
+
+# run_id から wandb の run を再開する
+with wandb.init(
+ project=os.environ["WANDB_PROJECT"],
+ id=last_run_id,
+ resume="must",
+) as run:
+ # run に Artifacts を接続する
+ my_checkpoint_name = f"checkpoint-{last_run_id}:latest"
+ my_checkpoint_artifact = run.use_artifact(my_model_name)
+
+ # チェックポイントをフォルダにダウンロードしてパスを返す
+ checkpoint_dir = my_checkpoint_artifact.download()
+
+ # モデルと trainer を再初期化する
+ model = AutoModelForSequenceClassification.from_pretrained(
+ "", num_labels=num_labels
+ )
+ # トレーニング引数をここに指定する
+ training_args = TrainingArguments()
+
+ trainer = Trainer(model=model, args=training_args)
+
+ # チェックポイントからトレーニングを再開するために、チェックポイントディレクトリを必ず使用すること
+ trainer.train(resume_from_checkpoint=checkpoint_dir)
+```
+
+
+ ### トレーニング中に評価サンプルをログに記録して閲覧するにはどうすればよいですか
+
+
+Transformers の `Trainer` を通じた W&B へのロギングは、Transformers ライブラリ内の [`WandbCallback`](https://huggingface.co/transformers/main_classes/callback.html#transformers.integrations.WandbCallback) によって処理されます。Hugging Face のロギングをカスタマイズする必要がある場合は、このコールバックを `WandbCallback` をサブクラス化して拡張し、Trainer クラスの追加メソッドを活用する処理を実装できます。
+
+以下に、この新しいコールバックを HF Trainer に追加する一般的なパターンを示し、その後に評価出力を W&B Table にログするための完全なコード例を示します。
+
+```python
+# Trainer を通常通りインスタンス化する
+trainer = Trainer()
+
+# 新しいロギングコールバックをインスタンス化し、Trainer オブジェクトを渡す
+evals_callback = WandbEvalsCallback(trainer, tokenizer, ...)
+
+# コールバックを Trainer に追加する
+trainer.add_callback(evals_callback)
+
+# 通常通り Trainer のトレーニングを開始する
+trainer.train()
+```
+
+
+ #### トレーニング中に評価用サンプルを表示する
+
+
+次のセクションでは、`WandbCallback` をカスタマイズして、トレーニング中に W&B Table へ評価用サンプルをログしつつ、モデルの予測を実行する方法を示します。`Trainer` コールバックの `on_evaluate` メソッドを使って、`eval_steps` ごとにこれを行います。
+
+ここでは、トークナイザーを使ってモデル出力から予測値とラベルをデコードするために、`decode_predictions` 関数を作成しました。
+
+次に、予測値とラベルから pandas の DataFrame を作成し、その DataFrame に `epoch` 列を追加します。
+
+最後に、その DataFrame から `wandb.Table` を作成し、wandb にログします。
+さらに、`freq` エポックごとに予測値をログすることで、ログの頻度を制御できます。
+
+**Note**: 通常の `WandbCallback` と異なり、このカスタムコールバックは `Trainer` を初期化するときではなく、**`Trainer` がインスタンス化された後に** `Trainer` に追加する必要があります。
+これは、コールバックの初期化時に `Trainer` インスタンスがコールバックへ渡されるためです。
+
+```python
+from transformers.integrations import WandbCallback
+import pandas as pd
+
+
+def decode_predictions(tokenizer, predictions):
+ labels = tokenizer.batch_decode(predictions.label_ids)
+ logits = predictions.predictions.argmax(axis=-1)
+ prediction_text = tokenizer.batch_decode(logits)
+ return {"labels": labels, "predictions": prediction_text}
+
+
+class WandbPredictionProgressCallback(WandbCallback):
+ """トレーニング中にモデルの予測を記録するカスタム WandbCallback。
+
+ このコールバックは、トレーニング中の各ロギングステップで、モデルの予測とラベルを wandb.Table に記録します。
+ トレーニングの進行に伴うモデルの予測を可視化できます。
+
+ Attributes:
+ trainer (Trainer): Hugging Face の Trainer インスタンス。
+ tokenizer (AutoTokenizer): モデルに関連付けられたトークナイザー。
+ sample_dataset (Dataset): 予測生成に使用する検証データセットのサブセット。
+ num_samples (int, optional): 予測生成のために検証データセットから選択するサンプル数。デフォルトは 100。
+ freq (int, optional): ロギングの頻度。デフォルトは 2。
+ """
+
+ def __init__(self, trainer, tokenizer, val_dataset, num_samples=100, freq=2):
+ """WandbPredictionProgressCallback インスタンスを初期化します。
+
+ Args:
+ trainer (Trainer): Hugging Face の Trainer インスタンス。
+ tokenizer (AutoTokenizer): モデルに関連付けられたトークナイザー。
+ val_dataset (Dataset): 検証データセット。
+ num_samples (int, optional): 予測生成のために検証データセットから選択するサンプル数。
+ デフォルトは 100。
+ freq (int, optional): ロギングの頻度。デフォルトは 2。
+ """
+ super().__init__()
+ self.trainer = trainer
+ self.tokenizer = tokenizer
+ self.sample_dataset = val_dataset.select(range(num_samples))
+ self.freq = freq
+
+ def on_evaluate(self, args, state, control, **kwargs):
+ super().on_evaluate(args, state, control, **kwargs)
+ # `freq` エポックごとに予測を記録してロギングの頻度を制御する
+ if state.epoch % self.freq == 0:
+ # 予測を生成する
+ predictions = self.trainer.predict(self.sample_dataset)
+ # 予測とラベルをデコードする
+ predictions = decode_predictions(self.tokenizer, predictions)
+ # 予測を wandb.Table に追加する
+ predictions_df = pd.DataFrame(predictions)
+ predictions_df["epoch"] = state.epoch
+ records_table = self._wandb.Table(dataframe=predictions_df)
+ # テーブルを wandb に記録する
+ self._wandb.log({"sample_predictions": records_table})
+
+
+# まず、Trainer をインスタンス化する
+trainer = Trainer(
+ model=model,
+ args=training_args,
+ train_dataset=lm_datasets["train"],
+ eval_dataset=lm_datasets["validation"],
+)
+
+# WandbPredictionProgressCallback をインスタンス化する
+progress_callback = WandbPredictionProgressCallback(
+ trainer=trainer,
+ tokenizer=tokenizer,
+ val_dataset=lm_dataset["validation"],
+ num_samples=10,
+ freq=2,
+)
+
+# コールバックを trainer に追加する
+trainer.add_callback(progress_callback)
+```
+
+より詳細な例については、この [Colab ノートブック](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/huggingface/Custom_Progress_Callback.ipynb) を参照してください。
+
+
+ ### 利用可能な追加の W&B 設定は何ですか？
+
+
+`Trainer` でログに記録される内容は、環境変数を設定することでさらに細かく制御できます。W&B の環境変数の全一覧は [こちら](/ja/platform/hosting/env-vars) を参照してください。
+
+| Environment Variable | Usage |
+| -------------------- |----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+| `WANDB_PROJECT` | プロジェクトに名前を付けます（デフォルトは `huggingface`） |
+| `WANDB_LOG_MODEL` | モデルチェックポイントを W&B Artifact としてログに記録します（デフォルトは `false`）
false（デフォルト）: モデルのチェックポイントは記録しませんcheckpoint: Trainer の TrainingArguments で設定された args.save_steps ごとにチェックポイントをアップロードします。end: トレーニング終了時に最終モデルのチェックポイントをアップロードします。モデルの勾配やパラメーター、あるいはどちらもログに記録しないかを設定します
false（デフォルト）: 勾配とパラメーターをどちらもログに記録しませんgradients: 勾配のヒストグラムをログに記録しますall: 勾配とパラメーターの両方のヒストグラムをログに記録します
+
+ ```bash
+ WANDB_WATCH=all
+ WANDB_SILENT=true
+ ```
+
+
+
+ ```notebook
+ %env WANDB_WATCH=all
+ %env WANDB_SILENT=true
+ ```
+
+
+
+
+ ### `wandb.init` をカスタマイズするにはどうすればよいですか？
+
+
+`Trainer` が使用する `WandbCallback` は、`Trainer` の初期化時に内部で `wandb.init` を呼び出します。代わりに、`Trainer` を初期化する前に `wandb.init` を呼び出して、run を手動でセットアップすることもできます。これにより、W&B run の設定を完全に制御できます。
+
+`init` に渡す引数の一例を以下に示します。`wandb.init()` の詳細については、[`wandb.init()` リファレンス](/ja/models/ref/python/functions/init) を参照してください。
+
+```python
+wandb.init(
+ project="amazon_sentiment_analysis",
+ name="bert-base-high-lr",
+ tags=["baseline", "high-lr"],
+ group="bert",
+)
+```
+
+
+ ## 追加リソース
+
+
+以下に、Transformers と W&B に関連した記事を 6 本紹介します。
+
+
+ Hyperparameter Optimization for Hugging Face Transformers
+
+ * Hugging Face Transformers のハイパーパラメーター最適化について、Grid Search、Bayesian Optimization、Population Based Training の 3 つの手法を比較しています。
+ * Hugging Face transformers の標準的な uncased BERT モデルを使用し、SuperGLUE ベンチマークの RTE データセットでファインチューニングすることを目指します。
+ * 結果から、Population Based Training が Hugging Face transformer モデルのハイパーパラメーター最適化に最も有効な手法であることがわかりました。
+
+ [Hyperparameter Optimization for Hugging Face Transformers report](https://wandb.ai/amogkam/transformers/reports/Hyperparameter-Optimization-for-Hugging-Face-Transformers--VmlldzoyMTc2ODI) をご覧ください。
+
+
+
+ Hugging Tweets: Train a Model to Generate Tweets
+
+ * この記事では、著者が事前学習済み GPT2 Hugging Face Transformer モデルを使って、任意の人の Tweets を 5 分でファインチューニングする方法を示します。
+ * モデルは次のパイプラインを使用します: Tweets のダウンロード、データセットの最適化、初期実験、ユーザー間の損失比較、モデルのファインチューニング。
+
+ 完全なレポートは [こちら](https://wandb.ai/wandb/huggingtweets/reports/HuggingTweets-Train-a-Model-to-Generate-Tweets--VmlldzoxMTY5MjI) からご覧いただけます。
+
+
+
+ Sentence Classification With Hugging Face BERT and WB
+
+ * この記事では、近年の自然言語処理分野のブレイクスルーの力を活用して文分類器を構築し、転移学習を NLP に応用する事例に焦点を当てます。
+ * 単一文分類のために The Corpus of Linguistic Acceptability (CoLA) データセットを使用します。これは、文法的に正しいか誤っているかでラベル付けされた文の集合で、2018 年 5 月に初めて公開されました。
+ * Google の BERT を使用して、さまざまな NLP タスクにおいて、最小限の労力で高性能なモデルを作成します。
+
+ 完全なレポートは [こちら](https://wandb.ai/cayush/bert-finetuning/reports/Sentence-Classification-With-Huggingface-BERT-and-W-B--Vmlldzo4MDMwNA) からご覧いただけます。
+
+
+
+ A Step by Step Guide to Tracking Hugging Face Model Performance
+
+ * W&B と Hugging Face transformers を使用して DistilBERT をトレーニングします。DistilBERT は BERT より 40% 小さい一方で、BERT の精度の 97% を維持する Transformer で、これを GLUE ベンチマーク上でトレーニングします。
+ * GLUE ベンチマークは、NLP モデルのトレーニングのための 9 個のデータセットとタスクから成るコレクションです。
+
+ 完全なレポートは [こちら](https://wandb.ai/jxmorris12/huggingface-demo/reports/A-Step-by-Step-Guide-to-Tracking-HuggingFace-Model-Performance--VmlldzoxMDE2MTU) からご覧いただけます。
+
+
+
+ Examples of Early Stopping in HuggingFace
+
+ * Early Stopping 正則化を用いて Hugging Face Transformer をファインチューニングすることは、PyTorch または TensorFlow でネイティブに実行できます。
+ * TensorFlow では、`tf.keras.callbacks.EarlyStopping` コールバックを使った EarlyStopping の利用は容易です。
+ * PyTorch には既製の early stopping メソッドはありませんが、GitHub Gist 上に動作する early stopping フックが公開されています。
+
+ 完全なレポートは [こちら](https://wandb.ai/ayush-thakur/huggingface/reports/Early-Stopping-in-HuggingFace-Examples--Vmlldzo0MzE2MTM) からご覧いただけます。
+
+
+
+ How to Fine-Tune Hugging Face Transformers on a Custom Dataset
+
+ カスタム IMDB データセットを用いたセンチメント分析（二値分類）のために、DistilBERT Transformer モデルをファインチューニングします。
+
+ 完全なレポートは [こちら](https://wandb.ai/ayush-thakur/huggingface/reports/How-to-Fine-Tune-HuggingFace-Transformers-on-a-Custom-Dataset--Vmlldzo0MzQ2MDc) からご覧いただけます。
+
+
+
+ ## ヘルプや機能をリクエストする
+
+
+Hugging Face の W&B インテグレーションに関する問題や質問、機能リクエストがある場合は、[Hugging Face フォーラムのこのスレッド](https://discuss.huggingface.co/t/logging-experiment-tracking-with-w-b/498) に投稿するか、Hugging Face の [Transformers GitHub リポジトリ](https://github.com/huggingface/transformers) で issue を作成してください。
\ No newline at end of file
diff --git a/ja/models/integrations/hydra.mdx b/ja/models/integrations/hydra.mdx
index 3ce7751295..3524744358 100644
--- a/ja/models/integrations/hydra.mdx
+++ b/ja/models/integrations/hydra.mdx
@@ -1,15 +1,17 @@
---
+description: Hydra と W&B を統合する方法。
title: Hydra
-description: W&B を Hydra と統合する方法。
---
-> [Hydra](https://hydra.cc) は、研究やその他の複雑な アプリケーション の開発を簡素化するオープンソースの Python フレームワーク です。主な特徴は、構成（composition）によって階層的な 設定 を動的に作成し、設定 ファイルや コマンドライン を通じてそれを上書きできる機能です。
+> [Hydra](https://hydra.cc) は、研究用途やその他の複雑なアプリケーションの開発を簡素化する、オープンソースの Python フレームワークです。主な特長は、コンポジションによって階層的な設定を動的に作成し、設定ファイルやコマンドラインからそれをオーバーライドできることです。
-W&B の強力な機能を活用しながら、引き続き Hydra を 設定 管理に使用できます。
+W&B の強力な機能を活用しつつ、設定管理には引き続き Hydra を使用できます。
-## メトリクスのトラッキング
+
+ ## メトリクスを記録する
+
-通常通り `wandb.init()` と `wandb.Run.log()` を使用して メトリクス をトラッキングします。ここでは、`wandb.entity` と `wandb.project` は Hydra の 設定 ファイル内で定義されています。
+`wandb.init()` と `wandb.Run.log()` を使用して、通常どおりメトリクスを記録します。ここでは、`wandb.entity` と `wandb.project` は Hydra の設定ファイル内で定義されています。
```python
import wandb
@@ -18,20 +20,20 @@ import wandb
@hydra.main(config_path="configs/", config_name="defaults")
def run_experiment(cfg):
- # cfg.wandb.entity と cfg.wandb.project を使用して初期化
with wandb.init(entity=cfg.wandb.entity, project=cfg.wandb.project) as run:
run.log({"loss": loss})
```
-## ハイパーパラメーターのトラッキング
+
+ ## ハイパーパラメーターを追跡する
+
-Hydra は、設定 辞書 とのインターフェースのデフォルトの方法として [omegaconf](https://omegaconf.readthedocs.io/en/2.1_branch/) を使用します。`OmegaConf` の 辞書 はプリミティブな 辞書 のサブクラスではないため、Hydra の `Config` を直接 `wandb.Run.config` に渡すと、ダッシュボード 上で予期しない 結果 になることがあります。`wandb.Run.config` に渡す前に、`omegaconf.DictConfig` をプリミティブな `dict` 型に変換する必要があります。
+Hydra は [omegaconf](https://omegaconf.readthedocs.io/en/2.1_branch/) を、設定用の辞書とやり取りするためのデフォルトのインターフェースとして使用します。`OmegaConf` の辞書は組み込みの辞書型のサブクラスではないため、Hydra の `Config` をそのまま `wandb.Run.config` に渡すと、ダッシュボード上で予期しない結果を招く可能性があります。`wandb.Run.config` に渡す前に、`omegaconf.DictConfig` を組み込みの `dict` 型に変換する必要があります。
```python
@hydra.main(config_path="configs/", config_name="defaults")
def run_experiment(cfg):
with wandb.init(entity=cfg.wandb.entity, project=cfg.wandb.project) as run:
- # omegaconf.DictConfig を標準の Python 辞書に変換
run.config = omegaconf.OmegaConf.to_container(
cfg, resolve=True, throw_on_missing=True
)
@@ -40,25 +42,29 @@ def run_experiment(cfg):
model = Model(**run.config.model.configs)
```
-## マルチプロセッシングのトラブルシューティング
+
+ ## マルチプロセッシングのトラブルシューティング
+
-プロセス 開始時にフリーズする場合、[こちらの既知の問題](/models/track/log/distributed-training/) が原因である可能性があります。これを解決するには、`wandb.init()` に追加の settings パラメータ を渡して W&B のマルチプロセッシングプロトコルを変更してみてください。
+プロセスが起動時にハングしてしまう場合、[既知の問題](/ja/models/track/log/distributed-training) が原因となっている可能性があります。これを解決するには、`wandb.init()` に追加の settings パラメーターを指定して、wandb のマルチプロセッシングプロトコルを変更してみてください。たとえば次のようにします:
```python
wandb.init(settings=wandb.Settings(start_method="thread"))
```
-または、シェルからグローバルな 環境 変数を設定します。
+または、シェルでグローバル環境変数を設定します：
```bash
$ export WANDB_START_METHOD=thread
```
-## ハイパーパラメーターの最適化
+
+ ## ハイパーパラメーターを最適化する
+
-[W&B Sweeps](/models/sweeps/) は、高度な拡張性を備えた ハイパーパラメーター 探索 プラットフォーム です。最小限の コード 変更で W&B Experiments に関する興味深い洞察と 可視化 を提供します。Sweeps は Hydra プロジェクト とシームレスに統合され、追加のコーディングは不要です。必要なのは、通常通り スイープ するさまざまな パラメータ を記述した 設定 ファイルだけです。
+[W&B Sweeps](/ja/models/sweeps) は高いスケーラビリティを持つハイパーパラメーター探索プラットフォームで、最小限のコード変更で W&B Experiments に関する有用なインサイトと可視化機能を提供します。Sweeps はコーディング不要で Hydra プロジェクトとシームレスに統合できます。必要なのは、通常どおり sweep 対象とするさまざまなパラメーターを記述した設定ファイルだけです。
-簡単な `sweep.yaml` ファイルの例は以下の通りです。
+単純な例として、`sweep.yaml` ファイルは次のようになります。
```yaml
program: main.py
@@ -77,22 +83,24 @@ command:
- ${args_no_hyphens}
```
-スイープ を実行します。
+sweep を実行します：
-``` bash
+```bash
wandb sweep sweep.yaml
```
-W&B は プロジェクト 内に自動的に スイープ を作成し、スイープ を実行したい各マシンで実行するための `wandb agent` コマンド を返します。
+W&B は、使用している プロジェクト 内に自動的に sweep を作成し、sweep を実行したい各マシンで実行するための `wandb agent` コマンドを返します。
-### Hydra のデフォルトに存在しないパラメータを渡す
+
+ ### Hydra のデフォルトに存在しないパラメーターを渡す
+
-
+ ## 基本的なセットアップ
+
```python
from argparse import ArgumentParser
@@ -57,12 +59,12 @@ def get_data_loaders(train_batch_size, val_batch_size):
return train_loader, val_loader
```
-Ignite で `WandBLogger` を使用するプロセスはモジュール化されています。まず `WandBLogger` オブジェクト を作成し、次にそれを trainer または evaluator にアタッチすることで、メトリクスを自動的に ログ 記録します。この例では以下の内容を示します：
+ignite で `WandBLogger` を使用する手順はモジュール式です。まず、`WandBLogger` オブジェクトを作成します。次に、それを trainer または evaluator にアタッチしてメトリクスを自動的に記録します。次の例では、以下を行います:
-* trainer オブジェクト にアタッチして、トレーニングの Loss を ログ 記録する。
-* evaluator にアタッチして、バリデーションの Loss を ログ 記録する。
-* 学習率などの任意の パラメータ を ログ 記録する。
-* モデルを `watch`（監視）する。
+* trainer オブジェクトにアタッチしてトレーニング損失を記録します。
+* evaluator にアタッチして検証損失を記録します。
+* 学習率などの任意のパラメーターを記録します。
+* モデルを監視します。
```python
from ignite.contrib.handlers.wandb_logger import *
@@ -86,7 +88,7 @@ def run(train_batch_size, val_batch_size, epochs, lr, momentum, log_interval):
initial=0, leave=False, total=len(train_loader),
desc=desc.format(0)
)
- # WandBlogger オブジェクトの作成
+ #WandBlogger オブジェクトの作成
wandb_logger = WandBLogger(
project="pytorch-ignite-integration",
name="cnn-mnist",
@@ -119,7 +121,8 @@ def run(train_batch_size, val_batch_size, epochs, lr, momentum, log_interval):
wandb_logger.watch(model)
```
-オプションとして、Ignite の `EVENTS` を利用してメトリクスを直接 ターミナル に出力することもできます。
+オプションとして ignite の `EVENTS` を利用して、メトリクスをターミナルに直接ログとして出力できます
+
```python
@trainer.on(Events.ITERATION_COMPLETED(every=log_interval))
@@ -174,22 +177,22 @@ if __name__ == "__main__":
run(args.batch_size, args.val_batch_size, args.epochs, args.lr, args.momentum, args.log_interval)
```
-このコードにより、以下のような 可視化 が生成されます：
+このコードは次のような可視化を生成します::
+ ## Keras インテグレーションをインストールしてインポートする
+
-これらの新しいコールバックは以下の特徴を持ちます：
+W&B の最新バージョンをインストールします。
-* Keras の設計哲学に準拠しています。
-* 1 つのコールバック (`WandbCallback`) ですべてを行うことによる認知負荷を軽減します。
-* Keras ユーザーがコールバックをサブクラス化して、特定のユースケースに合わせて簡単に修正できるようにします。
+```bash
+pip install -U wandb
+```
+
+Keras インテグレーションを使用するには、`wandb.integration.keras` から必要なクラスをインポートします：
+
+```python
+import wandb
+from wandb.integration.keras import WandbMetricsLogger, WandbModelCheckpoint, WandbEvalCallback
+```
-## `WandbMetricsLogger` で実験を追跡する
+以下のセクションでは、各コールバックについてコード例とともに詳しく説明します。
-
+ ## `WandbMetricsLogger` で実験をトラッキングする
+
-`WandbMetricsLogger` は、`on_epoch_end` や `on_batch_end` などのコールバックメソッドが引数として受け取る Keras の `logs` 辞書を自動的にログ記録します。
+
+ ### `WandbMetricsLogger` リファレンス
+
-| パラメータ | 説明 |
+| Parameter | Description |
| --------------------- | --------------------------------------------------------------------------------------------------------------------------------- |
-| `log_freq` | (`epoch`, `batch`, または `int`): `epoch` の場合、各エポックの終了時にメトリクスをログ記録します。`batch` の場合、各バッチの終了時にログ記録します。`int` の場合、その指定されたバッチ数ごとにログ記録します。デフォルトは `epoch` です。 |
-| `initial_global_step` | (int): 特定の `initial_epoch` からトレーニングを再開し、学習率スケジューラーを使用する場合に、学習率を正しくログ記録するためにこの引数を使用します。これは `step_size * initial_step` として計算できます。デフォルトは 0 です。 |
+| `log_freq` | (`epoch`、`batch`、または `int`)：`epoch` の場合は各エポックの終了時にメトリクスを記録します。`batch` の場合は各バッチの終了時にメトリクスを記録します。`int` の場合は、その値で指定した数のバッチごとにメトリクスを記録します。デフォルトは `epoch` です。 |
+| `initial_global_step` | (int)：ある initial_epoch からトレーニングを再開し、かつ learning rate スケジューラを使用している場合に、学習率を正しくログに記録するためにこの引数を使用します。これは step_size * initial_step として計算できます。デフォルトは 0 です。 |
-## `WandbModelCheckpoint` を使用したモデルのチェックポイント作成
+
+ ## `WandbModelCheckpoint` を使って モデル をチェックポイントする
+
-
+ ### `WandbModelCheckpoint` リファレンス
+
-| パラメータ | 説明 |
-| ------------------------- | ---- |
-| `filepath` | (str): モデルファイルを保存するパス。|
-| `monitor` | (str): 監視するメトリクス名。 |
-| `verbose` | (int): 詳細モード、0 または 1。モード 0 はサイレント、モード 1 はコールバックがアクションを実行したときにメッセージを表示します。 |
-| `save_best_only` | (Boolean): `save_best_only=True` の場合、`monitor` と `mode` 属性で定義された内容に従って、最新のモデル、または最適とみなされるモデルのみを保存します。 |
-| `save_weights_only` | (Boolean): True の場合、モデルの重みのみを保存します。 |
-| `mode` | (`auto`, `min`, または `max`): `val_acc` の場合は `max`、`val_loss` の場合は `min` などに設定します。 |
-| `save_freq` | ("epoch" または int): ‘epoch’ を使用すると、各エポックの後にモデルを保存します。整数を使用すると、そのバッチ数の終了時にモデルを保存します。`val_acc` や `val_loss` などの検証メトリクスを監視する場合、それらのメトリクスはエポックの終了時にしか利用できないため、`save_freq` は "epoch" に設定する必要があります。 |
-| `options` | (str): `save_weights_only` が true の場合はオプションの `tf.train.CheckpointOptions` オブジェクト、false の場合はオプションの `tf.saved_model.SaveOptions` オブジェクト。 |
-| `initial_value_threshold` | (float): 監視対象メトリクスの初期の「最良」値。 |
+| Parameter | Description |
+| ------------------------- | ---- |
+| `filepath` | (str): path to save the mode file.|\
+| `monitor` | (str): The metric name to monitor. |
+| `verbose` | (int): Verbosity mode, 0 or 1. Mode 0 is silent, and mode 1 displays messages when the callback takes an action. |
+| `save_best_only` | (Boolean): if `save_best_only=True`, it only saves the latest model or the model it considers the best, according to the defined by the `monitor` and `mode` attributes. |
+| `save_weights_only` | (Boolean): if True, saves only the model's weights. |
+| `mode` | (`auto`, `min`, or `max`): For `val_acc`, set it to `max`, for `val_loss`, set it to `min`, and so on | |
+| `save_freq` | ("epoch" or int): When using ‘epoch’, the callback saves the model after each epoch. When using an integer, the callback saves the model at end of this many batches. Note that when monitoring validation metrics such as `val_acc` or `val_loss`, `save_freq` must be set to "epoch" as those metrics are only available at the end of an epoch. |
+| `options` | (str): Optional `tf.train.CheckpointOptions` object if `save_weights_only` is true or optional `tf.saved_model.SaveOptions` object if `save_weights_only` is false. |
+| `initial_value_threshold` | (float): Floating point initial "best" value of the metric to be monitored. |
-### N エポックごとにチェックポイントをログ記録する
+
+ ### N エポックごとにチェックポイントをログする
+
-デフォルト (`save_freq="epoch"`) では、コールバックは各エポックの後にチェックポイントを作成し、アーティファクトとしてアップロードします。特定のバッチ数ごとにチェックポイントを作成するには、`save_freq` に整数を設定します。`N` エポックごとにチェックポイントを作成するには、`train` データローダーのカーディナリティを計算し、それを `save_freq` に渡します：
+デフォルトでは（`save_freq="epoch"`）、コールバックは各エポック終了後にチェックポイントを作成し、それを Artifacts としてアップロードします。特定のバッチ数ごとにチェックポイントを作成するには、`save_freq` に整数を指定します。`N` エポックごとにチェックポイントを作成するには、`train` データローダーの要素数を計算し、それを `save_freq` に渡します。
```python
WandbModelCheckpoint(
@@ -115,9 +142,11 @@ WandbModelCheckpoint(
)
```
-### TPU アーキテクチャーで効率的にチェックポイントをログ記録する
+
+ ### TPU アーキテクチャ上でチェックポイントを効率的に記録する
+
-TPU でチェックポイントを作成する際、`UnimplementedError: File system scheme '[local]' not implemented` というエラーメッセージに遭遇することがあります。これは、モデルディレクトリ (`filepath`) がクラウドストレージのバケットパス (`gs://bucket-name/...`) を使用する必要があり、かつそのバケットが TPU サーバーからアクセス可能である必要があるために発生します。しかし、ローカルパスを使用してチェックポイントを作成し、それをアーティファクトとしてアップロードすることも可能です。
+TPU 上でチェックポイントを行う際に、`UnimplementedError: File system scheme '[local]' not implemented` というエラーメッセージが発生する場合があります。これは、モデルディレクトリ（`filepath`）としてクラウドストレージバケットのパス（`gs://bucket-name/...`）を使用する必要があり、そのバケットが TPU サーバーからアクセス可能でなければならないためです。これに対して、W&B はチェックポイントにローカルパスを使用し、そのローカルパスが Artifacts としてアップロードされます。
```python
checkpoint_options = tf.saved_model.SaveOptions(experimental_io_device="/job:localhost")
@@ -128,29 +157,31 @@ WandbModelCheckpoint(
)
```
-## `WandbEvalCallback` を使用したモデル予測の可視化
+
+ ## `WandbEvalCallback` を使ってモデル予測を可視化する
+
-
-W&B の [アーティファクトページ](/models/artifacts/explore-and-traverse-an-artifact-graph/) には、デフォルトで **Workspace** ページではなくテーブルログが含まれます。
-
+
+ ### `WandbEvalCallback` リファレンス
+
-### `WandbEvalCallback` リファレンス
+| Parameter | Description |
+| -------------------- | ------------------------------------ |
+| `data_table_columns` | (list) `data_table` の列名のリスト |
+| `pred_table_columns` | (list) `pred_table` の列名のリスト |
-| パラメータ | 説明 |
-| -------------------- | ------------------------------------------------ |
-| `data_table_columns` | (list) `data_table` のカラム名のリスト |
-| `pred_table_columns` | (list) `pred_table` のカラム名のリスト |
+
-### メモリフットプリントの詳細
+`on_train_begin` メソッドが呼び出されたタイミングで、`data_table` を W&B にログします。W&B Artifact としてアップロードされると、このテーブルへの参照を取得でき、`data_table_ref` クラス変数を使ってアクセスできます。`data_table_ref` は 2 次元リストであり、`self.data_table_ref[idx][n]` のようにインデックス指定できます。ここで、`idx` は行番号、`n` は列番号です。以下の例でその使い方を確認します。
-`on_train_begin` メソッドが呼び出されたときに `data_table` を W&B にログ記録します。W&B アーティファクトとしてアップロードされると、このテーブルへの参照を取得でき、`data_table_ref` クラス変数を使用してアクセスできます。`data_table_ref` は `self.data_table_ref[idx][n]` のようにインデックス指定できる 2D リストで、`idx` は行番号、`n` は列番号です。使い方は上記の例を確認してください。
+
+ ### コールバックをカスタマイズする
+
-### コールバックのカスタマイズ
-
-より詳細な制御を行うために、`on_train_begin` または `on_epoch_end` メソッドをオーバーライドできます。`N` バッチごとにサンプルをログ記録したい場合は、`on_train_batch_end` メソッドを実装できます。
+より細かく制御したい場合は、`on_train_begin` や `on_epoch_end` メソッドをオーバーライドできます。`N` バッチごとにサンプルを記録したい場合は、`on_train_batch_end` メソッドを実装してください。
-`WandbEvalCallback` を継承してモデル予測可視化用のコールバックを実装する際に、不明点や修正が必要な箇所がある場合は、[issue](https://github.com/wandb/wandb/issues) を開いてお知らせください。
+ `WandbEvalCallback` を継承して モデル 予測の可視化用コールバックを実装している際に、明確にすべき点や修正が必要な点があれば、[issue](https://github.com/wandb/wandb/issues) を作成してお知らせください。
-## `WandbCallback` [レガシー]
+
+ ## `WandbCallback` [legacy]
+
-W&B ライブラリの `WandbCallback` クラスを使用して、`model.fit` で追跡されるすべてのメトリクスと損失値を自動的に保存します。
+W&B ライブラリの `WandbCallback()` クラスを使用すると、`model.fit()` で記録されたメトリクスや損失値を自動的に保存できます。
```python
import wandb
from wandb.integration.keras import WandbCallback
-wandb.init(config={"hyper": "parameter"})
+with wandb.init(config={"hyper": "parameter"}) as run:
-... # Keras でモデルをセットアップするコード
+ # Keras でモデルをセットアップするコード
-# コールバックを model.fit に渡す
-model.fit(
- X_train, y_train, validation_data=(X_test, y_test), callbacks=[WandbCallback()]
-)
+ # コールバックを model.fit に渡す
+ model.fit(
+ X_train, y_train, validation_data=(X_test, y_test), callbacks=[WandbCallback()]
+ )
```
-短い動画 [Get Started with Keras and W&B in Less Than a Minute](https://www.youtube.com/watch?ab_channel=Weights&Biases&v=4FjDIJ-vO_M) をご覧いただけます。
+次の短い動画 [Get Started with Keras and W&B in Less Than a Minute](https://www.youtube.com/watch?ab_channel=Weights\&Biases\&v=4FjDIJ-vO_M) をご覧いただけます。
-より詳細な動画については、[Integrate W&B with Keras](https://www.youtube.com/watch?v=Bsudo7jbMow\&ab_channel=Weights%26Biases) をご覧ください。また、[Colab Jupyter Notebook](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/keras/Keras_pipeline_with_Weights_and_Biases.ipynb) も確認できます。
+より詳しい内容については、[Integrate W&B with Keras](https://www.youtube.com/watch?v=Bsudo7jbMow\&ab_channel=Weights%26Biases) をご覧ください。[Colab Jupyter Notebook](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/keras/Keras_pipeline_with_Weights_and_Biases.ipynb) も参照できます。
-[Fashion MNIST の例](https://github.com/wandb/examples/blob/master/examples/keras/keras-cnn-fashion/train.py) や、それによって生成される [W&B ダッシュボード](https://wandb.ai/wandb/keras-fashion-mnist/runs/5z1d85qs) を含むスクリプトについては、[公式サンプルリポジトリ](https://github.com/wandb/examples) を参照してください。
+ スクリプトについては [example リポジトリ](https://github.com/wandb/examples) を参照してください。[Fashion MNIST example](https://github.com/wandb/examples/blob/master/examples/keras/keras-cnn-fashion/train.py) や、それによって生成される [W&B ダッシュボード](https://wandb.ai/wandb/keras-fashion-mnist/runs/5z1d85qs) が含まれています。
-`WandbCallback` クラスは、監視するメトリクスの指定、重みと勾配の追跡、トレーニングデータおよび検証データの予測のログ記録など、多種多様なログ設定オプションをサポートしています。
-
-詳細については、`keras.WandbCallback` のリファレンスドキュメントを確認してください。
-
-`WandbCallback` は：
-
-* Keras によって収集されたすべてのメトリクスの履歴データを自動的にログ記録します：損失（loss）および `keras_model.compile()` に渡されたすべてのメトリクス。
-* `monitor` および `mode` 属性で定義された「最良」のトレーニングステップに関連付けられた実行のサマリーメトリクスを設定します。これはデフォルトで `val_loss` が最小のエポックになります。`WandbCallback` はデフォルトで最良の `epoch` に関連付けられたモデルを保存します。
-* オプションで勾配とパラメータのヒストグラムをログ記録します。
-* オプションで W&B が可視化するためのトレーニングおよび検証データを保存します。
-
-### `WandbCallback` リファレンス
-
-| 引数 | 説明 |
-| -------------------------- | ------------------------------------------- |
-| `monitor` | (str) 監視するメトリクス名。デフォルトは `val_loss`。 |
-| `mode` | (str) `{`auto`, `min`, `max`}` のいずれか。`min` - monitor が最小化されたときにモデルを保存。`max` - monitor が最大化されたときにモデルを保存。`auto` - いつモデルを保存するかを自動推測（デフォルト）。 |
-| `save_model` | True - monitor が過去のすべてのエポックを上回ったときにモデルを保存。False - モデルを保存しない。 |
-| `save_graph` | (boolean) True の場合、モデルグラフを wandb に保存（デフォルトは True）。 |
-| `save_weights_only` | (boolean) True の場合、モデルの重みのみを保存 (`model.save_weights(filepath)`)。それ以外の場合はモデル全体を保存。 |
-| `log_weights` | (boolean) True の場合、モデルレイヤーの重みのヒストグラムを保存。 |
-| `log_gradients` | (boolean) True の場合、トレーニング勾配のヒストグラムをログ記録。 |
-| `training_data` | (tuple) `model.fit` に渡されるものと同じ形式 `(X,y)`。勾配の計算に必要です。`log_gradients` が `True` の場合は必須です。 |
-| `validation_data` | (tuple) `model.fit` に渡されるものと同じ形式 `(X,y)`。W&B が可視化するためのデータセット。このフィールドを設定すると、毎エポック、W&B は少数の予測を行い、後で可視化するために結果を保存します。 |
-| `generator` | (generator) W&B が可視化するための検証データを返すジェネレーター。このジェネレーターはタプル `(X,y)` を返す必要があります。特定のデータ例を可視化するには、`validate_data` またはジェネレーターのいずれかを設定する必要があります。 |
-| `validation_steps` | (int) `validation_data` がジェネレーターの場合、検証セット全体に対してジェネレーターを実行するステップ数。 |
-| `labels` | (list) W&B でデータを可視化する場合、複数のクラスを持つ分類器を構築していれば、このラベルリストにより数値出力を理解しやすい文字列に変換します。バイナリ分類器の場合は、2 つのラベルのリスト \[`label for false`, `label for true`] を渡すことができます。`validate_data` と `generator` の両方が false の場合、これは何もしません。 |
-| `predictions` | (int) 各エポックで可視化のために作成する予測数。最大は 100 です。 |
-| `input_type` | (string) 可視化を助けるためのモデル入力のタイプ。(`image`, `images`, `segmentation_mask`) のいずれか。 |
-| `output_type` | (string) 可視化を助けるためのモデル出力のタイプ。(`image`, `images`, `segmentation_mask`) のいずれか。 |
-| `log_evaluation` | (boolean) True の場合、各エポックでの検証データとモデルの予測を含むテーブルを保存します。詳細は `validation_indexes`、`validation_row_processor`、`output_row_processor` を参照してください。 |
-| `class_colors` | (\[float, float, float]) 入力または出力がセグメンテーションマスクの場合、各クラスの RGB タプル（範囲 0-1）を含む配列。 |
-| `log_batch_frequency` | (integer) None の場合、コールバックは毎エポックログを記録します。整数に設定されている場合、コールバックは `log_batch_frequency` バッチごとにトレーニングメトリクスをログ記録します。 |
-| `log_best_prefix` | (string) None の場合、余分なサマリーメトリクスを保存しません。文字列に設定されている場合、監視されているメトリクスとエポックの前にプレフィックスを付加し、結果をサマリーメトリクスとして保存します。 |
-| `validation_indexes` | (\[wandb.data_types._TableLinkMixin]) 各検証例に関連付けるインデックスキーの順序付きリスト。`log_evaluation` が True で `validation_indexes` を指定した場合、検証データのテーブルは作成されません。代わりに、各予測を `TableLinkMixin` で表される行に関連付けます。行キーのリストを取得するには、`Table.get_index()` を使用してください。 |
-| `validation_row_processor` | (Callable) 検証データに適用する関数で、通常はデータの可視化に使用されます。この関数は `ndx` (int) と `row` (dict) を受け取ります。モデルの入力が 1 つの場合、`row["input"]` にはその行の入力データが含まれます。それ以外の場合は、入力スロットの名前が含まれます。fit 関数が単一のターゲットを受け取る場合、`row["target"]` にはその行のターゲットデータが含まれます。それ以外の場合は、出力スロットの名前が含まれます。例えば、入力データが単一の配列で、データを画像として可視化する場合、プロセッサーとして `lambda ndx, row: {"img": wandb.Image(row["input"])}` を指定します。`log_evaluation` が False または `validation_indexes` が存在する場合は無視されます。 |
-| `output_row_processor` | (Callable) `validation_row_processor` と同様ですが、モデルの出力に適用されます。`row["output"]` にはモデル出力の結果が含まれます。 |
-| `infer_missing_processors` | (Boolean) `validation_row_processor` と `output_row_processor` が欠けている場合に推論するかどうかを決定します。デフォルトは True です。`labels` を指定した場合、W&B は適切な場所で分類タイプのプロセッサーを推論しようとします。 |
-| `log_evaluation_frequency` | (int) 評価結果をログ記録する頻度を決定します。デフォルトは `0` で、トレーニングの終了時にのみログ記録します。1 に設定すると毎エポック、2 に設定すると 1 エポックおきにログ記録します。`log_evaluation` が False の場合は効果がありません。 |
-
-## よくある質問
-
-### `Keras` のマルチプロセッシングを `wandb` で使用するにはどうすればよいですか？
-
-`use_multiprocessing=True` を設定すると、以下のエラーが発生することがあります：
+`WandbCallback` クラスは、監視するメトリクスの指定、重みと勾配の追跡、training_data および validation_data 上での予測のログ記録など、幅広いログ設定オプションをサポートします。
+
+詳細については `keras.WandbCallback` のリファレンスドキュメントを参照してください。
+
+`WandbCallback` は次のことを行います。
+
+* Keras によって収集されたあらゆるメトリクスの履歴データを自動的にログします。`loss` および `keras_model.compile()` に渡されたすべてのものが対象です。
+* `monitor` と `mode` 属性で定義される「最良」のトレーニングステップに関連付けられた run のサマリーメトリクスを設定します。デフォルトでは、`val_loss` が最小のエポックになります。`WandbCallback` はデフォルトで、その最良のエポックに対応するモデルを保存します。
+* オプションで、勾配およびパラメーターのヒストグラムをログします。
+* オプションで、wandb が可視化できるようにトレーニングおよび検証データを保存します。
+
+
+ ### `WandbCallback` リファレンス
+
+
+| 引数 | |
+| -------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `monitor` | (str) 監視対象とするメトリクス名。デフォルトは `val_loss`。 |
+| `mode` | (str) `{`auto`, `min`, `max`}` のいずれか。 `min` - 監視対象が最小になったときにモデルを保存 `max` - 監視対象が最大になったときにモデルを保存 `auto` - モデルをいつ保存するかを自動的に推定する (デフォルト)。 |
+| `save_model` | True - monitor の値がこれまでのすべてのエポックを上回ったときにモデルを保存する / False - モデルを保存しない |
+| `save_graph` | （boolean）True の場合、モデルグラフを wandb に保存する（デフォルトは True）。 |
+| `save_weights_only` | (boolean) True の場合、`model.save_weights(filepath)` を用いてモデルの重みのみを保存します。False の場合は、モデル全体を保存します)。 |
+| `log_weights` | （boolean）True の場合、モデルの各レイヤーの重みのヒストグラムを保存する。 |
+| `log_gradients` | （boolean）True の場合、トレーニング中の勾配のヒストグラムをログに記録する。 |
+| `training_data` | (tuple) `model.fit` に渡される `(X,y)` と同じ形式のタプル。勾配を計算するために使用され、`log_gradients` が `True` の場合は必須です。 |
+| `validation_data` | (tuple) `model.fit` に渡されるものと同じ形式の `(X,y)`。wandb が可視化するためのデータセットです。このフィールドを設定すると、各エポックごとに wandb が少数の予測を実行し、その結果を後で可視化できるように保存します。 |
+| `generator` | (generator) wandb で可視化するための検証データを返す generator。 この generator は `(X,y)` のタプルを返す必要があります。`validate_data` か generator のいずれか一方を設定して、wandb が特定のデータ例を可視化できるようにします。 |
+| `validation_steps` | (int) `validation_data` が generator の場合、検証セット全体を処理するために generator を何ステップ実行するか。 |
+| `labels` | (list) 多クラス分類器を構築していて、データを wandb で可視化する場合、このラベルのリストを使うと数値出力をわかりやすい文字列に変換できます。二値分類器の場合は、2 つのラベル [`label for false`, `label for true`] を要素に持つリストを渡すことができます。`validate_data` と `generator` がどちらも false の場合、この引数は何も行いません。 |
+| `predictions` | （int）可視化のために各エポックで生成する予測の数。最大値は 100。 |
+| `input_type` | (string) 可視化用の モデル 入力の型。次のいずれかを指定します: (`image`, `images`, `segmentation_mask`)。 |
+| `output_type` | (string) モデル出力の種類で、可視化に役立ちます。次のいずれかを指定できます: (`image`, `images`, `segmentation_mask`)。 |
+| `log_evaluation` | (boolean) True の場合、検証データと モデル の予測結果を各エポックごとに含む Table を保存します。詳細については `validation_indexes`、`validation_row_processor`、`output_row_processor` を参照してください。 |
+| `class_colors` | （[float, float, float]）入力または出力がセグメンテーション マスクの場合、各クラスに対する RGB タプル（範囲 0–1）を含む配列。 |
+| `log_batch_frequency` | (integer) None の場合、コールバックは各エポックでログを記録します。整数値が設定されている場合、コールバックは `log_batch_frequency` バッチごとにトレーニング メトリクスをログします。 |
+| `log_best_prefix` | （string）None の場合、追加のサマリー メトリクスは記録しない。文字列を指定した場合、その接頭辞を付けた監視対象メトリクスとエポックの値を記録し、その結果をサマリー メトリクスとして保存する。 |
+| `validation_indexes` | ([wandb.data_types._TableLinkMixin]) 各検証サンプルに対応付けるインデックスキーの順序付きリスト。`log_evaluation` が True で `validation_indexes` を指定した場合は、検証データの Table は作成されません。代わりに、各予測を `TableLinkMixin` によって表される行に関連付けます。行キーの一覧を取得するには `Table.get_index() ` を使用します。 |
+| `validation_row_processor` | (Callable) 検証データに適用する関数で、主にデータの可視化に使用します。関数は `ndx` (int) と `row` (dict) を受け取ります。モデルに単一の入力しかない場合、`row["input"]` にはその行の入力データが含まれます。そうでない場合は、入力スロットの名前が含まれます。`fit` 関数が単一のターゲットを取る場合、`row["target"]` にはその行のターゲットデータが含まれます。そうでない場合は、出力スロットの名前が含まれます。例えば、入力データが単一の配列であり、そのデータを Image として可視化したい場合、プロセッサとして `lambda ndx, row: {"img": wandb.Image(row["input"])}` を指定します。`log_evaluation` が False の場合、または `validation_indexes` が指定されている場合は無視されます。 |
+| `output_row_processor` | (Callable) `validation_row_processor` と同様ですが、モデルの出力に対して適用されます。`row["output"]` にはモデルの出力結果が含まれます。 |
+| `infer_missing_processors` | (Boolean) `validation_row_processor` と `output_row_processor` が存在しない場合に推論するかどうかを決定します。デフォルトは True です。`labels` を指定すると、W&B は該当する場合に分類タスク向けのプロセッサを推論しようとします。 |
+| `log_evaluation_frequency` | (int) 評価結果をログに記録する頻度を指定します。デフォルトは `0` で、トレーニング終了時にのみログを記録します。1 に設定すると毎エポック、2 に設定すると 1 エポックおきにログを記録します。`log_evaluation` が False の場合は何も行われません。 |
+
+
+ ## よくある質問
+
+
+
+ ### `Keras` の multiprocessing を `wandb` と一緒に使うにはどうすればよいですか？
+
+
+`use_multiprocessing=True` を設定すると、次のエラーが発生することがあります。
```python
Error("You must call wandb.init() before wandb.config.batch_size")
```
-これを回避するには：
+回避するには、次のようにします。
-1. `Sequence` クラスの構築時に `wandb.init(group='...')` を追加します。
-2. `main` で `if __name__ == "__main__":` を使用していることを確認し、スクリプトの残りのロジックをその中に入れます。
\ No newline at end of file
+1. `Sequence` クラスのコンストラクタ内で `wandb.init(group='...')` を追加します。
+2. `main` 内で `if __name__ == "__main__":` を使っていることを確認し、そのブロックの中にスクリプトの残りのロジックを記述します。
diff --git a/ja/models/integrations/kubeflow-pipelines-kfp.mdx b/ja/models/integrations/kubeflow-pipelines-kfp.mdx
index a85d728519..ea9dac0f98 100644
--- a/ja/models/integrations/kubeflow-pipelines-kfp.mdx
+++ b/ja/models/integrations/kubeflow-pipelines-kfp.mdx
@@ -1,68 +1,76 @@
---
+description: W&B を Kubeflow Pipelines と連携する方法。
title: Kubeflow Pipelines (kfp)
-description: W&B を Kubeflow Pipelines と統合する方法。
---
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
-[Kubeflow Pipelines (kfp)](https://www.kubeflow.org/docs/components/pipelines/overview/) は、 Docker コンテナベースでポータブルかつスケーラブルな 機械学習 (ML) ワークフローを構築・デプロイするためのプラットフォームです。
+[Kubeflow Pipelines (kfp) ](https://www.kubeflow.org/docs/components/pipelines/overview/)は、Docker コンテナに基づいて移植性とスケーラビリティに優れた機械学習 (ML) ワークフローを構築およびデプロイするためのプラットフォームです。
-この インテグレーション を使用すると、 kfp の Python 関数コンポーネントにデコレータを適用するだけで、パラメータや アーティファクト を W&B に自動的に ログ 記録できます。
+この インテグレーションにより、ユーザーは kfp の Python 関数型コンポーネントにデコレータを適用して、パラメーターと Artifacts を自動的に W&B に記録できます。
-この機能は `wandb==0.12.11` から有効になっており、 `kfp<2.0.0` が必要です。
+この機能は `wandb==0.12.11` から利用可能で、`kfp<2.0.0` が必要です。
-## サインアップと APIキー の作成
+
+ ## サインアップして API キーを作成する
+
-APIキー は、お使いのマシンを W&B に対して認証するために使用されます。 APIキー はユーザープロフィールから生成できます。
+API キー はマシンを W&B に対して認証するためのものです。API キー はユーザー プロフィールから作成できます。
-
+ ## `wandb` ライブラリをインストールしてログインする
+
-ローカル環境に `wandb` ライブラリをインストールしてログインするには：
+`wandb` ライブラリをローカル環境にインストールしてログインするには、次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を自分の API キー に設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールし、ログインします。
+
+ ```shell
+ pip install wandb
-1. `wandb` ライブラリをインストールしてログインします。
+ wandb login
+ ```
+
- ```shell
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
-
+
+ ```notebook
+ !pip install wandb
+ import wandb
+ wandb.login()
+ ```
+
+
-## コンポーネントへのデコレータ追加
+
+ ## コンポーネントにデコレーターを付与する
+
-`@wandb_log` デコレータを追加し、通常通りコンポーネントを作成します。これにより、パイプラインを実行するたびに、入力/出力 パラメータ と アーティファクト が W&B に自動的に ログ 記録されます。
+`@wandb_log` デコレーターを追加し、通常どおりコンポーネントを作成します。これにより、パイプラインを実行するたびに、入力・出力パラメーターと Artifacts が自動的に W&B に記録されます。
```python
from kfp import components
@@ -77,9 +85,11 @@ def add(a: float, b: float) -> float:
add = components.create_component_from_func(add)
```
-## コンテナへの環境変数の受け渡し
+
+ ## 環境変数をコンテナに渡す
+
-コンテナに対して明示的に [環境変数](/models/track/environment-variables/) を渡す必要がある場合があります。双方向のリンクを有効にするには、 `WANDB_KUBEFLOW_URL` 環境変数 に Kubeflow Pipelines インスタンスのベース URL（例: `https://kubeflow.mysite.com`）を設定してください。
+コンテナに [environment variables](/ja/models/track/environment-variables/) を明示的に渡す必要がある場合があります。双方向リンクを行うには、環境変数 `WANDB_KUBEFLOW_URL` を Kubeflow Pipelines インスタンスのベース URL に設定してください。たとえば `https://kubeflow.mysite.com` のようにします。
```python
import os
@@ -103,53 +113,67 @@ def example_pipeline(param1: str, param2: int):
conf.add_op_transformer(add_wandb_env_variables)
```
-## プログラムによるデータへのアクセス
+
+ ## プログラムからデータにアクセスする
+
-### Kubeflow Pipelines UI 経由
+
+ ### Kubeflow Pipelines UI から
+
-W&B で ログ 記録された Kubeflow Pipelines UI 上の任意の Run をクリックします。
+Kubeflow Pipelines UI で W&B にログされた任意の Run をクリックします。
-* 入出力の詳細は、 `Input/Output` タブおよび `ML Metadata` タブで確認できます。
-* `Visualizations` タブから W&B ウェブアプリを表示できます。
+* `Input/Output` タブと `ML Metadata` タブで入力および出力の詳細を確認します。
+* `Visualizations` タブから W&B の Web アプリを開きます。
+ ### Web アプリ UI 経由
+
-ウェブアプリ UI には、 Kubeflow Pipelines の `Visualizations` タブと同じ内容が表示されますが、より広い画面で操作できます。ウェブアプリ UI についての詳細は [こちら](/models/app) をご覧ください。
+Web アプリ UI には Kubeflow Pipelines の `Visualizations` タブと同じ内容が表示されますが、より広いスペースで利用できます。詳しくは [Web アプリ UI の詳細](/ja/models/app) を参照してください。
+ ### Public API 経由（プログラムからのアクセス）
+
-* プログラムによる アクセス については、 [Public API ドキュメント](/models/ref/python/public-api/) を参照してください。
+* プログラムからアクセスする場合は、[Public API](/ja/models/ref/python/public-api/) を参照してください。
-### Kubeflow Pipelines から W&B へのコンセプトマッピング
+
+ ### Kubeflow Pipelines から W&B への概念対応
+
-Kubeflow Pipelines のコンセプトと W&B の対応表は以下の通りです。
+以下は Kubeflow Pipelines の概念を W&B に対応付けた表です。
-| Kubeflow Pipelines | W&B | W&B内での場所 |
+| Kubeflow Pipelines | W&B | W&B 内での場所 |
| ------------------ | --- | --------------- |
-| Input Scalar | [`config`](/models/) | [Overviewタブ](/models/runs/#overview-tab) |
-| Output Scalar | [`summary`](/models/) | [Overviewタブ](/models/runs/#overview-tab) |
-| Input Artifact | Input Artifact | [Artifactsタブ](/models/runs/#artifacts-tab) |
-| Output Artifact | Output Artifact | [Artifactsタブ](/models/runs/#artifacts-tab) |
+| 入力スカラー | [`config`](/ja/models/) | [Overview タブ](/ja/models/runs/#overview-tab) |
+| 出力スカラー | [`summary`](/ja/models/) | [Overview タブ](/ja/models/runs/#overview-tab) |
+| 入力 Artifacts | 入力 Artifacts | [Artifacts タブ](/ja/models/runs/#artifacts-tab) |
+| 出力 Artifacts | 出力 Artifacts | [Artifacts タブ](/ja/models/runs/#artifacts-tab) |
-## きめ細かなログ記録
+
+ ## 細かなロギング
+
-ログ 記録をより詳細に制御したい場合は、コンポーネント内で `wandb.log` や `wandb.log_artifact` を呼び出すことができます。
+より細かくロギングを制御したい場合は、コンポーネント内の適切な箇所で `wandb.log` や `wandb.log_artifact` を呼び出すようにします。
-### 明示的な `wandb.log_artifacts` の呼び出し
+
+ ### 明示的な `wandb.log_artifacts` の呼び出しを使う場合
+
-以下の例では、 モデル を トレーニング しています。 `@wandb_log` デコレータは関連する入出力を自動的に追跡します。 トレーニング プロセスを ログ 記録したい場合は、次のように明示的に ログ を追加できます：
+次の例では、モデルをトレーニングしています。`@wandb_log` デコレーターは関連する入力と出力を自動的に追跡します。トレーニング プロセスも記録したい場合は、次のように明示的にログを追加できます。
```python
@wandb_log
@@ -171,9 +195,11 @@ def train_model(
run.log_artifact(model_artifact)
```
-### 暗黙的な wandb インテグレーションの使用
+
+ ### 暗黙的 wandb インテグレーションを使用する場合
+
-[サポートされているフレームワークインテグレーション](/models/integrations) を使用している場合は、 コールバック を直接渡すことも可能です。
+[サポート対象のフレームワーク インテグレーション](/ja/models/integrations) を使用している場合は、コールバックを直接渡すこともできます。
```python
@wandb_log
@@ -187,4 +213,4 @@ def train_model(
trainer = Trainer(logger=WandbLogger())
... # トレーニングを実行
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/lightgbm.mdx b/ja/models/integrations/lightgbm.mdx
index aff501e96d..16b9e623c3 100644
--- a/ja/models/integrations/lightgbm.mdx
+++ b/ja/models/integrations/lightgbm.mdx
@@ -1,36 +1,39 @@
---
+description: W&B でツリーモデルをトラッキングする
title: LightGBM
-description: W&B で ツリー を追跡しましょう。
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
-動作するコード例をお探しですか？ [GitHub のサンプルリポジトリ](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms) をご確認ください。
+ 実行可能なコード例をお探しですか？[GitHub 上のサンプルリポジトリ](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms) を参照してください。
-## Sweeps によるハイパーパラメーターチューニング
+
+ ## Sweeps でハイパーパラメーターをチューニングする
+
-モデルから最高のパフォーマンスを引き出すには、 ツリー の深さや学習率などの ハイパーパラメーター を調整する必要があります。W&B [Sweeps](/models/sweeps/) は、大規模なハイパーパラメーターテスト実験の設定、オーケストレーション、および分析を行うための強力なツールキットです。
+モデルの性能を最大限に引き出すには、木の深さや学習率のようなハイパーパラメーターをチューニングする必要があります。W&B [Sweeps](/ja/models/sweeps/) は、大規模なハイパーパラメーター検証実験を構成・オーケストレーション・分析するための強力なツールキットです。
-これらのツールの詳細や、 XGBoost で Sweeps を使用する方法の例については、こちらのインタラクティブな Colabノートブック を参照してください。
+これらのツールについて詳しく学び、Sweeps を XGBoost と組み合わせて使う例を見るには、この対話型 Colab ノートブックをご覧ください。
+ ## Lightning と連携する
+
-
-```python
-from lightning.pytorch.loggers import WandbLogger
-from lightning.pytorch import Trainer
+
+ ```python
+ from lightning.pytorch.loggers import WandbLogger
+ from lightning.pytorch import Trainer
-# すべてのモデルをログに記録するように設定してインスタンス化
-wandb_logger = WandbLogger(log_model="all")
-trainer = Trainer(logger=wandb_logger)
-```
+ wandb_logger = WandbLogger(log_model="all")
+ trainer = Trainer(logger=wandb_logger)
+ ```
-
-**wandb.log() の使用:** `WandbLogger` は Trainer の `global_step` を使用して W&B にログを記録します。コード内で直接 `wandb.log` を追加で呼び出す場合は、`wandb.log()` の `step` 引数を **使用しないでください**。
+
+ **wandb.log() の使用について:** `WandbLogger` は Trainer の `global_step` を使って W&B にログを送信します。コード内で `wandb.log` を追加で直接呼び出す場合、`wandb.log()` の `step` 引数は **使用しないでください**。
-代わりに、他のメトリクスと同様に Trainer の `global_step` をログに記録してください：
+ 代わりに、他のメトリクスと同様に Trainer の `global_step` をログとして記録します:
-```python
-wandb.log({"accuracy":0.99, "trainer/global_step": step})
-```
-
-
-
-```python
-import lightning as L
-from wandb.integration.lightning.fabric import WandbLogger
-
-# ロガーのセットアップ
-wandb_logger = WandbLogger(log_model="all")
-fabric = L.Fabric(loggers=[wandb_logger])
-fabric.launch()
-# メトリクスのログ記録
-fabric.log_dict({"important_metric": important_metric})
-```
-
+ ```python
+ wandb.log({"accuracy":0.99, "trainer/global_step": step})
+ ```
+
+
+
+
+ ```python
+ import lightning as L
+ from wandb.integration.lightning.fabric import WandbLogger
+
+ wandb_logger = WandbLogger(log_model="all")
+ fabric = L.Fabric(loggers=[wandb_logger])
+ fabric.launch()
+ fabric.log_dict({"important_metric": important_metric})
+ ```
+
+ ### サインアップして API キーを作成する
+
-APIキー は、お使いのマシンを W&B に対して認証します。ユーザープロファイルから APIキー を生成できます。
+API キーは、マシンを W&B に対して認証するためのものです。API キーは、ユーザープロフィールから生成できます。
-
+ ### `wandb` ライブラリをインストールしてログインする
+
-`wandb` ライブラリをローカルにインストールしてログインするには：
+ローカル環境に `wandb` ライブラリをインストールしてログインするには：
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) に自分の API キーを設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
-1. `wandb` ライブラリをインストールしてログインします。
+ ```shell
+ pip install wandb
- ```shell
+ wandb login
+ ```
+
+
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
-
+
+ ```notebook
+ !pip install wandb
+ import wandb
+ wandb.login()
+ ```
+
+
-## PyTorch Lightning の `WandbLogger` を使用する
+
+ ## PyTorch Lightning の `WandbLogger` を使う
+
-PyTorch Lightning には、メトリクス、モデルの重み、メディアなどをログに記録するための複数の `WandbLogger` クラスがあります。
+PyTorch Lightning には、メトリクスやモデルの重み、メディアなどをログするための複数の `WandbLogger` クラスが用意されています。
-- [`PyTorch`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
-- [`Fabric`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
+* [`PyTorch`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
+* [`Fabric`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
-Lightning と統合するには、`WandbLogger` をインスタンス化し、Lightning の `Trainer` または `Fabric` に渡します。
+Lightning と連携するには、`WandbLogger` をインスタンス化して、Lightning の `Trainer` または `Fabric` に渡します。
-
-```python
-trainer = Trainer(logger=wandb_logger)
-```
-
-
-```python
-fabric = L.Fabric(loggers=[wandb_logger])
-fabric.launch()
-fabric.log_dict({
- "important_metric": important_metric
-})
-```
-
+
+ ```python
+ trainer = Trainer(logger=wandb_logger)
+ ```
+
+
+
+ ```python
+ fabric = L.Fabric(loggers=[wandb_logger])
+ fabric.launch()
+ fabric.log_dict({
+ "important_metric": important_metric
+ })
+ ```
+
+
+ ### 一般的な logger 引数
+
-### 一般的なロガー引数
+以下は `WandbLogger` でよく使用されるパラメーターです。すべての logger 引数の詳細については PyTorch Lightning のドキュメントを確認してください。
-以下は `WandbLogger` で最もよく使用されるパラメータの一部です。すべてのロガー引数の詳細については、PyTorch Lightning のドキュメントを確認してください。
+* [`PyTorch`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
+* [`Fabric`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
-- [`PyTorch`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
-- [`Fabric`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.loggers.wandb.html#module-lightning.pytorch.loggers.wandb)
+| Parameter | Description |
+| ----------- | --------------------------------------------------------------------------------------------- |
+| `project` | どの wandb Project にログを記録するかを定義します |
+| `name` | wandb run に名前を付けます |
+| `log_model` | `log_model="all"` の場合はすべての モデル を記録し、`log_model=True` の場合はトレーニング終了時に記録します |
+| `save_dir` | データを保存するパス |
-| パラメータ | 説明 |
-| ----------- | ----------------------------------------------------------------------------- |
-| `project` | ログを記録する W&B の Projects を定義します |
-| `name` | W&B の Runs に名前を付けます |
-| `log_model` | `log_model="all"` の場合はすべてのモデルを、`log_model=True` の場合はトレーニング終了時にログを記録します |
-| `save_dir` | データが保存されるパス |
-
-## ハイパーパラメータのログ記録
+
+ ## ハイパーパラメーターをログに記録する
+
-
-```python
-class LitModule(LightningModule):
- def __init__(self, *args, **kwarg):
- # ハイパーパラメータを保存（W&Bによって自動的にログ記録されます）
- self.save_hyperparameters()
-```
-
-
-```python
-wandb_logger.log_hyperparams(
- {
- "hyperparameter_1": hyperparameter_1,
- "hyperparameter_2": hyperparameter_2,
- }
-)
-```
-
+
+ ```python
+ class LitModule(LightningModule):
+ def __init__(self, *args, **kwarg):
+ self.save_hyperparameters()
+ ```
+
+
+
+ ```python
+ wandb_logger.log_hyperparams(
+ {
+ "hyperparameter_1": hyperparameter_1,
+ "hyperparameter_2": hyperparameter_2,
+ }
+ )
+ ```
+
-## 追加のコンフィグパラメータのログ記録
+
+ ## 追加の config パラメーターをログに記録する
+
```python
-# 単一のパラメータを追加
+# パラメーターを1つ追加する
wandb_logger.experiment.config["key"] = value
-# 複数のパラメータを追加
+# 複数のパラメーターを追加する
wandb_logger.experiment.config.update({key1: val1, key2: val2})
-# wandb モジュールを直接使用
+# wandb モジュールを直接使用する
wandb.config["key"] = value
wandb.config.update()
```
-## 勾配、パラメータのヒストグラム、モデル構造のログ記録
+
+ ## 勾配、パラメーターのヒストグラム、モデルのトポロジーをログに記録する
+
-モデルオブジェクトを `wandblogger.watch()` に渡すことで、トレーニング中にモデルの勾配とパラメータを監視できます。詳細は PyTorch Lightning の `WandbLogger` ドキュメントを参照してください。
+モデル オブジェクトを `wandblogger.watch()` に渡すと、学習中のモデルの勾配やパラメーターを監視できます。詳細は PyTorch Lightning の `WandbLogger` ドキュメントを参照してください。
-## メトリクスのログ記録
+
+ ## メトリクスをログする
+
-
-`WandbLogger` を使用している場合、`training_step` や `validation_step` メソッドなどの `LightningModule` 内で `self.log('my_metric_name', metric_vale)` を呼び出すことで、メトリクスを W&B にログ記録できます。
+
+ `WandbLogger` を使用している場合、`LightningModule` 内の `training_step` や `validation_step` などのメソッド内で `self.log('my_metric_name', metric_vale)` を呼び出すことで、メトリクスを W&B にログできます。
-以下のコードスニペットは、メトリクスと `LightningModule` のハイパーパラメータをログに記録するための `LightningModule` の定義方法を示しています。この例では、[`torchmetrics`](https://github.com/PyTorchLightning/metrics) ライブラリを使用してメトリクスを計算しています。
+ 以下のコードスニペットは、メトリクスおよび `LightningModule` のハイパーパラメーターをログするための `LightningModule` の定義方法を示しています。この例では、メトリクスを計算するために [`torchmetrics`](https://github.com/Lightning-AI/torchmetrics) ライブラリを使用しています。
-```python
-import torch
-from torch.nn import Linear, CrossEntropyLoss, functional as F
-from torch.optim import Adam
-from torchmetrics.functional import accuracy
-from lightning.pytorch import LightningModule
+ ```python
+ import torch
+ from torch.nn import Linear, CrossEntropyLoss, functional as F
+ from torch.optim import Adam
+ from torchmetrics.functional import accuracy
+ from lightning.pytorch import LightningModule
-class My_LitModule(LightningModule):
- def __init__(self, n_classes=10, n_layer_1=128, n_layer_2=256, lr=1e-3):
- """モデルパラメータを定義するために使用されるメソッド"""
- super().__init__()
+ class My_LitModule(LightningModule):
+ def __init__(self, n_classes=10, n_layer_1=128, n_layer_2=256, lr=1e-3):
+ """モデルのパラメーターを定義するメソッド"""
+ super().__init__()
- # mnist 画像は (1, 28, 28) (チャンネル, 幅, 高さ)
- self.layer_1 = Linear(28 * 28, n_layer_1)
- self.layer_2 = Linear(n_layer_1, n_layer_2)
- self.layer_3 = Linear(n_layer_2, n_classes)
+ # MNIST 画像は (1, 28, 28) (channels, width, height)
+ self.layer_1 = Linear(28 * 28, n_layer_1)
+ self.layer_2 = Linear(n_layer_1, n_layer_2)
+ self.layer_3 = Linear(n_layer_2, n_classes)
- self.loss = CrossEntropyLoss()
- self.lr = lr
+ self.loss = CrossEntropyLoss()
+ self.lr = lr
- # ハイパーパラメータを self.hparams に保存（W&Bによって自動ログ記録）
- self.save_hyperparameters()
+ # ハイパーパラメーターを self.hparams に保存 (W&B によって自動ログされる)
+ self.save_hyperparameters()
- def forward(self, x):
- """推論に使用されるメソッド input -> output"""
+ def forward(self, x):
+ """推論用の input -> output を定義するメソッド"""
- # (b, 1, 28, 28) -> (b, 1*28*28)
- batch_size, channels, width, height = x.size()
- x = x.view(batch_size, -1)
+ # (b, 1, 28, 28) -> (b, 1*28*28)
+ batch_size, channels, width, height = x.size()
+ x = x.view(batch_size, -1)
- # 3 x (linear + relu) を実行
- x = F.relu(self.layer_1(x))
- x = F.relu(self.layer_2(x))
- x = self.layer_3(x)
- return x
+ # 3 回 (linear + relu) を実行
+ x = F.relu(self.layer_1(x))
+ x = F.relu(self.layer_2(x))
+ x = self.layer_3(x)
+ return x
- def training_step(self, batch, batch_idx):
- """単一バッチから損失を返す必要がある"""
- _, loss, acc = self._get_preds_loss_accuracy(batch)
+ def training_step(self, batch, batch_idx):
+ """1 バッチから loss を返す必要があるメソッド"""
+ _, loss, acc = self._get_preds_loss_accuracy(batch)
- # 損失とメトリクスをログ記録
- self.log("train_loss", loss)
- self.log("train_accuracy", acc)
- return loss
+ # loss とメトリクスをログする
+ self.log("train_loss", loss)
+ self.log("train_accuracy", acc)
+ return loss
- def validation_step(self, batch, batch_idx):
- """メトリクスのログ記録に使用"""
- preds, loss, acc = self._get_preds_loss_accuracy(batch)
+ def validation_step(self, batch, batch_idx):
+ """メトリクスをログするためのメソッド"""
+ preds, loss, acc = self._get_preds_loss_accuracy(batch)
- # 損失とメトリクスをログ記録
- self.log("val_loss", loss)
- self.log("val_accuracy", acc)
- return preds
+ # loss とメトリクスをログする
+ self.log("val_loss", loss)
+ self.log("val_accuracy", acc)
+ return preds
- def configure_optimizers(self):
- """モデルのオプティマイザーを定義"""
- return Adam(self.parameters(), lr=self.lr)
+ def configure_optimizers(self):
+ """モデルのオプティマイザを定義する"""
+ return Adam(self.parameters(), lr=self.lr)
- def _get_preds_loss_accuracy(self, batch):
- """train/valid/test ステップが類似しているための便利な関数"""
- x, y = batch
- logits = self(x)
- preds = torch.argmax(logits, dim=1)
- loss = self.loss(logits, y)
- acc = accuracy(preds, y)
- return preds, loss, acc
-```
-
-
-```python
-import lightning as L
-import torch
-import torchvision as tv
-from wandb.integration.lightning.fabric import WandbLogger
-import wandb
+ def _get_preds_loss_accuracy(self, batch):
+ """train/valid/test ステップが似ているためのユーティリティ関数"""
+ x, y = batch
+ logits = self(x)
+ preds = torch.argmax(logits, dim=1)
+ loss = self.loss(logits, y)
+ acc = accuracy(preds, y)
+ return preds, loss, acc
+ ```
+
-fabric = L.Fabric(loggers=[wandb_logger])
-fabric.launch()
-
-model = tv.models.resnet18()
-optimizer = torch.optim.SGD(model.parameters(), lr=lr)
-model, optimizer = fabric.setup(model, optimizer)
-
-train_dataloader = fabric.setup_dataloaders(
- torch.utils.data.DataLoader(train_dataset, batch_size=batch_size)
-)
-
-model.train()
-for epoch in range(num_epochs):
- for batch in train_dataloader:
- optimizer.zero_grad()
- loss = model(batch)
- loss.backward()
- optimizer.step()
- # 損失のログ記録
- fabric.log_dict({"loss": loss})
-```
-
+
+ ```python
+ import lightning as L
+ import torch
+ import torchvision as tv
+ from wandb.integration.lightning.fabric import WandbLogger
+ import wandb
+
+ fabric = L.Fabric(loggers=[wandb_logger])
+ fabric.launch()
+
+ model = tv.models.resnet18()
+ optimizer = torch.optim.SGD(model.parameters(), lr=lr)
+ model, optimizer = fabric.setup(model, optimizer)
+
+ train_dataloader = fabric.setup_dataloaders(
+ torch.utils.data.DataLoader(train_dataset, batch_size=batch_size)
+ )
+
+ model.train()
+ for epoch in range(num_epochs):
+ for batch in train_dataloader:
+ optimizer.zero_grad()
+ loss = model(batch)
+ loss.backward()
+ optimizer.step()
+ fabric.log_dict({"loss": loss})
+ ```
+
-## メトリクスの最小値/最大値のログ記録
+
+ ## メトリクスの最小値/最大値をログする
+
-W&B の [`define_metric`](/models/ref/python/experiments/run#define_metric) 関数を使用すると、W&B サマリーメトリクスに、そのメトリクスの最小値、最大値、平均値、または最良値のどれを表示するかを定義できます。`define_metric` が使用されない場合は、最後にログに記録された値がサマリーメトリクスに表示されます。詳細は `define_metric` の [リファレンスドキュメント](/models/ref/python/experiments/run#define_metric) および [ガイド](/models/track/log/customize-logging-axes/) を参照してください。
+wandb の [`define_metric`](/ja/models/ref/python/experiments/run#define_metric) 関数を使うと、W&B のサマリーメトリクスに、そのメトリクスの最小値、最大値、平均値、またはベスト値のどれを表示するかを指定できます。`define`_`metric` _ が使われていない場合は、最後にログされた値がサマリーメトリクスに表示されます。詳しくは `define_metric` の[リファレンスドキュメント](/ja/models/ref/python/experiments/run#define_metric)と[こちらのガイド](/ja/models/track/log/customize-logging-axes/)を参照してください。
-W&B サマリーメトリクスで最大検証精度を追跡するように W&B に指示するには、トレーニングの開始時に一度だけ `wandb.define_metric` を呼び出します。
+W&B に検証精度の最大値を W&B のサマリーメトリクスで追跡させるには、トレーニングの最初に一度だけ `wandb.define_metric` を呼び出します:
-
-```python
-class My_LitModule(LightningModule):
- ...
+
+ ```python
+ class My_LitModule(LightningModule):
+ ...
- def validation_step(self, batch, batch_idx):
- if trainer.global_step == 0:
- # 検証精度の最大値を追跡するように定義
- wandb.define_metric("val_accuracy", summary="max")
+ def validation_step(self, batch, batch_idx):
+ if trainer.global_step == 0:
+ wandb.define_metric("val_accuracy", summary="max")
- preds, loss, acc = self._get_preds_loss_accuracy(batch)
+ preds, loss, acc = self._get_preds_loss_accuracy(batch)
- # 損失とメトリクスをログ記録
- self.log("val_loss", loss)
- self.log("val_accuracy", acc)
- return preds
-```
-
-
-```python
-# メトリクスの定義
-wandb.define_metric("val_accuracy", summary="max")
-fabric = L.Fabric(loggers=[wandb_logger])
-fabric.launch()
-fabric.log_dict({"val_accuracy": val_accuracy})
-```
-
+ # loss とメトリクスをログします
+ self.log("val_loss", loss)
+ self.log("val_accuracy", acc)
+ return preds
+ ```
+
+
+
+ ```python
+ wandb.define_metric("val_accuracy", summary="max")
+ fabric = L.Fabric(loggers=[wandb_logger])
+ fabric.launch()
+ fabric.log_dict({"val_accuracy": val_accuracy})
+ ```
+
-## モデルのチェックポイント作成
+
+ ## モデルをチェックポイントする
+
-モデルのチェックポイントを W&B [Artifacts](/models/artifacts/) として保存するには、
-Lightning の [`ModelCheckpoint`](https://pytorch-lightning.readthedocs.io/en/stable/api/pytorch_lightning.callbacks.ModelCheckpoint.html#pytorch_lightning.callbacks.ModelCheckpoint) コールバックを使用し、`WandbLogger` の `log_model` 引数を設定します。
+モデルのチェックポイントを W&B の [Artifacts](/ja/models/artifacts/) として保存するには、Lightning の [`ModelCheckpoint`](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.callbacks.ModelCheckpoint.html) コールバックを使用し、`WandbLogger` で `log_model` 引数を指定します。
-
-```python
-trainer = Trainer(logger=wandb_logger, callbacks=[checkpoint_callback])
-```
-
-
-```python
-fabric = L.Fabric(loggers=[wandb_logger], callbacks=[checkpoint_callback])
-```
-
+
+ ```python
+ trainer = Trainer(logger=wandb_logger, callbacks=[checkpoint_callback])
+ ```
+
+
+
+ ```python
+ fabric = L.Fabric(loggers=[wandb_logger], callbacks=[checkpoint_callback])
+ ```
+
-_latest_ および _best_ のエイリアスが自動的に設定され、W&B [Artifact](/models/artifacts/) からモデルチェックポイントを簡単に取得できます。
+*latest* と *best* のエイリアスは、W&B の [Artifact](/ja/models/artifacts/) からモデルのチェックポイントを簡単に取得できるよう、自動的に設定されます。
```python
-# 参照はアーティファクトパネルで取得可能
-# "VERSION" はバージョン（例: "v2"）またはエイリアス（"latest" または "best"）を指定可能
+# 参照は Artifacts パネルで取得できます
+# "VERSION" にはバージョン（例: "v2"）またはエイリアス（"latest" または "best"）を指定できます
checkpoint_reference = "USER/PROJECT/MODEL-RUN_ID:VERSION"
```
-
-```python
-# チェックポイントをローカルにダウンロード（まだキャッシュされていない場合）
-wandb_logger.download_artifact(checkpoint_reference, artifact_type="model")
-```
-
-
-```python
-# チェックポイントをローカルにダウンロード（まだキャッシュされていない場合）
-run = wandb.init(project="MNIST")
-artifact = run.use_artifact(checkpoint_reference, type="model")
-artifact_dir = artifact.download()
-```
-
+
+ ```python
+ # チェックポイントをローカルにダウンロードします（まだキャッシュされていない場合）
+ wandb_logger.download_artifact(checkpoint_reference, artifact_type="model")
+ ```
+
+
+
+ ```python
+ # チェックポイントをローカルにダウンロードします（まだキャッシュされていない場合）
+ run = wandb.init(project="MNIST")
+ artifact = run.use_artifact(checkpoint_reference, type="model")
+ artifact_dir = artifact.download()
+ ```
+
-
-```python
-# チェックポイントのロード
-model = LitModule.load_from_checkpoint(Path(artifact_dir) / "model.ckpt")
-```
-
-
-```python
-# 生のチェックポイントをリクエスト
-full_checkpoint = fabric.load(Path(artifact_dir) / "model.ckpt")
+
+ ```python
+ # チェックポイントを読み込みます
+ model = LitModule.load_from_checkpoint(Path(artifact_dir) / "model.ckpt")
+ ```
+
-model.load_state_dict(full_checkpoint["model"])
-optimizer.load_state_dict(full_checkpoint["optimizer"])
-```
-
+
+ ```python
+ # 生のチェックポイントを取得します
+ full_checkpoint = fabric.load(Path(artifact_dir) / "model.ckpt")
+
+ model.load_state_dict(full_checkpoint["model"])
+ optimizer.load_state_dict(full_checkpoint["optimizer"])
+ ```
+
-ログに記録されたモデルチェックポイントは [W&B Artifacts](/models/artifacts/) UI で表示可能であり、完全なモデルリネージが含まれます（UI でのモデルチェックポイントの例は [こちら](https://wandb.ai/wandb/arttest/artifacts/model/iv3_trained/5334ab69740f9dda4fed/lineage?_gl=1*yyql5q*_ga*MTQxOTYyNzExOS4xNjg0NDYyNzk1*_ga_JH1SJHJQXJ*MTY5MjMwNzI2Mi4yNjkuMS4xNjkyMzA5NjM2LjM3LjAuMA..) を参照してください）。
+ログしたモデルチェックポイントは [W&B Artifacts](/ja/models/artifacts/) UI から確認でき、完全なモデルの系統情報が含まれます（UI でのモデルチェックポイントの例は[こちら](https://wandb.ai/wandb/arttest/artifacts/model/iv3_trained/5334ab69740f9dda4fed/lineage?_gl=1*yyql5q*_ga*MTQxOTYyNzExOS4xNjg0NDYyNzk1*_ga_JH1SJHJQXJ*MTY5MjMwNzI2Mi4yNjkuMS4xNjkyMzA5NjM2LjM3LjAuMA..)を参照してください）。
-最高のモデルチェックポイントをブックマークし、チーム全体で一元管理するには、それらを [W&B Model Registry](/models) にリンクできます。
+チーム全体で最高のモデルチェックポイントをブックマークして一元管理するには、それらを [W&B Model Registry](/ja/models) にリンクできます。
-ここでは、タスクごとに最適なモデルを整理し、モデルのライフサイクルを管理し、ML ライフサイクル全体を通じた容易な追跡と監査を促進し、Webhook やジョブを使用してダウンストリームのアクションを [自動化](/models/automations/) することができます。
+ここでは、タスクごとに最高のモデルを整理し、モデルのライフサイクルを管理し、ML ライフサイクル全体にわたるトラッキングと監査を容易にし、さらに webhooks や jobs を使って下流のアクションを[自動化](/ja/models/automations/)できます。
-## 画像、テキスト、その他のログ記録
+
+ ## 画像、テキストなどをログに記録する
+
`WandbLogger` には、メディアをログに記録するための `log_image`、`log_text`、`log_table` メソッドがあります。
-また、`wandb.log` または `trainer.logger.experiment.log` を直接呼び出して、オーディオ、分子、点群、3D オブジェクトなどの他のメディアタイプをログに記録することもできます。
+Audio、Molecules、Point Clouds、3D Objects などの他のメディア タイプをログに記録するには、`wandb.log` や `trainer.logger.experiment.log` を直接呼び出すこともできます。
-
-```python
-# tensor、numpy 配列、または PIL 画像を使用
-wandb_logger.log_image(key="samples", images=[img1, img2])
+
+ ```python
+ # テンソル、numpy 配列、または PIL 画像を使用
+ wandb_logger.log_image(key="samples", images=[img1, img2])
-# キャプションの追加
-wandb_logger.log_image(key="samples", images=[img1, img2], caption=["tree", "person"])
+ # キャプションを追加
+ wandb_logger.log_image(key="samples", images=[img1, img2], caption=["tree", "person"])
-# ファイルパスを使用
-wandb_logger.log_image(key="samples", images=["img_1.jpg", "img_2.jpg"])
+ # ファイルパスを使用
+ wandb_logger.log_image(key="samples", images=["img_1.jpg", "img_2.jpg"])
-# trainer の .log を使用
-trainer.logger.experiment.log(
- {"samples": [wandb.Image(img, caption=caption) for (img, caption) in my_images]},
- step=current_trainer_global_step,
-)
-```
-
-
-```python
-# データはリストのリストである必要があります
-columns = ["input", "label", "prediction"]
-my_data = [["cheese", "english", "english"], ["fromage", "french", "spanish"]]
+ # trainer 内で .log を使用
+ trainer.logger.experiment.log(
+ {"samples": [wandb.Image(img, caption=caption) for (img, caption) in my_images]},
+ step=current_trainer_global_step,
+ )
+ ```
+
-# カラムとデータを使用
-wandb_logger.log_text(key="my_samples", columns=columns, data=my_data)
+
+ ```python
+ # data はリストのリストである必要があります
+ columns = ["input", "label", "prediction"]
+ my_data = [["cheese", "english", "english"], ["fromage", "french", "spanish"]]
-# pandas DataFrame を使用
-wandb_logger.log_text(key="my_samples", dataframe=my_dataframe)
-```
-
-
-```python
-# テキストキャプション、画像、オーディオを含む W&B Table をログ記録
-columns = ["caption", "image", "sound"]
+ # columns と data を使用
+ wandb_logger.log_text(key="my_samples", columns=columns, data=my_data)
-# データはリストのリストである必要があります
-my_data = [
- ["cheese", wandb.Image(img_1), wandb.Audio(snd_1)],
- ["wine", wandb.Image(img_2), wandb.Audio(snd_2)],
-]
+ # pandas の DataFrame を使用
+ wandb_logger.log_text(key="my_samples", dataframe=my_dataframe)
+ ```
+
-# Table をログ記録
-wandb_logger.log_table(key="my_samples", columns=columns, data=data)
-```
-
+
+ ```python
+ # テキスト キャプション、画像、音声を含む W&B Table をログに記録
+ columns = ["caption", "image", "sound"]
+
+ # data はリストのリストである必要があります
+ my_data = [
+ ["cheese", wandb.Image(img_1), wandb.Audio(snd_1)],
+ ["wine", wandb.Image(img_2), wandb.Audio(snd_2)],
+ ]
+
+ # Table をログに記録
+ wandb_logger.log_table(key="my_samples", columns=columns, data=data)
+ ```
+
-Lightning のコールバックシステムを使用して、`WandbLogger` を介して W&B にログを記録するタイミングを制御できます。この例では、検証画像と予測のサンプルをログに記録します。
+Lightning の Callbacks システムを使うと、`WandbLogger` 経由で W&B にいつログを記録するかを制御できます。この例では、検証用画像と予測のサンプルをログに記録します。
```python
import torch
@@ -457,7 +486,7 @@ import wandb
import lightning.pytorch as pl
from lightning.pytorch.loggers import WandbLogger
-# または
+# or
# from wandb.integration.lightning.fabric import WandbLogger
@@ -465,12 +494,12 @@ class LogPredictionSamplesCallback(Callback):
def on_validation_batch_end(
self, trainer, pl_module, outputs, batch, batch_idx, dataloader_idx
):
- """検証バッチが終了したときに呼び出されます。"""
+ """検証バッチ終了時に呼び出されます。"""
- # `outputs` は `LightningModule.validation_step` から取得されます
- # この場合はモデルの予測に対応します
+ # `outputs` は `LightningModule.validation_step` から渡されます
+ # この場合、モデルの予測結果に対応します
- # 最初のバッチから 20 個のサンプル画像の予測をログ記録します
+ # 最初のバッチから20件のサンプル画像予測をログします
if batch_idx == 0:
n = 20
x, y = batch
@@ -480,10 +509,10 @@ class LogPredictionSamplesCallback(Callback):
for y_i, y_pred in zip(y[:n], outputs[:n])
]
- # オプション 1: `WandbLogger.log_image` で画像をログ記録
+ # オプション1: `WandbLogger.log_image` を使って画像をログする
wandb_logger.log_image(key="sample_images", images=images, caption=captions)
- # オプション 2: 画像と予測を W&B Table としてログ記録
+ # オプション2: 画像と予測結果を W&B Table としてログする
columns = ["image", "ground truth", "prediction"]
data = [
[wandb.Image(x_i), y_i, y_pred] or x_i,
@@ -496,13 +525,15 @@ class LogPredictionSamplesCallback(Callback):
trainer = pl.Trainer(callbacks=[LogPredictionSamplesCallback()])
```
-## Lightning と W&B で複数の GPU を使用する
+
+ ## Lightning と W&B で複数 GPU を使用する
+
-PyTorch Lightning は、DDP インターフェースを通じてマルチ GPU サポートを提供しています。ただし、PyTorch Lightning の設計上、GPU のインスタンス化方法に注意する必要があります。
+PyTorch Lightning は、その DDP インターフェースを通じてマルチ GPU をサポートしています。ただし、PyTorch Lightning の設計上、GPU のインスタンス化方法には注意が必要です。
-Lightning は、トレーニングループ内の各 GPU（またはランク）が、同じ初期条件でまったく同じようにインスタンス化される必要があると想定しています。しかし、ランク 0 のプロセスのみが `wandb.run` オブジェクトにアクセスでき、ランクが 0 以外のプロセスの場合は `wandb.run = None` となります。これにより、ランクが 0 以外のプロセスが失敗する可能性があります。このような状況では、ランク 0 のプロセスが、すでにクラッシュしたランク 0 以外のプロセスの参加を待機するため、**デッドロック** に陥る可能性があります。
+Lightning は、トレーニング ループ内の各 GPU（またはランク）が、同じ初期条件でまったく同じ方法でインスタンス化されることを前提としています。しかし、`wandb.run` オブジェクトにアクセスできるのはランク 0 のプロセスだけであり、ランク 0 以外のプロセスでは `wandb.run = None` となります。このため、ランク 0 以外のプロセスが異常終了する可能性があります。このような状況では、ランク 0 のプロセスが、すでにクラッシュしているランク 0 以外のプロセスが合流するのを待ち続けてしまうため、**デッドロック** に陥る可能性があります。
-このため、トレーニングコードのセットアップ方法に注意してください。推奨されるセットアップ方法は、コードを `wandb.run` オブジェクトに依存しないようにすることです。
+したがって、トレーニング コードのセットアップ方法には注意してください。推奨される方法は、コードを `wandb.run` オブジェクトに依存しないように構成することです。
```python
class MNISTClassifier(pl.LightningModule):
@@ -542,11 +573,11 @@ class MNISTClassifier(pl.LightningModule):
def main():
- # すべての乱数シードを同じ値に設定します。
- # これは分散トレーニング設定において重要です。
- # 各ランクは独自の初期重みセットを取得します。
- # それらが一致しない場合、勾配も一致せず、
- # トレーニングが収束しない可能性があります。
+ # すべての乱数シードを同じ値に設定する。
+ # これは分散トレーニング環境において重要である。
+ # 各ランクは独自の初期重みセットを持つ。
+ # 一致しない場合、勾配も一致せず、
+ # トレーニングが収束しない可能性がある。
pl.seed_everything(1)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True, num_workers=4)
@@ -566,29 +597,37 @@ def main():
trainer.fit(model, train_loader, val_loader)
```
+
+ ## 例
+
+[Colab ノートブック付きの動画チュートリアル](https://wandb.me/lit-colab) を見ながら一緒に進めることができます。
-## 例
-
-[Colab ノートブック付きのビデオチュートリアル](https://wandb.me/lit-colab) で手順を確認できます。
-
-## よくある質問
+
+ ## よくある質問
+
-### W&B は Lightning とどのように統合されますか？
+
+ ### W&B は Lightning とどのように連携しますか？
+
-コアとなる統合は [Lightning `loggers` API](https://pytorch-lightning.readthedocs.io/en/stable/extensions/logging.html) に基づいており、これによりフレームワークに依存しない方法でログコードの大部分を記述できます。`Logger` は [Lightning `Trainer`](https://pytorch-lightning.readthedocs.io/en/stable/common/trainer.html) に渡され、その API の豊富な [フックとコールバックシステム](https://pytorch-lightning.readthedocs.io/en/stable/extensions/callbacks.html) に基づいてトリガーされます。これにより、研究コードをエンジニアリングやログコードから適切に分離し続けることができます。
+主要なインテグレーションは [Lightning `loggers` API](https://lightning.ai/docs/pytorch/stable/extensions/logging.html) に基づいており、多くのロギング用コードを特定のフレームワークに依存しない形で記述できます。`Logger` インスタンスは [Lightning `Trainer`](https://lightning.ai/docs/pytorch/stable/common/trainer.html) に渡され、その API の充実した [hook-and-callback system](https://lightning.ai/docs/pytorch/stable/extensions/callbacks.html) に基づいてトリガーされます。これにより、研究用コードを実装やロギング用コードから明確に分離した状態に保つことができます。
-### 追加のコードなしでインテグレーションは何をログに記録しますか？
+
+ ### 追加のコードなしで、このインテグレーションは何をログしますか？
+
-モデルのチェックポイントを W&B に保存し、そこで表示したり、将来の Runs で使用するためにダウンロードしたりできます。また、GPU 使用率やネットワーク I/O などの [システムメトリクス](/models/ref/python/experiments/system-metrics)、ハードウェアや OS 情報などの環境情報、[コードの状態](/models/app/features/panels/code/)（git のコミットや diff パッチ、ノートブックの内容、セッション履歴を含む）、および標準出力に印刷されたすべての内容をキャプチャします。
+モデルのチェックポイントを W&B に保存します。これにより、将来の run で利用できるように、表示したりダウンロードしたりできます。また、GPU 使用率やネットワーク I/O などの [システムメトリクス](/ja/models/ref/python/experiments/system-metrics)、ハードウェアや OS の情報などの環境情報、git commit と diff パッチ、ノートブックの内容およびセッション履歴を含む [コード状態](/ja/models/app/features/panels/code/)、さらに標準出力に書き出されたすべての内容も取得します。
-### トレーニングセットアップで `wandb.run` を使用する必要がある場合はどうすればよいですか？
+
+ ### トレーニングセットアップで `wandb.run` を使う必要がある場合はどうすればよいですか？
+
-アクセスする必要がある変数のスコープを自分自身で拡張する必要があります。言い換えれば、すべてのプロセスで初期条件が同じであることを確認してください。
+アクセスしたい変数のスコープを自分で広げてください。つまり、すべてのプロセスで同じ初期条件になるようにしてください。
```python
if os.environ.get("LOCAL_RANK", None) is None:
os.environ["WANDB_DIR"] = wandb.run.dir
```
-初期条件が同じであれば、`os.environ["WANDB_DIR"]` を使用してモデルのチェックポイントディレクトリをセットアップできます。これにより、ランクが 0 以外のプロセスでも `wandb.run.dir` にアクセスできるようになります。
\ No newline at end of file
+その場合は `os.environ["WANDB_DIR"]` を使って モデルのチェックポイント用ディレクトリを設定できます。こうすることで、ランク 0 以外の任意のプロセスからも `wandb.run.dir` にアクセスできます。
diff --git a/ja/models/integrations/metaflow.mdx b/ja/models/integrations/metaflow.mdx
index 7be018801c..160387d03e 100644
--- a/ja/models/integrations/metaflow.mdx
+++ b/ja/models/integrations/metaflow.mdx
@@ -1,198 +1,228 @@
---
-title: Metaflow
description: W&B を Metaflow と統合する方法。
+title: Metaflow
---
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
-## 概要
+
+ ## 概要
+
-[Metaflow](https://docs.metaflow.org) は、ML ワークフローの作成と実行のために Netflix によって開発されたフレームワークです。
+[Metaflow](https://docs.metaflow.org) は、ML ワークフローを作成して実行するために Netflix によって開発されたフレームワークです。
-このインテグレーションにより、ユーザーは Metaflow の [steps と flows](https://docs.metaflow.org/metaflow/basics) にデコレータを適用して、パラメータや アーティファクト を W&B に自動的に ログ 記録できるようになります。
+このインテグレーションを使用すると、Metaflow の [steps と flows](https://docs.metaflow.org/metaflow/basics) にデコレーターを適用して、パラメーターと Artifacts を自動的に W&B にログとして記録できます。
-* step をデコレートすると、その step 内の特定の型に対して ログ 記録のオン/オフを切り替えることができます。
-* flow をデコレートすると、その flow 内のすべての step に対して ログ 記録のオン/オフを切り替えることができます。
+* ステップをデコレートすると、そのステップ内の特定のタイプに対してログを有効または無効にできます。
+* フローをデコレートすると、そのフロー内のすべてのステップに対してログを有効または無効にできます。
-## クイックスタート
+
+ ## クイックスタート
+
-### サインアップして APIキー を作成する
+
+ ### サインアップして API キーを作成する
+
-APIキー は、お使いの環境を W&B に認証します。ユーザープロフィールから APIキー を生成できます。
+API キー は、マシンを W&B に認証させるためのものです。API キー は、ユーザー プロフィールから作成できます。
-
+ ### `wandb` ライブラリをインストールしてログインする
+
-`wandb` ライブラリをローカルにインストールしてログインするには：
+ローカルで `wandb` ライブラリをインストールしてログインするには、次の手順を実行します。
-`wandb` バージョン 0.19.8 以下の場合は、`plum-dispatch` の代わりに `fastcore` バージョン 1.8.0 以下 (`fastcore<1.8.0`) をインストールしてください。
+ `wandb` バージョン 0.19.8 以下を使用する場合は、`plum-dispatch` の代わりに `fastcore` バージョン 1.8.0 以下（`fastcore<1.8.0`）をインストールしてください。
-
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) を作成した APIキー に設定します。
+
+ 1. `WANDB_API_KEY` [environment variable](/ja/models/track/environment-variables/) を自分の API キー に設定します。
+
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
+ ```shell
+ pip install -Uqqq metaflow "plum-dispatch<3.0.0" wandb
+
+ wandb login
+ ```
+
+
+
```bash
- export WANDB_API_KEY=
+ pip install -Uqqq metaflow "plum-dispatch<3.0.0" wandb
```
-1. `wandb` ライブラリをインストールしてログインします。
+ ```python
+ import wandb
+ wandb.login()
+ ```
+
- ```shell
- pip install -Uqqq metaflow "plum-dispatch<3.0.0" wandb
+
+ ```notebook
+ !pip install -Uqqq metaflow "plum-dispatch<3.0.0" wandb
- wandb login
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install -Uqqq metaflow "plum-dispatch<3.0.0" wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install -Uqqq metaflow "plum-dispatch<3.0.0" wandb
-
-import wandb
-wandb.login()
-```
-
+
-### flows と steps をデコレートする
+
+ ### フローやステップをデコレートする
+
-
-step をデコレートすると、その step 内の特定の型に対して ログ 記録のオン/オフを切り替えることができます。
-
-この例では、`start` 内のすべての Datasets と Models が ログ 記録されます。
-
-```python
-from wandb.integration.metaflow import wandb_log
-
-class WandbExampleFlow(FlowSpec):
- @wandb_log(datasets=True, models=True, settings=wandb.Settings(...))
- @step
- def start(self):
- self.raw_df = pd.read_csv(...). # pd.DataFrame -> datasetとしてアップロード
- self.model_file = torch.load(...) # nn.Module -> modelとしてアップロード
- self.next(self.transform)
-```
-
-
-flow をデコレートすることは、構成するすべての step をデフォルト設定でデコレートすることと同じです。
-
-この場合、`WandbExampleFlow` 内のすべての step は、各 step を `@wandb_log(datasets=True, models=True)` でデコレートしたときと同様に、デフォルトで Datasets と Models を ログ 記録します。
-
-```python
-from wandb.integration.metaflow import wandb_log
-
-@wandb_log(datasets=True, models=True) # すべての @step をデコレート
-class WandbExampleFlow(FlowSpec):
- @step
- def start(self):
- self.raw_df = pd.read_csv(...). # pd.DataFrame -> datasetとしてアップロード
- self.model_file = torch.load(...) # nn.Module -> modelとしてアップロード
- self.next(self.transform)
-```
-
-
-flow をデコレートすることは、すべての step をデフォルト設定でデコレートすることと同等です。つまり、後で特定の Step を別の `@wandb_log` でデコレートした場合、それは flow レベルのデコレーションを上書きします。
-
-この例では：
-
-* `start` と `mid` は Datasets と Models の両方を ログ 記録します。
-* `end` は Datasets も Models も ログ 記録しません。
-
-```python
-from wandb.integration.metaflow import wandb_log
-
-@wandb_log(datasets=True, models=True) # start と mid をデコレートするのと同じ
-class WandbExampleFlow(FlowSpec):
- # この step は datasets と models をログ記録します
- @step
- def start(self):
- self.raw_df = pd.read_csv(...). # pd.DataFrame -> datasetとしてアップロード
- self.model_file = torch.load(...) # nn.Module -> modelとしてアップロード
- self.next(self.mid)
-
- # この step も datasets と models をログ記録します
- @step
- def mid(self):
- self.raw_df = pd.read_csv(...). # pd.DataFrame -> datasetとしてアップロード
- self.model_file = torch.load(...) # nn.Module -> modelとしてアップロード
- self.next(self.end)
-
- # この step は上書きされ、datasets も models もログ記録しません
- @wandb_log(datasets=False, models=False)
- @step
- def end(self):
- self.raw_df = pd.read_csv(...).
- self.model_file = torch.load(...)
-```
-
+
+ ステップをデコレートすると、そのステップ内で特定の型に対するログ取得をオンまたはオフにできます。
+
+ この例では、`start` 内のすべてのデータセットとモデルがログされます。
+
+ ```python
+ from wandb.integration.metaflow import wandb_log
+
+ class WandbExampleFlow(FlowSpec):
+ @wandb_log(datasets=True, models=True, settings=wandb.Settings(...))
+ @step
+ def start(self):
+ self.raw_df = pd.read_csv(...). # pd.DataFrame -> データセットとしてアップロード
+ self.model_file = torch.load(...) # nn.Module -> モデルとしてアップロード
+ self.next(self.transform)
+ ```
+
+
+
+ フローをデコレートすることは、そのフローに含まれるすべてのステップをデフォルト設定でデコレートするのと同等です。
+
+ この場合、`WandbExampleFlow` 内のすべてのステップは、各ステップを `@wandb_log(datasets=True, models=True)` でデコレートした場合と同様に、デフォルトでデータセットとモデルをログします。
+
+ ```python
+ from wandb.integration.metaflow import wandb_log
+
+ @wandb_log(datasets=True, models=True) # すべての @step をデコレート
+ class WandbExampleFlow(FlowSpec):
+ @step
+ def start(self):
+ self.raw_df = pd.read_csv(...). # pd.DataFrame -> データセットとしてアップロード
+ self.model_file = torch.load(...) # nn.Module -> モデルとしてアップロード
+ self.next(self.transform)
+ ```
+
+
+
+ フローをデコレートすることは、すべてのステップをデフォルト設定でデコレートするのと同等です。つまり、後から特定のステップに別の `@wandb_log` を付けると、フロー全体へのデコレーションを上書きします。
+
+ この例では:
+
+ * `start` と `mid` はデータセットとモデルの両方をログします。
+ * `end` はデータセットもモデルもログしません。
+
+ ```python
+ from wandb.integration.metaflow import wandb_log
+
+ @wandb_log(datasets=True, models=True) # start と mid をデコレートするのと同じ
+ class WandbExampleFlow(FlowSpec):
+ # このステップはデータセットとモデルをログします
+ @step
+ def start(self):
+ self.raw_df = pd.read_csv(...). # pd.DataFrame -> データセットとしてアップロード
+ self.model_file = torch.load(...) # nn.Module -> モデルとしてアップロード
+ self.next(self.mid)
+
+ # このステップもデータセットとモデルをログします
+ @step
+ def mid(self):
+ self.raw_df = pd.read_csv(...). # pd.DataFrame -> データセットとしてアップロード
+ self.model_file = torch.load(...) # nn.Module -> モデルとしてアップロード
+ self.next(self.end)
+
+ # このステップの設定は上書きされ、データセットもモデルもログしません
+ @wandb_log(datasets=False, models=False)
+ @step
+ def end(self):
+ self.raw_df = pd.read_csv(...).
+ self.model_file = torch.load(...)
+ ```
+
-## プログラムによる データ へのアクセス
+
+ ## プログラムからデータにアクセスする
+
-取得した情報には 3 つの方法でアクセスできます。 ログ 記録中の元の Python プロセス内から [`wandb` クライアントライブラリ](/models/ref/python/) を使用する方法、[Web アプリ UI](/models/track/workspaces/) を使用する方法、または [パブリック API](/models/ref/python/public-api/) を使用してプログラムでアクセスする方法です。`Parameter` は W&B の [`config`](/models/) に保存され、[Overviewタブ](/models/runs/#overview-tab) で確認できます。`datasets`、`models`、および `others` は [W&B Artifacts](/models/artifacts/) に保存され、[Artifacts タブ](/models/runs/#artifacts-tab) で確認できます。Python の基本型は W&B の [`summary`](/models/) 辞書に保存され、Overview タブで確認できます。外部からプログラムでこの情報を取得するための API 使用方法の詳細は、[パブリック API ガイド](/models/track/public-api-guide/) を参照してください。
+記録された情報には 3 つの方法でアクセスできます。記録を行っている元の Python プロセス内で [`wandb` client library](/ja/models/ref/python/) を使う方法、[Web アプリ UI](/ja/models/track/workspaces/) からアクセスする方法、あるいは [Public API](/ja/models/ref/python/public-api/) を使ってプログラムからアクセスする方法です。`Parameter` は W&B の [`config`](/ja/models/) に保存され、[Overview タブ](/ja/models/runs/#overview-tab) で確認できます。`datasets`、`models`、`others` は [W&B Artifacts](/ja/models/artifacts/) に保存され、[Artifacts タブ](/ja/models/runs/#artifacts-tab) で確認できます。Python の基本型は W&B の [`summary`](/ja/models/) dict に保存され、Overview タブで確認できます。API を使って外部からこの情報をプログラムで取得する方法については、[Public API ガイド](/ja/models/track/public-api-guide/) を参照してください。
-### クイックリファレンス
+
+ ### クイックリファレンス
+
-| データ | クライアントライブラリ | UI |
-| :--- | :--- | :--- |
-| `Parameter(...)` | `wandb.Run.config` | Overviewタブ, Config |
-| `datasets`, `models`, `others` | `wandb.Run.use_artifact("{var_name}:latest")` | Artifacts タブ |
-| Python 基本型 (`dict`, `list`, `str` など) | `wandb.Run.summary` | Overviewタブ, Summary |
+| データ | クライアントライブラリ | UI |
+| ----------------------------------------------- | ----------------------------------------- | ----------------------- |
+| `Parameter(...)` | `wandb.Run.config` | Overview タブ、Config |
+| `datasets`, `models`, `others` | `wandb.Run.use_artifact("{var_name}:latest")` | Artifacts タブ |
+| Base Python types (`dict`, `list`, `str`, etc.) | `wandb.Run.summary` | Overview タブ、Summary |
-### `wandb_log` kwargs (キーワード引数)
+
+ ### `wandb_log` kwargs
+
-| kwarg | オプション |
-| :--- | :--- |
-| `datasets` | True: データセットであるインスタンス変数をログ記録するFalseTrue: モデルであるインスタンス変数をログ記録するFalseTrue: pickle としてシリアル化可能なその他のものをログ記録するFalsewandb.Settings(...): この step または flow に対して独自の wandb 設定を指定するNone: wandb.Settings() を渡すのと同等デフォルトでは以下のようになります：
settings.run_group が None の場合、 \{flow_name\}/\{run_id\} に設定されますsettings.run_job_type が None の場合、 \{run_job_type\}/\{step_name\} に設定されますTrue: データセット であるインスタンス変数をログに記録するFalseTrue: モデル であるインスタンス変数をログに記録するFalseTrue: 上記以外で、pickle としてシリアライズ可能なものをすべてログに記録するFalsewandb.Settings(...): この step または flow のための独自の wandb 設定を指定するNone: wandb.Settings() を渡すのと同等デフォルトでは、次のように設定される:
settings.run_group が None の場合、{flow_name}/{run_id} に設定されるsettings.run_job_type が None の場合、{run_job_type}/{step_name} に設定される
+ ## よくある質問
+
-### 具体的に何を ログ 記録しますか？すべてのインスタンス変数とローカル変数を ログ 記録しますか？
+
+ ### 具体的に何がログされますか？インスタンス変数とローカル変数はすべてログされますか？
+
-`wandb_log` はインスタンス変数のみを ログ 記録します。ローカル変数は **決して** ログ 記録されません。これは、不要な データの ログ 記録を避けるために役立ちます。
+`wandb_log` はインスタンス変数のみをログします。ローカル変数がログされることは一切ありません。これは不要なデータがログに記録されるのを避けるのに役立ちます。
-### どのデータ型が ログ 記録されますか？
+
+ ### どのデータ型がログ対象ですか？
+
-現在、以下の型をサポートしています：
+現在、以下の型をサポートしています。
-| ログ設定 | 型 |
-| :--- | :--- |
-| デフォルト (常にオン) | dict, list, set, str, int, float, boolnn.Modulesklearn.base.BaseEstimatordict, list, set, str, int, float, boolnn.Modulesklearn.base.BaseEstimator
+ ### ロギングの挙動はどのように設定できますか？
+
-| 変数の種類 | 振る舞い | 例 | データ型 |
-| :--- | :--- | :--- | :--- |
-| インスタンス | 自動ログ記録 | `self.accuracy` | `float` |
-| インスタンス | `datasets=True` の場合にログ記録 | `self.df` | `pd.DataFrame` |
-| インスタンス | `datasets=False` の場合はログ記録されない | `self.df` | `pd.DataFrame` |
-| ローカル | 決してログ記録されない | `accuracy` | `float` |
-| ローカル | 決してログ記録されない | `df` | `pd.DataFrame` |
+| 変数の種類 | 動作 | 例 | データ型 |
+| ---------- | -------------------------------------- | --------------- | --------------- |
+| Instance | 自動的にログに記録される | `self.accuracy` | `float` |
+| Instance | `datasets=True` の場合にログに記録される | `self.df` | `pd.DataFrame` |
+| Instance | `datasets=False` の場合はログに記録されない | `self.df` | `pd.DataFrame` |
+| Local | ログに記録されない | `accuracy` | `float` |
+| Local | ログに記録されない | `df` | `pd.DataFrame` |
-### Artifacts の リネージ (系統) は追跡されますか？
+
+ ### Artifacts の lineage は追跡されますか？
+
-はい。ある アーティファクト が step A の出力であり、step B の入力である場合、自動的に リネージ DAG を構築します。
+はい。ステップ A の出力でありステップ B の入力でもある Artifacts がある場合、lineage の DAG は自動的に構築されます。
-この 振る舞い の例については、こちらの [ノートブック](https://colab.research.google.com/drive/1wZG-jYzPelk8Rs2gIM3a71uEoG46u_nG#scrollTo=DQQVaKS0TmDU) および対応する [W&B Artifacts ページ](https://wandb.ai/megatruong/metaflow_integration/artifacts/dataset/raw_df/7d14e6578d3f1cfc72fe/graph) を参照してください。
+このような挙動の例については、この [notebook](https://colab.research.google.com/drive/1wZG-jYzPelk8Rs2gIM3a71uEoG46u_nG#scrollTo=DQQVaKS0TmDU) と、それに対応する [W&B Artifacts ページ](https://wandb.ai/megatruong/metaflow_integration/artifacts/dataset/raw_df/7d14e6578d3f1cfc72fe/graph) を参照してください。
\ No newline at end of file
diff --git a/ja/models/integrations/mmengine.mdx b/ja/models/integrations/mmengine.mdx
index 3f7d60a758..a26e46ee25 100644
--- a/ja/models/integrations/mmengine.mdx
+++ b/ja/models/integrations/mmengine.mdx
@@ -2,103 +2,112 @@
title: MMEngine
---
-[OpenMMLab](https://github.com/open-mmlab) による MMEngine は、PyTorch ベースのディープラーニングモデルをトレーニングするための基礎ライブラリです。MMEngine は OpenMMLab アルゴリズムライブラリ向けに次世代のトレーニングアーキテクチャーを実装しており、OpenMMLab 内の 30 以上のアルゴリズムライブラリに対して統一された実行基盤を提供します。そのコアコンポーネントには、トレーニングエンジン、評価エンジン、およびモジュール管理が含まれます。
+[OpenMMLab](https://github.com/open-mmlab) が提供する MMEngine は、PyTorch ベースでディープラーニングモデルをトレーニングするための基盤ライブラリです。MMEngine は OpenMMLab アルゴリズムライブラリ向けに次世代のトレーニングアーキテクチャを実装しており、OpenMMLab 内の 30 以上のアルゴリズムライブラリに対して統一された実行基盤を提供します。そのコアコンポーネントには、トレーニングエンジン、評価エンジン、モジュール管理機能が含まれます。
-[W&B](https://wandb.ai/site) は、専用の [`WandbVisBackend`](https://mmengine.readthedocs.io/en/latest/api/generated/mmengine.visualization.WandbVisBackend.html#mmengine.visualization.WandbVisBackend) を通じて MMEngine に直接統合されており、以下の用途に使用できます。
-- トレーニングおよび評価メトリクスのログ記録。
-- 実験設定（configs）のログ記録と管理。
-- グラフ、画像、スカラーなどの追加レコードのログ記録。
+[W&B](https://wandb.ai/site) は、専用の [`WandbVisBackend`](https://mmengine.readthedocs.io/en/latest/api/generated/mmengine.visualization.WandbVisBackend.html#mmengine.visualization.WandbVisBackend) を通じて MMEngine に直接統合されており、次の用途に使用できます。
-## 始めに
+* トレーニングおよび評価メトリクスをログする。
+* 実験の設定をログおよび管理する。
+* グラフ、画像、スカラーなどの追加情報をログする。
+
+
+ ## はじめに
+
`openmim` と `wandb` をインストールします。
-
-``` bash
-pip install -q -U openmim wandb
-```
-
-
-``` bash
-!pip install -q -U openmim wandb
-```
-
+
+ ```bash
+ pip install -q -U openmim wandb
+ ```
+
+
+
+ ```bash
+ !pip install -q -U openmim wandb
+ ```
+
-次に、`mim` を使用して `mmengine` と `mmcv` をインストールします。
+次に、`mim` コマンドを使って `mmengine` と `mmcv` をインストールします。
-
-``` bash
-mim install -q mmengine mmcv
-```
-
-
-``` bash
-!mim install -q mmengine mmcv
-```
-
+
+ ```bash
+ mim install -q mmengine mmcv
+ ```
+
+
+
+ ```bash
+ !mim install -q mmengine mmcv
+ ```
+
-## MMEngine Runner で WandbVisBackend を使用する
+
+ ## `WandbVisBackend` を MMEngine Runner と併用する
+
-このセクションでは、[`mmengine.runner.Runner`](https://mmengine.readthedocs.io/en/latest/api/generated/mmengine.runner.Runner.html#mmengine.runner.Runner) を使用して `WandbVisBackend` を利用する一般的なワークフローを示します。
+このセクションでは、`WandbVisBackend` を [`mmengine.runner.Runner`](https://mmengine.readthedocs.io/en/latest/api/generated/mmengine.runner.Runner.html#mmengine.runner.Runner) と組み合わせて使用する典型的なワークフローを示します。
-1. 可視化設定から `visualizer` を定義します。
+1. 可視化用の config から `visualizer` を定義します。
- ```python
- from mmengine.visualization import Visualizer
+ ```python
+ from mmengine.visualization import Visualizer
- # 可視化設定を定義
- visualization_cfg = dict(
- name="wandb_visualizer",
- vis_backends=[
- dict(
- type='WandbVisBackend',
- init_kwargs=dict(project="mmengine"),
- )
- ],
- save_dir="runs/wandb"
- )
+ # 可視化設定を定義
+ visualization_cfg = dict(
+ name="wandb_visualizer",
+ vis_backends=[
+ dict(
+ type='WandbVisBackend',
+ init_kwargs=dict(project="mmengine"),
+ )
+ ],
+ save_dir="runs/wandb"
+ )
- # 可視化設定から visualizer のインスタンスを取得
- visualizer = Visualizer.get_instance(**visualization_cfg)
- ```
+ # 可視化設定から visualizer を取得
+ visualizer = Visualizer.get_instance(**visualization_cfg)
+ ```
-
- `init_kwargs` には、[W&B run の初期化](/models/ref/python/functions/init) 用の入力パラメータとして引数の辞書を渡します。
-
+
+ `init_kwargs` には、[W&B run initialization](/ja/models/ref/python/functions/init) の入力パラメーターに対応する引数の辞書を渡します。
+
-2. `visualizer` を使用して `runner` を初期化し、 `runner.train()` を呼び出します。
+2. `visualizer` を指定して `runner` を初期化し、`runner.train()` を呼び出します。
- ```python
- from mmengine.runner import Runner
+ ```python
+ from mmengine.runner import Runner
- # PyTorch のトレーニングヘルパーである mmengine Runner を構築
- runner = Runner(
- model,
- work_dir='runs/gan/',
- train_dataloader=train_dataloader,
- train_cfg=train_cfg,
- optim_wrapper=opt_wrapper_dict,
- visualizer=visualizer, # visualizer を渡す
- )
+ # PyTorch 用のトレーニングヘルパーである mmengine Runner を構築します
+ runner = Runner(
+ model,
+ work_dir='runs/gan/',
+ train_dataloader=train_dataloader,
+ train_cfg=train_cfg,
+ optim_wrapper=opt_wrapper_dict,
+ visualizer=visualizer, # visualizer を渡す
+ )
- # トレーニングを開始
- runner.train()
- ```
+ # トレーニングを開始します
+ runner.train()
+ ```
-## OpenMMLab コンピュータビジョンライブラリで WandbVisBackend を使用する
+
+ ## OpenMMLab のコンピュータビジョンライブラリで `WandbVisBackend` を使う
+
-`WandbVisBackend` は、[MMDetection](https://mmdetection.readthedocs.io/) などの OpenMMLab コンピュータビジョンライブラリを使用して実験を追跡する場合にも簡単に使用できます。
+`WandbVisBackend` は、[MMDetection](https://mmdetection.readthedocs.io/) のような OpenMMLab のコンピュータビジョンライブラリを使った実験を簡単に追跡するためにも利用できます。
```python
-# デフォルトのランタイム設定からベース設定を継承
+# デフォルトのランタイム設定から基本設定を継承する
_base_ = ["../_base_/default_runtime.py"]
-# ベース設定の visualizer の vis_backends に
-# WandbVisBackend の設定辞書を割り当てます
+# 基本設定の `visualizer` の `vis_backends` に
+# `WandbVisBackend` の設定辞書を割り当てる
_base_.visualizer.vis_backends = [
dict(
type='WandbVisBackend',
diff --git a/ja/models/integrations/mmf.mdx b/ja/models/integrations/mmf.mdx
index 42600a898a..6c5bc53939 100644
--- a/ja/models/integrations/mmf.mdx
+++ b/ja/models/integrations/mmf.mdx
@@ -1,47 +1,54 @@
---
-title: MMF
description: W&B を Meta AI の MMF と統合する方法。
+title: MMF
---
-[Meta AI の MMF](https://github.com/facebookresearch/mmf) ライブラリの `WandbLogger` クラスを使用すると、トレーニング / バリデーションのメトリクス、システム（GPU および CPU）メトリクス、モデルのチェックポイント、および設定パラメータを W&B にログ記録できるようになります。
+[Meta AI の MMF](https://github.com/facebookresearch/mmf) ライブラリの `WandbLogger` クラスを使用すると、W&B でトレーニング/検証のメトリクス、システム (GPU と CPU) のメトリクス、モデルのチェックポイントおよび設定パラメーターを記録できるようになります。
-## 現在の機能
+
+ ## 現在の機能
+
-MMF の `WandbLogger` では、現在以下の機能がサポートされています。
+`WandbLogger` は MMF で現在、以下の機能をサポートしています:
-* トレーニングおよびバリデーションのメトリクス
+* トレーニングおよび検証のメトリクス
* 学習率の推移
-* W&B Artifacts へのモデルチェックポイントの保存
-* GPU および CPU のシステムメトリクス
-* トレーニングの設定パラメータ
+* モデル チェックポイントの W&B Artifacts への保存
+* GPU および CPU のシステム メトリクス
+* トレーニング設定パラメーター
-## 設定パラメータ
+
+ ## Config パラメーター
+
-MMF の設定ファイルでは、W&B のログ記録を有効化およびカスタマイズするために、以下のオプションを利用できます。
+MMF の config では、wandb ロギングを有効化およびカスタマイズするために、次のオプションが利用できます。
```
training:
wandb:
enabled: true
- # Entity は、Run を送信するユーザー名またはチーム名です。
- # デフォルトでは、ユーザーアカウントに Run がログ記録されます。
+ # entity はユーザー名またはチーム名で、runs の送信先を指定します。
+ # デフォルトでは、run はユーザーアカウントに記録されます。
entity: null
- # W&B で実験をログ記録する際に使用する Project 名
+ # wandb で実験を記録する際に使用するプロジェクト名
project: mmf
- # プロジェクト内で実験をログ記録する際に使用する Experiment / Run 名。
- # デフォルトの実験名は ${training.experiment_name} です。
+ # wandb でプロジェクト配下に実験を記録する際に使用する
+ # 実験名 / run 名。デフォルトの実験名:
+ # ${training.experiment_name}
name: ${training.experiment_name}
- # モデルのチェックポイント機能をオンにし、チェックポイントを W&B Artifacts に保存します
+ # モデルのチェックポイント保存を有効にし、チェックポイントを W&B Artifacts に保存する
log_model_checkpoint: true
- # wandb.init() に渡したい追加の引数（例： job_type: 'train'、tags: ['tag1', 'tag2'] など）
+ # wandb.init() に渡す追加の引数値（例）:
+ # job_type: 'train'
+ # tags: ['tag1', 'tag2']
env:
- # W&B のメタデータが保存されるディレクトリーへのパスを変更する場合
- # （デフォルト： env.log_dir）
+ # wandb メタデータを保存するディレクトリのパスを変更する場合
+ # （デフォルト: env.log_dir）:
wandb_logdir: ${env:MMF_WANDB_LOGDIR,}
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/nim.mdx b/ja/models/integrations/nim.mdx
index 5cb2c9d491..f84053866f 100644
--- a/ja/models/integrations/nim.mdx
+++ b/ja/models/integrations/nim.mdx
@@ -1,36 +1,38 @@
---
-title: NVIDIA NeMo Inference Microservice Deploy Job
+title: NVIDIA NeMo Inference Microservice デプロイ Job
---
-W&B の モデル Artifacts を NVIDIA NeMo Inference Microservice (NIM) にデプロイします。これを行うには、W&B Launch を使用します。W&B Launch は、モデル Artifacts を NVIDIA NeMo Model に変換し、実行中の NIM/Triton サーバーにデプロイします。
+W&B から NVIDIA NeMo Inference Microservice にモデル Artifacts をデプロイします。そのためには、W&B Launch を使用します。W&B Launch はモデル Artifacts を NVIDIA NeMo Model に変換し、稼働中の NIM/Triton サーバーにデプロイします。
-W&B Launch は現在、以下の互換性のあるモデルタイプを受け入れています。
+現在、W&B Launch は次の互換性のあるモデルタイプをサポートしています。
1. [Llama2](https://llama.meta.com/llama2/)
2. [StarCoder](https://github.com/bigcode-project/starcoder)
-3. NV-GPT (近日公開予定)
+3. NV-GPT（近日対応予定）
-デプロイ時間は、モデルやマシンのタイプによって異なります。ベースの Llama2-7b 設定では、Google Cloud の `a2-ultragpu-1g` で約1分かかります。
+ デプロイ時間はモデルやマシンタイプによって異なります。ベースとなる Llama2-7b の構成では、Google Cloud の `a2-ultragpu-1g` で約 1 分かかります。
-## Quickstart
+
+ ## クイックスタート
+
-1. まだ作成していない場合は、 [Launch キューを作成](/platform/launch/add-job-to-queue/) してください。以下にキュー設定の例を示します。
+1. まだ Launch キューがない場合は、[Launch キューを作成](/ja/platform/launch/add-job-to-queue/) してください。以下にキュー設定の例を示します。
```yaml
net: host
gpus: all # 特定の GPU セット、または `all` を指定してすべてを使用できます
- runtime: nvidia # nvidia container runtime も必要です
+ runtime: nvidia # NVIDIA コンテナー runtime も必要です
volume:
- model-store:/model-store/
```
-ファインチューニングの実験、モデル、データセットを追跡し、結果を同僚と共有する方法については、[OpenAI fine-tuning インテグレーション](./openai-fine-tuning) を参照してください。
+ [OpenAI fine-tuning integration](./openai-fine-tuning) では、W&B を使用してファインチューニング 実験、モデル、データセットを追跡し、結果を同僚と共有する方法を確認できます。
-API の入力と出力を ログ に記録することで、異なるプロンプトのパフォーマンスを迅速に評価したり、モデルの 設定（temperature など）を比較したり、トークン使用量などの他の使用状況 メトリクス を追跡したりできます。
-
-
-
+API の入力と出力をログに記録することで、さまざまなプロンプトの性能をすばやく評価し、温度などの異なるモデル設定を比較し、トークン使用量などのその他の使用状況メトリクスを追跡できます。
+ ## OpenAI Python API ライブラリをインストールする
+
-## OpenAI Python API ライブラリのインストール
+W&B の autolog インテグレーションは、OpenAI バージョン 0.28.1 以前で動作します。
-W&B の autolog インテグレーションは、OpenAI バージョン 0.28.1 以下で動作します。
+OpenAI Python API バージョン 0.28.1 をインストールするには、次のコマンドを実行します。
-OpenAI Python API バージョン 0.28.1 をインストールするには、以下を実行してください。
```python
pip install openai==0.28.1
```
-## OpenAI Python API の使用方法
+
+ ## OpenAI Python API を使用する
+
+
+
+ ### 1. autolog をインポートして初期化する
+
-### 1. autolog をインポートして初期化する
-まず、`wandb.integration.openai` から `autolog` をインポートし、初期化します。
+まず、`wandb.integration.openai` から `autolog` をインポートし、`autolog` を初期化します。
```python
import os
import openai
from wandb.integration.openai import autolog
-# プロジェクト名を指定して autolog を初期化
autolog({"project": "gpt5"})
```
-オプションとして、`wandb.init()` が受け付ける 引数 を含んだ 辞書 を `autolog` に渡すことができます。これには、プロジェクト名、チーム名、Entity などが含まれます。[`wandb.init()`](/models/ref/python/functions/init) の詳細については、API リファレンス ガイド を参照してください。
+必要に応じて、`wandb.init()` が受け取る引数を含んだ辞書を `autolog` に渡すことができます。これにはプロジェクト名、チーム名、エンティティなどが含まれます。[`wandb.init()`](/ja/models/ref/python/functions/init) の詳細については、API リファレンスガイドを参照してください。
-### 2. OpenAI API を呼び出す
-これで、OpenAI API への各呼び出しが自動的に W&B に ログ 記録されるようになります。
+
+ ### 2. OpenAI API を呼び出す
+
+
+OpenAI API への各呼び出しは自動的に W&B にログとして記録されます。
```python
os.environ["OPENAI_API_KEY"] = "XXX"
@@ -66,17 +72,22 @@ chat_request_kwargs = dict(
response = openai.ChatCompletion.create(**chat_request_kwargs)
```
-### 3. OpenAI API の入力とレスポンスを確認する
+
+ ### 3. OpenAI API の入力とレスポンスを確認する
+
+
+**ステップ 1** で `autolog` によって生成された W&B の [run](/ja/models/runs/) リンクをクリックします。W&B App 内の プロジェクト ワークスペースに遷移します。
-**ステップ 1** で `autolog` によって生成された W&B [run](/models/runs/) リンクをクリックします。これにより、W&B App のプロジェクト Workspace にリダイレクトされます。
+作成した run を選択すると、使用している OpenAI LLM の trace テーブル、trace タイムライン、およびモデル アーキテクチャを表示できます。
-作成した run を選択して、トレーステーブル、トレースタイムライン、および使用された OpenAI LLM の モデル アーキテクチャー を表示します。
+
+ ## autolog を無効化する
+
-## autolog をオフにする
-OpenAI API の使用が終わったら、`disable()` を呼び出してすべての W&B プロセスを終了することをお勧めします。
+OpenAI API の使用を終えたら、すべての W&B プロセスを終了するために `disable()` を呼び出すことを W&B では推奨しています。
```python
autolog.disable()
```
-これで、入力と完了（completions）が W&B に ログ 記録され、分析 や同僚との共有ができるようになります。
\ No newline at end of file
+これで、入力内容と completion の結果が W&B に記録され、分析したり同僚と共有したりできるようになります。
diff --git a/ja/models/integrations/openai-fine-tuning.mdx b/ja/models/integrations/openai-fine-tuning.mdx
index 58c52b95a7..57b1131baa 100644
--- a/ja/models/integrations/openai-fine-tuning.mdx
+++ b/ja/models/integrations/openai-fine-tuning.mdx
@@ -1,40 +1,44 @@
---
-title: OpenAI Fine-Tuning
-description: W&B を使用して OpenAI Models をファインチューンする方法
+description: W&B を使って OpenAI モデルをファインチューニングする方法。
+title: OpenAI ファインチューニング
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
-ファインチューニング可能なモデルの一覧については、 [OpenAI ドキュメント](https://platform.openai.com/docs/guides/fine-tuning/which-models-can-be-fine-tuned) を参照してください。
+ ファインチューニング可能なモデルの一覧については、[OpenAI のドキュメント](https://platform.openai.com/docs/guides/fine-tuning/which-models-can-be-fine-tuned)を参照してください。
-W&B と OpenAI を連携させてファインチューニングを行う方法の補足情報については、 OpenAI ドキュメントの [W&B Integration](https://platform.openai.com/docs/guides/fine-tuning/weights-and-biases-integration) セクションも併せて参照してください。
+ファインチューニングのために W&B を OpenAI と連携させる方法に関する補足情報については、OpenAI ドキュメントの [W&B Integration](https://developers.openai.com/cookbook/examples/third_party/gpt_finetuning_with_wandb) セクションを参照してください。
-## OpenAI Python API のインストールまたは更新
+
+ ## OpenAI Python API をインストールまたは更新する
+
-W&B の OpenAI ファインチューニング・インテグレーションは、 OpenAI バージョン 1.0 以上で動作します。最新バージョンの [OpenAI Python API](https://pypi.org/project/openai/) ライブラリについては、 PyPI のドキュメントを確認してください。
+W&B OpenAI ファインチューニング インテグレーションは、バージョン 1.0 以降の OpenAI で動作します。最新バージョンについては、[OpenAI Python API](https://pypi.org/project/openai/) ライブラリの PyPI ドキュメントを参照してください。
+OpenAI Python API をインストールするには、次のコマンドを実行します:
-OpenAI Python API をインストールするには、以下を実行します：
```python
pip install openai
```
-すでに OpenAI Python API がインストールされている場合は、以下で更新できます：
+すでに OpenAI Python API がインストールされている場合は、次のコマンドを実行して更新できます。
+
```python
pip install -U openai
```
+
+ ## OpenAI のファインチューニング結果を同期する
+
-## OpenAI ファインチューニング結果の同期
-
-W&B を OpenAI のファインチューニング API と統合し、ファインチューニングのメトリクスと設定を W&B にログ記録します。これを行うには、 `wandb.integration.openai.fine_tuning` モジュールから `WandbLogger` クラスを使用します。
-
+OpenAI の ファインチューニング API と W&B を連携させて、ファインチューニングのメトリクスと設定を W&B に記録します。そのためには、`wandb.integration.openai.fine_tuning` モジュールの `WandbLogger` クラスを使用します。
```python
from wandb.integration.openai.fine_tuning import WandbLogger
@@ -45,21 +49,22 @@ WandbLogger.sync(fine_tune_job_id=FINETUNE_JOB_ID)
```
+ ### ファインチューニングの結果を同期する
+
+スクリプトから結果を同期する
```python
from wandb.integration.openai.fine_tuning import WandbLogger
-# 1行のコマンドで同期
+# 1行コマンド
WandbLogger.sync()
-# オプション引数を渡して同期
+# オプションパラメーターを渡す
WandbLogger.sync(
fine_tune_job_id=None,
num_fine_tunes=None,
@@ -72,72 +77,88 @@ WandbLogger.sync(
)
```
-### リファレンス
+
+ ### リファレンス
+
-| 引数 | 説明 |
+| Argument | Description |
| ------------------------ | ------------------------------------------------------------------------------------------------------------------------- |
-| fine_tune_job_id | `client.fine_tuning.jobs.create` を使用してファインチューニングジョブを作成した際に取得する OpenAI Fine-Tune ID です。この引数が None（デフォルト）の場合、まだ同期されていないすべての OpenAI ファインチューニングジョブが W&B に同期されます。 |
-| openai_client | 初期化済みの OpenAI クライアントを `sync` に渡します。クライアントが提供されない場合は、ロガー自体によって初期化されます。デフォルトは None です。 |
-| num_fine_tunes | ID が指定されない場合、未同期のすべてのファインチューニングが W&B にログ記録されます。この引数を使用すると、同期する最新のファインチューニングの数を選択できます。例えば `num_fine_tunes` が 5 の場合、最新の 5 つのジョブが選択されます。 |
-| project | ファインチューニングのメトリクス、 Models 、データなどがログ記録される W&B Projects 名です。デフォルトのプロジェクト名は "OpenAI-Fine-Tune" です。 |
-| entity | Runs を送信する W&B の Users 名または Teams 名です。デフォルトでは、通常あなたのユーザー名であるデフォルトのエンティティが使用されます。 |
-| overwrite | 強制的にログを記録し、同じファインチューニングジョブの既存の wandb run を上書きします。デフォルトは False です。 |
-| wait_for_job_success | OpenAI のファインチューニングジョブは、開始してから完了までに通常時間がかかります。ジョブが完了次第すぐにメトリクスが W&B にログ記録されるように、この設定は 60 秒ごとにステータスが `succeeded` に変わったかを確認します。成功が検出されると、メトリクスが自動的に W&B に同期されます。デフォルトで True に設定されています。 |
-| model_artifact_name | ログ記録されるモデルアーティファクトの名前です。デフォルトは `"model-metadata"` です。 |
-| model_artifact_type | ログ記録されるモデルアーティファクトのタイプです。デフォルトは `"model"` です。 |
-| \*\*kwargs_wandb_init | [`wandb.init()`](/models/ref/python/functions/init) に直接渡される追加の引数です。 |
-
-## データセットのバージョン管理と可視化
-
-### バージョン管理
-
-ファインチューニングのために OpenAI にアップロードしたトレーニングデータと検証データは、容易なバージョン管理のために W&B Artifacts として自動的にログ記録されます。以下は Artifacts におけるトレーニングファイルの表示例です。ここでは、このファイルをログ記録した W&B run、ログ記録された日時、データセットのバージョン、メタデータ、およびトレーニングデータからトレーニング済みモデルまでの DAG リネージを確認できます。
+| fine_tune_job_id | `client.fine_tuning.jobs.create` を使って fine-tune ジョブを作成した際に取得する OpenAI Fine-Tune ID です。この引数が None（デフォルト）の場合、まだ同期されていないすべての OpenAI fine-tune ジョブが W&B に同期されます。 |
+| openai_client | 初期化済みの OpenAI client を `sync` に渡します。client が指定されない場合は、logger 自身が client を初期化します。デフォルトは None です。 |
+| num_fine_tunes | ID が指定されない場合、同期されていないすべての fine-tune が W&B にログされます。この引数で、同期する直近の fine-tune の件数を指定できます。たとえば num_fine_tunes が 5 の場合、直近 5 件の fine-tune が選択されます。 |
+| project | fine-tune のメトリクス、モデル、データなどがログされる W&B プロジェクト名です。デフォルトでは、プロジェクト名は "OpenAI-Fine-Tune" です。 |
+| entity | run を送信する先の W&B Username または team 名です。デフォルトでは、通常あなたの username であるデフォルト entity が使用されます。 |
+| overwrite | 同じ fine-tune ジョブに対応する既存の wandb run を強制的にログし、上書きします。デフォルトは False です。 |
+| wait_for_job_success | OpenAI fine-tuning ジョブが開始されると、完了までに少し時間がかかることがよくあります。fine-tune ジョブが終了し次第メトリクスがすぐに W&B にログされるように、この設定では 60 秒ごとに fine-tune ジョブのステータスが `succeeded` に変わったかをチェックします。fine-tune ジョブが成功したと検出されると、メトリクスは自動的に W&B に同期されます。デフォルトで True に設定されています。 |
+| model_artifact_name | ログされる model artifact の名前です。デフォルトは `"model-metadata"` です。 |
+| model_artifact_type | ログされる model artifact の種類です。デフォルトは `"model"` です。 |
+| **kwargs_wandb_init | [`wandb.init()`](/ja/models/ref/python/functions/init) に直接渡される追加の引数です。 |
+
+
+ ## データセットのバージョン管理と可視化
+
+
+
+ ### バージョニング
+
+
+fine-tuning のために OpenAI にアップロードする training データと validation データは、バージョン管理を容易にするために自動的に W&B Artifacts としてログされます。以下は Artifacts 内の training ファイルのビューです。ここでは、このファイルをログした W&B run、ログされた日時、このデータセットのバージョン、メタデータ、そして training データから訓練済み モデル までの DAG 系譜を確認できます。
+ ### 可視化
+
-データセットは W&B Tables として可視化され、データセットの探索、検索、インタラクションが可能です。以下に W&B Tables を使用して可視化されたトレーニングサンプルの例を示します。
+データセットは W&B Tables として可視化されており、データセットの探索・検索・操作が行えます。以下に、W&B Tables で可視化したトレーニング サンプルを示します。
+ ## 微調整済みモデルとモデルのバージョン管理
+
-## ファインチューニング済みモデルとモデルのバージョン管理
+OpenAI は微調整済みモデルの ID を返します。モデルの重みにはアクセスできないため、`WandbLogger` はそのモデルのすべての詳細情報（ハイパーパラメーター、データファイル ID など）と `fine_tuned_model`` ID を含む `model_metadata.json` ファイルを作成し、これを W&B Artifact としてログに記録します。
-OpenAI はファインチューニング済みモデルの ID を提供します。モデルの重みに直接アクセスすることはできませんが、 `WandbLogger` はモデルの詳細（ハイパーパラメーター、データファイル ID など）と `fine_tuned_model` ID を含む `model_metadata.json` ファイルを作成し、 W&B Artifacts としてログ記録します。
-
-このモデル（メタデータ）アーティファクトは、さらに [W&B Registry](/models/registry/) のモデルにリンクさせることができます。
+このモデル（メタデータ）Artifacts は、[W&B Registry](/ja/models/registry/) 内のモデルにさらにリンクできます。
+ ## よくある質問
+
-## よくある質問
-
-### ファインチューニングの結果を W&B でチームと共有するにはどうすればよいですか？
+
+ ### W&B でファインチューニング結果をチームと共有するにはどうすればよいですか？
+
-以下のように、チームアカウントを指定してファインチューニングジョブをログ記録してください：
+ファインチューニングのジョブを、次のようにチームアカウントにログを記録してください。
```python
WandbLogger.sync(entity="YOUR_TEAM_NAME")
```
-### Runs を整理するにはどうすればよいですか？
+
+ ### runs をどのように整理できますか？
+
-W&B Runs は自動的に整理され、ジョブタイプ、ベースモデル、学習率、トレーニングファイル名、その他のハイパーパラメーターなどの設定パラメータに基づいてフィルタリングやソートが可能です。
+W&B runs は自動的に整理されており、ジョブ タイプ、ベース モデル、学習率、トレーニング用ファイル名やその他のハイパーパラメーターなど、任意の設定パラメーターに基づいてフィルタリングやソートが可能です。
-さらに、 Run の名前を変更したり、ノートを追加したり、タグを作成してグループ化したりすることもできます。
+さらに、runs の名前を変更したり、メモを追加したり、タグを作成してグループ化したりできます。
-整理ができたら、 Workspace を保存して Reports の作成に使用し、 Runs や保存された Artifacts （トレーニング/検証ファイル）からデータをインポートできます。
+runs の整理が済んだら、Workspace を保存し、runs および保存済みの Artifacts（トレーニング / 検証ファイル）からデータをインポートしてレポートを作成できます。
-### ファインチューニングしたモデルにはどうすればアクセスできますか？
+
+ ### ファインチューニングしたモデルにはどのようにアクセスできますか？
+
-ファインチューニング済みモデルの ID は、アーティファクト（ `model_metadata.json` ）および設定（config）として W&B にログ記録されます。
+ファインチューニングした モデル ID は、W&B に Artifacts（`model_metadata.json`）および設定情報としてログされます。
```python
import wandb
@@ -147,17 +168,19 @@ with wandb.init(project="OpenAI-Fine-Tune", entity="YOUR_TEAM_NAME") as run:
artifact_dir = ft_artifact.download()
```
-ここで `VERSION` は以下のいずれかです：
+ここで `VERSION` は次のいずれかです:
* `v2` のようなバージョン番号
-* `ft-xxxxxxxxx` のようなファインチューン ID
-* `latest` のように自動的に、または手動で追加されたエイリアス
+* `ft-xxxxxxxxx` のような fine-tune の ID
+* `latest` のように自動的に追加される、または手動で追加したエイリアス
-その後、ダウンロードした `model_metadata.json` ファイルを読み取ることで `fine_tuned_model` ID にアクセスできます。
+その後、ダウンロードした `model_metadata.json` ファイルを読み込むことで、`fine_tuned_model` の ID を取得できます。
-### ファインチューニングの同期が正常に行われなかった場合はどうすればよいですか？
+
+ ### ファインチューニングが正しく同期されなかった場合はどうすればよいですか？
+
-ファインチューニングが W&B に正常にログ記録されなかった場合は、 `overwrite=True` を使用してファインチューニングジョブ ID を渡してください：
+ファインチューニングが W&B に正しくログされなかった場合は、`overwrite=True` を使用してファインチューニングジョブ ID を渡すことができます。
```python
WandbLogger.sync(
@@ -166,18 +189,22 @@ WandbLogger.sync(
)
```
-### W&B でデータセットとモデルを追跡できますか？
+
+ ### W&B でデータセットやモデルを追跡できますか？
+
-トレーニングデータと検証データは Artifacts として自動的に W&B にログ記録されます。ファインチューニング済みモデルの ID を含むメタデータも Artifacts としてログ記録されます。
+トレーニングデータと検証データは、 Artifacts として自動的に W&B に記録されます。ファインチューニングしたモデルの ID を含むメタデータも、 Artifacts として記録されます。
-`wandb.Artifact` や `wandb.Run.log` などの低レベル W&B API を使用して、パイプラインを常に制御することも可能です。これにより、データとモデルの完全な追跡（トレーサビリティ）が可能になります。
+`wandb.Artifact` や `wandb.Run.log` などの低レベルの wandb API を使って、いつでもパイプラインを制御できます。これにより、データとモデルを完全にトレースできるようになります。
+ ## リソース
+
-* [OpenAI ファインチューニング ドキュメント](https://platform.openai.com/docs/guides/fine-tuning/)：非常に詳細で、多くの有用なヒントが含まれています。
+* [OpenAI Fine-tuning Documentation](https://platform.openai.com/docs/guides/fine-tuning/) は非常に充実しており、有用なヒントが多数掲載されています
* [デモ Colab](https://wandb.me/openai-colab)
* [How to Fine-Tune Your OpenAI GPT-3.5 and GPT-4 Models with W&B](https://wandb.me/openai-report) レポート
\ No newline at end of file
diff --git a/ja/models/integrations/openai-gym.mdx b/ja/models/integrations/openai-gym.mdx
index 59888f85dd..886d7740cb 100644
--- a/ja/models/integrations/openai-gym.mdx
+++ b/ja/models/integrations/openai-gym.mdx
@@ -1,20 +1,20 @@
---
-title: OpenAI Gym
description: W&B を OpenAI Gym と連携させる方法。
+title: OpenAI Gym
---
-「2021年以来 Gym をメンテナンスしてきたチームは、今後のすべての開発を [Gymnasium](https://github.com/Farama-Foundation/Gymnasium) （Gym のドロップインリプレイスメント：import gymnasium as gym）に移行しました。Gym は今後アップデートを受け取ることはありません。」（[ソース](https://github.com/openai/gym#the-team-that-has-been-maintaining-gym-since-2021-has-moved-all-future-development-to-gymnasium-a-drop-in-replacement-for-gym-import-gymnasium-as-gym-and-gym-will-not-be-receiving-any-future-updates-please-switch-over-to-gymnasium-as-soon-as-youre-able-to-do-so-if-youd-like-to-read-more-about-the-story-behind-this-switch-please-check-out-this-blog-post)）
+ "2021 年以降 Gym をメンテナンスしてきたチームは、以降のすべての開発を [Gymnasium](https://github.com/Farama-Foundation/Gymnasium)（Gym のドロップイン代替版で、`import gymnasium as gym`）に移行しており、Gym には今後いっさい更新が行われません。"（[出典](https://github.com/openai/gym#the-team-that-has-been-maintaining-gym-since-2021-has-moved-all-future-development-to-gymnasium-a-drop-in-replacement-for-gym-import-gymnasium-as-gym-and-gym-will-not-be-receiving-any-future-updates-please-switch-over-to-gymnasium-as-soon-as-youre-able-to-do-so-if-youd-like-to-read-more-about-the-story-behind-this-switch-please-check-out-this-blog-post)）
-Gym は現在アクティブにメンテナンスされているプロジェクトではないため、Gymnasium との インテグレーション をお試しください。
+ Gym はもはや積極的に開発が行われているプロジェクトではないため、Gymnasium とのインテグレーションをお試しください。
-[OpenAI Gym](https://github.com/openai/gym) を使用している場合、W&B は `gym.wrappers.Monitor` によって生成された 環境 のビデオを自動的に ログ 記録します。[`wandb.init`](/models/ref/python/functions/init) の `monitor_gym` キーワード 引数 を `True` に設定するか、`wandb.gym.monitor()` を呼び出すだけです。
+[OpenAI Gym](https://github.com/openai/gym) を使用している場合、W&B は `gym.wrappers.Monitor` によって生成された環境の動画を自動的にログに記録します。`monitor_gym` キーワード引数に `True` を指定して [`wandb.init`](/ja/models/ref/python/functions/init) を呼び出すか、`wandb.gym.monitor()` を呼び出してください。
-私たちの gym インテグレーション は非常に軽量です。`gym` から ログ 記録される [ビデオファイルの名前を確認](https://github.com/wandb/wandb/blob/master/wandb/integration/gym/__init__.py#L15) し、その名前に基づいて命名するか、一致するものが見つからない場合は `"videos"` という名前にフォールバックします。より詳細に制御したい場合は、いつでも手動で [ビデオをログ記録](/models/track/log/media/) することができます。
+Gym とのインテグレーションはとても軽量です。`gym` からログされている[動画ファイル名を参照](https://github.com/wandb/wandb/blob/master/wandb/integration/gym/__init__.py#L15)し、その名前を付けるか、一致するものが見つからない場合は `"videos"` にフォールバックするだけです。より細かく制御したい場合は、いつでも手動で[動画をログ](/ja/models/track/log/media/)できます。
-[CleanRL](https://github.com/vwxyzjn/cleanrl) による [OpenRL Benchmark](https://wandb.me/openrl-benchmark-report) では、OpenAI Gym の例にこの インテグレーション を使用しています。gym の使用方法を示すソース コード（[特定の run で使用された特定のコード](https://wandb.ai/cleanrl/cleanrl.benchmark/runs/2jrqfugg/code?workspace=user-costa-huang) を含む）を確認できます。
+[CleanRL](https://github.com/vwxyzjn/cleanrl) による [OpenRL Benchmark](https://wandb.me/openrl-benchmark-report) は、OpenAI Gym のサンプルにこのインテグレーションを利用しています。Gym をどのように使用するかを示すソースコード（[特定の run で使用されたコード](https://wandb.ai/cleanrl/cleanrl.benchmark/runs/2jrqfugg/code?workspace=user-costa-huang)を含む）を参照できます。
+ ## サインアップして API キーを作成する
+
-APIキー は、使用しているマシンを W&B に対して認証します。 ユーザー プロフィールから APIキー を生成できます。
+API キーはマシンを W&B に対して認証するためのものです。API キーはユーザープロフィールから作成できます。
-
+ ## `wandb` ライブラリをインストールしてログインする
+
-ローカルに `wandb` ライブラリ をインストールしてログインするには：
+ローカル環境で `wandb` ライブラリをインストールしてログインするには、次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) を作成した APIキー に設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) に自分の API キーを設定します。
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
+
+ ```shell
+ pip install wandb
+
+ wandb login
+ ```
+
+
+
```bash
- export WANDB_API_KEY=
+ pip install wandb
```
-1. `wandb` ライブラリ をインストールしてログインします。
+ ```python
+ import wandb
+ wandb.login()
+ ```
+
- ```shell
- pip install wandb
+
+ ```notebook
+ !pip install wandb
- wandb login
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
-
-import wandb
-wandb.login()
-```
-
+
-## トレーニングスクリプト で `WandbLogger` を有効化する
+
+ ## トレーニングスクリプトで `WandbLogger` を有効化する
+
-
-[PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection/) の `train.py` への 引数 を介して wandb を使用するには：
-
-* `--use_wandb` フラグを追加します
-* 最初の wandb 引数 の前には `-o` を付ける必要があります（これは一度だけ渡す必要があります）
-* 各 引数 には `"wandb-"` というプレフィックスを含める必要があります。例えば、 [`wandb.init()`](/models/ref/python/functions/init) に渡される 引数 には `wandb-` プレフィックスが付きます
-
-```shell
-python tools/train.py
- -c config.yml \
- --use_wandb \
- -o \
- wandb-project=MyDetector \
- wandb-entity=MyTeam \
- wandb-save_dir=./logs
-```
-
-
-`config.yml` ファイルの `wandb` キー の下に wandb の 引数 を追加します：
-
-```
-wandb:
- project: MyProject
- entity: MyTeam
- save_dir: ./logs
-```
-
-`train.py` ファイルを実行すると、 W&B Dashboard へのリンクが生成されます。
-
-
+
+ [PaddleDetection](https://github.com/PaddlePaddle/PaddleDetection/) の `train.py` で引数として wandb を利用するには:
+
+ * `--use_wandb` フラグを追加します
+ * 最初の wandb 引数の前に `-o` を付けます (これは 1 回だけ指定すれば十分です)
+ * 各引数には `"wandb-"` というプレフィックスを付ける必要があります。例えば [`wandb.init()`](/ja/models/ref/python/functions/init) に渡す任意の引数には `wandb-` プレフィックスを付けます
+
+ ```shell
+ python tools/train.py
+ -c config.yml \
+ --use_wandb \
+ -o \
+ wandb-project=MyDetector \
+ wandb-entity=MyTeam \
+ wandb-save_dir=./logs
+ ```
+
+
+
+ `wandb` キーの下に wandb の引数を config.yml ファイルに追加します:
+
+ ```
+ wandb:
+ project: MyProject
+ entity: MyTeam
+ save_dir: ./logs
+ ```
+
+ `train.py` ファイルを実行すると、W&B ダッシュボードへのリンクが生成されます。
+
+
-## フィードバックまたは問題
+
+ ## フィードバックや問題について
+
-W&B インテグレーションに関するフィードバックや問題がある場合は、 [PaddleDetection GitHub](https://github.com/PaddlePaddle/PaddleDetection) で Issue を作成するか、 support@wandb.com までメールでお問い合わせください。
\ No newline at end of file
+W&B インテグレーションに関するフィードバックや問題がある場合は、[PaddleDetection GitHub](https://github.com/PaddlePaddle/PaddleDetection) に issue を作成するか、support@wandb.com までメールでお問い合わせください。
\ No newline at end of file
diff --git a/ja/models/integrations/paddleocr.mdx b/ja/models/integrations/paddleocr.mdx
index e2c8f51750..9ddaa8bfbf 100644
--- a/ja/models/integrations/paddleocr.mdx
+++ b/ja/models/integrations/paddleocr.mdx
@@ -1,104 +1,119 @@
---
+description: W&B を PaddleOCR と統合する方法
title: PaddleOCR
-description: PaddleOCR と W&B を統合する方法。
---
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
-[PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) は、PaddlePaddle で実装された、マルチリンガルで優れた最先端の実用的な OCR ツールの作成を目指しています。これにより、ユーザーはより良い モデル をトレーニングし、実務に適用できるようになります。PaddleOCR は、OCR に関連するさまざまな cutting-edge なアルゴリズムをサポートし、産業用ソリューションを開発しています。現在 PaddleOCR は W&B と インテグレーション されており、トレーニングおよび 評価メトリクス を、対応する メタデータ を含む モデル の チェックポイント と共に ログ 記録できるようになりました。
+[PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) は、多言語対応で優れた先進的かつ実用的な OCR ツールを提供することを目的としており、ユーザーがより良いモデルをトレーニングし、PaddlePaddle 上で実運用に適用できるよう支援します。PaddleOCR は OCR に関連する最先端のアルゴリズムを多数サポートしており、産業利用向けのソリューションも開発しています。現在 PaddleOCR には、トレーニングおよび評価のメトリクスを、対応するメタデータ付きのモデル チェックポイントとともにログするための W&B integration が用意されています。
-## ブログと Colab の例
+
+ ## ブログと Colab の例
+
-ICDAR2015 データセット を使用して PaddleOCR で モデル をトレーニングする方法については、[こちら](https://wandb.ai/manan-goel/text_detection/reports/Train-and-Debug-Your-OCR-Models-with-PaddleOCR-and-W-B--VmlldzoyMDUwMDIw) をご覧ください。また、[Google Colab](https://colab.research.google.com/drive/1id2VTIQ5-M1TElAkzjzobUCdGeJeW-nV?usp=sharing) も用意されており、対応するライブ W&B ダッシュボード は [こちら](https://wandb.ai/manan-goel/text_detection) からアクセス可能です。この ブログ の中国語版もこちらにあります： [W&B对您的OCR模型进行训练和调试](https://wandb.ai/wandb_fc/chinese/reports/W-B-OCR---VmlldzoyMDk1NzE4)
+[PaddleOCR を使用して ICDAR2015 データセットで モデル を学習させる方法については、こちらを参照してください](https://wandb.ai/manan-goel/text_detection/reports/Train-and-Debug-Your-OCR-Models-with-PaddleOCR-and-W-B--VmlldzoyMDUwMDIw)。これには [Google Colab](https://colab.research.google.com/drive/1id2VTIQ5-M1TElAkzjzobUCdGeJeW-nV?usp=sharing) も用意されており、対応する W&B のライブ ダッシュボードは [こちら](https://wandb.ai/manan-goel/text_detection) から利用できます。また、このブログの中国語版もあります。[W&B对您的OCR模型进行训练和调试](https://wandb.ai/wandb_fc/chinese/reports/W-B-OCR---VmlldzoyMDk1NzE4)
-## サインアップと APIキー の作成
+
+ ## サインアップして API キーを作成する
+
-APIキー は、お使いのデバイスを W&B に認証するために使用されます。 ユーザー プロフィールから APIキー を生成できます。
+API キーは、お使いのマシンを W&B に対して認証するためのものです。API キーはあなたのユーザープロフィールから作成できます。
-
+ ## `wandb` ライブラリをインストールしてログインする
+
-ローカル環境に `wandb` ライブラリ をインストールしてログインするには：
+ローカル環境に `wandb` ライブラリをインストールし、ログインするには次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を自分の API キーに設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
+
+ ```shell
+ pip install wandb
-1. `wandb` ライブラリ をインストールしてログインします。
+ wandb login
+ ```
+
- ```shell
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
-## `config.yml` ファイルへの wandb の追加
+
+ ## `config.yml` ファイルに wandb を追加する
+
-PaddleOCR では、設定変数を yaml ファイルで提供する必要があります。設定 yaml ファイルの最後に以下のスニペットを追加すると、すべての トレーニング およびバリデーション メトリクス が、モデル の チェックポイント と共に W&B ダッシュボード に自動的に ログ 記録されます。
+PaddleOCR では、設定変数を YAML ファイルで指定する必要があります。設定用 YAML ファイルの末尾に次のスニペットを追加すると、すべてのトレーニングおよび検証のメトリクスが、モデルのチェックポイントとともに W&B ダッシュボードに自動的に記録されます。
```python
Global:
use_wandb: True
```
-[`wandb.init()`](/models/ref/python/functions/init) に渡したい追加のオプション 引数 も、yaml ファイルの `wandb` ヘッダーの下に追加できます。
+[`wandb.init()`](/ja/models/ref/python/functions/init) に渡したい任意の追加のオプション引数も、yaml ファイル内の `wandb` ヘッダー配下に追記できます。
```
wandb:
- project: CoolOCR # (オプション) これは wandb の プロジェクト 名です
- entity: my_team # (オプション) wandb の チーム を使用している場合は、ここに チーム 名を渡すことができます
- name: MyOCRModel # (オプション) これは wandb の run の名前です
+ project: CoolOCR # (オプション) wandb のプロジェクト名です
+ entity: my_team # (オプション) wandb の Teams を使用している場合、チーム名をここに指定できます
+ name: MyOCRModel # (オプション) wandb の run の名前です
```
-## `train.py` への `config.yml` ファイルの受け渡し
+
+ ## `config.yml` ファイルを `train.py` に渡す
+
-その後、yaml ファイルを PaddleOCR リポジトリにある [トレーニングスクリプト](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.5/tools/train.py) の 引数 として渡します。
+その YAML ファイルを、PaddleOCR リポジトリで提供されている [トレーニング スクリプト](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.5/tools/train.py) への引数として渡します。
```bash
python tools/train.py -c config.yml
```
-W&B を有効にして `train.py` ファイルを実行すると、W&B ダッシュボード にアクセスするためのリンクが生成されます。
+W&B を有効にして `train.py` ファイルを実行すると、W&B ダッシュボードへアクセスできるリンクが生成されます。
+ ## フィードバックや問題
+
-W&B インテグレーション に関するフィードバックや問題がある場合は、 [PaddleOCR GitHub](https://github.com/PaddlePaddle/PaddleOCR) で Issue を作成するか、 support@wandb.com までメールでお問い合わせください。
\ No newline at end of file
+W&B インテグレーションに関するフィードバックや問題がある場合は、[PaddleOCR GitHub](https://github.com/PaddlePaddle/PaddleOCR) に issue を作成するか、support@wandb.com にメールをお送りください。
\ No newline at end of file
diff --git a/ja/models/integrations/prodigy.mdx b/ja/models/integrations/prodigy.mdx
index de669d89ba..062eda6025 100644
--- a/ja/models/integrations/prodigy.mdx
+++ b/ja/models/integrations/prodigy.mdx
@@ -1,40 +1,38 @@
---
+description: W&B と Prodigy をインテグレーションする方法。
title: Prodigy
-description: W&B を Prodigy と統合する方法。
---
-[Prodigy](https://prodi.gy/) は、機械学習 モデル のトレーニングおよび評価用の データ 作成、エラー 分析 、データの検査とクリーニングのためのアノテーション ツール です。[W&B Tables](/models/tables/tables-walkthrough/) を使用すると、W&B 内で Datasets の ログ 記録、可視化 、分析 、共有などを行うことができます。
+[Prodigy](https://prodi.gy/) は、機械学習モデルのトレーニングおよび評価データの作成、エラー解析、データの確認とクレンジングのためのアノテーションツールです。[W&B Tables](/ja/models/tables/tables-walkthrough/) を使うと、W&B 内でデータセット (やそれ以外のものも！) を記録、可視化、分析、共有できます。
-[W&B と Prodigy のインテグレーション](https://github.com/wandb/wandb/blob/master/wandb/integration/prodigy/prodigy.py) を使用すると、Prodigy でアノテーションした データセット を W&B に直接アップロードして Tables で利用するための、シンプルで使いやすい機能が追加されます。
+[W&B integration with Prodigy](https://github.com/wandb/wandb/blob/master/wandb/integration/prodigy/prodigy.py) は、Prodigy でアノテーションしたデータセットを、Tables で利用するために直接 W&B へアップロードできる、シンプルで使いやすい機能を追加します。
-次のような数行の コード を実行するだけで：
+次のような数行のコードを実行するだけです：
```python
import wandb
from wandb.integration.prodigy import upload_dataset
-# "prodigy" という名前のプロジェクトで run を初期化
with wandb.init(project="prodigy"):
- # Prodigy のデータセット "news_headlines_ner" をアップロード
upload_dataset("news_headlines_ner")
```
-次のような、視覚的でインタラクティブな共有可能な テーブル を作成できます：
+そして、次のような視覚的でインタラクティブで共有可能なテーブルを表示できます:
+ ## クイックスタート
+
-`wandb.integration.prodigy.upload_dataset` を使用して、アノテーション済みの Prodigy データセットをローカルの Prodigy データベースから W&B の [Table](/models/ref/python/data-types/table) 形式で直接アップロードします。インストールやセットアップを含む Prodigy の詳細については、[Prodigy documentation](https://prodi.gy/docs/) を参照してください。
+`wandb.integration.prodigy.upload_dataset` を使用して、ローカルの Prodigy データベースからアノテーション済みの Prodigy データセットを W&B の [Table](/ja/models/ref/python/data-types/table) 形式として直接アップロードできます。インストールやセットアップ方法などの Prodigy の詳細については、[Prodigy documentation](https://prodi.gy/docs/) を参照してください。
-W&B は、画像や名前付きエンティティ（NER）フィールドを、それぞれ [`wandb.Image`](/models/ref/python/data-types/image) と [`wandb.Html`](/models/ref/python/data-types/html) に自動的に変換しようと試みます。これらの 可視化 を含めるために、生成される テーブル に追加の列が加わることがあります。
+W&B は、画像と固有表現フィールドを自動的に [`wandb.Image`](/ja/models/ref/python/data-types/image) と [`wandb.Html`](/ja/models/ref/python/data-types/html) にそれぞれ変換しようと試みます。これらの可視化を含めるために、生成されるテーブルに追加のカラムが自動的に追加される場合があります。
-## 詳細な例を確認する
+
+ ## 詳細な例を見てみましょう
+
-W&B と Prodigy の インテグレーション によって生成された 可視化 の例については、[Visualizing Prodigy Datasets Using W&B Tables](https://wandb.ai/kshen/prodigy/reports/Visualizing-Prodigy-Datasets-Using-W-B-Tables--Vmlldzo5NDE2MTc) をご覧ください。
-
-## spaCy もお使いですか？
-
-W&B は spaCy との インテグレーション も提供しています。 [ドキュメントはこちら](/models/integrations/spacy) をご覧ください。
\ No newline at end of file
+W&B Prodigy インテグレーションで生成された可視化の例として、[Visualizing Prodigy Datasets Using W&B Tables](https://wandb.ai/kshen/prodigy/reports/Visualizing-Prodigy-Datasets-Using-W-B-Tables--Vmlldzo5NDE2MTc) を参照してください。
\ No newline at end of file
diff --git a/ja/models/integrations/pytorch-geometric.mdx b/ja/models/integrations/pytorch-geometric.mdx
index 0c8936da0d..bb9269922c 100644
--- a/ja/models/integrations/pytorch-geometric.mdx
+++ b/ja/models/integrations/pytorch-geometric.mdx
@@ -2,77 +2,87 @@
title: PyTorch Geometric
---
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
-[PyTorch Geometric](https://github.com/pyg-team/pytorch_geometric) (PyG) は、幾何学的ディープラーニングにおいて最も人気のあるライブラリの 1 つです。W&B は PyG と非常に相性が良く、グラフの可視化や Experiments の追跡をスムーズに行うことができます。
+[PyTorch Geometric](https://github.com/pyg-team/pytorch_geometric) または PyG は、幾何学的ディープラーニング向けの最も人気のあるライブラリの 1 つであり、W&B と非常に相性が良く、グラフの可視化や実験のトラッキングに活用できます。
-PyTorch Geometric をインストールした後、以下の手順に従って開始してください。
+PyTorch Geometric をインストールしたら、次の手順に従って使い始めてください。
-## サインアップと APIキー の作成
+
+ ## サインアップして API キーを作成する
+
-APIキー は、お使いのマシンを W&B に対して認証するために使用されます。 APIキー はユーザープロフィールから生成できます。
+API キー は、マシンを W&B に対して認証するためのものです。API キー はユーザープロファイルから生成できます。
-
+ ## `wandb` ライブラリをインストールしてログインする
+
-ローカル環境に `wandb` ライブラリをインストールしてログインするには：
+ローカル環境に `wandb` ライブラリをインストールしてログインするには、次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に作成した APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [environment variable](/ja/models/track/environment-variables/) 環境変数に API キーを設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
+
+ ```shell
+ pip install wandb
-1. `wandb` ライブラリをインストールしてログインします。
+ wandb login
+ ```
+
- ```shell
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
-## グラフの可視化
+
+ ## グラフを可視化する
+
-エッジの数やノードの数など、入力グラフの詳細を保存できます。W&B は Plotly チャートや HTML パネルのログ記録をサポートしているため、グラフ用に作成したあらゆる可視化を W&B にログとして記録できます。
+入力グラフについて、エッジ数やノード数などの詳細を記録できます。W&B は plotly チャートと HTML パネルのログ記録をサポートしているため、グラフ用に作成したあらゆる可視化を W&B にログとして残すことができます。
-### PyVis の使用
+
+ ### PyVis を使用する
+
-以下のスニペットは、PyVis と HTML を使用して可視化を行う方法を示しています。
+次のスニペットは、PyVis と HTML を使ってグラフを可視化する方法を示しています。
```python
from pyvis.network import Network
import wandb
-# 'graph_vis' というプロジェクトで run を初期化
with wandb.init(project=’graph_vis’) as run:
net = Network(height="750px", width="100%", bgcolor="#222222", font_color="white")
- # PyG グラフから PyVis ネットワークにエッジを追加
+ # PyG グラフのエッジを PyVis ネットワークに追加する
for e in tqdm(g.edge_index.T):
src = e[0].item()
dst = e[1].item()
@@ -82,19 +92,20 @@ with wandb.init(project=’graph_vis’) as run:
net.add_edge(src, dst, value=0.1)
- # PyVis の可視化を HTML ファイルとして保存
+ # PyVis の可視化を HTML ファイルに保存する
net.show("graph.html")
- # HTML ファイルを W&B にログ記録
run.log({"eda/graph": wandb.Html("graph.html")})
```
+ ### Plotly を使用する
+
-Plotly を使用してグラフの可視化を作成するには、まず PyG グラフを networkx オブジェクトに変換する必要があります。その後、ノードとエッジの両方に対して Plotly の scatter plot を作成します。以下のスニペットをこのタスクに使用できます。
+Plotly を使ってグラフを可視化するには、まず PyG グラフを networkx オブジェクトに変換する必要があります。次に、ノードとエッジ用にそれぞれ Plotly の散布図を作成します。以下のコードスニペットを、この目的で使用できます。
```python
def create_vis(graph):
@@ -140,21 +151,21 @@ def create_vis(graph):
with wandb.init(project=’visualize_graph’) as run:
- # Plotly オブジェクトを W&B にログ記録
run.log({‘graph’: wandb.Plotly(create_vis(graph))})
```
+ ## メトリクスをログに記録する
+
-W&B を使用して、損失関数（loss）や精度（accuracy）などの実験と関連メトリクスを追跡できます。トレーニングループに以下の行を追加してください。
+W&B を使って、実験やそれに関連するメトリクス（損失関数や精度など）を追跡できます。次の行をトレーニング ループに追加します。
```python
with wandb.init(project="my_project", entity="my_entity") as run:
- # メトリクスを W&B にログ記録
run.log({
'train/loss': training_loss,
'train/acc': training_acc,
@@ -164,11 +175,13 @@ with wandb.init(project="my_project", entity="my_entity") as run:
```
+ ## 参考資料
+
-- [Recommending Amazon Products using Graph Neural Networks in PyTorch Geometric](https://wandb.ai/manan-goel/gnn-recommender/reports/Recommending-Amazon-Products-using-Graph-Neural-Networks-in-PyTorch-Geometric--VmlldzozMTA3MzYw#what-does-the-data-look-like?)
-- [Point Cloud Classification using PyTorch Geometric](https://wandb.ai/geekyrakshit/pyg-point-cloud/reports/Point-Cloud-Classification-using-PyTorch-Geometric--VmlldzozMTExMTE3)
-- [Point Cloud Segmentation using PyTorch Geometric](https://wandb.ai/wandb/point-cloud-segmentation/reports/Point-Cloud-Segmentation-using-Dynamic-Graph-CNN--VmlldzozMTk5MDcy)
\ No newline at end of file
+* [PyTorch Geometric を使用したグラフニューラルネットワークによる Amazon 製品のレコメンデーション](https://wandb.ai/manan-goel/gnn-recommender/reports/Recommending-Amazon-Products-using-Graph-Neural-Networks-in-PyTorch-Geometric--VmlldzozMTA3MzYw#what-does-the-data-look-like?)
+* [PyTorch Geometric を使用したポイントクラウド分類](https://wandb.ai/geekyrakshit/pyg-point-cloud/reports/Point-Cloud-Classification-using-PyTorch-Geometric--VmlldzozMTExMTE3)
+* [PyTorch Geometric を使用したポイントクラウドセグメンテーション](https://wandb.ai/wandb/point-cloud-segmentation/reports/Point-Cloud-Segmentation-using-Dynamic-Graph-CNN--VmlldzozMTk5MDcy)
\ No newline at end of file
diff --git a/ja/models/integrations/pytorch.mdx b/ja/models/integrations/pytorch.mdx
index d213bc7c83..ff37f57627 100644
--- a/ja/models/integrations/pytorch.mdx
+++ b/ja/models/integrations/pytorch.mdx
@@ -1,106 +1,482 @@
---
title: PyTorch
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## このノートブックで扱う内容
+
-## `run.watch` による 勾配 の ログ 記録
+PyTorch コードに W&B をインテグレーションし、パイプラインに実験管理を追加する方法を紹介します。
-勾配 を自動的に ログ 記録するには、 [`wandb.Run.watch()`](/models/ref/python/experiments/run.md/#method-runwatch) を呼び出し、 PyTorch モデル を渡します。
+
+ ## インストール、インポート、ログイン
+
+
+```python
+import os
+import random
+
+import numpy as np
+import torch
+import torch.nn as nn
+import torchvision
+import torchvision.transforms as transforms
+from tqdm.auto import tqdm
+
+# 決定論的な動作を保証する
+torch.backends.cudnn.deterministic = True
+random.seed(hash("setting random seeds") % 2**32 - 1)
+np.random.seed(hash("improves reproducibility") % 2**32 - 1)
+torch.manual_seed(hash("by removing stochasticity") % 2**32 - 1)
+torch.cuda.manual_seed_all(hash("so runs are repeatable") % 2**32 - 1)
+
+# デバイスの設定
+device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
+
+# MNIST ミラーリストから低速なミラーを削除する
+torchvision.datasets.MNIST.mirrors = [mirror for mirror in torchvision.datasets.MNIST.mirrors
+ if not mirror.startswith("http://yann.lecun.com")]
+```
+
+
+ ### ステップ 0: W&B をインストール
+
+
+作業を始めるには、まずライブラリをインストールする必要があります。
+`wandb` は `pip` を使って簡単にインストールできます。
+
+```python
+!pip install wandb onnx -Uq
+```
+
+
+ ### ステップ 1: W&B をインポートしてログインする
+
+
+データを Web サービスに記録するには、
+ログインする必要があります。
- model = ... # モデルのセットアップ
+W&B を初めて使用する場合は、
+表示されるリンクから無料アカウントを作成してください。
- # マジックメソッド
- run.watch(model, log_freq=100)
+```
+import wandb
- model.train()
- for batch_idx, (data, target) in enumerate(train_loader):
- output = model(data)
- loss = F.nll_loss(output, target)
- loss.backward()
- optimizer.step()
- if batch_idx % args.log_interval == 0:
- run.log({"loss": loss})
+wandb.login()
```
-同じ スクリプト 内で複数の モデル を追跡する必要がある場合は、各 モデル に対して個別に [`wandb.Run.watch()`](/models/ref/python/experiments/run/#method-runwatch) を呼び出すことができます。
+
+ ## 実験とパイプラインを定義する
+
+
+
+ ### `wandb.init` でメタデータとハイパーパラメーターを記録する
+
+
+プログラム上では、最初に行うのは実験を定義することです。
+ハイパーパラメーターは何か、この run にはどんなメタデータが関連付けられているかを決めます。
-
-勾配、 メトリクス、およびグラフは、順伝播（forward pass） _および_ 逆伝播（backward pass）の後に `wandb.Run.log()` が呼び出されるまで ログ 記録されません。
-
+この情報を `config` 辞書
+（または同様のオブジェクト）
+に保存しておき、必要に応じてそこから参照する、というワークフローはかなり一般的です。
-## 画像とメディアの ログ 記録
+この例では、少数のハイパーパラメーターだけを変化させて、
+残りはコードに直接書き込んでいます。
+ただし、モデルのどの部分でも `config` の一部にすることができます。
-画像 データを含む PyTorch の `Tensors` を [`wandb.Image`](/models/ref/python/data-types/image) に渡すと、 [`torchvision`](https://pytorch.org/vision/stable/index.html) のユーティリティが使用され、自動的に画像に変換されます。
+また、いくつかメタデータも含めます。MNIST データセット と畳み込み
+アーキテクチャを使用しています。のちに、同じ プロジェクト 内で、
+たとえば CIFAR 上の全結合アーキテクチャを扱う場合には、
+これによって run を区別しやすくなります。
```python
-with wandb.init(project="my_project", entity="my_entity") as run:
- images_t = ... # PyTorch Tensorsとして画像を生成またはロード
- run.log({"examples": [wandb.Image(im) for im in images_t]})
+config = dict(
+ epochs=5,
+ classes=10,
+ kernels=[16, 32],
+ batch_size=128,
+ learning_rate=0.005,
+ dataset="MNIST",
+ architecture="CNN")
```
-PyTorch やその他の フレームワーク でリッチメディアを W&B に ログ 記録する方法の詳細については、 [メディアロギングガイド](/models/track/log/media/) を参照してください。
+では、全体のパイプラインを定義しましょう。
+これは モデル のトレーニングにおける典型的な流れです。
-メディアと一緒に、 モデル の 予測 や派生した メトリクス などの 情報 を含めたい場合は、 `wandb.Table` を使用します。
+1. まず `make` で モデル 本体と、それに対応するデータとオプティマイザーを用意し、
+2. 次にその モデル を `train` し、
+3. 最後に、トレーニングの結果を確認するために `test` します。
+
+これらの関数はこのあとで実装します。
```python
-with wandb.init() as run:
- my_table = wandb.Table()
+def model_pipeline(hyperparameters):
+
+ # wandb を開始する
+ with wandb.init(project="pytorch-demo", config=hyperparameters) as run:
+ # run.config を通じてすべてのハイパーパラメーターにアクセスし、ログと実行を一致させる
+ config = run.config
+
+ # モデル、データ、最適化問題を作成する
+ model, train_loader, test_loader, criterion, optimizer = make(config)
+ print(model)
+
+ # それらを使用してモデルを学習する
+ train(model, train_loader, criterion, optimizer, config)
- my_table.add_column("image", images_t)
- my_table.add_column("label", labels)
- my_table.add_column("class_prediction", predictions_t)
+ # 最終的な性能をテストする
+ test(model, test_loader)
- # W&BにTableをログ記録
- run.log({"mnist_predictions": my_table})
+ return model
```
-
+ ### データ読み込みとモデルを定義する
+
+
+ここでは、データをどのように読み込むかと、どのようなモデルにするかを指定する必要があります。
+
+この部分はとても重要ですが、`wandb` を使わない場合とまったく変わらないので、
+ここでは詳しくは触れません。
+
+```python
+def get_data(slice=5, train=True):
+ full_dataset = torchvision.datasets.MNIST(root=".",
+ train=train,
+ transform=transforms.ToTensor(),
+ download=True)
+ # [::slice] でのスライスと同等
+ sub_dataset = torch.utils.data.Subset(
+ full_dataset, indices=range(0, len(full_dataset), slice))
+
+ return sub_dataset
+
+
+def make_loader(dataset, batch_size):
+ loader = torch.utils.data.DataLoader(dataset=dataset,
+ batch_size=batch_size,
+ shuffle=True,
+ pin_memory=True, num_workers=2)
+ return loader
+```
+
+モデルを定義する部分が、普通はいちばん楽しいところです。
+
+でも `wandb` を使ってもそこは何も変わらないので、
+ここでは標準的な ConvNet アーキテクチャにしておきます。
+
+このあたりをいろいろいじって実験してみてください --
+結果はすべて [wandb.ai](https://wandb.ai) 上にログされます。
```python
-profile_dir = "path/to/run/tbprofile/"
-profiler = torch.profiler.profile(
- schedule=schedule, # スケジューリングの詳細についてはprofilerのドキュメントを参照
- on_trace_ready=torch.profiler.tensorboard_trace_handler(profile_dir),
- with_stack=True,
-)
-
-with profiler:
- ... # ここでプロファイリングしたいコードを実行
- # 詳細な使用方法についてはprofilerのドキュメントを参照
-
-# wandb Artifactを作成
-profile_art = wandb.Artifact("trace", type="profile")
-# pt.trace.jsonファイルをArtifactに追加
-profile_art.add_file(glob.glob(profile_dir + ".pt.trace.json"))
-# artifactを保存
-profile_art.save()
+# 通常の畳み込みニューラルネットワーク
+
+class ConvNet(nn.Module):
+ def __init__(self, kernels, classes=10):
+ super(ConvNet, self).__init__()
+
+ self.layer1 = nn.Sequential(
+ nn.Conv2d(1, kernels[0], kernel_size=5, stride=1, padding=2),
+ nn.ReLU(),
+ nn.MaxPool2d(kernel_size=2, stride=2))
+ self.layer2 = nn.Sequential(
+ nn.Conv2d(16, kernels[1], kernel_size=5, stride=1, padding=2),
+ nn.ReLU(),
+ nn.MaxPool2d(kernel_size=2, stride=2))
+ self.fc = nn.Linear(7 * 7 * kernels[-1], classes)
+
+ def forward(self, x):
+ out = self.layer1(x)
+ out = self.layer2(out)
+ out = out.reshape(out.size(0), -1)
+ out = self.fc(out)
+ return out
```
-動作するサンプル コード は、 [この Colab](https://wandb.me/trace-colab) で確認および実行できます。
+
+ ### トレーニングロジックを定義する
+
+
+`model_pipeline` の次のステップでは、どのように `train` するかを定義します。
+
+ここでは、`wandb` の 2 つの関数 `watch` と `log` を使用します。
+
+
+ ## `run.watch()` で勾配を、`run.log()` でそれ以外を記録する
+
+
+`run.watch` は、トレーニングの `log_freq` ステップごとに
+モデルの勾配とパラメーターを記録します。
+
+トレーニングを開始する前にこれを呼び出すだけでかまいません。
+
+残りのトレーニングコードは変わりません。
+エポックとバッチを反復しながら、
+フォワードパスとバックワードパスを実行し、
+`optimizer` を適用します。
+
+```python
+def train(model, loader, criterion, optimizer, config):
+ # wandb にモデルの動作（勾配、重みなど）を監視させる。
+ run = wandb.init(project="pytorch-demo", config=config)
+ run.watch(model, criterion, log="all", log_freq=10)
+
+ # トレーニングを実行し、wandb で追跡する
+ total_batches = len(loader) * config.epochs
+ example_ct = 0 # 処理済みサンプル数
+ batch_ct = 0
+ for epoch in tqdm(range(config.epochs)):
+ for _, (images, labels) in enumerate(loader):
+
+ loss = train_batch(images, labels, model, optimizer, criterion)
+ example_ct += len(images)
+ batch_ct += 1
+
+ # 25 バッチごとにメトリクスを記録する
+ if ((batch_ct + 1) % 25) == 0:
+ train_log(loss, example_ct, epoch)
+
+
+def train_batch(images, labels, model, optimizer, criterion):
+ images, labels = images.to(device), labels.to(device)
+
+ # 順伝播 ➡
+ outputs = model(images)
+ loss = criterion(outputs, labels)
+
+ # 逆伝播 ⬅
+ optimizer.zero_grad()
+ loss.backward()
+
+ # オプティマイザーのステップを実行する
+ optimizer.step()
+
+ return loss
+```
+
+異なるのはロギング用のコードだけです。
+これまではメトリクスをターミナルに出力してレポートしていたかもしれませんが、
+これからは同じ情報を `run.log()` に渡します。
+
+`run.log()` は、キーが文字列の辞書を受け取ります。
+これらの文字列はログされるオブジェクトを識別するキーで、そのオブジェクト自体が値になります。
+オプションとして、トレーニングのどの `step` にいるかをログすることもできます。
+
+> *補足*: 私は モデルがこれまでに見たサンプル数を使うのが好きです。
+> こうすることでバッチサイズをまたいだ比較がしやすくなるからです。
+> もちろん、そのままのステップ数やバッチ数を使っても構いません。長いトレーニング run の場合は、`epoch` ごとにログを取るのも理にかなっています。
+
+```python
+def train_log(loss, example_ct, epoch):
+ with wandb.init(project="pytorch-demo") as run:
+ # loss とエポック番号をログに記録する
+ # ここで W&B にメトリクスをログに記録する
+ run.log({"epoch": epoch, "loss": loss}, step=example_ct)
+ print(f"Loss after {str(example_ct).zfill(5)} examples: {loss:.3f}")
+```
+
+
+ ### テストロジックを定義する
+
+
+モデルのトレーニングが完了したら、次はテストを行います。
+たとえば、本番環境から取得した新しいデータに対してモデルを実行したり、
+手作業で厳選したサンプルに適用したりします。
+
+
+ ## (オプション) `run.save()` を呼び出す
+
+
+このタイミングで、モデルのアーキテクチャと
+最終的なパラメーターをディスクに保存しておくと便利です。
+最大限の互換性を確保するために、ここではモデルを
+[Open Neural Network eXchange (ONNX) format](https://onnx.ai/) で `export` します。
+
+そのファイル名を `run.save()` に渡すことで、モデルのパラメーターが
+W&B のサーバーに保存されます。どの `.h5` や `.pb` ファイルが
+どのトレーニング run に対応しているのかを見失うことはもうありません。
+
+モデルの保存、バージョニング、配布のための、より高度な `wandb` の機能については、
+[Artifacts tools](https://www.wandb.com/artifacts) を参照してください。
+
+```python
+def test(model, test_loader):
+ model.eval()
+
+ with wandb.init(project="pytorch-demo") as run:
+ # テスト用サンプルでモデルを実行する
+ with torch.no_grad():
+ correct, total = 0, 0
+ for images, labels in test_loader:
+ images, labels = images.to(device), labels.to(device)
+ outputs = model(images)
+ _, predicted = torch.max(outputs.data, 1)
+ total += labels.size(0)
+ correct += (predicted == labels).sum().item()
+
+ print(f"Accuracy of the model on the {total} " +
+ f"test images: {correct / total:%}")
+
+ run.log({"test_accuracy": correct / total})
+
+ # 交換可能な ONNX 形式でモデルを保存する
+ torch.onnx.export(model, images, "model.onnx")
+ run.save("model.onnx")
+```
+
+
+ ### トレーニングを実行し、wandb.ai でメトリクスをリアルタイムに確認する
+
+
+これでパイプライン全体を定義し、
+そこに数行の W&B コードを差し込んだので、
+完全にトラッキングされる実験を実行する準備が整いました。
+
+いくつかのリンクが表示されます。
+ドキュメント、
+すべての run を 1 つのプロジェクトに整理する Project ページ、
+そしてこの run の結果が保存される Run ページです。
+
+Run ページに移動し、次のタブを確認してください。
+
+1. **Charts**: トレーニング全体を通して モデル の勾配、パラメーター値、および損失がログされます
+2. **System**: Disk I/O の使用率や CPU や GPU のメトリクス（温度の上昇に注目）など、さまざまなシステムメトリクスが含まれます
+3. **Logs**: トレーニング中に標準出力に送られた内容のコピーが表示されます
+4. **Files**: トレーニングが完了したら、`model.onnx` をクリックして、[Netron model viewer](https://github.com/lutzroeder/netron) でネットワークを表示できます。
+
+run が終了し、`with wandb.init` ブロックを抜けると、
+セル出力に結果のサマリーも出力されます。
+
+```python
+# パイプラインを使用してモデルをビルド、トレーニング、分析する
+model = model_pipeline(config)
+```
+
+
+ ### Sweeps でハイパーパラメーターをテストする
+
+
+この例では、1 つのハイパーパラメーターセットだけを見てきました。
+しかし、ほとんどの ML ワークフローにおいて重要なのは、
+複数のハイパーパラメーターを繰り返し試すことです。
+
+W&B Sweeps を使うと、ハイパーパラメーターのテストを自動化し、取りうるモデルや最適化戦略の空間を探索できます。
+
+[W&B Sweeps を使ったハイパーパラメーター最適化を示す Colab ノートブック](https://wandb.me/sweeps-colab) を参照してください。
+
+W&B を使ってハイパーパラメーター sweep を実行するのはとても簡単で、3 つのシンプルなステップだけです。
+
+1. **sweep を定義する:** 探索するパラメーター、探索戦略、最適化メトリクスなどを指定する辞書または [YAML ファイル](/ja/models/sweeps/define-sweep-configuration/) を作成します。
+
+2. **sweep を初期化する:**
+ `sweep_id = wandb.sweep(sweep_config)`
+
+3. **sweep エージェントを実行する:**
+ `wandb.agent(sweep_id, function=train)`
+
+これだけでハイパーパラメーター sweep を実行できます。
+
+
+ ## サンプルギャラリー
+
+
+W&B で追跡・可視化しているプロジェクトの例を[ギャラリー →](https://app.wandb.ai/gallery)でご覧ください。
+
+
+ ## 高度なセットアップ
+
-
-インタラクティブな トレース 閲覧 ツール は Chrome Trace Viewer に基づいており、 Google Chrome ブラウザで最適に動作します。
-
\ No newline at end of file
+1. [Environment variables](/ja/platform/hosting/env-vars/): 環境変数に API キーを設定して、マネージド クラスター上で トレーニング を実行できるようにします。
+2. [Offline mode](/ja/models/support/run_wandb_offline/): `dryrun` モードを使用してオフラインで トレーニング を行い、結果を後で同期します。
+3. [On-prem](/ja/platform/hosting/hosting-options/self-managed): 自社のインフラストラクチャ内のプライベートクラウドやエアギャップされたサーバーに W&B をインストールします。アカデミアからエンタープライズの Teams まで、あらゆる組織向けにローカルインストール オプションを提供しています。
+4. [Sweeps](/ja/models/sweeps/): 軽量なチューニングツールを使って、ハイパーパラメーター探索を迅速にセットアップします。
\ No newline at end of file
diff --git a/ja/models/integrations/ray-tune.mdx b/ja/models/integrations/ray-tune.mdx
index bb77601c2d..cf910efe89 100644
--- a/ja/models/integrations/ray-tune.mdx
+++ b/ja/models/integrations/ray-tune.mdx
@@ -1,38 +1,44 @@
---
+description: W&B を Ray Tune と連携する方法。
title: Ray Tune
-description: W&B を Ray Tune と統合する方法。
---
-W&B は、2つの軽量なインテグレーションを提供することで [Ray](https://github.com/ray-project/ray) と連携します。
+W&B は、2 つの軽量なインテグレーションを提供することで [Ray](https://github.com/ray-project/ray) と連携します。
-- `WandbLoggerCallback` 関数は、Tune に報告されたメトリクスを自動的に Wandb API にログ記録します。
-- `setup_wandb()` 関数は、Function API と併用でき、Tune のトレーニング情報を使用して Wandb API を自動的に初期化します。通常通り Wandb API を使用でき、例えば `run.log()` を使ってトレーニング プロセス をログ記録することが可能です。
+- `WandbLoggerCallback` 関数は、Tune にレポートされたメトリクスを自動的に wandb API に記録します。
+- 関数 API と一緒に使用できる `setup_wandb()` 関数は、Tune のトレーニング情報を使用して wandb API を自動的に初期化します。`run.log()` を使用してトレーニングプロセスをログするなど、通常どおり wandb API を使用できます。
-## インテグレーションの設定
+
+ ## インテグレーションを設定する
+
```python
from ray.air.integrations.wandb import WandbLoggerCallback
```
-Wandb の 設定 は、`tune.run()` の config パラメータに wandb キーを渡すことで行われます（以下の例を参照）。
+Wandb の設定は、`tune.run()` の `config` パラメーターに wandb key を渡すことで行います（以下の例を参照してください）。
-wandb config エントリの内容は、キーワード引数として `wandb.init()` に渡されます。ただし、以下の設定は例外で、`WandbLoggerCallback` 自体の設定に使用されます。
+wandb の config エントリの内容は、キーワード引数として `wandb.init()` に渡されます。ただし、次の設定は例外で、これらは `WandbLoggerCallback` 自体を設定するために使用されます。
-### パラメータ
+
+ ### パラメーター
+
-`project (str)`: Wandb Projects の名前。必須。
+`project (str)`: wandb プロジェクト名。必須。
-`api_key_file (str)`: Wandb APIキー を含むファイルへのパス。
+`api_key_file (str)`: wandb API キーが含まれるファイルへのパス。
-`api_key (str)`: Wandb APIキー。`api_key_file` を設定する代わりに使用します。
+`api_key (str)`: wandb API キー。`api_key_file` を設定する代わりの指定方法。
`excludes (list)`: ログから除外するメトリクスのリスト。
-`log_config (bool)`: 結果辞書の config パラメータをログに記録するかどうか。デフォルトは False です。
+`log_config (bool)`: 結果辞書の `config` パラメーターをログに記録するかどうか。デフォルトは False。
-`upload_checkpoints (bool)`: True の場合、モデルの チェックポイント が Artifacts としてアップロードされます。デフォルトは False です。
+`upload_checkpoints (bool)`: True の場合、モデルのチェックポイントを Artifacts としてアップロードします。デフォルトは False。
-### 例
+
+ ### 例
+
```python
from ray import tune, train
@@ -41,7 +47,6 @@ from ray.air.integrations.wandb import WandbLoggerCallback
def train_fc(config):
for i in range(10):
- # メトリクスを報告
train.report({"mean_accuracy": (i + config["alpha"]) / 10})
@@ -63,20 +68,22 @@ tuner = tune.Tuner(
results = tuner.fit()
```
-## setup_wandb
+
+ ## setup_wandb
+
```python
from ray.air.integrations.wandb import setup_wandb
```
-このユーティリティ関数は、Ray Tune で使用するために Wandb を初期化するのに役立ちます。基本的な使い方は、トレーニング関数内で `setup_wandb()` を呼び出します。
+このユーティリティ関数は、Ray Tune で wandb を使うための初期化を行うものです。基本的な使い方としては、トレーニング関数内で `setup_wandb()` を呼び出してください。
```python
from ray.air.integrations.wandb import setup_wandb
def train_fn(config):
- # wandb を初期化
+ # wandb を初期化する
wandb = setup_wandb(config)
run = wandb.init(
project=config["wandb"]["project"],
@@ -85,7 +92,6 @@ def train_fn(config):
for i in range(10):
loss = config["a"] + config["b"]
- # run.log を使用してログを記録
run.log({"loss": loss})
tune.report(loss=loss)
run.finish()
@@ -94,7 +100,7 @@ def train_fn(config):
tuner = tune.Tuner(
train_fn,
param_space={
- # ここで探索空間を定義
+ # 探索空間をここで定義する
"a": tune.choice([1, 2, 3]),
"b": tune.choice([4, 5, 6]),
# wandb の設定
@@ -104,9 +110,11 @@ tuner = tune.Tuner(
results = tuner.fit()
```
-## サンプルコード
+
+ ## サンプルコード
+
-インテグレーションの動作を確認するためのサンプルをいくつか用意しました。
+インテグレーションの動作を確認できるように、いくつかのサンプルコードを用意しました。
-* [Colab](https://wandb.me/raytune-colab): インテグレーションを試せるシンプルな デモ。
-* [Dashboard](https://wandb.ai/anmolmann/ray_tune): この例から生成された ダッシュボード を表示。
\ No newline at end of file
+* [Colab](https://wandb.me/raytune-colab)：インテグレーションを試すための簡単なデモです。
+* [Dashboard](https://wandb.ai/anmolmann/ray_tune)：サンプルから生成されたダッシュボードを表示します。
\ No newline at end of file
diff --git a/ja/models/integrations/sagemaker.mdx b/ja/models/integrations/sagemaker.mdx
index b7c95e6a37..ff851b9f40 100644
--- a/ja/models/integrations/sagemaker.mdx
+++ b/ja/models/integrations/sagemaker.mdx
@@ -1,37 +1,41 @@
---
-title: SageMaker
description: W&B を Amazon SageMaker と統合する方法。
+title: SageMaker
---
-W&B は [Amazon SageMaker](https://aws.amazon.com/sagemaker/) と連携しており、ハイパーパラメーターの自動読み込み、分散実行された Runs のグルーピング、およびチェックポイントからの実行再開を自動的に行います。
+W&B は [Amazon SageMaker](https://aws.amazon.com/sagemaker/) と連携し、ハイパーパラメーターを自動的に読み取り、分散 run をグループ化し、チェックポイントから run を再開します。
-## 認証
+
+ ## 認証
+
-W&B はトレーニングスクリプトからの相対パスで `secrets.env` という名前のファイルを検索し、`wandb.init()` が呼び出されたときにそれらを環境変数にロードします。実験を起動するために使用するスクリプト内で `wandb.sagemaker_auth(path="source_dir")` を呼び出すことで、`secrets.env` ファイルを生成できます。このファイルは必ず `.gitignore` に追加してください！
+W&B はトレーニング スクリプトからの相対パス上にある `secrets.env` という名前のファイルを探し、`wandb.init()` が呼び出されたときにその内容を環境変数に読み込みます。Experiments を起動するために使用するスクリプト内で `wandb.sagemaker_auth(path="source_dir")` を呼び出すことで、`secrets.env` ファイルを生成できます。このファイルを必ず `.gitignore` に追加してください！
-## 既存の Estimator
+
+ ## 既存の estimator
+
-SageMaker の事前設定済み Estimator を使用している場合は、ソースディレクトリに wandb を含む `requirements.txt` を追加する必要があります。
+SageMaker のあらかじめ設定済みの estimator のいずれかを使用している場合は、ソースディレクトリに `requirements.txt` を追加し、その中に wandb を含めてください。
```text
wandb
```
-Python 2 を実行している Estimator を使用している場合は、wandb をインストールする前に、この [wheel](https://pythonwheels.com) から直接 `psutil` をインストールする必要があります。
+Python 2 で動作する estimator を使用している場合は、wandb をインストールする前に、この [wheel](https://pythonwheels.com) から直接 `psutil` をインストールする必要があります。
```text
https://wheels.galaxyproject.org/packages/psutil-5.4.8-cp27-cp27mu-manylinux1_x86_64.whl
wandb
```
-完全なサンプルについては [GitHub](https://github.com/wandb/examples/tree/master/examples/pytorch/pytorch-cifar10-sagemaker) を確認し、詳細は [ブログ](https://wandb.ai/site/articles/running-sweeps-with-sagemaker) をご覧ください。
+完全なサンプルは [GitHub](https://github.com/wandb/examples/tree/master/examples/pytorch/pytorch-cifar10-sagemaker) を参照し、詳細は弊社の [ブログ](https://wandb.ai/site/articles/running-sweeps-with-sagemaker) をご覧ください。
-また、SageMaker と W&B を使用した感情分析器のデプロイに関する [Deploy Sentiment Analyzer Using SageMaker and W&B チュートリアル](https://wandb.ai/authors/sagemaker/reports/Deploy-Sentiment-Analyzer-Using-SageMaker-and-W-B--VmlldzoxODA1ODE) も併せてご参照ください。
+また、SageMaker と W&B を使ってセンチメント分析器をデプロイする方法については、チュートリアル「[Deploy Sentiment Analyzer Using SageMaker and W&B](https://wandb.ai/authors/sagemaker/reports/Deploy-Sentiment-Analyzer-Using-SageMaker-and-W-B--VmlldzoxODA1ODE)」も参照できます。
-W&B の sweep agent は、SageMaker インテグレーションがオフになっている場合にのみ、SageMaker ジョブ内で期待通りに動作します。`wandb.init` の呼び出しを以下のように修正して、SageMaker インテグレーションをオフにしてください。
+ W&B sweep エージェントが SageMaker ジョブ内で期待どおりに動作するのは、SageMaker インテグレーションがオフになっている場合に限られます。`wandb.init` の呼び出しを次のように変更して SageMaker インテグレーションをオフにしてください:
-```python
-wandb.init(..., settings=wandb.Settings(sagemaker_disable=True))
-```
-
\ No newline at end of file
+ ```python
+ wandb.init(..., settings=wandb.Settings(sagemaker_disable=True))
+ ```
+
diff --git a/ja/models/integrations/scikit.mdx b/ja/models/integrations/scikit.mdx
index cd5ed8f8ef..0f9d3ac049 100644
--- a/ja/models/integrations/scikit.mdx
+++ b/ja/models/integrations/scikit.mdx
@@ -2,61 +2,72 @@
title: Scikit-Learn
---
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
-wandb を使用すると、わずか数行の コード で scikit-learn モデル のパフォーマンスを可視化し、比較することができます。[例を試す →](https://wandb.me/scikit-colab)
+wandb を使うと、わずか数行のコードを書くことで scikit-learn モデルのパフォーマンスを可視化して比較できます。[サンプルコードを試す →](https://wandb.me/scikit-colab)
-## はじめに
+
+ ## はじめに
+
-### サインアップして APIキー を作成する
+
+ ### サインアップして API キーを作成する
+
-APIキー は、使用しているマシンを W&B に対して認証します。ユーザープロファイルから APIキー を生成できます。
+API キーは、マシンを W&B に対して認証するためのものです。API キーはユーザープロファイルから作成できます。
-
+ ### `wandb` ライブラリをインストールしてログインする
+
-ローカルに `wandb` ライブラリをインストールしてログインするには：
+ローカル環境に `wandb` ライブラリをインストールしてログインするには、次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) に自分の API キーを設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールし、ログインします。
-1. `wandb` ライブラリをインストールしてログインします。
+ ```shell
+ pip install wandb
- ```shell
+ wandb login
+ ```
+
+
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
-### メトリクス の ログ 記録
+
+ ### メトリクスをログに記録する
+
```python
import wandb
@@ -66,16 +77,20 @@ wandb.init(project="visualize-sklearn") as run:
y_pred = clf.predict(X_test)
accuracy = sklearn.metrics.accuracy_score(y_true, y_pred)
- # 時系列でメトリクスをログ記録する場合は run.log を使用します
+ # メトリクスを継続的にログする場合は run.log を使用する
run.log({"accuracy": accuracy})
- # または、トレーニングの最後に最終的なメトリクスをログ記録する場合は run.summary も使用できます
+ # または、トレーニング終了時に最終メトリクスをログするには run.summary も使用できる
run.summary["accuracy"] = accuracy
```
-### プロットの作成
+
+ ### プロットの作成
+
-#### ステップ 1: wandb のインポートと新しい Run の初期化
+
+ #### ステップ 1: wandb をインポートし、新しい run を初期化する
+
```python
import wandb
@@ -83,23 +98,29 @@ import wandb
run = wandb.init(project="visualize-sklearn")
```
-#### ステップ 2: プロットの可視化
+
+ #### ステップ 2: プロットを表示する
+
-#### 個別のプロット
+
+ #### 個別プロット
+
-モデル の トレーニング と 予測 の完了後、wandb でプロットを生成して 予測 を分析できます。サポートされているチャートの全リストについては、以下の **サポートされているプロット** セクションを参照してください。
+モデルをトレーニングして予測を行ったあと、wandb でプロットを作成して予測結果を分析できます。サポートされているチャートの一覧は、以下の **Supported Plots** セクションを参照してください。
```python
-# 単一のプロットを可視化
+# 単一のプロットを可視化する
wandb.sklearn.plot_confusion_matrix(y_true, y_pred, labels)
```
-#### すべてのプロット
+
+ #### すべてのプロット
+
-W&B には、関連する複数のプロットを一度に描画する `plot_classifier` などの関数があります。
+W&B には、`plot_classifier` のように複数の関連プロットを一度に作成できる関数が用意されています。
```python
-# すべての分類プロットを可視化
+# すべての分類器プロットを可視化
wandb.sklearn.plot_classifier(
clf,
X_train,
@@ -116,7 +137,7 @@ wandb.sklearn.plot_classifier(
# すべての回帰プロット
wandb.sklearn.plot_regressor(reg, X_train, X_test, y_train, y_test, model_name="Ridge")
-# すべてのクラスタープロット
+# すべてのクラスタリングプロット
wandb.sklearn.plot_clusterer(
kmeans, X_train, cluster_labels, labels=None, model_name="KMeans"
)
@@ -124,15 +145,17 @@ wandb.sklearn.plot_clusterer(
run.finish()
```
-#### 既存の Matplotlib プロット
+
+ #### 既存の Matplotlib プロット
+
-Matplotlib で作成されたプロットも W&B ダッシュボード に ログ 記録できます。そのためには、まず `plotly` をインストールする必要があります。
+Matplotlib で作成したプロットも W&B ダッシュボードにログできます。そのためには、まず `plotly` をインストールする必要があります。
```bash
pip install plotly
```
-最後に、以下のようにプロットを W&B の ダッシュボード に ログ 記録できます。
+最後に、プロットは次のように W&B のダッシュボードに記録できます：
```python
import matplotlib.pyplot as plt
@@ -140,199 +163,227 @@ import wandb
with wandb.init(project="visualize-sklearn") as run:
- # ここで plt.plot() や plt.scatter() などをすべて行います
+ # plt.plot()、plt.scatter() などをここで実行します。
# ...
- # plt.show() の代わりに以下を実行します：
+ # plt.show() の代わりに以下を実行します:
run.log({"plot": plt})
```
-## サポートされているプロット
+
+ ## 対応しているプロット
+
-### 学習曲線 (Learning curve)
+
+ ### 学習曲線
+
+ ### ROC
+
+ ### クラス比率
+
+ ### 適合率-再現率曲線
+
+ ### 特徴量の重要度
+
+ ### キャリブレーションカーブ
+
+ ### 混同行列
+
+ ### サマリー メトリクス
+
+ ### エルボー プロット
+
+ ### シルエットプロット
+
+ ### 外れ値候補プロット
+
+ ### 残差プロット
+
+ ## 例
+
-* [Colab で実行](https://wandb.me/scikit-colab): すぐに始められるシンプルな ノートブック です。
\ No newline at end of file
+* [Run in colab](https://wandb.me/scikit-colab): 使い始めるためのシンプルなノートブックです。
\ No newline at end of file
diff --git a/ja/models/integrations/simpletransformers.mdx b/ja/models/integrations/simpletransformers.mdx
index c632ad74b7..06cb5697b1 100644
--- a/ja/models/integrations/simpletransformers.mdx
+++ b/ja/models/integrations/simpletransformers.mdx
@@ -1,47 +1,55 @@
---
-title: Simple Transformers
-description: Hugging Face の Transformers ライブラリ を W&B と連携する方法。
+description: Hugging Face の Transformers ライブラリと W&B を統合する方法。
+title: Hugging Face Simple Transformers
---
-このライブラリは、Hugging Face の Transformers ライブラリに基づいています。Simple Transformers を使用すると、Transformer モデルのトレーニングと評価を迅速に行うことができます。モデルの初期化、モデルのトレーニング、そしてモデルの評価を行うために必要なコードは、わずか 3 行です。Sequence Classification（配列分類）、Token Classification (NER)、Question Answering（質問応答）、Language Model Fine-Tuning（言語モデルのファインチューニング）、Language Model Training（言語モデルのトレーニング）、Language Generation（言語生成）、T5 モデル、Seq2Seq タスク、Multi-Modal Classification（マルチモーダル分類）、および Conversational AI（対話型 AI）をサポートしています。
+このライブラリは Hugging Face の Transformers ライブラリをベースにしています。Simple Transformers を使うと、Transformer モデルをすばやくトレーニングおよび評価できます。モデルの初期化、トレーニング、評価は、わずか 3 行のコードで実行できます。Sequence Classification、Token Classification (NER)、Question Answering、Language Model Fine-Tuning、Language Model Training、Language Generation、T5 Model、Seq2Seq Tasks、Multi-Modal Classification、Conversational AI をサポートしています。
-W&B を使用して モデルトレーニング を可視化するには、`args` 辞書 の `wandb_project` 属性に W&B の Projects 名を設定します。これにより、すべての ハイパーパラメーター の 値 、トレーニング損失、および 評価メトリクス が指定した プロジェクト に ログ 記録されます。
+W&B を使用してモデルのトレーニングを可視化するには、`args` 辞書の `wandb_project` 属性に W&B 用のプロジェクト名を設定します。これにより、すべてのハイパーパラメーター値、トレーニング損失、および評価メトリクスが指定したプロジェクトに記録されます。
```python
model = ClassificationModel('roberta', 'roberta-base', args={'wandb_project': 'project-name'})
```
-`wandb.init` に渡されるその他の追加の 引数 は、`wandb_kwargs` として渡すことができます。
+`wandb.init` に渡す追加の引数は、`wandb_kwargs` として渡せます。
-## 構造
-このライブラリは、各 NLP タスクに対して個別のクラスを持つように設計されています。同様の機能を提供するクラスがグループ化されています。
+
+ ## 構成
+
-* `simpletransformers.classification` - すべての Classification モデルが含まれます。
+このライブラリは、各 NLP タスクごとに個別のクラスを用意するように設計されています。類似した機能を提供するクラスは、まとめてグループ化されています。
+
+* `simpletransformers.classification` - すべての分類モデルを含みます。
* `ClassificationModel`
* `MultiLabelClassificationModel`
-* `simpletransformers.ner` - すべての 固有表現抽出 (NER) モデルが含まれます。
+* `simpletransformers.ner` - すべての固有表現認識モデルを含みます。
* `NERModel`
-* `simpletransformers.question_answering` - すべての 質問応答 モデルが含まれます。
+* `simpletransformers.question_answering` - すべての質問応答モデルを含みます。
* `QuestionAnsweringModel`
以下に最小限の例を示します。
-## MultiLabel Classification
+
+ ## マルチラベル分類
+
```text
model = MultiLabelClassificationModel("distilbert","distilbert-base-uncased",num_labels=6,
args={"reprocess_input_data": True, "overwrite_output_dir": True, "num_train_epochs":epochs,'learning_rate':learning_rate,
'wandb_project': "simpletransformers"},
)
- # モデルのトレーニング
+ # モデルを訓練する
model.train_model(train_df)
- # モデルの評価
+ # モデルを評価する
result, model_outputs, wrong_predictions = model.eval_model(eval_df)
```
-## Question Answering
+
+
+ ## 質問応答
+
```text
train_args = {
@@ -60,7 +68,7 @@ model = QuestionAnsweringModel('distilbert', 'distilbert-base-cased', args=train
model.train_model(train_data)
```
-SimpleTransformers は、一般的なすべての自然言語タスク向けに、クラスだけでなく トレーニングスクリプト も提供しています。以下は、ライブラリでサポートされているグローバル 引数 の完全なリストと、それらのデフォルト 引数 です。
+SimpleTransformers は、一般的な自然言語タスク向けのクラスおよびトレーニング用スクリプトを提供します。このライブラリでサポートされているすべてのグローバル引数と、そのデフォルト値の完全な一覧を以下に示します。
```text
global_args = {
@@ -117,6 +125,6 @@ global_args = {
}
```
-より詳細なドキュメントについては、[github上のsimpletransformers](https://github.com/ThilinaRajapakse/simpletransformers) を参照してください。
+より詳細なドキュメントについては、[simpletransformers on github](https://github.com/ThilinaRajapakse/simpletransformers) を参照してください。
-最も人気のある GLUE ベンチマーク データセット のいくつかで Transformer をトレーニングする方法を紹介した、[こちらの W&B レポート](https://app.wandb.ai/cayush/simpletransformers/reports/Using-simpleTransformer-on-common-NLP-applications---Vmlldzo4Njk2NA) をチェックしてください。[Colab で自分でも試してみることができます](https://colab.research.google.com/drive/1oXROllqMqVvBFcPgTKJRboTq96uWuqSz?usp=sharing)。
\ No newline at end of file
+最も一般的な GLUE ベンチマークデータセットのいくつかに対して transformers をトレーニングする方法を解説した [この W&B レポート](https://app.wandb.ai/cayush/simpletransformers/reports/Using-simpleTransformer-on-common-NLP-applications---Vmlldzo4Njk2NA) をご覧ください。[Colab でご自身で試してみてください](https://colab.research.google.com/drive/1oXROllqMqVvBFcPgTKJRboTq96uWuqSz?usp=sharing)。
diff --git a/ja/models/integrations/skorch.mdx b/ja/models/integrations/skorch.mdx
index 7966018685..7f994037ca 100644
--- a/ja/models/integrations/skorch.mdx
+++ b/ja/models/integrations/skorch.mdx
@@ -1,26 +1,30 @@
---
-title: Skorch
description: W&B を Skorch と統合する方法。
+title: Skorch
---
-W&B を Skorch と組み合わせて使用することで、各 エポック 終了時に、最高のパフォーマンスを示した モデル、すべての モデル パフォーマンス メトリクス、モデル のトポロジー、および計算リソースを自動的に ログ に記録できます。 `wandb_run.dir` に保存されたすべてのファイルは、自動的に W&B に ログ 記録されます。
+W&B を Skorch と併用すると、各エポックごとに、最も性能の良いモデルに加えて、すべてのモデルのパフォーマンスメトリクス、モデルのトポロジー、およびコンピュートリソースを自動的に記録できます。`wandb_run.dir` に保存されたすべてのファイルは自動的に W&B に記録されます。
-[example run](https://app.wandb.ai/borisd13/skorch/runs/s20or4ct?workspace=user-borisd13) を参照してください。
+[サンプル run](https://app.wandb.ai/borisd13/skorch/runs/s20or4ct?workspace=user-borisd13) を参照してください。
-## Parameters
+
+ ## パラメーター
+
-| パラメータ | 型 | 説明 |
+| Parameter | Type | Description |
| :--- | :--- | :--- |
-| `wandb_run` | `wandb.wandb_run`. Run | データ を ログ 記録するために使用される wandb run。 |
-|`save_model` | bool (デフォルト=True)| 最良の モデル の チェックポイント を保存し、W&B の Run にアップロードするかどうか。|
-|`keys_ignored`| 文字列または文字列のリスト (デフォルト=None) | TensorBoard に ログ 記録すべきではない キー または キー のリスト。ユーザーが提供した キー に加えて、`event_` で始まるものや `_best` で終わるものなどの キー はデフォルトで無視されます。|
+| `wandb_run` | `wandb.wandb_run`. Run | データのログに使用される wandb run。 |
+|`save_model` | bool (default=True)| 最良のモデルのチェックポイントを保存し、それを W&B 上の Run にアップロードするかどうか。|
+|`keys_ignored`| str or list of str (default=None) | TensorBoard にログしないキー、またはキーのリスト。ユーザーが指定したキーに加えて、`event_` で始まる、あるいは `_best` で終わるキーなどはデフォルトで無視される点に注意してください。|
-## Example Code
+
+ ## コード例
+
-インテグレーション の仕組みを確認するための例をいくつか作成しました。
+インテグレーションがどのように動作するかを確認できるように、いくつかの例をご用意しました：
-* [Colab](https://colab.research.google.com/drive/1Bo8SqN1wNPMKv5Bn9NjwGecBxzFlaNZn?usp=sharing): インテグレーション を試すためのシンプルな デモ
-* [ステップバイステップガイド](https://app.wandb.ai/cayush/uncategorized/reports/Automate-Kaggle-model-training-with-Skorch-and-W%26B--Vmlldzo4NTQ1NQ): Skorch モデル のパフォーマンスを追跡するための ガイド
+* [Colab](https://colab.research.google.com/drive/1Bo8SqN1wNPMKv5Bn9NjwGecBxzFlaNZn?usp=sharing)：インテグレーションを試すための簡単なデモ
+* [ステップバイステップガイド](https://app.wandb.ai/cayush/uncategorized/reports/Automate-Kaggle-model-training-with-Skorch-and-W%26B--Vmlldzo4NTQ1NQ)：Skorch モデルのパフォーマンスをトラッキングするためのステップバイステップガイド
```python
# wandb をインストール
@@ -29,25 +33,28 @@ W&B を Skorch と組み合わせて使用することで、各 エポック 終
import wandb
from skorch.callbacks import WandbLogger
-# wandb Run を作成
+# wandb の run を作成
wandb_run = wandb.init()
-# ハイパーパラメータをログ記録 (任意)
+# ハイパーパラメーターをログ（オプション）
wandb_run.config.update({"learning rate": 1e-3, "batch size": 32})
net = NeuralNet(..., callbacks=[WandbLogger(wandb_run)])
net.fit(X, y)
```
-## Method reference
-| メソッド | 説明 |
+
+ ## メソッドリファレンス
+
+
+| Method | Description |
| :--- | :--- |
-| `initialize`\(\) | コールバック の初期状態を（再）設定します。 |
-| `on_batch_begin`\(net\[, X, y, training\]\) | 各 バッチ の開始時に呼び出されます。 |
-| `on_batch_end`\(net\[, X, y, training\]\) | 各 バッチ の終了時に呼び出されます。 |
-| `on_epoch_begin`\(net\[, dataset_train, …\]\) | 各 エポック の開始時に呼び出されます。 |
-| `on_epoch_end`\(net, \*\*kwargs\) | 最後の履歴ステップから 値 を ログ 記録し、最良の モデル を保存します。 |
-| `on_grad_computed`\(net, named_parameters\[, X, …\]\) | 勾配 が計算された後、更新ステップが実行される前に、バッチ ごとに1回呼び出されます。 |
-| `on_train_begin`\(net, \*\*kwargs\) | モデル のトポロジーを ログ 記録し、 勾配 のための フック を追加します。 |
-| `on_train_end`\(net\[, X, y\]\) | トレーニング の終了時に呼び出されます。 |
\ No newline at end of file
+| `initialize`\(\) | コールバックの初期状態を（再）設定します。 |
+| `on_batch_begin`\(net\[, X, y, training\]\) | 各バッチの開始時に呼び出されます。 |
+| `on_batch_end`\(net\[, X, y, training\]\) | 各バッチの終了時に呼び出されます。 |
+| `on_epoch_begin`\(net\[, dataset_train, …\]\) | 各エポックの開始時に呼び出されます。 |
+| `on_epoch_end`\(net, \*\*kwargs\) | 直近の履歴ステップの値をログに記録し、最良のモデルを保存します。 |
+| `on_grad_computed`\(net, named_parameters\[, X, …\]\) | 勾配が計算された後、更新ステップが実行される前に、バッチごとに 1 回呼び出されます。 |
+| `on_train_begin`\(net, \*\*kwargs\) | モデルのトポロジーをログに記録し、勾配を取得するためのフックを追加します。 |
+| `on_train_end`\(net\[, X, y\]\) | トレーニングの終了時に呼び出されます。 |
\ No newline at end of file
diff --git a/ja/models/integrations/spacy.mdx b/ja/models/integrations/spacy.mdx
index 96b40e3bdc..de85fa15af 100644
--- a/ja/models/integrations/spacy.mdx
+++ b/ja/models/integrations/spacy.mdx
@@ -2,64 +2,73 @@
title: spaCy
---
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
-[spaCy](https://spacy.io) は、高速で正確なモデルを最小限の手間で利用できる、人気の「実用レベル（industrial-strength）」の NLP ライブラリです。 spaCy v3 以降、 [`spacy train`](https://spacy.io/api/cli#train) を使用して W&B で spaCy モデルのトレーニングメトリクスを追跡したり、モデルやデータセットの保存とバージョン管理を行ったりできるようになりました。 設定ファイルに数行追加するだけで準備は完了です。
+[spaCy](https://spacy.io) は、人気のある「実運用レベル」の NLP ライブラリで、高速かつ高精度な モデル をほとんど手間なく利用できます。spaCy v3 以降では、W&B を [`spacy train`](https://spacy.io/api/cli#train) と併用して、spaCy モデル のトレーニング メトリクス を追跡し、モデル とデータセット を保存およびバージョン管理できるようになりました。しかも、設定ファイルに数行追加するだけで利用できます。
-## サインアップと APIキー の作成
+
+ ## サインアップして API キーを作成する
+
-APIキー は、お使いのマシンを W&B に認証するために使用されます。 ユーザープロフィールから APIキー を生成できます。
+API キーはあなたのマシンを W&B に対して認証します。API キーはユーザープロフィールから作成できます。
-
+ ## `wandb` ライブラリをインストールしてログインする
+
-ローカル環境に `wandb` ライブラリをインストールしてログインするには：
+ローカル環境で `wandb` ライブラリをインストールし、ログインするには、次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を自分の API キー に設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
-1. `wandb` ライブラリをインストールしてログインします。
+ ```shell
+ pip install wandb
- ```shell
+ wandb login
+ ```
+
+
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
-## spaCy 設定ファイルへの `WandbLogger` の追加
+
+ ## spaCy の config ファイルに `WandbLogger` を追加する
+
-spaCy の設定ファイルは、ロギングだけでなく、 GPU 割り当て、 オプティマイザー の選択、 データセット のパスなど、トレーニングのあらゆる側面を指定するために使用されます。 最小限の設定として、 `[training.logger]` の下に、キー `@loggers` と値 `"spacy.WandbLogger.v3"` 、および `project_name` を指定する必要があります。
+spaCy の config ファイルは、ロギングだけでなく、GPU の割り当て、オプティマイザーの選択、データセットのパスなど、トレーニングに関するあらゆる設定を指定するために使用されます。最低限として、`[training.logger]` 配下でキー `@loggers` に値 `"spacy.WandbLogger.v3"` を指定し、さらに `project_name` を指定する必要があります。
-spaCy のトレーニング設定ファイルの仕組みや、トレーニングをカスタマイズするために渡せるその他のオプションの詳細については、 [spaCy のドキュメント](https://spacy.io/usage/training) を参照してください。
+ spaCy のトレーニング用 config ファイルの仕組みや、トレーニングをカスタマイズするために渡せるその他のオプションについては、[spaCy's documentation](https://spacy.io/usage/training) を参照してください。
```python
@@ -71,47 +80,51 @@ log_dataset_dir = "./corpus"
model_log_interval = 1000
```
-| 名前 | 説明 |
-| :--- | :--- |
-| `project_name` | `str` 。 W&B の Projects の名前。プロジェクトが存在しない場合は自動的に作成されます。 |
-| `remove_config_values` | `List[str]` 。 W&B にアップロードされる前に設定から除外する値のリスト。デフォルトは `[]` です。 |
-| `model_log_interval` | `Optional int` 。 デフォルトは `None` 。設定すると、 [Artifacts](/models/artifacts/) による [モデルのバージョン管理](/models/registry/) が有効になります。モデルの チェックポイント をログに記録する間隔（ステップ数）を渡します。 |
-| `log_dataset_dir` | `Optional str` 。 パスが渡されると、トレーニング開始時に データセット が アーティファクト としてアップロードされます。デフォルトは `None` です。 |
-| `entity` | `Optional str` 。 指定した場合、指定された Entities 内に Run が作成されます。 |
-| `run_name` | `Optional str` 。 指定した場合、指定された名前で Run が作成されます。 |
+| Name | Description |
+| ---------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `project_name` | `str`。W&B Project の名前。まだ存在しない場合は、その Project が自動的に作成されます。 |
+| `remove_config_values` | `List[str]`。W&B にアップロードする前に config から除外する値のリスト。デフォルトは `[]`。 |
+| `model_log_interval` | `Optional int`。デフォルトは `None`。設定すると、[model versioning](/ja/models/registry/) と [Artifacts](/ja/models/artifacts/) によるモデルのバージョン管理が有効になります。モデルのチェックポイントをログする間隔（ステップ数）を指定します。デフォルトは `None`。 |
+| `log_dataset_dir` | `Optional str`。パスを指定すると、トレーニング開始時にそのデータセットが Artifact としてアップロードされます。デフォルトは `None`。 |
+| `entity` | `Optional str`。指定した場合、run は指定された entity 内に作成されます。 |
+| `run_name` | `Optional str`。指定した場合、run は指定された名前で作成されます。 |
-## トレーニングの開始
+
+ ## トレーニングを開始する
+
-spaCy のトレーニング設定に `WandbLogger` を追加したら、通常通り `spacy train` を実行できます。
+`WandbLogger` を spaCy のトレーニング用設定に追加したら、通常どおり `spacy train` を実行できます。
-
-```python
-python -m spacy train \
- config.cfg \
- --output ./output \
- --paths.train ./train \
- --paths.dev ./dev
-```
-
-
-```python
-python -m spacy train \
- config.cfg \
- --output ./output \
- --paths.train ./train \
- --paths.dev ./dev
-```
-
-
-```notebook
-!python -m spacy train \
- config.cfg \
- --output ./output \
- --paths.train ./train \
- --paths.dev ./dev
-```
-
+
+ ```python
+ python -m spacy train \
+ config.cfg \
+ --output ./output \
+ --paths.train ./train \
+ --paths.dev ./dev
+ ```
+
+
+
+ ```python
+ python -m spacy train \
+ config.cfg \
+ --output ./output \
+ --paths.train ./train \
+ --paths.dev ./dev
+ ```
+
+
+
+ ```notebook
+ !python -m spacy train \
+ config.cfg \
+ --output ./output \
+ --paths.train ./train \
+ --paths.dev ./dev
+ ```
+
-トレーニングが開始されると、トレーニング Run の [W&B ページ](/models/runs/) へのリンクが出力されます。このリンクから、 W&B ウェブ UI 上の該当する Run の 実験管理 [ダッシュボード](/models/track/workspaces/) にアクセスできます。
\ No newline at end of file
+トレーニングが開始されると、トレーニング run の [W&B ページ](/ja/models/runs/) へのリンクが出力されます。このリンクを開くと、その run の実験管理 [ダッシュボード](/ja/models/track/workspaces/) を W&B web UI で確認できます。
\ No newline at end of file
diff --git a/ja/models/integrations/stable-baselines-3.mdx b/ja/models/integrations/stable-baselines-3.mdx
index 0cc273ae76..f5550a7b91 100644
--- a/ja/models/integrations/stable-baselines-3.mdx
+++ b/ja/models/integrations/stable-baselines-3.mdx
@@ -1,19 +1,21 @@
---
-title: Stable Baselines 3
-description: Stable Baseline 3 と W&B を統合する方法。
+description: Stable Baselines 3 と W&B を統合する方法。
+title: Stable Baselines 3 PyTorch
---
-[Stable Baselines 3](https://github.com/DLR-RM/stable-baselines3) \(SB3\) は、 PyTorch による信頼性の高い強化学習アルゴリズムの実装セットです。W&B の SB3 インテグレーションは以下の機能を提供します。
+[Stable Baselines 3](https://github.com/DLR-RM/stable-baselines3) \(SB3\) は、PyTorch で実装された信頼性の高い強化学習アルゴリズムのライブラリです。W&B の SB3 インテグレーションでは、次のことができます:
* 損失やエピソードごとのリターンなどのメトリクスを記録します。
* エージェントがゲームをプレイしている動画をアップロードします。
-* トレーニング済み モデル を保存します。
-* モデル の ハイパーパラメーター を ログ に記録します。
-* モデル の 勾配 ヒストグラムを ログ に記録します。
+* 学習済みモデルを保存します。
+* モデルのハイパーパラメーターをログに記録します。
+* モデルの勾配ヒストグラムをログに記録します。
-[SB3 トレーニングの Run 例](https://wandb.ai/wandb/sb3/runs/1jyr6z10) をご確認ください。
+[SB3 トレーニング run の例](https://wandb.ai/wandb/sb3/runs/1jyr6z10)を確認してください。
-## SB3 Experiments のログを記録する
+
+ ## SB3 Experiments のログを記録する
+
```python
from wandb.integration.sb3 import WandbCallback
@@ -22,21 +24,26 @@ model.learn(..., callback=WandbCallback())
```
+ ## WandbCallback の引数
+
+
+| 引数 | 用途 |
| :--- | :--- |
-| `verbose` | SB3 出力の冗長性 |
-| `model_save_path` | モデル が保存されるフォルダーへのパス。デフォルト 値 は \`None\` で、 モデル は ログ に記録されません |
-| `model_save_freq` | モデル を保存する頻度 |
-| `gradient_save_freq` | 勾配 を ログ に記録する頻度。デフォルト 値 は 0 で、 勾配 は ログ に記録されません |
+| `verbose` | sb3 の出力の詳細度 |
+| `model_save_path` | モデルを保存するフォルダーへのパス。デフォルト値は \`None\` の場合で、この場合 モデルはログされません |
+| `model_save_freq` | モデルを保存する頻度 |
+| `gradient_save_freq` | 勾配をログする頻度。デフォルト値は 0 の場合で、この場合 勾配はログされません |
-## 基本的な例
+
+ ## 基本例
+
-W&B の SB3 インテグレーションは、TensorBoard から出力される ログ を使用して メトリクス を記録します。
+W&B SB3 インテグレーションは、TensorBoard のログ出力を利用してメトリクスを記録します
```python
import gym
@@ -55,9 +62,9 @@ config = {
run = wandb.init(
project="sb3",
config=config,
- sync_tensorboard=True, # SB3 の TensorBoard メトリクスを自動アップロード
- monitor_gym=True, # エージェントがゲームをプレイしている動画を自動アップロード
- save_code=True, # オプション
+ sync_tensorboard=True, # sb3 の TensorBoard メトリクスを自動的にアップロード
+ monitor_gym=True, # ゲームをプレイするエージェントの動画を自動的にアップロード
+ save_code=True, # 任意設定
)
@@ -84,4 +91,4 @@ model.learn(
),
)
run.finish()
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/tensorboard.mdx b/ja/models/integrations/tensorboard.mdx
index 38e1d29096..45cc70e524 100644
--- a/ja/models/integrations/tensorboard.mdx
+++ b/ja/models/integrations/tensorboard.mdx
@@ -1,53 +1,64 @@
---
title: TensorBoard
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
-W&B は、W&B マルチテナント SaaS において埋め込み TensorBoard をサポートしています。
+ W&B Multi-tenant SaaS では埋め込み TensorBoard をサポートしています。
-TensorBoard の ログ を クラウド にアップロードすることで、同僚やクラスメートと 結果 を素早く共有し、一元化された場所で 分析 を管理できます。
+TensorBoard のログをクラウドにアップロードし、同僚やクラスメートと結果をすばやく共有して、解析を 1 か所に集約しましょう。
+ ## はじめに
+
```python
import wandb
-# `sync_tensorboard=True` を指定して wandb run を開始します
+# `sync_tensorboard=True` を指定して wandb の run を開始する
wandb.init(project="my-project", sync_tensorboard=True) as run:
- # TensorBoard を使用したトレーニングコード
+ # TensorBoard を使用したトレーニングコードをここに記述
...
```
-[TensorBoard インテグレーションの run 例](https://wandb.ai/rymc/simple-tensorboard-example/runs/oab614zf/tensorboard) を確認してください。
+[TensorBoard インテグレーション run の例](https://wandb.ai/rymc/simple-tensorboard-example/runs/oab614zf/tensorboard)を確認してください。
-run が終了すると、W&B 上で TensorBoard イベントファイルに アクセス でき、ネイティブの W&B チャートで メトリクス を可視化できます。また、システムの CPU や GPU の使用率、 `git` の状態、 run で使用された ターミナル の コマンド など、追加の有用な情報も併せて確認できます。
+run が終了すると、W&B で TensorBoard のイベントファイルにアクセスできるようになり、システムの CPU や GPU の使用率、`git` の状態、run が使用したターミナルコマンドなどの有用な追加情報とあわせて、ネイティブな W&B チャートでメトリクスを可視化できます。
-W&B は、TensorFlow のすべての バージョン で TensorBoard をサポートしています。また、PyTorch を使用した TensorBoard 1.14 以降、および TensorBoardX もサポートしています。
+ W&B は、すべてのバージョンの TensorFlow で TensorBoard をサポートします。また、PyTorch および TensorBoardX については、TensorBoard 1.14 以降もサポートしています。
-## よくある質問
-### TensorBoard にログされていないメトリクスを W&B にログするにはどうすればよいですか？
+
+ ## よくある質問
+
+
+
+ ### TensorBoard にログされていないメトリクスを W&B にログするにはどうすればよいですか？
+
-TensorBoard にログされていない追加のカスタム メトリクス をログする必要がある場合は、コード内で `wandb.Run.log()` を呼び出すことができます。例： `run.log({"custom": 0.8})`
+TensorBoard にログされていない追加のカスタムメトリクスをログしたい場合は、コード内で `wandb.Run.log()` を呼び出し、`run.log({"custom": 0.8})` のように記述します。
-TensorBoard を同期している場合、 `run.log()` 内の step 引数 の設定は無効になります。別のステップ数を設定したい場合は、次のように step メトリクス と一緒に メトリクス をログしてください。
+TensorBoard を同期している場合、`run.log()` の `step` 引数の設定は無効になります。別のステップ数を設定したい場合は、次のようにステップ用のメトリクスと一緒にメトリクスをログします。
`run.log({"custom": 0.8, "global_step": global_step})`
-### `wandb` と併用する場合、TensorBoard をどのように設定しますか？
+
+ ### `wandb` と併用するときに TensorBoard をどのように設定すればよいですか？
+
-TensorBoard のパッチ適用の方法をより詳細に制御したい場合は、 `wandb.init` に `sync_tensorboard=True` を渡す代わりに、 `wandb.tensorboard.patch` を呼び出すことができます。
+TensorBoard がどのようにパッチされるかをより細かく制御したい場合は、`wandb.init` に `sync_tensorboard=True` を渡す代わりに `wandb.tensorboard.patch` を呼び出してください。
```python
import wandb
@@ -55,13 +66,13 @@ import wandb
wandb.tensorboard.patch(root_logdir="")
run = wandb.init()
-# ノートブックで実行している場合は、wandb run を終了して TensorBoard ログを W&B にアップロードします
+# wandb の run を終了して、TensorBoard のログを W&B にアップロードする（Notebook で実行している場合）
run.finish()
```
-この メソッド に `tensorboard_x=False` を渡すとバニラな TensorBoard がパッチされるようになり、PyTorch で TensorBoard > 1.14 を使用している場合は `pytorch=True` を渡すことで適切にパッチされるようになります。これらのオプションは、インポートされているライブラリの バージョン に応じてスマートなデフォルト値が設定されます。
+このメソッドに `tensorboard_x=False` を渡すと、プレーンな TensorBoard が確実にパッチされます。TensorBoard > 1.14 を PyTorch と併用している場合は、`pytorch=True` を渡すことで、その組み合わせも確実にパッチされます。これら 2 つのオプションには、インポートされているライブラリのバージョンに応じて自動的に適切なデフォルトが設定されています。
-デフォルトでは、 `tfevents` ファイルとすべての `.pbtxt` ファイルも同期されます。これにより、お客様に代わって TensorBoard インスタンスを ローンチ することが可能になります。 run ページに [TensorBoard タブ](https://www.wandb.com/articles/hosted-tensorboard) が表示されます。この 振る舞い は、 `wandb.tensorboard.patch` に `save=False` を渡すことで無効にできます。
+デフォルトでは、`tfevents` ファイルと `.pbtxt` ファイルも同期します。これにより、W&B 側で TensorBoard インスタンスを起動できるようになります。run ページには [TensorBoard タブ](https://www.wandb.com/articles/hosted-tensorboard) が表示されます。この動作は、`wandb.tensorboard.patch` に `save=False` を渡すことで無効化できます。
```python
import wandb
@@ -69,41 +80,51 @@ import wandb
run = wandb.init()
wandb.tensorboard.patch(save=False, tensorboard_x=True)
-# ノートブックで実行している場合は、wandb run を終了して TensorBoard ログを W&B にアップロードします
+# ノートブックで実行している場合、wandb run を終了して TensorBoard のログを W&B にアップロードする
run.finish()
```
-`tf.summary.create_file_writer` を呼び出す前、または `torch.utils.tensorboard` を介して `SummaryWriter` を構築する **前** に、 `wandb.init()` または `wandb.tensorboard.patch` を呼び出す必要があります。
+ `tf.summary.create_file_writer` を呼び出したり、`torch.utils.tensorboard` を介して `SummaryWriter` を作成したりする **前に**、必ず `wandb.init()` または `wandb.tensorboard.patch` のいずれか一方を呼び出してください。
-### 過去の TensorBoard runs を同期するにはどうすればよいですか？
-ローカルに保存されている既存の `tfevents` ファイルがあり、それらを W&B にインポートしたい場合は、 `wandb sync log_dir` を実行します。ここで `log_dir` は `tfevents` ファイルが含まれているローカルの ディレクトリー です。
+
+ ### 過去の TensorBoard の実行を同期するにはどうすればよいですか？
+
-### Google Colab や Jupyter で TensorBoard を使用するにはどうすればよいですか？
+既にローカルに保存されている `tfevents` ファイルがあり、それらを W&B にインポートしたい場合は、`wandb sync log_dir` コマンドを実行します。ここで `log_dir` は、`tfevents` ファイルを含むローカルディレクトリです。
-Jupyter や Colabノートブック で コード を実行している場合は、トレーニングの最後に必ず `wandb.Run.finish()` を呼び出してください。これにより wandb run が終了し、TensorBoard ログが W&B にアップロードされて可視化できるようになります。 `.py` スクリプト を実行する場合、 スクリプト が終了すると wandb は自動的に終了するため、これは必要ありません。
+
+ ### Google Colab や Jupyter で TensorBoard を使うにはどうすればいいですか？
+
-ノートブック 環境でシェル コマンド を実行するには、 `!wandb sync directoryname` のように、先頭に `!` を付ける必要があります。
+Jupyter や Colab ノートブック内でコードを実行している場合は、トレーニングの最後に必ず `wandb.Run.finish()` を呼び出してください。これにより wandb run が終了し、TensorBoard のログが W&B にアップロードされて可視化できるようになります。`.py` スクリプトを実行している場合は、スクリプトの終了時に wandb が自動的に終了処理を行うため、この操作は不要です。
-### PyTorch で TensorBoard を使用するにはどうすればよいですか？
+ノートブック環境でシェル コマンドを実行するには、`!wandb sync directoryname` のように、先頭に `!` を付ける必要があります。
-PyTorch の TensorBoard インテグレーション を使用する場合、PyTorch Profiler の JSON ファイルを手動でアップロードする必要がある場合があります。
+
+ ### PyTorch を TensorBoard と一緒に使うにはどうすればよいですか？
+
+
+PyTorch の TensorBoard インテグレーションを使用する場合、PyTorch Profiler の JSON ファイルを手動でアップロードする必要になる場合があります。
```python
with wandb.init(project="my-project", sync_tensorboard=True) as run:
run.save(glob.glob(f"runs/*.pt.trace.json")[0], base_path=f"runs")
```
-### クラウドに保存されている tfevents ファイルを同期できますか？
-`wandb` 0.20.0 以降では、S3、GCS、または Azure に保存されている `tfevents` ファイルの同期をサポートしています。 `wandb` は、各 クラウド プロバイダーのデフォルトの認証情報を使用します。対応する コマンド は以下の表の通りです。
+
+ ### クラウドに保存されている tfevents ファイルを同期できますか？
+
+
+`wandb` 0.20.0 以降では、S3、GCS、Azure に保存されている `tfevents` ファイルの同期をサポートしています。`wandb` は各クラウドプロバイダーのデフォルト認証情報を使用します。これらは次の表に示すコマンドに対応します。
-| クラウドプロバイダー | 認証情報 | ログディレクトリの形式 |
+| Cloud provider | Credentials | Logging directory format |
| -------------- | --------------------------------------- | ------------------------------------- |
-| S3 | `aws configure` | `s3://bucket/path/to/logs` |
-| GCS | `gcloud auth application-default login` | `gs://bucket/path/to/logs` |
-| Azure | `az login`[^1] | `az://account/container/path/to/logs` |
+| S3 | `aws configure` | `s3://bucket/path/to/logs` |
+| GCS | `gcloud auth application-default login` | `gs://bucket/path/to/logs` |
+| Azure | `az login`[^1] | `az://account/container/path/to/logs` |
-[^1]: また、 `AZURE_STORAGE_ACCOUNT` と `AZURE_STORAGE_KEY` の 環境 変数を 設定 する必要があります。
\ No newline at end of file
+[^1]: `AZURE_STORAGE_ACCOUNT` と `AZURE_STORAGE_KEY` の環境変数も設定する必要があります。
\ No newline at end of file
diff --git a/ja/models/integrations/tensorflow.mdx b/ja/models/integrations/tensorflow.mdx
index 660a2a708a..67da898706 100644
--- a/ja/models/integrations/tensorflow.mdx
+++ b/ja/models/integrations/tensorflow.mdx
@@ -1,33 +1,43 @@
---
title: TensorFlow
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## はじめに
+
+
+すでに TensorBoard を利用しているのであれば、簡単に wandb と統合できます。
```python
import tensorflow as tf
import wandb
```
-## カスタムメトリクスのログ記録
-TensorBoard にログ出力されていない追加のカスタムメトリクスを記録する必要がある場合は、コード内で `run.log()` を呼び出すことができます：`run.log({"custom": 0.8}) `
+
+ ## カスタムメトリクスを記録する
+
-TensorBoard を同期している場合、`run.log()` の step 引数の設定は無効になります。別のステップ数を設定したい場合は、以下のようにステップメトリクスとともにメトリクスをログに記録できます：
+TensorBoard にログされていない追加のカスタムメトリクスを記録する必要がある場合は、コード内で `run.log()` を呼び出します。例えば、`run.log({"custom": 0.8})` のように記述します。
-``` python
+TensorBoard を同期している場合、`run.log()` の step 引数は無効になります。別の step カウントを設定したい場合は、次のように step を指定してメトリクスを記録できます。
+
+```python
with wandb.init(config=tf.flags.FLAGS, sync_tensorboard=True) as run:
run.log({"custom": 0.8, "global_step":global_step}, step=global_step)
```
-## TensorFlow Estimators hook
-ログの内容をより詳細に制御したい場合、wandb は TensorFlow Estimators 用の hook も提供しています。これにより、グラフ内のすべての `tf.summary` の値をログに記録します。
+
+ ## TensorFlow Estimator フック
+
+
+ログに記録する内容をより細かく制御したい場合は、wandb では TensorFlow Estimator 用のフックも提供しています。このフックはグラフ内のすべての `tf.summary` の値をログに記録します。
```python
import tensorflow as tf
@@ -35,14 +45,16 @@ import wandb
run = wandb.init(config=tf.FLAGS)
-# steps_per_log ごとにログを記録する hook を追加
estimator.train(hooks=[wandb.tensorflow.WandbHook(steps_per_log=1000)])
run.finish()
```
-## 手動でのログ記録
-TensorFlow でメトリクスを記録する最もシンプルな方法は、TensorFlow ロガーを使用して `tf.summary` をログ出力することです：
+
+ ## 手動でログを記録する
+
+
+TensorFlow でメトリクスを記録する最も簡単な方法は、TensorFlow のロガーを使って `tf.summary` を記録することです。
```python
import wandb
@@ -52,43 +64,48 @@ with tf.Session() as sess:
wandb.tensorflow.log(tf.summary.merge_all())
```
-TensorFlow 2 では、カスタムループを使用してモデルをトレーニングする推奨される方法は `tf.GradientTape` を使用することです。詳細は [TensorFlow カスタムトレーニングのウォークスルー](https://www.tensorflow.org/tutorials/customization/custom_training_walkthrough) を参照してください。カスタム TensorFlow トレーニングループに `wandb` を組み込んでメトリクスをログに記録するには、以下のスニペットを参考にしてください：
+TensorFlow 2 では、カスタムループでモデルをトレーニングする推奨方法は `tf.GradientTape` を使用することです。詳細については [TensorFlow custom training walkthrough](https://www.tensorflow.org/tutorials/customization/custom_training_walkthrough) を参照してください。カスタム TensorFlow トレーニングループでメトリクスを記録するために `wandb` を組み込みたい場合は、次のスニペットを参照してください。
```python
with tf.GradientTape() as tape:
- # 予測値（確率）を取得
+ # 確率を取得する
predictions = model(features)
- # 損失（loss）を計算
+ # 損失を計算する
loss = loss_func(labels, predictions)
- # メトリクスをログに記録
+ # メトリクスをログに記録する
run.log("loss": loss.numpy())
- # 勾配（gradients）を取得
+ # 勾配を取得する
gradients = tape.gradient(loss, model.trainable_variables)
- # 重み（weights）を更新
+ # 重みを更新する
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
```
-[TensorFlow 2 におけるトレーニングループのカスタマイズの完全な例](https://www.wandb.com/articles/wandb-customizing-training-loops-in-tensorflow-2) もご覧いただけます。
+[TensorFlow 2 でトレーニングループをカスタマイズする完全な例](https://www.wandb.com/articles/wandb-customizing-training-loops-in-tensorflow-2) があります。
+
-## W&B は TensorBoard とどう違うのですか？
+
+ ## W&B は TensorBoard とどう違いますか？
+
-W&B の共同創業者たちが開発を始めたとき、彼らは OpenAI で TensorBoard に不満を感じていた ユーザー のための ツール を構築したいと考えていました。私たちが改善に注力した点は以下の通りです。
+共同創業者たちが W&B の開発を始めたとき、OpenAI で TensorBoard にフラストレーションを感じていたユーザーのためのツールを作ろうと考えました。ここでは、特に改善に力を入れてきたポイントをいくつか紹介します。
-1. **モデルの再現**: W&B は 実験管理 、探索、そして後のモデル再現に優れています。メトリクスだけでなく、ハイパーパラメーター や コード の バージョン も取得し、プロジェクトが再現可能になるよう バージョン 管理ステータスや モデル の チェックポイント を保存できます。
-2. **自動整理**: コラボレーターから プロジェクト を引き継ぐとき、休暇から戻ったとき、あるいは古い プロジェクト を再開するときでも、W&B を使えば試行されたすべての モデル を簡単に確認できるため、誰も 実験 の再実行に時間や GPU サイクル、電力を浪費することはありません。
-3. **高速で柔軟なインテグレーション**: W&B は 5 分で プロジェクト に追加できます。無料のオープンソース Python パッケージをインストールし、コードに数行追加するだけで、モデル を実行するたびに適切にログに記録されたメトリクスと記録が得られます。
-4. **永続的で中央集約されたダッシュボード**: ローカルマシン、共有ラボの クラスター 、クラウド のスポットインスタンスなど、どこで モデル をトレーニングしても、結果は同じ中央集約された ダッシュボード に共有されます。異なるマシンから TensorBoard ファイルをコピーして整理する手間は不要です。
-5. **強力な Tables**: 異なる モデル の 結果 を検索、フィルタリング、ソート、グループ化できます。数千の モデル バージョン を見渡し、異なるタスクに対して最高のパフォーマンスを発揮する モデル を見つけるのが簡単です。TensorBoard は大規模な プロジェクト でうまく動作するように構築されていません。
-6. **コラボレーションのためのツール**: 複雑な 機械学習 プロジェクト の整理に W&B を活用してください。W&B へのリンクを共有するのは簡単で、プライベートな Teams を使用して全員が共有 プロジェクト に 結果 を送信できます。また、Reports を通じたコラボレーションもサポートしており、インタラクティブな 可視化 を追加し、Markdown で作業内容を説明できます。これは、作業ログの保持、指導者への 学び の共有、ラボやチームへの 結果 発表に最適な方法です。
+1. **モデルの再現**: W&B は実験や探索、あとからモデルを再現することに適しています。メトリクスだけでなく、ハイパーパラメーターやコードのバージョンも記録し、バージョン管理システムの状態やモデルのチェックポイントも保存できるので、プロジェクトを再現可能な状態に保てます。
+2. **自動的な整理**: 協力者のプロジェクトを引き継ぐとき、休暇明けに作業へ戻るとき、あるいは昔のプロジェクトを掘り起こすときでも、W&B を使えば試したすべてのモデルを簡単に確認できるため、誰かが何時間も、GPU サイクルやカーボンフットプリントを無駄にして実験をやり直す必要がありません。
+3. **高速で柔軟なインテグレーション**: W&B は 5 分でプロジェクトに追加できます。無料のオープンソース Python パッケージをインストールし、コードに数行追加するだけで、モデルを実行するたびにメトリクスや履歴がきれいにログされます。
+4. **永続的で一元化されたダッシュボード**: ローカルマシン、共有ラボのクラスタ、クラウドのスポットインスタンスなど、どこでモデルを学習していても、結果はすべて同じ一元化されたダッシュボードに集約されます。複数マシンから TensorBoard のファイルをコピーして整理するのに時間を費やす必要はありません。
+5. **強力なテーブル機能**: 複数のモデルの結果を検索、フィルタ、ソート、グループ化できます。何千ものモデルバージョンをざっと見渡して、タスクごとに最も高性能なモデルを見つけるのが簡単です。TensorBoard は大規模なプロジェクトでうまく動作するようには作られていません。
+6. **コラボレーションのためのツール**: W&B を使って複雑な機械学習プロジェクトを整理できます。W&B へのリンクは簡単に共有でき、プライベートな Teams を使って、全員の結果を共有のプロジェクトに送ることができます。また、レポートを通じたコラボレーションにも対応しており、インタラクティブな可視化を追加し、Markdown で作業内容を記述できます。これは作業ログを残したり、監督者と結果を共有したり、ラボやチームに成果を発表したりするのに最適な方法です。
[無料アカウント](https://wandb.ai) で始めましょう。
-## サンプル
+
+ ## 例
+
-インテグレーション の仕組みを確認できるサンプルをいくつか用意しました。
+このインテグレーションの動作を確認できるように、いくつかの例を用意しています:
-* [Github の例](https://github.com/wandb/examples/blob/master/examples/tensorflow/tf-estimator-mnist/mnist.py): TensorFlow Estimators を使用した MNIST の例
-* [Github の例](https://github.com/wandb/examples/blob/master/examples/tensorflow/tf-cnn-fashion/train.py): 生の TensorFlow を使用した Fashion MNIST の例
-* [Wandb ダッシュボード](https://app.wandb.ai/l2k2/examples-tf-estimator-mnist/runs/p0ifowcb): W&B 上で 結果 を表示
-* TensorFlow 2 でのトレーニングループのカスタマイズ - [記事](https://www.wandb.com/articles/wandb-customizing-training-loops-in-tensorflow-2) | [ダッシュボード](https://app.wandb.ai/sayakpaul/custom_training_loops_tf)
\ No newline at end of file
+* [GitHub 上の例](https://github.com/wandb/examples/blob/master/examples/tensorflow/tf-estimator-mnist/mnist.py): TensorFlow Estimator を用いた MNIST の例
+* [GitHub 上の例](https://github.com/wandb/examples/blob/master/examples/tensorflow/tf-cnn-fashion/train.py): 素の TensorFlow を用いた Fashion MNIST の例
+* [W&B ダッシュボード](https://app.wandb.ai/l2k2/examples-tf-estimator-mnist/runs/p0ifowcb): W&B 上で結果を確認できます
+* TensorFlow 2 におけるトレーニング ループのカスタマイズ - [記事](https://www.wandb.com/articles/wandb-customizing-training-loops-in-tensorflow-2) | [ダッシュボード](https://app.wandb.ai/sayakpaul/custom_training_loops_tf)
\ No newline at end of file
diff --git a/ja/models/integrations/torchtune.mdx b/ja/models/integrations/torchtune.mdx
index b3b11ea247..55e55d887b 100644
--- a/ja/models/integrations/torchtune.mdx
+++ b/ja/models/integrations/torchtune.mdx
@@ -1,104 +1,114 @@
---
title: PyTorch torchtune
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## W&B ロギングをすぐに使えるようにする
+
-
-ローンンチ時にコマンドライン引数をオーバーライドします：
-
-```bash
-# コマンドラインから W&B ロガーを指定して実行
-tune run lora_finetune_single_device --config llama3/8B_lora_single_device \
- metric_logger._component_=torchtune.utils.metric_logging.WandBLogger \
- metric_logger.project="llama3_lora" \
- log_every_n_steps=5
-```
-
-
-レシピの設定（config）で W&B ロギングを有効にします：
-
-```yaml
-# llama3/8B_lora_single_device.yaml 内
-metric_logger:
- _component_: torchtune.utils.metric_logging.WandBLogger
- project: llama3_lora
-log_every_n_steps: 5
-```
-
+
+ 起動時のコマンドライン引数で上書きする:
+
+ ```bash
+ tune run lora_finetune_single_device --config llama3/8B_lora_single_device \
+ metric_logger._component_=torchtune.utils.metric_logging.WandBLogger \
+ metric_logger.project="llama3_lora" \
+ log_every_n_steps=5
+ ```
+
+
+
+ レシピの config で W&B ロギングを有効にする:
+
+ ```yaml
+ # llama3/8B_lora_single_device.yaml 内
+ metric_logger:
+ _component_: torchtune.utils.metric_logging.WandBLogger
+ project: llama3_lora
+ log_every_n_steps: 5
+ ```
+
-## W&B メトリクスロガーの使用
+
+ ## W&B メトリクスロガーを使用する
+
-レシピの設定ファイルの `metric_logger` セクションを修正することで、W&B ロギングを有効にできます。 `_component_` を `torchtune.utils.metric_logging.WandBLogger` クラスに変更します。また、 `project` 名や `log_every_n_steps` を渡して、ロギングの振る舞いをカスタマイズすることも可能です。
+レシピの設定ファイルの `metric_logger` セクションを編集して、W&B ロギングを有効化します。`_component_` を `torchtune.utils.metric_logging.WandBLogger` クラスに変更します。さらに、`project` 名や `log_every_n_steps` を指定して、ロギングの挙動をカスタマイズできます。
-また、 [wandb.init()](/models/ref/python/functions/init) メソッドと同様に、他の任意の `kwargs` を渡すことができます。例えば、チームで作業している場合は、 `WandBLogger` クラスに `entity` 引数を渡してチーム名を指定できます。
+[wandb.init()](/ja/models/ref/python/functions/init) メソッドに渡す場合と同様に、その他の任意の `kwargs` も渡すことができます。たとえば、チームで作業している場合は、`WandBLogger` クラスに `entity` 引数を渡してチーム名を指定できます。
-
-```yaml
-# llama3/8B_lora_single_device.yaml 内
-metric_logger:
- _component_: torchtune.utils.metric_logging.WandBLogger
- project: llama3_lora
- entity: my_project
- job_type: lora_finetune_single_device
- group: my_awesome_experiments
-log_every_n_steps: 5
-```
-
-
-```shell
-tune run lora_finetune_single_device --config llama3/8B_lora_single_device \
- metric_logger._component_=torchtune.utils.metric_logging.WandBLogger \
- metric_logger.project="llama3_lora" \
- metric_logger.entity="my_project" \
- metric_logger.job_type="lora_finetune_single_device" \
- metric_logger.group="my_awesome_experiments" \
- log_every_n_steps=5
-```
-
+
+ ```yaml
+ # llama3/8B_lora_single_device.yaml 内
+ metric_logger:
+ _component_: torchtune.utils.metric_logging.WandBLogger
+ project: llama3_lora
+ entity: my_project
+ job_type: lora_finetune_single_device
+ group: my_awesome_experiments
+ log_every_n_steps: 5
+ ```
+
+
+
+ ```shell
+ tune run lora_finetune_single_device --config llama3/8B_lora_single_device \
+ metric_logger._component_=torchtune.utils.metric_logging.WandBLogger \
+ metric_logger.project="llama3_lora" \
+ metric_logger.entity="my_project" \
+ metric_logger.job_type="lora_finetune_single_device" \
+ metric_logger.group="my_awesome_experiments" \
+ log_every_n_steps=5
+ ```
+
-## 何がログ記録されますか？
+
+ ## 何がログされるか
+
-W&B ダッシュボードでログ記録されたメトリクスを確認できます。デフォルトでは、W&B は設定ファイルおよびローンンチ時のオーバーライドからのすべての ハイパーパラメーター をログ記録します。
+W&B ダッシュボードを開くと、ログされたメトリクスを確認できます。デフォルトでは、W&B は config ファイルと Launch の override から、すべてのハイパーパラメーターをログします。
-W&B は確定した設定を **Overview** タブにキャプチャします。また、W&B は [Files タブ](https://wandb.ai/capecape/torchtune/runs/joyknwwa/files) に YAML 形式で設定を保存します。
+W&B は最終的に解決された config を **Overview** タブに保存します。また、YAML 形式の config を [Files タブ](https://wandb.ai/capecape/torchtune/runs/joyknwwa/files) にも保存します。
+ ### ログされたメトリクス
+
-各レシピには独自のトレーニングループがあります。ログ記録されるメトリクスについては各レシピを確認してください。デフォルトでは以下の項目が含まれます：
+各レシピは独自のトレーニングループを持ちます。ログされるメトリクスはレシピごとに異なるので、各レシピを確認してください。デフォルトでは次のメトリクスが含まれます。
-| メトリクス | 説明 |
-| --- | --- |
-| `loss` | モデルの損失（loss） |
-| `lr` | 学習率（learning rate） |
-| `tokens_per_second` | モデルの秒間トークン数 |
-| `grad_norm` | モデルの勾配ノルム |
-| `global_step` | トレーニングループ内の現在のステップに対応。勾配蓄積（gradient accumulation）を考慮します。基本的には、オプティマイザーステップが実行されるたびにモデルが更新され、 `gradient_accumulation_steps` ごとに勾配が蓄積されてモデルが更新されます。 |
+| Metric | Description |
+| ------------------- | --------------------------------------------------------------------------------------------------------------------------- |
+| `loss` | モデルの損失 |
+| `lr` | 学習率 |
+| `tokens_per_second` | モデルの 1 秒あたりのトークン数 |
+| `grad_norm` | モデルの勾配ノルム |
+| `global_step` | 現在のトレーニングループにおけるステップに対応します。勾配の蓄積を考慮しており、基本的にオプティマイザーのステップが実行されるたびに勾配が蓄積され、`gradient_accumulation_steps` 回ごとにモデルが 1 回更新されます。 |
-`global_step` はトレーニングステップ数と同じではありません。これはトレーニングループ内の現在のステップに対応します。勾配蓄積を考慮し、基本的にはオプティマイザーステップが実行されるたびに `global_step` が 1 増加します。例えば、データローダーに 10 バッチあり、勾配蓄積ステップが 2 で 3 エポック実行する場合、オプティマイザーは 15 回ステップを実行するため、この場合 `global_step` は 1 から 15 の範囲になります。
+ `global_step` はトレーニングステップ数そのものと同じではありません。これは現在のトレーニングループにおけるステップに対応します。勾配の蓄積を考慮しており、基本的にオプティマイザーのステップが実行されるたびに `global_step` が 1 つ増加します。例えば、dataloader にバッチが 10 個あり、gradient accumulation steps が 2 で 3 エポック実行した場合、オプティマイザーは 15 回ステップを実行し、このケースでは `global_step` は 1 から 15 の範囲になります。
-torchtune の合理的な設計により、カスタムメトリクスの追加や既存のメトリクスの修正が容易に行えます。対応する [レシピファイル](https://github.com/pytorch/torchtune/tree/main/recipes) を修正するだけで十分です。例えば、以下のように `current_epoch` を全エポック数に対するパーセンテージとしてログ記録するように計算できます：
+torchtune の洗練された設計により、既存のメトリクスを簡単に変更したり、カスタムメトリクスを容易に追加できます。対応する [recipe file](https://github.com/meta-pytorch/torchtune/tree/main/recipes) を変更するだけで十分です。例えば、総エポック数に対する割合として `current_epoch` を計算してログするように、次のように設定できます。
```python
# レシピファイル内の `train.py` 関数内
@@ -109,34 +119,34 @@ self._metric_logger.log_dict(
```
-このライブラリは急速に進化しているため、現在のメトリクスは変更される可能性があります。カスタムメトリクスを追加したい場合は、レシピを修正して対応する `self._metric_logger.*` 関数を呼び出してください。
+ このライブラリは開発が活発に進められており、現在のメトリクスは今後変更される可能性があります。カスタムメトリクスを追加したい場合は、レシピを修正し、対応する `self._metric_logger.*` 関数を呼び出してください。
-## チェックポイントの保存とロード
+
+ ## チェックポイントを保存および読み込む
+
-torchtune ライブラリは、さまざまな [チェックポイント形式](https://pytorch.org/torchtune/stable/deep_dives/checkpointer.html) をサポートしています。使用しているモデルのオリジンに応じて、適切な [checkpointer クラス](https://pytorch.org/torchtune/stable/deep_dives/checkpointer.html) に切り替える必要があります。
+torchtune ライブラリは、さまざまな [チェックポイント形式](https://meta-pytorch.org/torchtune/stable/deep_dives/checkpointer.html)をサポートしています。使用しているモデルの取得元に応じて、適切な [checkpointer クラス](https://meta-pytorch.org/torchtune/stable/deep_dives/checkpointer.html)に切り替える必要があります。
-モデルのチェックポイントを [W&B Artifacts](/models/artifacts/) に保存したい場合、最も簡単な解決策は、対応するレシピ内の `save_checkpoint` 関数をオーバーライドすることです。
+モデルのチェックポイントを [W&B Artifacts](/ja/models/artifacts/) に保存したい場合は、最も簡単な方法として、対応するレシピ内の `save_checkpoint` 関数をオーバーライドします。
-以下は、モデルのチェックポイントを W&B Artifacts に保存するために `save_checkpoint` 関数をオーバーライドする方法の例です。
+以下は、`save_checkpoint` 関数をオーバーライドして、モデルのチェックポイントを W&B Artifacts に保存する方法の例です。
```python
def save_checkpoint(self, epoch: int) -> None:
...
- ## チェックポイントを W&B に保存します
- ## Checkpointer クラスによってファイル名が異なります
- ## ここでは full_finetune の場合の例を示します
+ ## チェックポイントを W&B に保存する
+ ## Checkpointer クラスによってファイル名が異なる
+ ## full_finetune の場合の例
checkpoint_file = Path.joinpath(
self._checkpointer._output_dir, f"torchtune_model_{epoch}"
).with_suffix(".pt")
-
- # Artifact を作成
wandb_artifact = wandb.Artifact(
name=f"torchtune_model_{epoch}",
type="model",
# モデルチェックポイントの説明
description="Model checkpoint",
- # 任意のメタデータを辞書形式で追加できます
+ # 任意のメタデータを辞書形式で追加できる
metadata={
utils.SEED_KEY: self.seed,
utils.EPOCHS_KEY: self.epochs_run,
@@ -144,7 +154,6 @@ def save_checkpoint(self, epoch: int) -> None:
utils.MAX_STEPS_KEY: self.max_steps_per_epoch,
},
)
- # ファイルを追加してログ記録
wandb_artifact.add_file(checkpoint_file)
wandb.log_artifact(wandb_artifact)
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/ultralytics.mdx b/ja/models/integrations/ultralytics.mdx
index c020b5c18d..fdd36b1eae 100644
--- a/ja/models/integrations/ultralytics.mdx
+++ b/ja/models/integrations/ultralytics.mdx
@@ -1,43 +1,49 @@
---
-title: Ultralytics
+title: Ultralytics YOLO
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## はじめに
+
1. `ultralytics` と `wandb` をインストールします。
-
-
- ```shell
- pip install --upgrade ultralytics==8.0.238 wandb
+
+
+ ```shell
+ pip install --upgrade ultralytics==8.0.238 wandb
+
+ # または
+ # conda install ultralytics
+ ```
+
- # または
- # conda install ultralytics
- ```
-
-
- ```bash
- !pip install --upgrade ultralytics==8.0.238 wandb
- ```
-
-
+
+ ```bash
+ !pip install --upgrade ultralytics==8.0.238 wandb
+ ```
+
+
- 開発チームは `ultralyticsv8.0.238` 以下でインテグレーションのテストを行っています。インテグレーションに関する問題を報告するには、`yolov8` タグを付けて [GitHub issue](https://github.com/wandb/wandb/issues/new?template=sdk-bug.yml) を作成してください。
+ 開発チームは、本 インテグレーションを `ultralyticsv8.0.238` 以前のバージョンでテスト済みです。インテグレーションに関する問題を報告するには、タグ `yolov8` を付けて [GitHub issue](https://github.com/wandb/wandb/issues/new?template=sdk-bug.yml) を作成してください。
-## 実験管理とバリデーション結果の可視化
+
+ ## 実験を管理し、検証結果を可視化する
+
YOLO Fine-tuning Experiments YOLO Fine-tuning Experiments WandB Validation Visualization Table WandB Validation Visualization Table
+ ## 予測結果を可視化する
+
WandB Image Overlay W&B 画像オーバーレイ
+ ## その他のリソース
+
-* [Supercharging Ultralytics with W&B](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
-* [Object Detection using YOLOv8: An End-to-End Workflow](https://wandb.ai/reviewco/object-detection-bdd/reports/Object-Detection-using-YOLOv8-An-End-to-End-Workflow--Vmlldzo1NTAyMDQ1)
\ No newline at end of file
+* [W&B で Ultralytics を強化する](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
+* [YOLOv8 を使った物体検出：エンドツーエンドのワークフロー](https://wandb.ai/reviewco/object-detection-bdd/reports/Object-Detection-using-YOLOv8-An-End-to-End-Workflow--Vmlldzo1NTAyMDQ1)
\ No newline at end of file
diff --git a/ja/models/integrations/w-and-b-for-julia.mdx b/ja/models/integrations/w-and-b-for-julia.mdx
index 2b0d93459a..266b6b16d4 100644
--- a/ja/models/integrations/w-and-b-for-julia.mdx
+++ b/ja/models/integrations/w-and-b-for-julia.mdx
@@ -1,16 +1,16 @@
---
+description: Julia で W&B を統合する方法。
title: Julia 向け W&B
-description: W&B を Julia と統合する方法。
---
-Julia プログラミング言語で機械学習の実験を行っている方向けに、コミュニティのコントリビューターが作成した非公式の Julia バインディング [wandb.jl](https://github.com/avik-pal/Wandb.jl) を利用することができます。
+Julia プログラミング言語で機械学習の実験を行っている方のために、コミュニティのコントリビューターが [wandb.jl](https://github.com/avik-pal/Wandb.jl) という非公式の Julia 向けバインディングを作成しており、これを利用できます。
-具体的な例は、wandb.jl リポジトリの [ドキュメント内](https://github.com/avik-pal/Wandb.jl/tree/main/docs/src/examples) で確認できます。以下は、その「Getting Started」の例です：
+wandb.jl リポジトリの [ドキュメント内](https://github.com/avik-pal/Wandb.jl/tree/main/docs/src/examples) にサンプルがあります。「Getting Started」のサンプルはこちらです：
```julia
using Wandb, Dates, Logging
-# config 内のハイパーパラメーターを追跡し、新しい run を開始します
+# 新しい run を開始し、config でハイパーパラメーターを追跡する
lg = WandbLogger(project = "Wandb.jl",
name = "wandbjl-demo-$(now())",
config = Dict("learning_rate" => 0.01,
@@ -18,17 +18,17 @@ lg = WandbLogger(project = "Wandb.jl",
"architecture" => "CNN",
"dataset" => "CIFAR-100"))
-# LoggingExtras.jl を使用して、複数のロガーに同時にログを記録します
+# LoggingExtras.jl を使用して複数のロガーに同時にログを記録する
global_logger(lg)
-# トレーニングまたは評価ループをシミュレートします
+# トレーニングまたは評価ループのシミュレーション
for x ∈ 1:50
acc = log(1 + x + rand() * get_config(lg, "learning_rate") + rand() + get_config(lg, "dropout"))
loss = 10 - log(1 + x + rand() + x * get_config(lg, "learning_rate") + rand() + get_config(lg, "dropout"))
- # スクリプトから W&B にメトリクスをログ記録します
+ # スクリプトからメトリクスを W&B にログする
@info "metrics" accuracy=acc loss=loss
end
-# run を終了します
+# run を終了する
close(lg)
-```
\ No newline at end of file
+```
diff --git a/ja/models/integrations/xgboost.mdx b/ja/models/integrations/xgboost.mdx
index 3863f31236..1ce672474d 100644
--- a/ja/models/integrations/xgboost.mdx
+++ b/ja/models/integrations/xgboost.mdx
@@ -1,69 +1,82 @@
---
+description: W&B で決定木をトラッキングする。
title: XGBoost
-description: W&B で ツリー を追跡しましょう。
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## はじめに
+
-XGBoost のメトリクス、設定、 booster モデルを W&B にログ記録するのは、 `WandbCallback` を XGBoost に渡すだけで簡単に行えます。
+XGBoost のメトリクス、設定、booster モデルを W&B にログするには、`WandbCallback` を XGBoost に渡すだけで済みます。
```python
from wandb.integration.xgboost import WandbCallback
import xgboost as XGBClassifier
...
-# wandb run を開始
+# wandb の run を開始する
with wandb.init() as run:
# WandbCallback をモデルに渡す
bst = XGBClassifier()
bst.fit(X_train, y_train, callbacks=[WandbCallback(log_model=True)])
```
-XGBoost と W&B を使用したログ記録の包括的な解説については、 [こちらのノートブック](https://wandb.me/xgboost) を開いてご確認ください。
+XGBoost と W&B によるログの記録方法を包括的に確認するには、[このノートブック](https://wandb.me/xgboost) を開いてください。
+
+
+ ## `WandbCallback` リファレンス
+
+
+
+ ### Functionality
+
-## `WandbCallback` リファレンス
+`WandbCallback` を XGBoost モデルに渡すと、次のことが実行されます:
-### 機能
-`WandbCallback` を XGBoost モデルに渡すと、以下のことが行われます。
-- booster モデルの設定を W&B にログ記録します
-- rmse、精度（accuracy）など、 XGBoost によって収集された評価メトリクスを W&B にログ記録します
-- XGBoost によって収集されたトレーニングメトリクスをログ記録します（`eval_set` にデータを提供した場合）
-- ベストスコアとベストイテレーションをログ記録します
-- 学習済みモデルを保存し、 W&B Artifacts にアップロードします（`log_model = True` の場合）
-- インポータンスプロット をログ記録します（`log_feature_importance=True`（デフォルト）の場合）
-- `define_metric=True`（デフォルト）の場合、 `wandb.Run.summary` に最適な評価メトリクスを記録します
+* booster モデルの設定を W&B にログします
+* XGBoost が収集する rmse、accuracy などの評価メトリクスを W&B にログします
+* XGBoost が収集するトレーニングメトリクスをログします (`eval_set` にデータを指定した場合)
+* 最良スコアと最良イテレーションをログします
+* 学習済みモデルを保存し、 W&B Artifacts にアップロードします (`log_model = True` の場合)
+* `log_feature_importance=True` (デフォルト) のときに、特徴量重要度のプロットをログします
+* `define_metric=True` (デフォルト) のときに、`wandb.Run.summary` に最良の評価メトリクスを記録します
-### 引数
-- `log_model`: (boolean) True の場合、モデルを保存して W&B Artifacts にアップロードします
+
+ ### Arguments
+
-- `log_feature_importance`: (boolean) True の場合、特徴量重要度の棒グラフをログ記録します
+* `log_model`: (boolean) True の場合、モデルを保存して W&B Artifacts にアップロードします
-- `importance_type`: (str) ツリー モデルの場合は `{weight, gain, cover, total_gain, total_cover}` のいずれか。線形モデルの場合は `weight`。
+* `log_feature_importance`: (boolean) True の場合、特徴量重要度の棒グラフをログします
-- `define_metric`: (boolean) True（デフォルト）の場合、トレーニングの最終ステップではなく、最適なステップにおけるモデルのパフォーマンスを `run.summary` に記録します
+* `importance_type`: (str) 木ベースのモデルの場合は `{weight, gain, cover, total_gain, total_cover}` のいずれかを指定します。線形モデルでは weight を指定します。
+* `define_metric`: (boolean) True (デフォルト) の場合、`run.summary` にはトレーニングの最後のステップではなく、最も性能が良いステップでのモデル性能を記録します。
-[WandbCallback のソースコード](https://github.com/wandb/wandb/blob/main/wandb/integration/xgboost/xgboost.py) を確認することができます。
+[WandbCallback のソースコード](https://github.com/wandb/wandb/blob/main/wandb/integration/xgboost/xgboost.py)を参照できます。
-その他の例については、 [GitHub のサンプルリポジトリ](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms) を参照してください。
+追加の例については、[GitHub 上のサンプルリポジトリ](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms)を確認してください。
-## Sweeps でハイパーパラメーターをチューニングする
+
+ ## Sweeps でハイパーパラメーターをチューニングする
+
-モデルから最大限のパフォーマンスを引き出すには、ツリーの深さや学習率などの ハイパーパラメーター をチューニングする 必要があります。 W&B [Sweeps](/models/sweeps/) は、大規模な ハイパーパラメーター テストの実験を構成、オーケストレーション、および分析するための強力なツールキットです。
+モデルの性能を最大限に引き出すには、木の深さや学習率のようなハイパーパラメーターをチューニングする必要があります。W&B [Sweeps](/ja/models/sweeps/) は、大規模なハイパーパラメーター探索実験を設定・オーケストレーション・解析するための強力なツールキットです。
-すべての W&B ログ機能は、 [PyTorch DDP](https://pytorch.org/tutorials/intermediate/ddp_tutorial.html) などのデータ並列マルチ GPU トレーニングに対応しています。
+ すべての W&B ロギング機能は、[PyTorch DDP](https://pytorch.org/tutorials/intermediate/ddp_tutorial.html) などのデータ並列マルチ GPU トレーニングと互換性があります。
-## コアな実験を追跡する
-`wandb` をインストールするだけで、システムメトリクス、モデルメトリクス、メディアをインタラクティブな [Dashboards](/models/track/workspaces/) に記録する、組み込みの W&B [ログ機能](/models/track/log/) が有効になります。
+
+ ## 主要な実験を追跡する
+
+
+`wandb` をインストールするだけで、組み込みの W&B [ログ機能](/ja/models/track/log/)が有効になり、システム メトリクス、モデル メトリクス、そしてインタラクティブな [ダッシュボード](/ja/models/track/workspaces/)に記録されるメディアが自動的に記録されます。
```python
pip install wandb
git clone https://github.com/ultralytics/yolov5.git
-python yolov5/train.py # 小さなデータセットで小さなネットワークをトレーニングする
+python yolov5/train.py # 小さなデータセットで小規模なネットワークをトレーニングする
```
-標準出力に W&B が表示するリンクに従うだけで、結果を確認できます。
+wandb が標準出力に表示するリンクをそのまま開いてください。
+ ## インテグレーションをカスタマイズする
+
-YOLO にいくつかのシンプルな コマンド ライン 引数 を渡すことで、さらに多くの W&B 機能を活用できます。
+YOLO にいくつかの簡単なコマンドライン引数を渡すことで、さらに多くの W&B 機能を活用できます。
-* `--save_period` に数値を渡すと、 W&B は `save_period` エポック ごとに [モデルバージョン](/models/registry/) を保存します。モデルバージョンには モデル の重みが含まれ、 検証セット で最もパフォーマンスの高いモデルにタグが付けられます。
-* `--upload_dataset` フラグを有効にすると、データセットもアップロードされ、データの バージョン管理 が行われます。
-* `--bbox_interval` に数値を渡すと、 [Data Visualization](../) が有効になります。 `bbox_interval` エポック ごとに、 検証セット に対する モデル の出力が W&B にアップロードされます。
+* `--save_period` に数値を渡すと、W&B は `save_period` エポックごとに [モデル バージョン](/ja/models/registry/) を保存します。モデル バージョンにはモデルの重みが含まれ、検証セットで最も良い性能を示したモデルにタグ付けします。
+* `--upload_dataset` フラグを有効にすると、データバージョニングのためにデータセットもアップロードされます。
+* `--bbox_interval` に数値を渡すと [Data Visualization](../) が有効になります。`bbox_interval` エポックごとに、検証セット上でのモデルの出力が W&B にアップロードされます。
-
-```python
-python yolov5/train.py --epochs 20 --save_period 1
-```
-
-
-```python
-python yolov5/train.py --epochs 20 --save_period 1 \
- --upload_dataset --bbox_interval 1
-```
-
+
+ ```python
+ python yolov5/train.py --epochs 20 --save_period 1
+ ```
+
+
+
+ ```python
+ python yolov5/train.py --epochs 20 --save_period 1 \
+ --upload_dataset --bbox_interval 1
+ ```
+
-すべての W&B アカウントには、 Datasets と Models 用に 100 GB の無料ストレージが付属しています。
+ すべての W&B アカウントには、データセットとモデル用に 100 GB の無料ストレージが付属しています。
-実際の表示は以下のようになります。
+実際の画面は次のとおりです。
-データと モデル の バージョン管理 を利用することで、中断したりクラッシュしたりした 実験 を、セットアップなしで任意のデバイスから再開できます。詳細は [Colab](https://wandb.me/yolo-colab) をご確認ください。
+ データとモデルのバージョン管理を行っておけば、どのデバイスからでも、一時停止またはクラッシュした実験を、追加のセットアップなしで再開できます。詳しくは [Colab](https://wandb.me/yolo-colab) を参照してください。
\ No newline at end of file
diff --git a/ja/models/integrations/yolox.mdx b/ja/models/integrations/yolox.mdx
index fbcba3faf3..8f187cac23 100644
--- a/ja/models/integrations/yolox.mdx
+++ b/ja/models/integrations/yolox.mdx
@@ -1,71 +1,80 @@
---
+description: W&B を YOLOX と連携する方法。
title: YOLOX
-description: W&B を YOLOX と統合する方法。
---
-import ApiKeyCreateStreamlined from "/snippets/en/_includes/api-key-create-streamlined.mdx";
+import ApiKeyCreateStreamlined from "/snippets/ja/_includes/api-key-create-streamlined.mdx";
-[YOLOX](https://github.com/Megvii-BaseDetection/YOLOX) は、強力な オブジェクト検出 パフォーマンスを備えた YOLO のアンカーフリーバージョンです。 YOLOX の W&B インテグレーション を使用すると、トレーニング、検証、およびシステムに関連する メトリクス の ログ 記録を有効にでき、単一の コマンドライン 引数 で 予測 をインタラクティブに検証できます。
+[YOLOX](https://github.com/Megvii-BaseDetection/YOLOX) は、物体検出において高い性能を発揮する、アンカーを用いない YOLO のバージョンです。YOLOX W&B インテグレーションを使用すると、トレーニング、検証、およびシステムに関連するメトリクスのロギングを有効にし、1 つのコマンドライン引数を指定するだけで予測をインタラクティブに検証できます。
-## サインアップと APIキー の作成
+
+ ## サインアップして API キーを作成する
+
-APIキー は、W&B に対してマシンを認証します。 ユーザー プロフィールから APIキー を生成できます。
+API キーは、お使いのマシンを W&B に対して認証するためのものです。API キーは、ユーザープロフィールから作成できます。
-
+ ## `wandb` ライブラリをインストールしてログインする
+
-ローカルに `wandb` ライブラリをインストールしてログインするには：
+ローカルに `wandb` ライブラリをインストールし、ログインするには次の手順を実行します。
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) に APIキー を設定します。
+
+ 1. `WANDB_API_KEY` [環境変数](/ja/models/track/environment-variables/) を自身の API キーに設定します。
- ```bash
- export WANDB_API_KEY=
- ```
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールしてログインします。
-1. `wandb` ライブラリをインストールしてログインします。
+ ```shell
+ pip install wandb
- ```shell
+ wandb login
+ ```
+
+
+
+ ```bash
pip install wandb
+ ```
- wandb login
+ ```python
+ import wandb
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
+
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+
+ import wandb
+ wandb.login()
+ ```
+
-## メトリクス の ログ 記録
+
+ ## メトリクスのログ記録
+
-`--logger wandb` コマンドライン 引数 を使用して、wandb による ログ 記録を有効にします。 オプションとして、 [`wandb.init()`](/models/ref/python/functions/init) が期待するすべての 引数 を渡すこともできます。 各 引数 の前に `wandb-` を付けてください。
+コマンドライン引数 `--logger wandb` を使用して、wandb へのログ出力を有効にします。必要に応じて、[`wandb.init()`](/ja/models/ref/python/functions/init) が受け取るすべての引数も渡せます。その場合は、それぞれの引数名の前に `wandb-` を付けてください。
-`num_eval_imges` は、 モデルの評価 のために W&B Tables に ログ 記録される 検証セット の画像と 予測 の数を制御します。
+`num_eval_imges` は、モデル評価のために W&B Tables にログ記録される 検証用画像および予測の数を制御します。
```shell
-# wandbにログイン
+# wandb にログイン
wandb login
-# `wandb` logger引数を指定してyoloxトレーニングスクリプトを呼び出す
+# `wandb` ロガー引数を使って yolox トレーニングスクリプトを呼び出す
python tools/train.py .... --logger wandb \
wandb-project \
wandb-entity
@@ -76,12 +85,14 @@ python tools/train.py .... --logger wandb \
wandb-log_checkpoints
```
-## 例
+
+ ## 例
+
-[YOLOX のトレーニングおよび検証メトリクスを表示したダッシュボードの例 ->](https://wandb.ai/manan-goel/yolox-nano/runs/3pzfeom)
+[YOLOX のトレーニングおよび検証メトリクスを含むダッシュボードの例 ->](https://wandb.ai/manan-goel/yolox-nano/runs/3pzfeom)
-
-*/}
+
+ ## 仕組み
+
-## 仕組み
-以下の数ステップで、モデルの チェックポイント や、パブリックにアクセス可能な OpenAI 互換のホスト型 モデル を 評価 できます。
+モデル チェックポイントまたは公開アクセス可能な OpenAI 互換のホスト型モデルを、いくつかの手順で評価できます。
-1. W&B Models で評価ジョブを セットアップ します。ベンチマークと、リーダーボードを生成するかどうかなどの 設定 を定義します。
-1. 評価ジョブを Launch します。
-1. 結果 とリーダーボードを表示・分析します。
+1. W&B Models で評価ジョブを作成します。リーダーボードを生成するかどうかなど、そのベンチマークと設定を定義します。
+2. 評価ジョブを実行します。
+3. 結果とリーダーボードを表示して分析します。
-同じ宛先 Projects に対して評価ジョブを Launch するたびに、その Projects のリーダーボードが自動的に更新されます。
+同じ出力先プロジェクトを指定して評価ジョブを実行するたびに、そのプロジェクトのリーダーボードは自動的に更新されます。
+ ## 次のステップ
+
+
+* [Evaluation benchmark カタログ](/ja/models/launch/evaluations) を参照する
+* [モデル チェックポイントを評価する](/ja/models/launch/evaluate-model-checkpoint)
+* [API でホストされているモデルを評価する](/ja/models/launch/evaluate-hosted-model)
+
+
+ ## 詳細
+
+
+
+ ### 料金
+
+
+LLM Evaluation Jobs は、インフラ管理不要の完全マネージドな CoreWeave コンピュート上で、一般的なベンチマークに対して モデル チェックポイントまたはホスト API を評価します。アイドル時間ではなく、消費したリソースに対してのみ課金されます。料金はコンピュートとストレージの 2 つの要素で構成されます。パブリック プレビュー期間中はコンピュートは無料で、一般提供時に料金を発表します。保存される結果には、Models の runs に保存される メトリクス とサンプルごとのトレースが含まれます。ストレージはデータ量に基づき、月単位で課金されます。プレビュー期間中、LLM Evaluation Jobs は Multi-tenant Cloud でのみ利用可能です。詳細は [Pricing](https://wandb.ai/pricing) ページを参照してください。
+
+
+ ### ジョブの制限
+
+
+1 件の評価ジョブには次の制限があります。
-## 詳細
+* 評価対象となるモデルの最大サイズは、コンテキストを含めて 86 GB です。
+* 各ジョブで使用できる GPU は最大 2 基です。
-### 料金
-LLM Evaluation Jobs は、完全に管理された CoreWeave の計算リソース上で、一般的なベンチマークに対して モデル の チェックポイント やホスト型 API を 評価 します。インフラストラクチャー を管理する必要はありません。支払いは消費したリソースに対してのみ発生し、アイドル時間には発生しません。料金は「計算リソース」と「ストレージ」の 2 つの要素で構成されます。計算リソースはパブリックプレビュー期間中は無料です。一般提供開始時に料金をアナウンス予定です。保存される 結果 には、Models の Runs に保存された メトリクス やサンプルごとの Traces が含まれます。ストレージ料金は データ 量に基づき、月単位で請求されます。プレビュー期間中、LLM Evaluation Jobs はマルチテナントの クラウド でのみ利用可能です。詳細は [料金ページ](https://wandb.ai/pricing) を参照してください。
+
+ ### 要件
+
-### ジョブの制限
-個々の評価ジョブには以下の制限があります。
-- 評価対象の モデル の最大サイズは、コンテキストを含めて 86 GB です。
-- 各ジョブは 2 枚の GPU に制限されています。
+* モデル チェックポイントを評価するには、モデルの重みを VLLM 互換の Artifacts としてパッケージ化しておく必要があります。詳細およびコード例は、[Example: Prepare a model](/ja/models/launch/evaluate-model-checkpoint#example-prepare-a-model) を参照してください。
+* OpenAI 互換のモデルを評価するには、そのモデルがパブリック URL からアクセス可能であり、組織またはチーム管理者が認証用の API キーを含む team secret を設定しておく必要があります。
+* 一部のベンチマークは、スコアリングに OpenAI モデルを使用します。これらのベンチマークを実行するには、組織またはチーム管理者が必要な API キーを含む team secret を設定しておく必要があります。あるベンチマークにこの要件があるかどうかを確認するには、[Evaluation benchmark catalog](/ja/models/launch/evaluations) を参照してください。
+* 一部のベンチマークでは、Hugging Face 上の gated データセットへのアクセスが必要です。これらのベンチマークのいずれかを実行するには、組織またはチーム管理者が Hugging Face 上の gated データセットへのアクセスを申請し、Hugging Face ユーザー アクセス トークンを生成し、それを team secret として設定する必要があります。あるベンチマークにこの要件があるかどうかを確認するには、[Evaluation benchmark catalog](/ja/models/launch/evaluations) を参照してください。
-### 要件
-- モデル の チェックポイント を 評価 するには、モデル の重みが VLLM 互換の Artifacts としてパッケージ化されている必要があります。詳細とサンプル コード については、[例：モデルの準備](/models/launch/evaluate-model-checkpoint#example-prepare-a-model) を参照してください。
-- OpenAI 互換 モデル を 評価 するには、その モデル がパブリックな URL でアクセス可能である必要があり、また、組織または Team の管理者が認証用の APIキー を Team Secret として 設定 する必要があります。
-- 一部のベンチマークでは、スコアリングに OpenAI モデル を使用します。これらのベンチマークを実行するには、組織または Team の管理者が、必要な APIキー を Team Secret として 設定 する必要があります。[評価ベンチマークカタログ](/models/launch/evaluations) で、ベンチマークにこの要件があるかどうかを確認してください。
-- 一部のベンチマークでは、Hugging Face のゲート付き データセット への アクセス が必要です。これらのベンチマークのいずれかを実行するには、組織または Team の管理者が Hugging Face でゲート付き データセット への アクセス をリクエストし、Hugging Face ユーザー アクセス トークンを生成して、それを Team Secret として 設定 する必要があります。[評価ベンチマークカタログ](/models/launch/evaluations) で、ベンチマークにこの要件があるかどうかを確認してください。
+これらの要件を満たすための詳細および手順については、次のドキュメントを参照してください。
-これらの要件を満たすための詳細と手順については、以下を参照してください。
-- [モデルのチェックポイントを評価する](/models/launch/evaluate-hosted-model)
-- [ホスト型 API モデルを評価する](/models/launch/evaluate-model-checkpoint)
\ No newline at end of file
+* [Evaluate a model checkpoint](/ja/models/launch/evaluate-hosted-model)
+* [Evaluate a hosted API model](/ja/models/launch/evaluate-model-checkpoint)
\ No newline at end of file
diff --git a/ja/models/launch/evaluate-hosted-model.mdx b/ja/models/launch/evaluate-hosted-model.mdx
index 937f2632d5..51b2f31ede 100644
--- a/ja/models/launch/evaluate-hosted-model.mdx
+++ b/ja/models/launch/evaluate-hosted-model.mdx
@@ -1,54 +1,61 @@
---
-title: ホストされた API モデル を評価する
-description: CoreWeave によって管理される インフラストラクチャー を使用して、ホストされた API モデル を評価する
+description: "CoreWeave が管理するインフラストラクチャ上でホストされた API モデルを評価する"
+title: "ホストされた API モデルを評価する"
---
-import ReviewEvaluationResults from "/snippets/en/_includes/llm-eval-jobs/review-evaluation-results.mdx";
-import RerunEvaluation from "/snippets/en/_includes/llm-eval-jobs/rerun-evaluation.mdx";
-import ExportEvaluation from "/snippets/en/_includes/llm-eval-jobs/export-evaluation.mdx";
-import PreviewLink from '/snippets/en/_includes/llm-eval-jobs/preview.mdx';
+
+import ReviewEvaluationResults from "/snippets/ja/_includes/llm-eval-jobs/review-evaluation-results.mdx";
+import RerunEvaluation from "/snippets/ja/_includes/llm-eval-jobs/rerun-evaluation.mdx";
+import ExportEvaluation from "/snippets/ja/_includes/llm-eval-jobs/export-evaluation.mdx";
+import PreviewLink from '/snippets/ja/_includes/llm-eval-jobs/preview.mdx';
` という構文で指定します。ホストされているモデルプロバイダーとモデルの包括的なリストについては、[AI Security Institute's model provider reference](https://inspect.aisi.org.uk/providers.html) を参照してください。
- - [W&B Inference](/inference) で提供されるモデルを評価するには、ベース URL を `https://api.inference.wandb.ai/v1` に設定し、モデル名を `openai-api/wandb/` という構文で指定します。詳細は [Inference model catalog](/inference/models) を参照してください。
- - [OpenRouter](https://inspect.aisi.org.uk/providers.html#openrouter) プロバイダーを使用するには、モデル名の前に `openrouter` を付け、`openrouter/` という構文で指定します。
- - カスタムの OpenAI 準拠モデルを評価するには、モデル名を `openai-api/wandb/` という構文で指定します。
-1. **Select evaluations** をクリックし、実行するベンチマークを最大4つまで選択します。
-1. スコアリングに OpenAI モデルを使用するベンチマークを選択した場合、**Scorer API key** フィールドが表示されます。それをクリックし、`OPENAI_API_KEY` シークレットを選択します。利便性のために、チーム管理者はこのドロワーから **Create secret** をクリックしてシークレットを作成することもできます。
-1. Hugging Face のゲート付きデータセットへのアクセスが必要なベンチマークを選択した場合、**Hugging Face token** フィールドが表示されます。[関連するデータセットへのアクセスをリクエスト](https://huggingface.co/docs/hub/en/datasets-gated#access-gated-datasets-as-a-user) した後、Hugging Face ユーザーアクセストークンを含むシークレットを選択します。
-1. オプションで、**Sample limit** に正の整数を設定して、評価するベンチマークサンプルの最大数を制限できます。設定しない場合は、タスク内のすべてのサンプルが含まれます。
-1. リーダーボードを自動的に作成するには、**Publish results to leaderboard** をクリックします。リーダーボードは Workspace パネルにすべての評価をまとめて表示し、Report で共有することもできます。
-1. **Launch** をクリックして、評価ジョブを Launch します。
-1. ページ上部の円形の矢印アイコンをクリックして、最近の run モーダルを開きます。評価ジョブは他の最近の Runs と一緒に表示されます。完了した run の名前をクリックして単一 run ビューで開くか、**Leaderboard** リンクをクリックしてリーダーボードを直接開きます。詳細は [View the results](#view-the-results) を参照してください。
-
-この例のジョブは、OpenAI モデル `o4-mini` に対して `simpleqa` ベンチマークを実行します。
+このページでは、[LLM Evaluation Jobs](/ja/models/launch) を使用して、CoreWeave が管理するインフラストラクチャ上で、公開 URL からアクセスできるホスト済み API モデルに対して、一連の評価用ベンチマークを実行する方法を説明します。W&B Models に Artifacts として保存された モデル チェックポイントを評価する場合は、代わりに [Evaluate a model checkpoint](/ja/models/launch/evaluate-model-checkpoint) を参照してください。
+
+
+ ## 前提条件
+
+
+1. LLM 評価ジョブの[要件と制限](/ja/models/launch#more-details)を確認します。
+2. 特定のベンチマークを実行するには、チーム管理者が必要な API キーを team-scoped secret として追加する必要があります。任意のチームメンバーが、評価ジョブを設定するときにその secret を指定できます。
+ * **OpenAPI API key**: スコアリングに OpenAI モデルを使用するベンチマークで使用されます。ベンチマークを選択した後に **Scorer API key** フィールドが表示される場合は必須です。secret 名は `OPENAI_API_KEY` である必要があります。
+ * **Hugging Face user access token**: `lingoly` や `lingoly2` のように、1 つ以上の gated な Hugging Face データセットへのアクセスを必要とする一部のベンチマークで必要です。ベンチマークを選択した後に **Hugging Face Token** フィールドが表示される場合は必須です。API キーは該当するデータセットへのアクセス権を持っている必要があります。Hugging Face ドキュメントの [User access tokens](https://huggingface.co/docs/hub/en/security-tokens) および [accessing gated datasets](https://huggingface.co/docs/hub/en/datasets-gated#access-gated-datasets-as-a-user) を参照してください。
+ * [W&B Inference](/ja/inference) が提供するモデルを評価するには、組織またはチームの管理者が、任意の値で `WANDB_API_KEY` を作成する必要があります。この secret は実際の認証には使用されません。
+3. 評価するモデルは、公開アクセス可能な URL で利用できる必要があります。組織またはチームの管理者が、認証用の API キーを含む team-scoped secret を作成する必要があります。
+4. 評価結果用に新しい [W&B project](/ja/models/track/project-page) を作成します。プロジェクトのサイドバーから **Create new project** をクリックします。
+5. 各ベンチマークの動作と特定の要件を理解するために、そのベンチマークのドキュメントを確認します。便宜上、「[Available evaluation benchmarks](/ja/models/launch/evaluations)」リファレンスに関連リンクが含まれています。
+
+
+ ## モデルを評価する
+
+
+評価ジョブをセットアップして起動するには、次の手順に従います。
+
+1. W&B にログインし、プロジェクトのサイドバーで **Launch** をクリックします。**LLM Evaluation Jobs** ページが表示されます。
+2. **Evaluate hosted API model** をクリックして評価をセットアップします。
+3. 評価結果を保存する宛先プロジェクトを選択します。
+4. **Model** セクションで、評価するベース URL とモデル名を指定し、認証に使用する API キーを選択します。[AI Security Institute](https://inspect.aisi.org.uk/providers.html#openai-api) で定義されている OpenAI 互換形式でモデル名を指定します。たとえば、OpenAI モデルを次の構文で指定します: `openai/`。ホストされたモデルプロバイダーとモデルの完全な一覧については、[AI Security Institute の model provider reference](https://inspect.aisi.org.uk/providers.html) を参照してください。
+ * [W&B Inference](/ja/inference) が提供するモデルを評価するには、ベース URL を `https://api.inference.wandb.ai/v1` に設定し、モデル名を次の構文で指定します: `openai-api/wandb/`。詳細は [Inference model catalog](/ja/inference/models) を参照してください。
+ * [OpenRouter](https://inspect.aisi.org.uk/providers.html#openrouter) プロバイダーを使用するには、モデル名の前に `openrouter` を付け、次の構文で指定します: `openrouter/`。
+ * OpenAPI 準拠のカスタムモデルを評価するには、モデル名を次の構文で指定します: `openai-api/wandb/`。
+5. **Select evaluations** をクリックし、実行するベンチマークを最大 4 つまで選択します。
+6. スコアリングに OpenAI モデルを使用するベンチマークを選択した場合は、**Scorer API key** フィールドが表示されます。そこをクリックして `OPENAI_API_KEY` シークレットを選択します。便宜上、チーム管理者はこのドロワーから **Create secret** をクリックしてシークレットを作成できます。
+7. Hugging Face のゲート付きデータセットへのアクセスを必要とするベンチマークを選択した場合、**Hugging Face token** フィールドが表示されます。[該当データセットへのアクセスをリクエスト](https://huggingface.co/docs/hub/en/datasets-gated#access-gated-datasets-as-a-user) し、Hugging Face ユーザー アクセス トークンを含むシークレットを選択します。
+8. 必要に応じて、**Sample limit** を正の整数に設定して、評価するベンチマークサンプルの最大数を制限します。設定しない場合、タスク内のすべてのサンプルが含まれます。
+9. リーダーボードを自動的に作成するには、**Publish results to leaderboard** をクリックします。リーダーボードには、すべての評価が Workspace パネルにまとめて表示され、レポートで共有することもできます。
+10. **Launch** をクリックして評価ジョブを起動します。
+11. ページ上部の円形の矢印アイコンをクリックして、最近の run を表示するモーダルを開きます。評価ジョブは他の最近の Runs と一緒に表示されます。完了した run の名前をクリックすると、その run が単一 run ビューで開きます。または、**Leaderboard** リンクをクリックしてリーダーボードを直接開きます。詳細は [結果を表示する](#view-the-results) を参照してください。
+
+次のジョブ例では、`simpleqa` ベンチマークを OpenAI モデル `o4-mini` に対して実行します。
+ ## 前提条件
+
+
+1. LLM Evaluation Jobs の[要件と制限事項](/ja/models/launch#more-details)を確認します。
+2. 特定のベンチマークを実行するには、チーム管理者が必要な API キーを [team-scoped secrets](/ja/platform/secrets#add-a-secret) として追加しておく必要があります。任意のチームメンバーが、評価ジョブを設定する際にそのシークレットを指定できます。要件については [Evaluation model catalog](/ja/models/launch/evaluations) を参照してください。
+ * **OpenAPI API key**: OpenAI モデルをスコアリングに利用するベンチマークで使用します。ベンチマークを選択した後に **Scorer API key** フィールドが表示される場合は必須です。シークレット名は `OPENAI_API_KEY` である必要があります。
+ * **Hugging Face user access token**: 1 つ以上の gated な Hugging Face データセットへのアクセスが必要な `lingoly` や `lingoly2` など、特定のベンチマークで必要になります。ベンチマークを選択した後に **Hugging Face Token** フィールドが表示される場合は必須です。API キー は、該当データセットへのアクセス権を持っている必要があります。詳細は Hugging Face ドキュメントの [User access tokens](https://huggingface.co/docs/hub/en/security-tokens) および [accessing gated datasets](https://huggingface.co/docs/hub/en/datasets-gated#access-gated-datasets-as-a-user) を参照してください。
+3. 評価結果用に新しい [W&B project](/ja/models/track/project-page) を作成します。プロジェクトサイドバーから **Create new project** をクリックします。
+4. モデルを VLLM 互換形式でパッケージ化し、W&B Models 内の Artifacts として保存します。その他の種類の Artifacts をベンチマークしようとすると失敗します。1 つの方法として、このページ末尾の [Example: Prepare a model](#example-prepare-your-model) を参照してください。
+5. 各ベンチマークの動作と具体的な要件を理解するため、対象ベンチマークのドキュメントを確認します。便宜上、[Available evaluation benchmarks](/ja/models/launch/evaluations) リファレンスに関連リンクがまとめられています。
+
+
+ ## モデルを評価する
+
+
+評価ジョブをセットアップして起動するには、次の手順に従います。
+
+1. W&B にログインし、プロジェクトのサイドバーで **Launch** をクリックします。**LLM Evaluation Jobs** ページが表示されます。
+2. 評価ジョブを設定するには、**Evaluate model checkpoint** をクリックします。
+3. 評価結果を保存する宛先のプロジェクトを選択します。
+4. **Model artifact** セクションで、評価する準備済みモデルのプロジェクト、 Artifacts 、バージョンを指定します。
+5. **Evaluations** をクリックし、最大 4 つまでのベンチマークを選択します。
+6. スコアリングに OpenAI モデルを使用するベンチマークを選択した場合、**Scorer API key** フィールドが表示されます。そこをクリックし、`OPENAI_API_KEY` シークレットを選択します。利便性のために、チーム管理者はこのドロワーから **Create secret** をクリックしてシークレットを作成できます。
+7. Hugging Face のゲート付きデータセットへのアクセスを必要とするベンチマークを選択した場合、**Hugging Face token** フィールドが表示されます。[対象のデータセットへのアクセスをリクエスト](https://huggingface.co/docs/hub/en/datasets-gated#access-gated-datasets-as-a-user) し、Hugging Face ユーザーアクセス トークンを含むシークレットを選択します。
+8. オプションとして、**Sample limit** を正の整数に設定して、評価するベンチマークサンプル数の上限を指定できます。設定しない場合は、そのタスク内のすべてのサンプルが含まれます。
+9. リーダーボードを自動的に作成するには、**Publish results to leaderboard** をクリックします。リーダーボードには、すべての評価結果が Workspace パネルにまとめて表示され、レポート内で共有することもできます。
+10. **Launch** をクリックして評価ジョブを起動します。
+11. ページ上部の円形矢印アイコンをクリックして、直近の run を表示するモーダルを開きます。評価ジョブは、他の最近の run と一緒に表示されます。完了した run の名前をクリックすると単一 run ビューで開き、**Leaderboard** リンクをクリックするとリーダーボードを直接開きます。詳細は [結果を表示する](#view-the-results) を参照してください。
-最初のモデルを評価した後は、次の評価ジョブを設定する際に、多くのフィールドに最新の値が事前入力されます。
+ 最初のモデルを評価した後は、次の評価ジョブを設定する際に、多くのフィールドが直近の値で自動入力されます。
-この評価ジョブの例では、Artifact に対して 2 つのベンチマークを実行しています。
+この評価ジョブの例では、2 つのベンチマークを 1 つの Artifacts に対して実行します。
+ ## 例：モデルを準備する
+
+
+モデルを準備するには、W&B Models にモデルを読み込み、モデルの重みを VLLM 互換フォーマットでパッケージ化し、その結果を保存します。次の例は、その方法の一つです。
```python lines
import os
from transformers import AutoTokenizer, AutoModelForCausalLM
-# モデルのロード
+# モデルを読み込む
model_name = "your-model-name"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)
-# vLLM互換フォーマットで保存
+# vLLM 互換フォーマットで保存する
save_dir = "path/to/save"
tokenizer.save_pretrained(save_dir)
model.save_pretrained(save_dir)
-# W&B Modelsに保存
+# W&B Models に保存する
import wandb
wandb_run = wandb.init(entity="your-entity-name", project="your-project-name")
artifact = wandb.Artifact(name="your-artifact-name")
@@ -82,4 +92,4 @@ artifact.add_dir(save_dir)
logged_artifact = wandb_run.log_artifact(artifact)
logged_artifact.wait()
wandb.finish()
-```
\ No newline at end of file
+```
diff --git a/ja/models/launch/evaluations.mdx b/ja/models/launch/evaluations.mdx
index 5d1d56f866..8f9532b9fd 100644
--- a/ja/models/launch/evaluations.mdx
+++ b/ja/models/launch/evaluations.mdx
@@ -1,207 +1,233 @@
---
-title: 評価ベンチマークカタログ
-description: LLM Evaluation Jobs を通じて利用可能な評価ベンチマークを閲覧する
+title: "評価ベンチマークカタログ"
+description: >
+ LLM Evaluation Jobs で利用可能な評価ベンチマークを閲覧します
---
-import PreviewLink from '/snippets/en/_includes/llm-eval-jobs/preview.mdx';
+
+import PreviewLink from '/snippets/ja/_includes/llm-eval-jobs/preview.mdx';
+ ## 知識
+
-科学、言語、一般的な推論など、さまざまなドメインにわたる事実知識を評価します。
+科学、言語、一般的な推論など、さまざまな分野にわたる事実知識を評価します。
-| 評価 | タスク ID | OpenAI Model Scorer | Gated Hugging Face Dataset | 説明 |
+| 評価 | タスク ID | OpenAI スコアラー
| アクセス制限付き Hugging Face データセット | 説明 |
|------------|---------|---------------|------------------|-------------|
-| [BoolQ](https://github.com/google-research-datasets/boolean-questions) | `boolq` | | | 自然言語クエリからの 2 値（はい/いいえ）の質問 |
-| [GPQA Diamond](https://arxiv.org/abs/2311.12022) | `gpqa_diamond` | | | 大学院レベルの科学の質問（最高品質のサブセット） |
-| [HLE](https://arxiv.org/abs/2501.14249) | `hle` | | Yes | 人間レベルの評価ベンチマーク |
+| [BoolQ](https://github.com/google-research-datasets/boolean-questions) | `boolq` | | | 自然言語クエリに対する真偽 (はい／いいえ) 質問 |
+| [GPQA Diamond](https://arxiv.org/abs/2311.12022) | `gpqa_diamond` | | | 大学院レベルの科学に関する質問 (最高品質のサブセット) |
+| [HLE](https://arxiv.org/abs/2501.14249) | `hle` | | Yes | 人間レベルの性能を評価するベンチマーク |
| [Lingoly](https://arxiv.org/abs/2406.06196) | `lingoly` | | Yes | 言語学オリンピックの問題 |
-| [Lingoly Too](https://arxiv.org/abs/2503.02972) | `lingoly_too` | | Yes | 拡張された言語学チャレンジ問題 |
-| [MMIU](https://arxiv.org/abs/2408.02718) | `mmiu` | | | 大規模マルチタスク言語理解ベンチマーク |
-| [MMLU (0-shot)](https://github.com/hendrycks/test) | `mmlu_0_shot` | | | 例示なし（0-shot）での大規模マルチタスク言語理解 |
-| [MMLU (5-shot)](https://github.com/hendrycks/test) | `mmlu_5_shot` | | | 5 つの例示を伴う大規模マルチタスク言語理解 |
-| [MMLU-Pro](https://arxiv.org/abs/2406.01574) | `mmlu_pro` | | | MMLU のより難易度の高いバージョン |
+| [Lingoly Too](https://arxiv.org/abs/2503.02972) | `lingoly_too` | | Yes | 拡張版の言語学チャレンジ問題 |
+| [MMIU](https://arxiv.org/abs/2408.02718) | `mmiu` | | | Massive Multitask Language Understanding のベンチマーク |
+| [MMLU (0-shot)](https://github.com/hendrycks/test) | `mmlu_0_shot` | | | 例示なしの Massive Multitask Language Understanding |
+| [MMLU (5-shot)](https://github.com/hendrycks/test) | `mmlu_5_shot` | | | 5 つの例付き Massive Multitask Language Understanding |
+| [MMLU-Pro](https://arxiv.org/abs/2406.01574) | `mmlu_pro` | | | MMLU のより難易度が高いバージョン |
| [ONET M6](https://github.com/UKGovernmentBEIS/inspect_evals/tree/main/src/inspect_evals/onet) | `onet_m6` | | | 職業知識ベンチマーク |
-| [PAWS](https://github.com/google-research-datasets/paws) | `paws` | | | 言い換えによる敵対的単語置換 |
-| [SevenLLM MCQ (English)](https://github.com/wangclnlp/SevenLLM-Benchmark) | `sevenllm_mcq_en` | | | 英語の多肢選択式質問 |
-| [SevenLLM MCQ (Chinese)](https://github.com/wangclnlp/SevenLLM-Benchmark) | `sevenllm_mcq_zh` | | | 中国語の多肢選択式質問 |
-| [SevenLLM QA (English)](https://github.com/wangclnlp/SevenLLM-Benchmark) | `sevenllm_qa_en` | | | 英語の質問回答（QA） |
-| [SevenLLM QA (Chinese)](https://github.com/wangclnlp/SevenLLM-Benchmark) | `sevenllm_qa_zh` | | | 中国語の質問回答（QA） |
-| [SimpleQA](https://openai.com/index/introducing-simpleqa/) | `simpleqa` | Yes | | 直接的な事実に関する質問回答 |
-| [SimpleQA Verified](https://openai.com/index/introducing-simpleqa/) | `simpleqa_verified` | | | 検証済みの回答を含む SimpleQA のサブセット |
-| [WorldSense](https://github.com/facebookresearch/worldsense) | `worldsense` | | | 世界の知識と常識の理解度を評価 |
-
-## Reasoning（推論）
-
-論理的思考、問題解決、および常識的な推論能力を評価します。
-
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| [PAWS](https://github.com/google-research-datasets/paws) | `paws` | | | 敵対的単語置換を用いたパラフレーズタスク |
+| [SevenLLM MCQ (English)](https://arxiv.org/abs/2405.03446) | `sevenllm_mcq_en` | | | 英語の多肢選択式問題 |
+| [SevenLLM MCQ (Chinese)](https://arxiv.org/abs/2405.03446) | `sevenllm_mcq_zh` | | | 中国語の多肢選択式問題 |
+| [SevenLLM QA (English)](https://arxiv.org/abs/2405.03446) | `sevenllm_qa_en` | | | 英語の質問応答 |
+| [SevenLLM QA (Chinese)](https://arxiv.org/abs/2405.03446) | `sevenllm_qa_zh` | | | 中国語の質問応答 |
+| [SimpleQA](https://openai.com/index/introducing-simpleqa/) | `simpleqa` | Yes | | 単純な事実に基づく質問応答 |
+| [SimpleQA Verified](https://openai.com/index/introducing-simpleqa/) | `simpleqa_verified` | | | 解答が検証された SimpleQA の検証済みサブセット |
+| [WorldSense](https://github.com/facebookresearch/worldsense) | `worldsense` | | | 世界知識および常識的推論の理解を評価 |
+
+
+ ## 推論
+
+
+論理的思考力、問題解決力、そして常識的な推論能力を評価します。
+
+| Evaluation | Task ID | OpenAI Scorer | Gated HF Dataset | Description |
|------------|---------|---------------|------------------|-------------|
-| [AGIE AQUA-RAT](https://arxiv.org/abs/1705.04146) | `agie_aqua_rat` | | | 根拠（rationale）を伴う代数の質問回答 |
-| [AGIE LogiQA (English)](https://arxiv.org/abs/2007.08124) | `agie_logiqa_en` | | | 英語の論理推論の質問 |
-| [AGIE LSAT Analytical Reasoning](https://www.lsac.org/) | `agie_lsat_ar` | | | LSAT 分析推論（ロジックパズル）の問題 |
-| [AGIE LSAT Logical Reasoning](https://www.lsac.org/) | `agie_lsat_lr` | | | LSAT 論理推論の質問 |
-| [ARC Challenge](https://allenai.org/data/arc) | `arc_challenge` | | | 推論を必要とする難易度の高い科学の質問（AI2 推論チャレンジ） |
-| [ARC Easy](https://allenai.org/data/arc) | `arc_easy` | | | ARC データセットからの比較的容易な科学の質問セット |
-| [BBH](https://github.com/suzgunmirac/BIG-Bench-Hard) | `bbh` | | | BIG-Bench Hard: BIG-Bench からの難易度の高いタスク |
-| [CoCoNot](https://arxiv.org/abs/2310.03697) | `coconot` | | | 反実仮想的な常識推論ベンチマーク |
-| [CommonsenseQA](https://www.tau-nlp.sites.tau.ac.il/commonsenseqa) | `commonsense_qa` | | | 常識推論の質問 |
-| [HellaSwag](https://arxiv.org/abs/1905.07830) | `hellaswag` | | | 常識的な自然言語推論 |
-| [MUSR](https://arxiv.org/abs/2310.16049) | `musr` | | | 多段階推論ベンチマーク |
-| [PIQA](https://yonatanbisk.com/piqa/) | `piqa` | | | 物理的な常識推論 |
-| [WinoGrande](https://winogrande.allenai.org/) | `winogrande` | | | 代名詞の解消を通じた常識推論 |
-
-## Math（数学）
-
-小学校レベルから競技レベルの問題まで、さまざまな難易度の数学的問題解決能力を評価します。
-
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| [AGIE AQUA-RAT](https://arxiv.org/abs/1705.04146) | `agie_aqua_rat` | | | 根拠付きの代数的な質問応答 |
+| [AGIE LogiQA (English)](https://arxiv.org/abs/2007.08124) | `agie_logiqa_en` | | | 英語による論理推論の質問 |
+| [AGIE LSAT Analytical Reasoning](https://www.lsac.org/) | `agie_lsat_ar` | | | LSAT の分析推論 (ロジックゲーム) 問題 |
+| [AGIE LSAT Logical Reasoning](https://www.lsac.org/) | `agie_lsat_lr` | | | LSAT の論理推論問題 |
+| [ARC Challenge](https://huggingface.co/datasets/allenai/ai2_arc) | `arc_challenge` | | | 推論を要する難度の高い科学問題 (AI2 Reasoning Challenge) |
+| [ARC Easy](https://huggingface.co/datasets/allenai/ai2_arc) | `arc_easy` | | | ARC データセットからの比較的易しい科学問題セット |
+| [BBH](https://github.com/suzgunmirac/BIG-Bench-Hard) | `bbh` | | | BIG-Bench Hard: BIG-Bench からの難度の高いタスク |
+| [CoCoNot](https://arxiv.org/abs/2310.03697) | `coconot` | | | 反事実的なコモンセンス推論のベンチマーク |
+| [CommonsenseQA](https://huggingface.co/datasets/tau/commonsense_qa) | `commonsense_qa` | | | コモンセンス推論の質問 |
+| [HellaSwag](https://arxiv.org/abs/1905.07830) | `hellaswag` | | | コモンセンスに基づく自然言語推論 |
+| [MUSR](https://arxiv.org/abs/2310.16049) | `musr` | | | マルチステップ推論のベンチマーク |
+| [PIQA](https://yonatanbisk.com/piqa/) | `piqa` | | | 物理的なコモンセンス推論 |
+| [WinoGrande](https://winogrande.allenai.org/) | `winogrande` | | | 代名詞解決によるコモンセンス推論 |
+
+
+ ## 数学
+
+
+小学校レベルから数学コンテストレベルまで、さまざまな難易度の数学問題に対する問題解決能力を評価します。
+
+| Evaluation | Task ID | OpenAI スコアラー | Gated HF データセット | 説明 |
|------------|---------|---------------|------------------|-------------|
-| [AGIE Math](https://arxiv.org/abs/2410.12211) | `agie_math` | | | AGIE ベンチマークスイートからの高度な数学的推論 |
-| [AGIE SAT Math](https://collegereadiness.collegeboard.org/sat) | `agie_sat_math` | | | SAT 数学の質問 |
-| [AIME 2024](https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions) | `aime2024` | | | 2024 年のアメリカ招待数学検定（AIME）の問題 |
-| [AIME 2025](https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions) | `aime2025` | | | 2025 年のアメリカ招待数学検定（AIME）の問題 |
-| [GSM8K](https://github.com/openai/grade-school-math) | `gsm8k` | | | Grade School Math 8K: 多段階の算数文章題 |
-| [InfiniteBench Math Calc](https://arxiv.org/abs/2402.13718) | `infinite_bench_math_calc` | | | 長いコンテキストにおける数学的計算 |
-| [InfiniteBench Math Find](https://arxiv.org/abs/2402.13718) | `infinite_bench_math_find` | | | 長いコンテキストにおける数学的パターンの発見 |
+| [AGIE Math](https://arxiv.org/abs/2410.12211) | `agie_math` | | | AGIE ベンチマークスイートにおける高度な数学的推論 |
+| [AGIE SAT Math](https://satsuite.collegeboard.org/sat) | `agie_sat_math` | | | SAT 数学の設問 |
+| [AIME 2024](https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions) | `aime2024` | | | 2024 年の American Invitational Mathematics Examination の問題 |
+| [AIME 2025](https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions) | `aime2025` | | | 2025 年の American Invitational Mathematics Examination の問題 |
+| [GSM8K](https://github.com/openai/grade-school-math) | `gsm8k` | | | Grade School Math 8K: 複数ステップの算数文章題 |
+| [InfiniteBench Math Calc](https://arxiv.org/abs/2402.13718) | `infinite_bench_math_calc` | | | 長い文脈における数学的計算 |
+| [InfiniteBench Math Find](https://arxiv.org/abs/2402.13718) | `infinite_bench_math_find` | | | 長い文脈における数学的パターンの発見 |
| [MATH](https://github.com/hendrycks/math) | `math` | | | 競技レベルの数学問題 |
-| [MGSM](https://github.com/google-research/url-nlp/tree/main/mgsm) | `mgsm` | | | 多言語の小学校レベルの算数 |
+| [MGSM](https://github.com/google-research/url-nlp/tree/main/mgsm) | `mgsm` | | | 多言語版 Grade School Math |
-## Code（コード）
+
+ ## コード
+
-デバッグ、コード実行予測、関数呼び出しなどのプログラミングおよびソフトウェア開発能力を評価します。
+デバッグ、コード実行結果の予測、関数呼び出しなどのプログラミングおよびソフトウェア開発に関する能力を評価します。
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| 評価 | タスク ID | OpenAI スコアラー | アクセス制限付き HF データセット | 説明 |
|------------|---------|---------------|------------------|-------------|
-| [BFCL](https://gorilla.cs.berkeley.edu/blogs/8_berkeley_function_calling_leaderboard.html) | `bfcl` | | | Berkeley Function Calling Leaderboard: 関数呼び出しとツール使用能力をテスト |
-| [InfiniteBench Code Debug](https://arxiv.org/abs/2402.13718) | `infinite_bench_code_debug` | | | 長いコンテキストでのコードデバッグタスク |
-| [InfiniteBench Code Run](https://arxiv.org/abs/2402.13718) | `infinite_bench_code_run` | | | 長いコンテキストでのコード実行予測 |
+| [BFCL](https://gorilla.cs.berkeley.edu/blogs/8_berkeley_function_calling_leaderboard.html) | `bfcl` | | | Berkeley Function Calling Leaderboard: 関数呼び出しおよびツール使用能力をテストするベンチマーク |
+| [InfiniteBench Code Debug](https://arxiv.org/abs/2402.13718) | `infinite_bench_code_debug` | | | 長コンテキスト環境におけるコードデバッグタスク |
+| [InfiniteBench Code Run](https://arxiv.org/abs/2402.13718) | `infinite_bench_code_run` | | | 長コンテキスト環境におけるコード実行結果の予測 |
-## Reading（読解）
+
+ ## 読解
+
-複雑なテキストからの読解力と情報抽出能力を評価します。
+複雑なテキストに対する読解力と情報抽出能力を評価します。
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| Evaluation | Task ID | OpenAI Scorer | Gated HF Dataset | Description |
|------------|---------|---------------|------------------|-------------|
-| [AGIE LSAT Reading Comprehension](https://www.lsac.org/) | `agie_lsat_rc` | | | LSAT の読解パッセージと質問 |
-| [AGIE SAT English](https://collegereadiness.collegeboard.org/sat) | `agie_sat_en` | | | パッセージを含む SAT の読解および作文の質問 |
-| [AGIE SAT English (No Passage)](https://collegereadiness.collegeboard.org/sat) | `agie_sat_en_without_passage` | | | パッセージを伴わない SAT 英語の質問 |
-| [DROP](https://allenai.org/data/drop) | `drop` | | | Discrete Reasoning Over Paragraphs: 数値的推論を必要とする読解 |
-| [RACE-H](https://www.cs.cmu.edu/~glai1/data/race/) | `race_h` | | | 英語試験（難易度高）からの読解 |
-| [SQuAD](https://rajpurkar.github.io/SQuAD-explorer/) | `squad` | | | Stanford Question Answering Dataset: Wikipedia 記事に対する抽出型の質問回答 |
+| [AGIE LSAT Reading Comprehension](https://www.lsac.org/) | `agie_lsat_rc` | | | LSAT 読解問題の文章と設問 |
+| [AGIE SAT English](https://satsuite.collegeboard.org/sat) | `agie_sat_en` | | | 文章付きの SAT 読解およびライティングの設問 |
+| [AGIE SAT English (No Passage)](https://satsuite.collegeboard.org/sat) | `agie_sat_en_without_passage` | | | 文章なしの SAT English の設問 |
+| [DROP](https://github.com/allenai/allennlp-reading-comprehension/blob/master/allennlp_rc/eval/drop_eval.py) | `drop` | | | 段落に対する離散的推論: 数値推論を要する読解問題 |
+| [RACE-H](https://www.cs.cmu.edu/~glai1/data/race/) | `race_h` | | | 英語試験に基づく読解問題 (高難度) |
+| [SQuAD](https://rajpurkar.github.io/SQuAD-explorer/) | `squad` | | | Stanford Question Answering データセット: Wikipedia 記事に対する抽出的質問応答 |
-## Long context（長いコンテキスト）
+
+ ## 長いコンテキスト
+
-検索やパターン認識を含む、拡張されたコンテキストを処理し推論する能力を評価します。
+検索やパターン認識を含む、拡張されたコンテキストを処理して推論する能力を評価します。
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| Evaluation | Task ID | OpenAI スコアラー | Gated HF データセット | 説明 |
|------------|---------|---------------|------------------|-------------|
-| [InfiniteBench KV Retrieval](https://arxiv.org/abs/2402.13718) | `infinite_bench_kv_retrieval` | | | 長いコンテキストにおけるキーバリュー検索 |
-| [InfiniteBench LongBook (English)](https://arxiv.org/abs/2402.13718) | `infinite_bench_longbook_choice_eng` | | | 長い書籍に関する多肢選択式質問 |
-| [InfiniteBench LongDialogue QA (English)](https://arxiv.org/abs/2402.13718) | `infinite_bench_longdialogue_qa_eng` | | | 長い対話に対する質問回答 |
-| [InfiniteBench Number String](https://arxiv.org/abs/2402.13718) | `infinite_bench_number_string` | | | 長いシーケンス内の数値パターン認識 |
+| [InfiniteBench KV Retrieval](https://arxiv.org/abs/2402.13718) | `infinite_bench_kv_retrieval` | | | 長いコンテキストにおけるキーと値の検索 |
+| [InfiniteBench LongBook (English)](https://arxiv.org/abs/2402.13718) | `infinite_bench_longbook_choice_eng` | | | 長文書籍に関する多肢選択式の質問 |
+| [InfiniteBench LongDialogue QA (English)](https://arxiv.org/abs/2402.13718) | `infinite_bench_longdialogue_qa_eng` | | | 長い対話に対する質問応答 |
+| [InfiniteBench Number String](https://arxiv.org/abs/2402.13718) | `infinite_bench_number_string` | | | 長い数列における数値パターンの認識 |
| [InfiniteBench Passkey](https://arxiv.org/abs/2402.13718) | `infinite_bench_passkey` | | | 長いコンテキストからの情報検索 |
-| [NIAH](https://arxiv.org/abs/2406.07230) | `niah` | | | Needle in a Haystack: 長いコンテキストの検索テスト |
+| [NIAH](https://arxiv.org/abs/2406.07230) | `niah` | | | Needle in a Haystack (干し草の山の中の針) ：長いコンテキストにおける検索テスト |
-## Safety（安全性）
+
+ ## Safety
+
-アライメント、バイアス検出、有害コンテンツへの耐性、および真実性を評価します。
+アラインメント、バイアス検出、有害コンテンツへの耐性、真実性を評価します。
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| Evaluation | Task ID | OpenAI スコアラー | 制限付き HF データセット | 説明 |
|------------|---------|---------------|------------------|-------------|
-| [AgentHarm](https://arxiv.org/abs/2410.09024) | `agentharm` | Yes | | 有害なエージェントの振る舞いや悪用シナリオに対するモデルの耐性をテスト |
-| [AgentHarm Benign](https://arxiv.org/abs/2410.09024) | `agentharm_benign` | Yes | | 偽陽性率を測定するための AgentHarm の良性ベースライン |
-| [Agentic Misalignment](https://arxiv.org/abs/2510.05179) | `agentic_misalignment` | | | エージェント的な振る舞いにおける潜在的なミスアライメントを評価 |
-| [AHB](https://arxiv.org/abs/2503.04804) | `ahb` | | | Agent Harmful Behavior: 有害なエージェントアクションに対する耐性をテスト |
-| [AIRBench](https://arxiv.org/abs/2410.02407) | `air_bench` | | | 敵対的な指示に対する耐性をテスト |
-| [BBEH](https://arxiv.org/abs/2502.19187) | `bbeh` | | | 有害な振る舞いを評価するためのバイアスベンチマーク |
-| [BBEH Mini](https://arxiv.org/abs/2502.19187) | `bbeh_mini` | | | BBEH ベンチマークの縮小版 |
-| [BBQ](https://arxiv.org/abs/2110.08193) | `bbq` | | | 質問回答に関するバイアスベンチマーク |
-| [BOLD](https://arxiv.org/abs/2101.11718) | `bold` | | | オープンエンドな言語生成におけるバイアスデータセット |
-| [CYSE3 Visual Prompt Injection](https://arxiv.org/abs/2408.01605) | `cyse3_visual_prompt_injection` | | | 視覚的なプロンプトインジェクション攻撃に対する耐性をテスト |
-| [Make Me Pay](https://arxiv.org/abs/2410.08691) | `make_me_pay` | | | 金銭詐欺や不正シナリオに対する耐性をテスト |
-| [MASK](https://arxiv.org/abs/2503.03750) | `mask` | Yes | Yes | モデルの機密情報の取り扱いをテスト |
-| [Personality BFI](https://github.com/UKGovernmentBEIS/inspect_evals/tree/main/src/inspect_evals/personality) | `personality_BFI` | | | ビッグファイブ性格特性評価 |
-| [Personality TRAIT](https://arxiv.org/abs/2406.14703) | `personality_TRAIT` | | Yes | 包括的な性格特性評価 |
-| SOSBench | `sosbench` | Yes | | 安全性と監督のストレステスト |
-| [StereoSet](https://github.com/moinnadeem/StereoSet) | `stereoset` | | | 言語モデルにおけるステレオタイプ的なバイアスを測定 |
-| [StrongREJECT](https://arxiv.org/abs/2402.10260) | `strong_reject` | | | 有害なリクエストを拒絶するモデルの能力をテスト |
-| [Sycophancy](https://arxiv.org/abs/2310.13548) | `sycophancy` | | | お世辞（sycophantic）な振る舞いをする傾向を評価 |
-| [TruthfulQA](https://github.com/sylinrl/TruthfulQA) | `truthfulqa` | | | モデルの真実性と虚偽に対する耐性をテスト |
-| [UCCB](https://huggingface.co/datasets/CraneAILabs/UCCB) | `uccb` | | | 不安全なコンテンツの分類ベンチマーク |
-| [WMDP Bio](https://www.wmdp.ai/) | `wmdp_bio` | | | 生物学における危険な知識をテスト |
-| [WMDP Chem](https://www.wmdp.ai/) | `wmdp_chem` | | | 化学における危険な知識をテスト |
-| [WMDP Cyber](https://www.wmdp.ai/) | `wmdp_cyber` | | | サイバーセキュリティにおける危険な知識をテスト |
-| [XSTest](https://arxiv.org/abs/2308.01263) | `xstest` | Yes | | 過剰な拒絶を検出するための過剰安全テスト |
-
-## Domain-Specific（ドメイン特化）
-
-医学、化学、法学、生物学、およびその他の専門分野における専門知識を評価します。
-
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| [AgentHarm](https://arxiv.org/abs/2410.09024) | `agentharm` | Yes | | モデルの有害なエージェント行動や悪用シナリオへの耐性をテストします |
+| [AgentHarm Benign](https://arxiv.org/abs/2410.09024) | `agentharm_benign` | Yes | | AgentHarm の無害なベースラインで、誤検知率を測定します |
+| [Agentic Misalignment](https://arxiv.org/abs/2510.05179) | `agentic_misalignment` | | | エージェント的な行動における潜在的なミスアラインメントを評価します |
+| [AHB](https://arxiv.org/abs/2503.04804) | `ahb` | | | Agent Harmful Behavior: 有害なエージェント行動に対する耐性をテストします |
+| [AIRBench](https://arxiv.org/abs/2410.02407) | `air_bench` | | | 敵対的プロンプト (指示) への耐性をテストします |
+| [BBEH](https://arxiv.org/abs/2502.19187) | `bbeh` | | | 有害な行動を評価するためのバイアス・ベンチマーク |
+| [BBEH Mini](https://arxiv.org/abs/2502.19187) | `bbeh_mini` | | | BBEH ベンチマークの小規模版です |
+| [BBQ](https://arxiv.org/abs/2110.08193) | `bbq` | | | 質問応答におけるバイアス・ベンチマーク |
+| [BOLD](https://arxiv.org/abs/2101.11718) | `bold` | | | オープンエンドな言語生成におけるバイアスのデータセット |
+| [CYSE3 Visual Prompt Injection](https://arxiv.org/abs/2408.01605) | `cyse3_visual_prompt_injection` | | | ビジュアルプロンプトインジェクション攻撃への耐性をテストします |
+| [Make Me Pay](https://arxiv.org/abs/2410.08691) | `make_me_pay` | | | 金融詐欺や金融犯罪シナリオへの耐性をテストします |
+| [MASK](https://arxiv.org/abs/2503.03750) | `mask` | Yes | Yes | モデルによる機微な情報の取り扱いをテストします |
+| [Personality BFI](https://github.com/UKGovernmentBEIS/inspect_evals/tree/main/src/inspect_evals/personality) | `personality_BFI` | | | ビッグファイブによるパーソナリティ特性の評価 |
+| [Personality TRAIT](https://arxiv.org/abs/2406.14703) | `personality_TRAIT` | | Yes | 包括的なパーソナリティ特性評価 |
+| SOSBench | `sosbench` | Yes | | 安全性と監督能力のストレステスト |
+| [StereoSet](https://github.com/moinnadeem/StereoSet) | `stereoset` | | | 言語モデルに内在するステレオタイプ的バイアスを測定します |
+| [StrongREJECT](https://arxiv.org/abs/2402.10260) | `strong_reject` | | | 有害なリクエストを拒否するモデルの能力をテストします |
+| [Sycophancy](https://arxiv.org/abs/2310.13548) | `sycophancy` | | | 追従的 (ご機嫌取り的) な応答傾向を評価します |
+| [TruthfulQA](https://github.com/sylinrl/TruthfulQA) | `truthfulqa` | | | モデルの真実性と虚偽情報への耐性をテストします |
+| [UCCB](https://huggingface.co/datasets/CraneAILabs/UCCB) | `uccb` | | | 有害コンテンツ分類ベンチマーク |
+| [WMDP Bio](https://www.wmdp.ai/) | `wmdp_bio` | | | 生物学分野における危険な知識をテストします |
+| [WMDP Chem](https://www.wmdp.ai/) | `wmdp_chem` | | | 化学分野における危険な知識をテストします |
+| [WMDP Cyber](https://www.wmdp.ai/) | `wmdp_cyber` | | | サイバーセキュリティ分野における危険な知識をテストします |
+| [XSTest](https://arxiv.org/abs/2308.01263) | `xstest` | Yes | | 過剰な拒否 (over-refusal) を検出するための厳格なセーフティテスト |
+
+
+ ## ドメイン固有
+
+
+医学、化学、法律、生物学などの専門分野における特化した知識を評価します。
+
+| Evaluation | Task ID | OpenAI Scorer | Gated HF Dataset | Description |
|------------|---------|---------------|------------------|-------------|
-| [ChemBench](https://arxiv.org/abs/2404.01475) | `chembench` | | | 化学の知識と問題解決のベンチマーク |
-| [HealthBench](https://arxiv.org/abs/2406.09746) | `healthbench` | Yes | | ヘルスケアおよび医学知識の評価 |
-| [HealthBench Consensus](https://arxiv.org/abs/2406.09746) | `healthbench_consensus` | Yes | | 専門家の合意に基づくヘルスケアの質問 |
-| [HealthBench Hard](https://arxiv.org/abs/2406.09746) | `healthbench_hard` | Yes | | 難易度の高いヘルスケアシナリオ |
-| [LabBench Cloning Scenarios](https://arxiv.org/abs/2407.10362) | `lab_bench_cloning_scenarios` | | | 実験計画とクローニング |
-| [LabBench DBQA](https://arxiv.org/abs/2407.10362) | `lab_bench_dbqa` | | | ラボシナリオに関するデータベースの質問回答 |
+| [ChemBench](https://arxiv.org/abs/2404.01475) | `chembench` | | | 化学知識と問題解決能力のベンチマーク |
+| [HealthBench](https://arxiv.org/abs/2406.09746) | `healthbench` | Yes | | ヘルスケアおよび医療知識の評価 |
+| [HealthBench Consensus](https://arxiv.org/abs/2406.09746) | `healthbench_consensus` | Yes | | 専門家コンセンサス付きの医療関連質問 |
+| [HealthBench Hard](https://arxiv.org/abs/2406.09746) | `healthbench_hard` | Yes | | 難易度の高い医療シナリオ |
+| [LabBench Cloning Scenarios](https://arxiv.org/abs/2407.10362) | `lab_bench_cloning_scenarios` | | | 実験計画およびクローニングに関する実験室実験 |
+| [LabBench DBQA](https://arxiv.org/abs/2407.10362) | `lab_bench_dbqa` | | | 実験室シナリオにおけるデータベース質問応答 |
| [LabBench FigQA](https://arxiv.org/abs/2407.10362) | `lab_bench_figqa` | | | 科学的文脈における図の解釈 |
-| [LabBench LitQA](https://arxiv.org/abs/2407.10362) | `lab_bench_litqa` | | | 研究用文献に基づく質問回答 |
+| [LabBench LitQA](https://arxiv.org/abs/2407.10362) | `lab_bench_litqa` | | | 研究向けの文献ベース質問応答 |
| [LabBench ProtocolQA](https://arxiv.org/abs/2407.10362) | `lab_bench_protocolqa` | | | 実験プロトコルの理解 |
-| [LabBench SeqQA](https://arxiv.org/abs/2407.10362) | `lab_bench_seqqa` | | | 生物学的配列分析の質問 |
+| [LabBench SeqQA](https://arxiv.org/abs/2407.10362) | `lab_bench_seqqa` | | | 生物学的配列解析に関する質問 |
| [LabBench SuppQA](https://arxiv.org/abs/2407.10362) | `lab_bench_suppqa` | | | 補足資料の解釈 |
-| [LabBench TableQA](https://arxiv.org/abs/2407.10362) | `lab_bench_tableqa` | | | 科学論文における表の解釈 |
-| [MedQA](https://github.com/jind11/MedQA) | `medqa` | | | 医師免許試験の質問 |
-| [PubMedQA](https://pubmedqa.github.io/) | `pubmedqa` | | | 研究アブストラクトからの生物医学的質問回答 |
-| [SEC-QA v1](https://arxiv.org/abs/2406.14806) | `sec_qa_v1` | | | SEC（米国証券取引委員会）提出書類の質問回答 |
-| [SEC-QA v1 (5-shot)](https://arxiv.org/abs/2406.14806) | `sec_qa_v1_5_shot` | | | 5 つの例示を伴う SEC-QA |
-| [SEC-QA v2](https://arxiv.org/abs/2406.14806) | `sec_qa_v2` | | | 更新された SEC 提出書類ベンチマーク |
-| [SEC-QA v2 (5-shot)](https://arxiv.org/abs/2406.14806) | `sec_qa_v2_5_shot` | | | 5 つの例示を伴う SEC-QA v2 |
+| [LabBench TableQA](https://arxiv.org/abs/2407.10362) | `lab_bench_tableqa` | | | 科学論文中の表の解釈 |
+| [MedQA](https://github.com/jind11/MedQA) | `medqa` | | | 医師免許試験の問題 |
+| [PubMedQA](https://pubmedqa.github.io/) | `pubmedqa` | | | 研究アブストラクトに基づく生物医学系質問応答 |
+| [SEC-QA v1](https://arxiv.org/abs/2406.14806) | `sec_qa_v1` | | | SEC 提出書類に関する質問応答 |
+| [SEC-QA v1 (5-shot)](https://arxiv.org/abs/2406.14806) | `sec_qa_v1_5_shot` | | | 5 つの例を用いた SEC-QA v1 |
+| [SEC-QA v2](https://arxiv.org/abs/2406.14806) | `sec_qa_v2` | | | 更新版 SEC 提出書類ベンチマーク |
+| [SEC-QA v2 (5-shot)](https://arxiv.org/abs/2406.14806) | `sec_qa_v2_5_shot` | | | 5 つの例を用いた SEC-QA v2 |
-## Multimodal（マルチモーダル）
+
+ ## マルチモーダル
+
-視覚入力とテキスト入力を組み合わせた、画像と言語の理解度を評価します。
+視覚およびテキスト入力を組み合わせて、画像と言語の理解能力を評価します。
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| Evaluation | Task ID | OpenAI Scorer | Gated HF Dataset | Description |
|------------|---------|---------------|------------------|-------------|
-| [DocVQA](https://www.docvqa.org/) | `docvqa` | | | Document Visual Question Answering: 文書画像に関する質問 |
-| [MathVista](https://mathvista.github.io/) | `mathvista` | | | 視覚的文脈を伴う数学的推論（視覚と数学の融合） |
-| [MMMU Multiple Choice](https://mmmu-benchmark.github.io/) | `mmmu_multiple_choice` | | | 多肢選択形式によるマルチモーダル理解 |
-| [MMMU Open](https://mmmu-benchmark.github.io/) | `mmmu_open` | | | 自由回答形式によるマルチモーダル理解 |
-| [V*Star Bench Attribute Recognition](https://arxiv.org/abs/2411.10006) | `vstar_bench_attribute_recognition` | | | 視覚的な属性認識タスク |
-| [V*Star Bench Spatial Relationship](https://arxiv.org/abs/2411.10006) | `vstar_bench_spatial_relationship_reasoning` | | | 視覚入力による空間推論 |
+| [DocVQA](https://www.docvqa.org/) | `docvqa` | | | 文書画像に対する質問応答タスク (Document Visual Question Answering) |
+| [MathVista](https://mathvista.github.io/) | `mathvista` | | | 視覚コンテキストを用い、画像と言語を組み合わせた数理推論タスク |
+| [MMMU Multiple Choice](https://mmmu-benchmark.github.io/) | `mmmu_multiple_choice` | | | 選択式形式によるマルチモーダル理解タスク |
+| [MMMU Open](https://mmmu-benchmark.github.io/) | `mmmu_open` | | | 自由記述形式によるマルチモーダル理解タスク |
+| [V*Star Bench Attribute Recognition](https://arxiv.org/abs/2411.10006) | `vstar_bench_attribute_recognition` | | | 視覚的属性の認識タスク |
+| [V*Star Bench Spatial Relationship](https://arxiv.org/abs/2411.10006) | `vstar_bench_spatial_relationship_reasoning` | | | 視覚入力を用いた空間関係の推論タスク |
-## Instruction Following（指示追従）
+
+ ## 指示追従
+
-特定の指示やフォーマット要件への遵守度を評価します。
+特定の指示やフォーマット要件がどの程度守られているかを評価します。
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| Evaluation | Task ID | OpenAI Scorer | Gated HF Dataset | Description |
|------------|---------|---------------|------------------|-------------|
-| [IFEval](https://arxiv.org/abs/2311.07911) | `ifeval` | | | 正確な指示追従能力をテスト |
+| [IFEval](https://arxiv.org/abs/2311.07911) | `ifeval` | | | 厳密な指示追従能力を評価します |
-## System（システム）
+
+ ## システム
+
-基本的なシステムの検証と実行前チェックです。
+基本的なシステムの検証および事前チェック。
-| 評価 | タスク ID | OpenAI Scorer | Gated HF Dataset | 説明 |
+| 評価 | Task ID | OpenAI Scorer | Gated HF データセット | 説明 |
|------------|---------|---------------|------------------|-------------|
| [Pre-Flight](https://ukgovernmentbeis.github.io/inspect_evals/evals/knowledge/pre_flight/) | `pre_flight` | | | 基本的なシステムチェックと検証テスト |
+
+ ## 次のステップ
+
-## 次のステップ
-
-- [モデルのチェックポイントを評価する](/models/launch/evaluate-model-checkpoint)
-- [ホストされた API モデルを評価する](/models/launch/evaluate-hosted-model)
-- 特定のベンチマークの詳細については [AISI Inspect Evals](https://inspect.aisi.org.uk/evals/) を参照してください。
+* [モデル チェックポイントを評価する](/ja/models/launch/evaluate-model-checkpoint)
+* [ホストされた API モデルを評価する](/ja/models/launch/evaluate-hosted-model)
+* 特定のベンチマークの詳細は [AISI Inspect Evals](https://inspect.aisi.org.uk/evals/) で確認してください
\ No newline at end of file
diff --git a/ja/models/models_quickstart.mdx b/ja/models/models_quickstart.mdx
index bd155b90d2..d04177b20d 100644
--- a/ja/models/models_quickstart.mdx
+++ b/ja/models/models_quickstart.mdx
@@ -1,52 +1,57 @@
---
-title: W&B Models を使い始める
+title: Get Started with W&B Models
---
-機械学習ワークフローにおけるモデルのアーティファクトを追跡、共有、管理するために、いつ、どのように W&B を使用するかを学びます。このページでは、各タスクに適した W&B API を使用して、実験のログ記録、レポートの作成、およびログ記録されたデータへのアクセス方法について説明します。
+機械学習ワークフローで W&B を使用して、モデルの Artifacts を追跡・共有・管理するタイミングと方法を学びます。このページでは、実験のログ記録、レポートの生成、および各タスクに適した W&B API を使用してログされたデータにアクセスする方法を説明します。
-このチュートリアルでは以下を使用します：
+このチュートリアルでは、次のものを使用します。
-* [W&B Python SDK](/models/ref/python) (`wandb.sdk`): トレーニング中の実験をログに記録し、監視するため。
-* [W&B Public API](/models/ref/python/public-api) (`wandb.apis.public`): ログに記録された実験データのクエリと分析を行うため。
-* [W&B Reports and Workspaces API](/models/ref/wandb_workspaces) (`wandb.wandb-workspaces`): 学びをまとめるためのレポートを作成するため。
+* [W&B Python SDK](/ja/models/ref/python) (`wandb.sdk`): トレーニング中の実験をログし、監視するために使用します。
+* [W&B Public API](/ja/models/ref/python/public-api) (`wandb.apis.public`): ログされた実験データをクエリし、分析するために使用します。
+* [W&B Reports and Workspaces API](/ja/models/ref/wandb_workspaces) (`wandb.wandb-workspaces`): 調査結果を要約するレポートを作成するために使用します。
-## サインアップと API キーの作成
-マシンを W&B で認証するには、まず [wandb.ai/settings](https://wandb.ai/settings) で APIキー を生成する必要があります。APIキー をコピーし、安全に保管してください。
+
+ ## サインアップして API キーを作成する
+
-## パッケージのインストールとインポート
+マシンを W&B で認証するには、まず [wandb.ai/settings](https://wandb.ai/settings) で API キーを生成する必要があります。生成した API キーをコピーして、安全な場所に保管してください。
-W&B ライブラリと、このウォークスルーで必要となる他のいくつかのパッケージをインストールします。
+
+ ## パッケージをインストールしてインポートする
+
+
+このウォークスルーで使用する W&B ライブラリと、その他に必要なパッケージをインストールします。
```python
pip install wandb
```
-W&B Python SDK をインポートします：
-
+W&B の Python SDK をインポートする：
```python
import wandb
```
-以下のコードブロックで、あなたのチームの entity を指定してください：
-
+次のコードブロックでチームの entity を指定してください。
```python
-TEAM_ENTITY = "" # あなたのチームの entity に置き換えてください
+TEAM_ENTITY = "" # チームの entity に置き換えてください
PROJECT = "my-awesome-project"
```
-## モデルのトレーニング
+
+ ## モデルをトレーニングする
+
-以下のコードは、モデルのトレーニング、メトリクスのログ記録、およびモデルを Artifacts として保存するという、基本的な機械学習ワークフローをシミュレートします。
+次のコードは、基本的な機械学習ワークフローをシミュレートします。モデルをトレーニングし、メトリクスをログに記録し、モデルを Artifacts として保存します。
-トレーニング中に W&B とやり取りするには、W&B Python SDK (`wandb.sdk`) を使用します。[`wandb.Run.log()`](/models/ref/python/experiments/run/#method-runlog) を使用して損失（loss）をログに記録し、[`wandb.Artifact`](/models/ref/python/experiments/artifact) を使用してトレーニング済みモデルを Artifacts として保存し、最後に [`Artifact.add_file`](/models/ref/python/experiments/artifact#add_file) を使用してモデルファイルを追加します。
+トレーニング中に W&B とやり取りするには、W&B Python SDK (`wandb.sdk`) を使用します。まず [`wandb.Run.log()`](/ja/models/ref/python/experiments/run/#method-runlog) を使って損失をログに記録し、その後 [`wandb.Artifact`](/ja/models/ref/python/experiments/artifact) を使って学習済みモデルを Artifacts として保存し、最後に [`Artifact.add_file`](/ja/models/ref/python/experiments/artifact#add_file) を使ってモデルファイルを追加します。
```python
import random # データのシミュレーション用
def model(training_data: int) -> int:
- """デモンストレーション用のモデルシミュレーション。"""
+ """デモ用のモデルシミュレーション。"""
return training_data * 2 + random.randint(-1, 1)
# 重みとノイズのシミュレーション
@@ -59,15 +64,15 @@ config = {
"learning_rate": 0.01, # オプティマイザーの学習率
}
-# コンテキストマネージャーを使用して W&B Runs を初期化および終了
+# コンテキストマネージャーを使用して W&B の run を初期化・終了する
with wandb.init(project=PROJECT, entity=TEAM_ENTITY, config=config) as run:
# トレーニングループのシミュレーション
for epoch in range(config["epochs"]):
xb = weights + noise # シミュレートされた入力トレーニングデータ
- yb = weights + noise * 2 # シミュレートされたターゲット出力（入力ノイズの2倍）
+ yb = weights + noise * 2 # シミュレートされたターゲット出力（入力ノイズの 2 倍）
y_pred = model(xb) # モデルの予測
- loss = (yb - y_pred) ** 2 # 平均二乗誤差（MSE）損失
+ loss = (yb - y_pred) ** 2 # 平均二乗誤差損失
print(f"epoch={epoch}, loss={loss}")
# エポックと損失を W&B にログ記録
@@ -76,7 +81,7 @@ with wandb.init(project=PROJECT, entity=TEAM_ENTITY, config=config) as run:
"loss": loss,
})
- # モデルアーティファクトの一意の名前
+ # モデル Artifacts の一意の名前
model_artifact_name = f"model-demo"
# シミュレートされたモデルファイルを保存するローカルパス
@@ -86,47 +91,52 @@ with wandb.init(project=PROJECT, entity=TEAM_ENTITY, config=config) as run:
with open(PATH, "w") as f:
f.write(str(weights)) # モデルの重みをファイルに保存
- # アーティファクトオブジェクトを作成
- # ローカルに保存されたモデルをアーティファクトオブジェクトに追加
+ # Artifacts オブジェクトを作成
+ # ローカルに保存したモデルを Artifacts オブジェクトに追加
artifact = wandb.Artifact(name=model_artifact_name, type="model", description="My trained model")
artifact.add_file(local_path=PATH)
artifact.save()
```
-前のコードブロックの重要なポイントは以下の通りです：
-* トレーニング中のメトリクスをログに記録するには `wandb.Run.log()` を使用します。
-* モデル（データセットなど）を Artifacts として W&B プロジェクトに保存するには `wandb.Artifact` を使用します。
+前のコードブロックから得られる主なポイントは次のとおりです。
+
+* トレーニング中のメトリクスをログするには `wandb.Run.log()` を使用します。
+* モデル（データセットなど）を W&B の Artifacts として保存するには `wandb.Artifact` を使用します。
-モデルをトレーニングして Artifacts として保存したので、それを W&B のレジストリに公開できます。[`wandb.Run.use_artifact()`](/models/ref/python/experiments/run/#method-runuse_artifact) を使用してプロジェクトからアーティファクトを取得し、Model Registry への公開準備をします。`wandb.Run.use_artifact()` には2つの重要な目的があります：
-* プロジェクトからアーティファクトオブジェクトを取得する。
-* アーティファクトを run の入力としてマークし、再現性とトレーサビリティを確保する。詳細は [リネージマップの作成と表示](/models/registry/lineage/) を参照してください。
+モデルをトレーニングして Artifacts として保存したら、これを W&B のレジストリに公開できます。[`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run/#method-runuse_artifact) を使用して、 Artifacts を自分の プロジェクトから取得し、Model Registry への公開に備えます。`wandb.Run.use_artifact()` は主に次の 2 つの役割があります。
-## ダッシュボードでトレーニングデータを表示する
+* プロジェクトから Artifacts オブジェクトを取得します。
+* Artifacts を run の入力としてマークし、再現性と追跡可能性を保証します。詳細については [Create and view lineage map](/ja/models/registry/lineage) を参照してください。
-https://wandb.ai/login からアカウントにログインします。
+
+ ## ダッシュボードでトレーニングデータを表示する
+
-**Projects** の下に `my-awesome-project`（または上記でプロジェクト名として使用したもの）が表示されているはずです。これをクリックして、プロジェクトの Workspace に入ります。
+https://wandb.ai/login で自分のアカウントにログインします。
-ここから、実行したすべての Run に関する詳細を確認できます。このスクリーンショットでは、コードが数回再実行され、いくつかの Runs が生成されており、それぞれにランダムに生成された名前が付いています。
+**Projects** の下に `my-awesome-project`（または上でプロジェクト名として使用した名前）が表示されているはずです。これをクリックして、そのプロジェクトの Workspace に移動します。
+
+ここから、これまでに行ったすべての run の詳細を確認できます。次のスクリーンショットでは、コードを複数回実行しており、そのたびに新しい run が作成されています。それぞれの run にはランダムに生成された名前が付けられています。
+ ## モデルを W&B Registry に公開する
+
-## モデルを W&B Registry に公開する
-
-組織内の他のユーザーとモデルを共有するには、`wandb.Run.link_artifact()` を使用して [コレクション](/models/registry/create_collection/) に公開します。以下のコードはアーティファクトを [レジストリ](/models/registry) にリンクし、チームがアクセスできるようにします。
+組織内の他のメンバーとモデルを共有するには、`wandb.Run.link_artifact()` を使って [collection](/ja/models/registry/create_collection) に登録します。次のコードは Artifacts を [registry](/ja/models/registry) にリンクし、チーム メンバーがアクセスできるようにします。
```python
-# アーティファクト名は、チームのプロジェクト内の特定のアーティファクトバージョンを指定します
+# Artifacts 名はチームのプロジェクト内の特定の Artifacts バージョンを指定します
artifact_name = f'{TEAM_ENTITY}/{PROJECT}/{model_artifact_name}:v0'
print("Artifact name: ", artifact_name)
-REGISTRY_NAME = "Model" # W&B でのレジストリ名
+REGISTRY_NAME = "Model" # W&B のレジストリ名
COLLECTION_NAME = "DemoModels" # レジストリ内のコレクション名
-# レジストリ内のアーティファクトのターゲットパスを作成
+# レジストリ内の Artifacts のターゲットパスを作成します
target_path = f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
print("Target path: ", target_path)
@@ -135,18 +145,20 @@ with wandb.init(entity=TEAM_ENTITY, project=PROJECT) as run:
run.link_artifact(artifact=model_artifact, target_path=target_path)
```
-`wandb.Run.link_artifact()` を実行すると、モデルアーティファクトはレジストリ内の `DemoModels` コレクションに入ります。そこから、バージョン履歴、[リネージマップ](/models/registry/lineage/)、その他の [メタデータ](/models/registry/registry_cards/) などの詳細を確認できます。
+`wandb.Run.link_artifact()` を実行すると、モデル Artifacts はレジストリ内の `DemoModels` コレクションに格納されます。そこから、バージョン履歴、[lineage map](/ja/models/registry/lineage)、その他の [メタデータ](/ja/models/registry/registry_cards) などの詳細を確認できます。
-アーティファクトをレジストリにリンクする方法の追加情報については、[アーティファクトをレジストリにリンクする](/models/registry/link_version/) を参照してください。
+レジストリに Artifacts をリンクする方法の詳細については、[Link artifacts to a registry](/ja/models/registry/link_version) を参照してください。
-## 推論のためにレジストリからモデルアーティファクトを取得する
+
+ ## 推論用にレジストリからモデルの Artifacts を取得する
+
-推論にモデルを使用するには、`wandb.Run.use_artifact()` を使用してレジストリから公開されたアーティファクトを取得します。これによりアーティファクトオブジェクトが返され、[`wandb.Artifact.download()`](/models/ref/python/experiments/artifact/#method-artifactdownload) を使用してアーティファクトをローカルファイルにダウンロードできます。
+推論でモデルを使用するには、`wandb.Run.use_artifact()` を使ってレジストリから公開済みの Artifacts を取得します。これにより Artifacts オブジェクトが返されるので、[`wandb.Artifact.download()`](/ja/models/ref/python/experiments/artifact/#method-artifactdownload) を使ってその Artifacts をローカルファイルにダウンロードできます。
```python
-REGISTRY_NAME = "Model" # W&B でのレジストリ名
+REGISTRY_NAME = "Model" # W&B 内のレジストリ名
COLLECTION_NAME = "DemoModels" # レジストリ内のコレクション名
-VERSION = 0 # 取得するアーティファクトのバージョン
+VERSION = 0 # 取得する Artifacts のバージョン
model_artifact_name = f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{VERSION}"
print(f"Model artifact name: {model_artifact_name}")
@@ -156,35 +168,36 @@ with wandb.init(entity=TEAM_ENTITY, project=PROJECT) as run:
local_model_path = registry_model.download()
```
-レジストリからアーティファクトを取得する方法の詳細については、[レジストリからアーティファクトをダウンロードして使用する](/models/registry/download_use_artifact/) を参照してください。
+レジストリから Artifacts を取得する方法の詳細については、[Download an artifact from a registry](/ja/models/registry/download_use_artifact) を参照してください。
-使用している機械学習フレームワークによっては、重みをロードする前にモデルのアーキテクチャーを再構築する必要がある場合があります。これは使用している特定のフレームワークやモデルに依存するため、読者への演習として残しておきます。
+使用している機械学習 フレームワークによっては、重みを読み込む前にモデル アーキテクチャを再構築する必要がある場合があります。これは使用している特定のフレームワークとモデルに依存するため、本書では説明せず、読者への課題とします。
-
-## レポートで発見を共有する
+
+ ## レポートを使って成果を共有する
+
-W&B Report および Workspace API はパブリックプレビュー中です。
+ W&B Report と Workspace API は Public Preview 段階です。
-作業を要約するために [レポート](/models/reports/) を作成して共有しましょう。プログラムでレポートを作成するには、[W&B Report and Workspace API](/models/ref/wandb_workspaces/reports) を使用します。
+作業内容を要約するために [レポート](/ja/models/reports) を作成して共有します。レポートをプログラムから作成するには、[W&B Report と Workspace API](/ja/models/ref/wandb_workspaces/reports) を使用します。
-まず、W&B Reports API をインストールします：
+まず W&B Reports API をインストールします。
```python
pip install wandb wandb-workspaces -qqq
```
-以下のコードブロックは、マークダウン、パネルグリッドなど、複数のブロックを含むレポートを作成します。ブロックを追加したり、既存のブロックの内容を変更したりして、レポートをカスタマイズできます。
+次のコードブロックは、Markdown やパネルグリッドなど複数のブロックを含むレポートを作成します。ブロックを追加したり、既存ブロックの内容を変更したりして、レポートをカスタマイズできます。
-コードブロックの出力には、作成されたレポートの URL へのリンクが表示されます。ブラウザでこのリンクを開いてレポートを表示できます。
+このコードブロックの出力は、作成されたレポートへの URL リンクを表示します。このリンクをブラウザで開くと、レポートを確認できます。
```python
import wandb_workspaces.reports.v2 as wr
-experiment_summary = """これは、W&B を使用してシンプルなモデルをトレーニングするために実施された実験の要約です。"""
-dataset_info = """トレーニングに使用されたデータセットは、シンプルなモデルによって生成された合成データで構成されています。"""
-model_info = """モデルは、ノイズを含む入力データに基づいて出力を予測するシンプルな線形回帰モデルです。"""
+experiment_summary = """This is a summary of the experiment conducted to train a simple model using W&B."""
+dataset_info = """The dataset used for training consists of synthetic data generated by a simple model."""
+model_info = """The model is a simple linear regression model that predicts output based on input data with some noise."""
report = wr.Report(
project=PROJECT,
@@ -208,30 +221,33 @@ report = wr.Report(
)
-# レポートを W&B に保存
+# レポートを W&B に保存する
report.save()
```
-プログラムでレポートを作成する方法や、W&B App を使用してインタラクティブにレポートを作成する方法の詳細については、W&B Docs 開発者ガイドの [レポートの作成](/models/reports/create-a-report/) を参照してください。
+レポートをプログラムから作成する方法や W&B App を使ってインタラクティブにレポートを作成する方法の詳細については、W&B Docs の Developer ガイドにある [Create a report](/ja/models/reports/create-a-report) を参照してください。
+
+
+ ## レジストリをクエリする
+
-## レジストリへのクエリ
-[W&B Public APIs](/models/ref/python/public-api/) を使用して、W&B の履歴データのクエリ、分析、管理を行います。これは、アーティファクトのリネージの追跡、異なるバージョンの比較、モデルの経時的なパフォーマンス分析に役立ちます。
+[W&B Public APIs](/ja/models/ref/python/public-api) を使用して、W&B の履歴データをクエリ、分析、および管理できます。これは、 Artifacts のリネージの追跡、異なるバージョン間の比較、時間の経過に伴うモデルの性能の分析に役立ちます。
-以下のコードブロックは、特定のコレクション内のすべてのアーティファクトを Model Registry から照会する方法を示しています。コレクションを取得し、そのバージョンを反復処理して、各アーティファクトの名前とバージョンを出力します。
+次のコードブロックでは、特定のコレクション内のすべての Artifacts を取得するために Model レジストリをクエリする方法を示します。コレクションを取得し、その各バージョンをイテレートして、各 Artifacts の名前とバージョンを出力します。
```python
import wandb
-# wandb API を初期化
+# wandb API を初期化する
api = wandb.Api()
-# 文字列 `model` を含み、
-# かつ `text-classification` タグまたは `latest` エイリアスのいずれかを持つすべてのアーティファクトバージョンを検索します
+# 文字列 `model` を含み、タグ `text-classification` または エイリアス `latest` を持つ
+# すべての Artifacts バージョンを検索する
registry_filters = {
"name": {"$regex": "model"}
}
-# 論理 $or 演算子を使用してアーティファクトバージョンをフィルタリングします
+# 論理演算子 $or を使用して Artifacts バージョンをフィルタリングする
version_filters = {
"$or": [
{"tag": "text-classification"},
@@ -239,10 +255,10 @@ version_filters = {
]
}
-# フィルターに一致するすべてのアーティファクトバージョンのイテラブルを返します
+# フィルターに一致するすべての Artifacts バージョンのイテラブルを返す
artifacts = api.registries(filter=registry_filters).collections().versions(filter=version_filters)
-# 見つかった各アーティファクトの名前、コレクション、エイリアス、タグ、作成日時を出力します
+# 見つかった各 Artifacts の名前、コレクション、エイリアス、タグ、作成日時を出力する
for art in artifacts:
print(f"artifact name: {art.name}")
print(f"collection artifact belongs to: { art.collection.name}")
@@ -251,4 +267,4 @@ for art in artifacts:
print(f"artifact created at: {art.created_at}\n")
```
-レジストリのクエリに関する詳細については、[MongoDB スタイルのクエリでレジストリアイテムを検索する](/models/registry/search_registry/#query-registry-items-with-mongodb-style-queries) を参照してください。
\ No newline at end of file
+レジストリのクエリ方法について詳しくは、[Query registry items](/ja/models/registry/search_registry/#query-registry-items-with-mongodb-style-queries) を参照してください。
diff --git a/ja/models/quickstart.mdx b/ja/models/quickstart.mdx
index 07ec8a1e21..6307bf220f 100644
--- a/ja/models/quickstart.mdx
+++ b/ja/models/quickstart.mdx
@@ -1,91 +1,113 @@
---
-title: W&B クイックスタート
description: W&B クイックスタート
+title: W&B クイックスタート
---
-import ApiKeyCreate from "/snippets/en/_includes/api-key-create.mdx";
+import ApiKeyCreate from "/snippets/ja/_includes/api-key-create.mdx";
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
-W&B をインストールして、あらゆる規模の機械学習 実験 を追跡、可視化、管理しましょう。
+W&B をインストールして、あらゆる規模の機械学習の実験を追跡、可視化、管理しましょう。
-W&B Weave に関する情報をお探しですか？ [Weave Python SDK クイックスタート](/weave/quickstart) または [Weave TypeScript SDK クイックスタート](/weave/reference/generated_typescript_docs/intro-notebook) をご覧ください。
+ W&B Weave に関する情報をお探しですか？ [Weave Python SDK クイックスタート](/ja/weave/quickstart) または [Weave TypeScript SDK クイックスタート](/ja/weave/reference/generated_typescript_docs/intro-notebook) をご覧ください。
-## サインアップと APIキー の作成
+
+ ## サインアップして API キーを作成する
+
+
+お使いのマシンを W&B で認証するには、API キーが必要です。
+
+
+ ## `wandb` ライブラリをインストールしてログインする
+
-
-1. `WANDB_API_KEY` [環境変数](/models/track/environment-variables/) を設定します。
+
+ 1. [環境変数](/ja/models/track/environment-variables/) `WANDB_API_KEY` を設定します。
+ ```bash
+ export WANDB_API_KEY=
+ ```
+
+ 2. `wandb` ライブラリをインストールし、ログインします。
+
+ ```shell
+ pip install wandb
+ wandb login
+ ```
+
+
+
```bash
- export WANDB_API_KEY=
+ pip install wandb
```
-2. `wandb` ライブラリをインストールしてログインします。
+ ```python
+ import wandb
- ```shell
- pip install wandb
- wandb login
+ wandb.login()
```
-
-
-```bash
-pip install wandb
-```
-```python
-import wandb
+
-wandb.login()
-```
-
-
-```notebook
-!pip install wandb
-import wandb
-wandb.login()
-```
-
+
+ ```notebook
+ !pip install wandb
+ import wandb
+ wandb.login()
+ ```
+
-## Run の初期化と ハイパーパラメーター の追跡
+
+ ## run を初期化してハイパーパラメーターを追跡する
+
-Python スクリプト または ノートブック で、 [`wandb.init()`](/models/ref/python/experiments/run/) を使用して W&B の run オブジェクト を初期化します。 `config` パラメータ に 辞書 を使用して、 ハイパーパラメーター の名前と 値 を指定します。 `with` ステートメント内では、 メトリクス やその他の情報を W&B に ログ 記録できます。
+Python スクリプトまたはノートブックで、[`wandb.init()`](/ja/models/ref/python/experiments/run/) を使って W&B の run オブジェクトを初期化します。`config` パラメーターには辞書を使用して、
+ハイパーパラメーター名と値を指定します。`with` 文内では、メトリクスやその他の情報を W&B にログできます。
```python
import wandb
wandb.login()
-# runが記録されるプロジェクト
+# run の記録先プロジェクト
project = "my-awesome-project"
-# ハイパーパラメーターを含む辞書
+# ハイパーパラメーターの辞書
config = {
'epochs' : 10,
'lr' : 0.01
}
with wandb.init(project=project, config=config) as run:
- # ここにトレーニングコードを記述
- # run.log() で W&B に値をログ記録
+ # トレーニングコードをここに記述
+ # run.log() で W&B に値を記録
run.log({"accuracy": 0.9, "loss": 0.1})
```
-次のセクションでは、トレーニング run をシミュレートし、精度（accuracy）と損失（loss）の メトリクス を W&B に ログ 記録する完全な例を紹介します。
+トレーニング run をシミュレートし、精度と損失のメトリクスを W&B に記録する完全な例については、次のセクションを参照してください。
-[Runs](/models/runs/) は W&B のコア要素です。 run を使用して [メトリクスを追跡](/models/track/) したり、 [ログを作成](/models/track/log/) したり、 Artifacts を追跡したりできます。
+ [run](/ja/models/runs/) は W&B の中核となる要素です。run を使用して、[メトリクスを追跡](/ja/models/track/)、[ログを作成](/ja/models/track/log/)、アーティファクトを追跡するなど、さまざまな操作を行えます。
-## 機械学習トレーニング実験の作成
+
+ ## 機械学習のトレーニング実験を作成する
+
-この模擬 トレーニングスクリプト は、シミュレートされた精度と損失の メトリクス を W&B に ログ 記録します。以下の コード を Python スクリプト または ノートブック のセルにコピー＆ペーストして実行してください。
+このモックのトレーニングスクリプトは、シミュレートされた精度と損失のメトリクスを W&B に記録します。次のコードを Python スクリプトまたはノートブックセルにコピー＆ペーストして実行してください。
```python
import wandb
@@ -93,10 +115,10 @@ import random
wandb.login()
-# runが記録されるプロジェクト
+# run の記録先プロジェクト
project = "my-awesome-project"
-# ハイパーパラメーターを含む辞書
+# ハイパーパラメーターの辞書
config = {
'epochs' : 10,
'lr' : 0.01
@@ -106,27 +128,30 @@ with wandb.init(project=project, config=config) as run:
offset = random.random() / 5
print(f"lr: {config['lr']}")
- # トレーニングrunをシミュレート
+ # トレーニング run のシミュレーション
for epoch in range(2, config['epochs']):
acc = 1 - 2**-config['epochs'] - random.random() / config['epochs'] - offset
loss = 2**-config['epochs'] + random.random() / config['epochs'] + offset
print(f"epoch={config['epochs']}, accuracy={acc}, loss={loss}")
run.log({"accuracy": acc, "loss": loss})
```
-[wandb.ai/home](https://wandb.ai/home) にアクセスして、精度や損失などの記録された メトリクス と、それらが各トレーニング ステップでどのように変化したかを確認してください。以下の画像は、各 run から追跡された損失と精度を示しています。各 run オブジェクト は、自動生成された名前とともに **Runs** カラムに表示されます。
+
+[wandb.ai/home](https://wandb.ai/home) にアクセスして、accuracy や loss などの記録されたメトリクスと、それらが各トレーニング ステップでどのように変化したかを確認します。次の画像は、各 run で追跡された loss と accuracy を示しています。各 run オブジェクトは、自動生成された名前とともに **Runs** 列に表示されます。
+ ## 次のステップ
+
-W&B エコシステムのさらなる機能を探索しましょう。
+W&B エコシステムのさらに多くの機能を活用しましょう。
-1. PyTorch などの フレームワーク 、Hugging Face などの ライブラリ 、SageMaker などのサービスを W&B と組み合わせる [W&B インテグレーション チュートリアル](/models/integrations) を読んでください。
-2. [Reports](/models/reports) を使用して、 Runs を整理し、 可視化 を自動化し、 学び を要約して、共同作業者と最新情報を共有しましょう。
-3. [Artifacts](/models/artifacts) を作成して、機械学習 パイプライン 全体で データセット 、 モデル 、依存関係、および 結果 を追跡します。
-4. [Sweeps](/models/sweeps) を使用して ハイパーパラメーター 探索を自動化し、 モデル を最適化します。
-5. [中央ダッシュボード](/models/tables) で Runs を分析し、 モデル の 予測 を 可視化 し、洞察を共有します。
-6. [W&B AI Academy](https://wandb.ai/site/courses/) にアクセスして、実践的な コース を通じて LLM、MLOps、および W&B Models について学びましょう。
-7. [weave-docs.wandb.ai](/weave) にアクセスして、 Weave を使用して LLM ベースの アプリケーション を追跡、実験、評価、デプロイ、および改善する方法を学びましょう。
\ No newline at end of file
+1. PyTorch のようなフレームワーク、Hugging Face のようなライブラリ、SageMaker のようなサービスと W&B を組み合わせる [W&B Integration tutorials](/ja/models/integrations) を参照してください。
+2. [W&B Reports](/ja/models/reports) を使って Runs を整理し、可視化を自動化し、知見を要約し、共同作業者と最新情報を共有してください。
+3. [W&B Artifacts](/ja/models/artifacts) を作成して、機械学習パイプライン全体でデータセット、モデル、依存関係、結果を追跡してください。
+4. [W&B Sweeps](/ja/models/sweeps) でハイパーパラメーター探索を自動化し、モデルを最適化してください。
+5. [中央ダッシュボード](/ja/models/tables) で Runs を分析し、モデルの予測を可視化し、知見を共有してください。
+6. [W&B AI Academy](https://wandb.ai/site/courses/) にアクセスして、実践的なコースを通じて LLM、MLOps、W&B Models について学んでください。
+7. [weave-docs.wandb.ai](/ja/weave) にアクセスして、Weave を使って LLM ベースのアプリケーションを追跡、実験、評価、デプロイ、改善する方法を学んでください。
\ No newline at end of file
diff --git a/ja/models/ref.mdx b/ja/models/ref.mdx
index 4ba97d7da6..6552027604 100644
--- a/ja/models/ref.mdx
+++ b/ja/models/ref.mdx
@@ -1,36 +1,36 @@
---
title: リファレンス概要
-description: W&B API に関する生成ドキュメント
+description: W&B API 向けに自動生成されたドキュメント
type: docs
no_list: true
---
import {ClickableCard} from "/snippets/ClickableCard.jsx";
-
-
-実験からプロダクションまで、 Models のトレーニング、 ファインチューン 、管理を行います。
-
-
-シェル コマンド を使用して、ログイン、ジョブの実行、 Sweeps の実行などを行います。
-
+
+ 実験段階から本番環境まで、モデルの学習、ファインチューニング、管理を行います。
+
+
+
+ シェル コマンドを使用してログインし、ジョブや sweep を実行するなど、さまざまな操作を行えます。
+
-
-データの選択と集計を行うためのベータ版クエリ言語です。
-
-
-Weave APIをお探しですか？ W&B Weave ドキュメントを参照してください。
-
+
+ データの選択や集計を行うためのベータ版クエリ言語です。
+
+
+
+ Weave API をお探しですか？ W&B Weave Docs を参照してください。
+
-## Weave Reference
+
+ ## Weave リファレンス
+
-
- Weave APIをお探しですか？ W&B Weave ドキュメントを参照してください。
+
+ Weave API をお探しですか？W&B Weave Docs をご覧ください。
\ No newline at end of file
diff --git a/ja/models/ref/cli.mdx b/ja/models/ref/cli.mdx
index d2987b193e..46e10d865e 100644
--- a/ja/models/ref/cli.mdx
+++ b/ja/models/ref/cli.mdx
@@ -1,62 +1,68 @@
---
-title: CLI リファレンス SDK 0.24.0
-description: W&B コマンドラインインターフェース（CLI）を使用すると、シェルのコマンドから、ログイン、ジョブの実行、Sweeps の実行などを行うことができます。
+title: "CLI リファレンス SDK 0.25.0"
+description: "W&B Command Line Interface (CLI) を使用して、シェル コマンドでログイン、ジョブの実行、sweep の実行などを行います"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドに導入コンテンツを追加するには：
+ 1. スニペットファイルを作成します：/snippets/_includes/cli/wandb.mdx
+ 2. そのファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します：
-import Wandb from "/snippets/en/_includes/cli/wandb.mdx";
+ import Wandb from "/snippets/_includes/cli/wandb.mdx";
-
+ ## 使い方
+
```bash
wandb [OPTIONS] COMMAND [ARGS]...
```
-## オプション
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--version` | バージョンを表示して終了します。（デフォルト: False） |
+| `--version` | バージョンを表示して終了します (デフォルト: False) |
-## コマンド
+
+ ## コマンド
+
-| コマンド | 説明 |
-| :--- | :--- |
-| [agent](/models/ref/cli/wandb-agent) | W&B エージェント を実行します |
-| [artifact](/models/ref/cli/wandb-artifact) | アーティファクト を操作するためのコマンド |
-| [beta](/models/ref/cli/wandb-beta) | wandb CLI コマンドのベータ版です。 |
-| [controller](/models/ref/cli/wandb-controller) | W&B ローカル sweep コントローラ を実行します |
-| [disabled](/models/ref/cli/wandb-disabled) | W&B を無効にします。 |
-| [docker](/models/ref/cli/wandb-docker) | dockerコンテナ 内で コード を実行します。 |
-| [docker-run](/models/ref/cli/wandb-docker-run) | `docker run` をラップし、WANDB_API_KEY と WANDB_DOCKER 環境 変数を追加します。 |
-| [enabled](/models/ref/cli/wandb-enabled) | W&B を有効にします。 |
-| [init](/models/ref/cli/wandb-init) | ディレクトリー を Weights & Biases 用に 設定 します |
-| [job](/models/ref/cli/wandb-job) | W&B ジョブの管理と表示のためのコマンド |
-| [launch](/models/ref/cli/wandb-launch) | W&B ジョブを Launch またはキューに入れます。 |
-| [launch-agent](/models/ref/cli/wandb-launch-agent) | W&B launch agent を実行します。 |
-| [launch-sweep](/models/ref/cli/wandb-launch-sweep) | W&B launch sweep を実行します（実験的機能）。 |
-| [local](/models/ref/cli/wandb-local) | ローカル W&B コンテナを起動します（非推奨、wandb server --help を参照してください） |
-| [login](/models/ref/cli/wandb-login) | W&B サービスとの認証用 APIキー を検証し、保存します。 |
-| [off](/models/ref/cli/wandb-off) | 説明はありません |
-| [offline](/models/ref/cli/wandb-offline) | W&B に ログ 記録された データ を クラウド にアップロードせずにローカルに保存します。 |
-| [on](/models/ref/cli/wandb-on) | 説明はありません |
-| [online](/models/ref/cli/wandb-online) | `wandb offline` を解除します。 |
-| [projects](/models/ref/cli/wandb-projects) | Projects を一覧表示します |
-| [pull](/models/ref/cli/wandb-pull) | Weights & Biases からファイルをプルします |
-| [restore](/models/ref/cli/wandb-restore) | run の コード 、 設定 、docker の状態を復元します。 |
-| [scheduler](/models/ref/cli/wandb-scheduler) | W&B launch sweep スケジューラを実行します（実験的機能） |
-| [server](/models/ref/cli/wandb-server) | ローカル W&B サーバー を操作するためのコマンド |
-| [status](/models/ref/cli/wandb-status) | 設定 設定を表示します |
-| [sweep](/models/ref/cli/wandb-sweep) | ハイパーパラメーター探索 (sweep) を初期化します。 |
-| [sync](/models/ref/cli/wandb-sync) | W&B の run データ を クラウド に同期します。 |
-| [verify](/models/ref/cli/wandb-verify) | W&B のローカルインスタンスをチェックおよび検証します。 |
\ No newline at end of file
+| コマンド | 説明 |
+| :------------------------------------------------- | :---------------------------------------------------------------------- |
+| [agent](/ja/models/ref/cli/wandb-agent) | W&B agent を実行します。 |
+| [artifact](/ja/models/ref/cli/wandb-artifact) | アーティファクトを操作するコマンドです。 |
+| [beta](/ja/models/ref/cli/wandb-beta) | wandb CLI コマンドのベータ版です。 |
+| [controller](/ja/models/ref/cli/wandb-controller) | W&B のローカル sweep コントローラーを実行します。 |
+| [disabled](/ja/models/ref/cli/wandb-disabled) | W&B を無効化します。 |
+| [docker](/ja/models/ref/cli/wandb-docker) | コードを Docker コンテナ内で実行します。 |
+| [docker-run](/ja/models/ref/cli/wandb-docker-run) | `docker run` をラップし、WANDB_API_KEY と WANDB_DOCKER 環境変数を追加します。 |
+| [enabled](/ja/models/ref/cli/wandb-enabled) | W&B を有効化します。 |
+| [init](/ja/models/ref/cli/wandb-init) | Weights & Biases 用にディレクトリを設定します。 |
+| [job](/ja/models/ref/cli/wandb-job) | W&B Job の管理および表示用コマンドです。 |
+| [launch](/ja/models/ref/cli/wandb-launch) | W&B Job を起動またはキューに追加します。 |
+| [launch-agent](/ja/models/ref/cli/wandb-launch-agent) | W&B launch agent を実行します。 |
+| [launch-sweep](/ja/models/ref/cli/wandb-launch-sweep) | W&B launch sweep を実行します (実験的機能) 。 |
+| [local](/ja/models/ref/cli/wandb-local) | ローカルの W&B コンテナを起動します (非推奨。`wandb server --help` を参照) 。 |
+| [login](/ja/models/ref/cli/wandb-login) | W&B サービスでの認証のために API キーを検証して保存します。 |
+| [off](/ja/models/ref/cli/wandb-off) | 利用可能な説明はありません。 |
+| [offline](/ja/models/ref/cli/wandb-offline) | W&B にログされたデータをクラウドにアップロードせずローカルに保存します。 |
+| [on](/ja/models/ref/cli/wandb-on) | 利用可能な説明はありません。 |
+| [online](/ja/models/ref/cli/wandb-online) | `wandb offline` を取り消します。 |
+| [projects](/ja/models/ref/cli/wandb-projects) | プロジェクトを一覧表示します。 |
+| [pull](/ja/models/ref/cli/wandb-pull) | Weights & Biases からファイルを取得します。 |
+| [restore](/ja/models/ref/cli/wandb-restore) | run のコード、設定、Docker の状態を復元します。 |
+| [scheduler](/ja/models/ref/cli/wandb-scheduler) | W&B launch sweep スケジューラーを実行します (実験的機能) 。 |
+| [server](/ja/models/ref/cli/wandb-server) | ローカル W&B サーバーの操作用コマンドです。 |
+| [status](/ja/models/ref/cli/wandb-status) | 設定内容を表示します。 |
+| [sweep](/ja/models/ref/cli/wandb-sweep) | ハイパーパラメーター sweep を初期化します。 |
+| [sync](/ja/models/ref/cli/wandb-sync) | W&B run データをクラウドに同期します。 |
+| [verify](/ja/models/ref/cli/wandb-verify) | ローカルの W&B インスタンスをチェックして検証します。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-agent.mdx b/ja/models/ref/cli/wandb-agent.mdx
index 4a227ae93a..8094f5fe12 100644
--- a/ja/models/ref/cli/wandb-agent.mdx
+++ b/ja/models/ref/cli/wandb-agent.mdx
@@ -1,39 +1,47 @@
---
-title: wandb エージェント
+title: "wandb agent"
---
{/*
- このコマンドの導入コンテンツを追加するには：
- 1. スニペットファイルを作成： /snippets/en/_includes/cli/wandb-agent.mdx
- 2. そのファイルにイントロダクションの内容を追加
- 3. このコメントブロック全体を削除し、以下の2行のみを残してください：
+ このコマンドの導入文を追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-agent.mdx
+ 2. 作成したファイルに導入文のコンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbAgent from "/snippets/en/_includes/cli/wandb-agent.mdx";
+ import WandbAgent from "/snippets/_includes/cli/wandb-agent.mdx";
-
+ ## 使用方法
+
```bash
wandb agent SWEEP_ID [OPTIONS]
```
-## 引数（Arguments）
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `SWEEP_ID` | 説明なし | はい |
+| `SWEEP_ID` | 説明はありません | はい |
-## オプション
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--project`, `-p` | Sweep から作成された W&B Runs の送信先となる Projects の名前。プロジェクトが指定されていない場合、run は「Uncategorized」というラベルのプロジェクトに送信されます。 |
-| `--entity`, `-e` | Sweep によって作成された W&B Runs の送信先となる Teams 名または Users 名。指定する Entity が既に存在することを確認してください。Entity を指定しない場合、run は通常ユーザー名であるデフォルトの Entity に送信されます。 |
-| `--count` | この エージェント が実行する最大 Runs 数。 |
-| `--forward-signals`, `-f` | エージェント に配信されたシグナル（例：SIGINT/SIGTERM）を子プロセスである run に転送し、クリーンにシャットダウンできるようにします。（デフォルト：False） |
\ No newline at end of file
+| `--project`, `-p` | sweep から作成された W&B run を送信する先の プロジェクト名。プロジェクトが指定されていない場合、run は「Uncategorized」というラベルの付いた プロジェクトに送信されます。 |
+| `--entity`, `-e` | sweep によって作成された W&B run を送信したい先の ユーザー名またはチーム名。指定する entity がすでに存在していることを確認してください。entity を指定しない場合、run は通常あなたのユーザー名であるデフォルト entity に送信されます。 |
+| `--count` | このエージェントが処理する run の最大数。 |
+| `--forward-signals`, `-f` | エージェントに送られたシグナル（例: SIGINT/SIGTERM）を子 run に転送し、正常に終了できるようにします。（デフォルト: False） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-artifact.mdx b/ja/models/ref/cli/wandb-artifact.mdx
index b79e9ccb89..3f533b0d78 100644
--- a/ja/models/ref/cli/wandb-artifact.mdx
+++ b/ja/models/ref/cli/wandb-artifact.mdx
@@ -1,20 +1,24 @@
---
-title: wandb アーティファクト
+title: "wandb artifact"
---
Artifacts とやり取りするためのコマンド
-## Usage
+
+ ## 使用方法
+
```bash
wandb artifact COMMAND [ARGS]...
```
-## Commands
+
+ ## コマンド
+
-| コマンド | 説明 |
+| Command | 説明 |
| :--- | :--- |
-| [cache](/models/ref/cli/wandb-artifact/wandb-artifact-cache) | Artifacts のキャッシュを操作するためのコマンド |
-| [get](/models/ref/cli/wandb-artifact/wandb-artifact-get) | W&B から アーティファクト をダウンロードする |
-| [ls](/models/ref/cli/wandb-artifact/wandb-artifact-ls) | W&B の Projects 内にあるすべての アーティファクト を一覧表示する |
-| [put](/models/ref/cli/wandb-artifact/wandb-artifact-put) | W&B に アーティファクト をアップロードする |
\ No newline at end of file
+| [cache](/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache) | artifact cache を操作するためのコマンド |
+| [get](/ja/models/ref/cli/wandb-artifact/wandb-artifact-get) | wandb から Artifacts をダウンロードします |
+| [ls](/ja/models/ref/cli/wandb-artifact/wandb-artifact-ls) | wandb プロジェクト内のすべての Artifacts を一覧表示します |
+| [put](/ja/models/ref/cli/wandb-artifact/wandb-artifact-put) | wandb に Artifacts をアップロードします |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache.mdx b/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache.mdx
index a40b990510..38e556f58c 100644
--- a/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache.mdx
+++ b/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache.mdx
@@ -1,17 +1,21 @@
---
-title: wandb artifact cache
+title: "wandb Artifacts キャッシュ"
---
-Artifact キャッシュを操作するためのコマンド。
+Artifacts キャッシュを操作するためのコマンド
-## 使用法
+
+ ## 使用方法
+
```bash
wandb artifact cache COMMAND [ARGS]...
```
-## コマンド
+
+ ## コマンド
+
| コマンド | 説明 |
| :--- | :--- |
-| [cleanup](/models/ref/cli/wandb-artifact/wandb-artifact-cache/wandb-artifact-cache-cleanup) | Artifacts キャッシュから使用頻度の低いファイルをクリーンアップします |
\ No newline at end of file
+| [cleanup](/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache/wandb-artifact-cache-cleanup) | Artifacts キャッシュから使用頻度の低いファイルを削除します |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache/wandb-artifact-cache-cleanup.mdx b/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache/wandb-artifact-cache-cleanup.mdx
index 0ca6317ffd..a402a6b145 100644
--- a/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache/wandb-artifact-cache-cleanup.mdx
+++ b/ja/models/ref/cli/wandb-artifact/wandb-artifact-cache/wandb-artifact-cache-cleanup.mdx
@@ -1,36 +1,42 @@
---
-title: wandb artifact cache cleanup
+title: "wandb Artifacts キャッシュのクリーンアップ"
---
{/*
- このコマンドの紹介コンテンツを追加するには：
- 1. スニペットファイルを作成：/snippets/en/_includes/cli/wandb-artifact-cache-cleanup.mdx
- 2. そのファイルに紹介文を追加
- 3. このコメントブロック全体を削除し、以下の2行のみを残してください：
+ このコマンドの導入文を追加するには:
+ 1. /snippets/_includes/cli/wandb-artifact-cache-cleanup.mdx スニペットファイルを作成します
+ 2. そのファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、下記 2 行のみを残します:
-import WandbArtifactCacheCleanup from "/snippets/en/_includes/cli/wandb-artifact-cache-cleanup.mdx";
+ import WandbArtifactCacheCleanup from "/snippets/_includes/cli/wandb-artifact-cache-cleanup.mdx";
-
+ ## 使用方法
+
```bash
wandb artifact cache cleanup TARGET_SIZE [OPTIONS]
```
-## Arguments（引数）
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `TARGET_SIZE` | 説明なし | はい |
+| `TARGET_SIZE` | 説明はありません | はい |
-## Options（オプション）
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--remove-temp` | 一時ファイルを削除する（デフォルト：False） |
\ No newline at end of file
+| `--remove-temp` | 一時ファイルを削除（デフォルト: False） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-artifact/wandb-artifact-get.mdx b/ja/models/ref/cli/wandb-artifact/wandb-artifact-get.mdx
index 6795ea9587..2f7704169c 100644
--- a/ja/models/ref/cli/wandb-artifact/wandb-artifact-get.mdx
+++ b/ja/models/ref/cli/wandb-artifact/wandb-artifact-get.mdx
@@ -1,39 +1,43 @@
---
-title: ' thoughtful
-
- wandb artifact get'
+title: "wandb artifact get"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-artifact-get.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入コンテンツを追加するには、次の手順を実行します:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-artifact-get.mdx を作成する
+ 2. そのファイルに導入コンテンツを追加する
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除する:
-import WandbArtifactGet from "/snippets/en/_includes/cli/wandb-artifact-get.mdx";
+ import WandbArtifactGet from "/snippets/_includes/cli/wandb-artifact-get.mdx";
-
+ ## 使い方
+
```bash
wandb artifact get PATH [OPTIONS]
```
-## Arguments
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `PATH` | 説明はありません | はい |
+| `PATH` | 説明は利用できません | はい |
-## Options
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--root` | Artifacts をダウンロードする先の ディレクトリー |
-| `--type` | ダウンロードする Artifacts のタイプ |
\ No newline at end of file
+| `--root` | Artifacts をダウンロードするディレクトリ |
+| `--type` | ダウンロードする Artifacts の種類 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-artifact/wandb-artifact-ls.mdx b/ja/models/ref/cli/wandb-artifact/wandb-artifact-ls.mdx
index e0ece09e8c..4e4c115414 100644
--- a/ja/models/ref/cli/wandb-artifact/wandb-artifact-ls.mdx
+++ b/ja/models/ref/cli/wandb-artifact/wandb-artifact-ls.mdx
@@ -1,36 +1,42 @@
---
-title: wandb artifact ls
+title: "wandb artifact ls"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-artifact-ls.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入コンテンツを追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-artifact-ls.mdx を作成します
+ 2. そのファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbArtifactLs from "/snippets/en/_includes/cli/wandb-artifact-ls.mdx";
+ import WandbArtifactLs from "/snippets/_includes/cli/wandb-artifact-ls.mdx";
-
+ ## 使用方法
+
```bash
wandb artifact ls PATH [OPTIONS]
```
-## 引数
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `PATH` | 説明なし | はい |
+| `PATH` | 説明はありません | はい |
-## オプション
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--type`, `-t` | 表示する Artifacts のタイプ |
\ No newline at end of file
+| `--type`, `-t` | 一覧表示する Artifacts の種類 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-artifact/wandb-artifact-put.mdx b/ja/models/ref/cli/wandb-artifact/wandb-artifact-put.mdx
index 522c7bb3ca..9974008e58 100644
--- a/ja/models/ref/cli/wandb-artifact/wandb-artifact-put.mdx
+++ b/ja/models/ref/cli/wandb-artifact/wandb-artifact-put.mdx
@@ -1,43 +1,49 @@
---
-title: wandb artifact put
+title: "wandb artifact put"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-artifact-put.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入用コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-artifact-put.mdx
+ 2. そのファイルに導入コンテンツを追加します
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbArtifactPut from "/snippets/en/_includes/cli/wandb-artifact-put.mdx";
+ import WandbArtifactPut from "/snippets/_includes/cli/wandb-artifact-put.mdx";
-
+ ## 使用方法
+
```bash
wandb artifact put PATH [OPTIONS]
```
-## Arguments
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
| `PATH` | 説明はありません | はい |
-## Options
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--name`, `-n` | プッシュする Artifact の名前: project/artifact_name |
-| `--description`, `-d` | この Artifact の説明 |
-| `--type`, `-t` | Artifact のタイプ (デフォルト: dataset) |
-| `--alias`, `-a` | この Artifact に適用するエイリアス (デフォルト: ['latest']) |
-| `--id` | アップロード先となる run。 |
-| `--resume` | 現在のディレクトリーから最後の run を再開します。 |
-| `--skip_cache` | Artifact ファイルのアップロード中にキャッシングをスキップします。(デフォルト: False) |
-| `--policy` | Artifact ファイルのアップロード中のストレージポリシーを設定します。(デフォルト: mutable) |
\ No newline at end of file
+| `--name`, `-n` | プッシュする Artifacts の名前: project/artifact_name |
+| `--description`, `-d` | この Artifacts の説明 |
+| `--type`, `-t` | Artifacts の種類 (デフォルト: データセット) |
+| `--alias`, `-a` | この Artifacts に適用するエイリアス (デフォルト: ['latest']) |
+| `--id` | アップロード先の run |
+| `--resume` | 現在のディレクトリで最後の run を再開します |
+| `--skip_cache` | Artifacts ファイルをアップロードする際にキャッシュをスキップします (デフォルト: False) |
+| `--policy` | Artifacts ファイルをアップロードする際のストレージポリシーを設定します (デフォルト: mutable) |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-beta.mdx b/ja/models/ref/cli/wandb-beta.mdx
index cfa5337caa..662fc8dbdd 100644
--- a/ja/models/ref/cli/wandb-beta.mdx
+++ b/ja/models/ref/cli/wandb-beta.mdx
@@ -1,20 +1,24 @@
---
-title: wandb beta
+title: "wandb ベータ版"
---
wandb CLI コマンドのベータ版です。
-これらのコマンドは、wandb の今後のリリースにおいて変更されたり、完全に動作しなくなったりする可能性があります。
+これらのコマンドは、今後の wandb のリリースで変更されたり、完全に動作しなくなったりする可能性があります。
-## 使用法
+
+ ## 使用方法
+
```bash
wandb beta COMMAND [ARGS]...
```
-## コマンド
+
+ ## コマンド
+
-| コマンド | 説明 |
-| :--- | :--- |
-| [leet](/models/ref/cli/wandb-beta/wandb-beta-leet) | W&B LEET（Lightweight Experiment Exploration Tool）を ローンンチ します。 |
-| [sync](/models/ref/cli/wandb-beta/wandb-beta-sync) | PATHS で指定された .wandb ファイルをアップロードします。 |
\ No newline at end of file
+| Command | Description |
+| :------------------------------------------------- | :---------------------------------------------------------------------- |
+| [leet](/ja/models/ref/cli/wandb-beta/wandb-beta-leet) | W&B LEET (Lightweight Experiment Exploration Tool) という軽量な実験探索ツールです。 |
+| [sync](/ja/models/ref/cli/wandb-beta/wandb-beta-sync) | PATHS で指定された .wandb ファイルをアップロードします。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-beta/wandb-beta-leet.mdx b/ja/models/ref/cli/wandb-beta/wandb-beta-leet.mdx
index 7478e2ae10..677679e266 100644
--- a/ja/models/ref/cli/wandb-beta/wandb-beta-leet.mdx
+++ b/ja/models/ref/cli/wandb-beta/wandb-beta-leet.mdx
@@ -1,24 +1,24 @@
---
-title: wandb beta leet
+title: "wandb beta leet"
---
-import WandbBetaLeet from "/snippets/en/_includes/cli/wandb-beta-leet.mdx";
-
+ ## 使い方
+
```bash
-wandb beta leet [PATH]
+wandb beta leet COMMAND [ARGS]...
```
-## Arguments（引数）
+
+ ## コマンド
+
-| 引数 | 説明 | 必須 |
-| :--- | :--- | :--- |
-| `PATH` | 説明なし | いいえ |
\ No newline at end of file
+| Command | 説明 |
+| :-------------------------------------------------------------------------- | :----------------- |
+| [config](/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-config) | LEET の設定を編集します。 |
+| [run](/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-run) | LEET の TUI を起動します。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-config.mdx b/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-config.mdx
new file mode 100644
index 0000000000..268af58c6f
--- /dev/null
+++ b/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-config.mdx
@@ -0,0 +1,27 @@
+---
+title: "wandb beta leet 設定"
+---
+
+{/*
+ このコマンドの導入用コンテンツを追加するには：
+ 1. スニペットファイルを作成します：/snippets/en/_includes/cli/wandb-beta-leet-config.mdx
+ 2. そのファイルに導入用コンテンツを追加します。
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除してください:
+
+ import WandbBetaLeetConfig from "/snippets/en/_includes/cli/wandb-beta-leet-config.mdx";
+
+
+ ## 使用方法
+
+
+```bash
+wandb beta leet config
+```
diff --git a/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-run.mdx b/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-run.mdx
new file mode 100644
index 0000000000..bcce16ef84
--- /dev/null
+++ b/ja/models/ref/cli/wandb-beta/wandb-beta-leet/wandb-beta-leet-run.mdx
@@ -0,0 +1,38 @@
+---
+title: "wandb beta leet run"
+---
+
+{/*
+ このコマンド用の導入文を追加するには、
+ 1. スニペットファイルを作成します: /snippets/en/_includes/cli/wandb-beta-leet-run.mdx
+ 2. そのファイルに導入文を追加します
+ 3. 以下の 2 行だけを残し、このコメントブロック全体を削除します:
+
+ import WandbBetaLeetRun from "/snippets/en/_includes/cli/wandb-beta-leet-run.mdx";
+
+
+ ## 使用方法
+
+
+```bash
+wandb beta leet run [PATH]
+```
+
+
+
+ ## 引数
+
+
+| 引数 | 説明 | 必須 |
+| :----- | :------- | :-- |
+| `PATH` | 説明はありません | いいえ |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-beta/wandb-beta-sync.mdx b/ja/models/ref/cli/wandb-beta/wandb-beta-sync.mdx
index c817514227..595d55b776 100644
--- a/ja/models/ref/cli/wandb-beta/wandb-beta-sync.mdx
+++ b/ja/models/ref/cli/wandb-beta/wandb-beta-sync.mdx
@@ -1,59 +1,75 @@
---
-title: wandb beta sync
+title: "wandb beta sync"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-beta-sync.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドに導入文を追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-beta-sync.mdx を作成します
+ 2. 導入文をそのファイルに追加します
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbBetaSync from "/snippets/en/_includes/cli/wandb-beta-sync.mdx";
+ import WandbBetaSync from "/snippets/_includes/cli/wandb-beta-sync.mdx";
-
+ ## 使用方法
+
```bash
wandb beta sync [PATHS] [OPTIONS]
```
-## 引数
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `PATHS` | 説明なし | いいえ |
+| `PATHS` | 説明はありません | いいえ |
-## オプション
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--live` | ログが記録されている最中の run を同期します。run を生成しているプロセスが正常に終了せずにクラッシュした場合、この処理はハングする可能性があります。(デフォルト: False) |
-| `-e`, `--entity` | 同期されるすべての Runs に使用する Entity の上書き設定。(デフォルト: ) |
-| `-p`, `--project` | 同期されるすべての Runs に使用する Project の上書き設定。(デフォルト: ) |
-| `--id` | 同期されるすべての Runs に使用する run ID の上書き設定。これを設定して複数のファイル（同じ Entity および Project）を同期する場合、ファイルは開始時間の順に同期されます。これは、同じ run の再開された複数のフラグメントを同期することを目的としています。(デフォルト: ) |
-| `--skip-synced` | このコマンドですでに同期済みの Runs をスキップします。(デフォルト: True) |
-| `--dry-run` | 何もアップロードせずに、実行される内容を表示します。(デフォルト: False) |
-| `-v`, `--verbose` | より詳細な情報を表示します。(デフォルト: False) |
-| `-n` | 一度に同期する Runs の最大数。同じ run の一部である複数のファイルを同期する場合、この設定に関係なく、ファイルは開始時間の順に逐次同期されます。これは、レジュームされた Runs や --id パラメータを使用した場合に発生します。(デフォルト: 5) |
\ No newline at end of file
+| `--live` | run のログ記録中に同期します。run を生成しているプロセスが正常に終了しなかった場合、このコマンドがハングする可能性があります。 (デフォルト: False) |
+| `-e`, `--entity` | 同期対象となるすべての run に対して使用する entity の上書き設定。 (デフォルト: ) |
+| `-p`, `--project` | 同期対象となるすべての run に対して使用するプロジェクトの上書き設定。 (デフォルト: ) |
+| `--id` | 同期対象となるすべての run に対して使用する run ID の上書き設定。これを設定し、かつ複数のファイルを同期する場合（同じ entity とプロジェクトの場合）、ファイルは開始時刻の順に同期されます。これは、同じ run の再開された複数のフラグメントを同期する用途を想定しています。 (デフォルト: ) |
+| `--job-type` | 同期対象となるすべての run に対する job type の上書き設定。 (デフォルト: ) |
+| `--replace-tags` | `'old1=new1,old2=new2'` の形式でタグ名を変更します。 (デフォルト: ) |
+| `--skip-synced` | このコマンドですでに同期済みの run をスキップします。 (デフォルト: True) |
+| `--dry-run` | 何もアップロードせずに、実行内容を表示します。 (デフォルト: False) |
+| `-v`, `--verbose` | より詳細な情報を表示します。 (デフォルト: False) |
+| `-n` | 一度に同期する run の最大数。同じ run の一部である複数ファイルを同期する場合、この設定に関係なく、ファイルは開始時刻順に順次同期されます。これは再開された run、または `--id` パラメーターを使用している場合に発生します。 (デフォルト: 5) |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-controller.mdx b/ja/models/ref/cli/wandb-controller.mdx
index 65bf7c6b3e..4b9d2caec4 100644
--- a/ja/models/ref/cli/wandb-controller.mdx
+++ b/ja/models/ref/cli/wandb-controller.mdx
@@ -1,36 +1,44 @@
---
-title: wandb コントローラ
+title: "wandb controller"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-controller.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-controller.mdx
+ 2. そのファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbController from "/snippets/en/_includes/cli/wandb-controller.mdx";
+ import WandbController from "/snippets/_includes/cli/wandb-controller.mdx";
-
+ ## 使用方法
+
```bash
wandb controller SWEEP_ID [OPTIONS]
```
-## Arguments（引数）
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `SWEEP_ID` | 説明なし | はい |
+| `SWEEP_ID` | 説明はありません | はい |
-## Options（オプション）
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--verbose` | 詳細な出力を表示（デフォルト: False） |
\ No newline at end of file
+| `--verbose` | 詳細な出力を表示します（デフォルト: False） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-disabled.mdx b/ja/models/ref/cli/wandb-disabled.mdx
index e6d42fcdb3..917e8123f3 100644
--- a/ja/models/ref/cli/wandb-disabled.mdx
+++ b/ja/models/ref/cli/wandb-disabled.mdx
@@ -1,30 +1,36 @@
---
-title: wandb disabled
+title: "wandb の無効化"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-disabled.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドのイントロダクション用コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-disabled.mdx
+ 2. そのファイルにイントロダクション用コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行のみを残します:
-import WandbDisabled from "/snippets/en/_includes/cli/wandb-disabled.mdx";
+ import WandbDisabled from "/snippets/_includes/cli/wandb-disabled.mdx";
-
+ ## 使用方法
+
```bash
wandb disabled [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--service` | W&B サービスを無効化する (デフォルト: True) |
\ No newline at end of file
+| `--service` | W&B サービスを無効にします（デフォルト: True） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-docker-run.mdx b/ja/models/ref/cli/wandb-docker-run.mdx
index 9ef3c9fb31..4d5a881120 100644
--- a/ja/models/ref/cli/wandb-docker-run.mdx
+++ b/ja/models/ref/cli/wandb-docker-run.mdx
@@ -1,25 +1,25 @@
---
-title: wandb docker-run
+title: "wandb docker-run"
---
-import WandbDockerRun from "/snippets/en/_includes/cli/wandb-docker-run.mdx";
- medical_thought
-
+ ## 使い方
+
```bash
wandb docker-run [DOCKER_RUN_ARGS]
```
-## Arguments
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `DOCKER_RUN_ARGS` | 説明なし | いいえ |
\ No newline at end of file
+| `DOCKER_RUN_ARGS` | 説明はありません | いいえ |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-docker.mdx b/ja/models/ref/cli/wandb-docker.mdx
index b799f088d8..d08cc36cff 100644
--- a/ja/models/ref/cli/wandb-docker.mdx
+++ b/ja/models/ref/cli/wandb-docker.mdx
@@ -1,50 +1,42 @@
---
-title: wandb docker
+title: "wandb docker"
---
-import WandbDocker from "/snippets/en/_includes/cli/wandb-docker.mdx";
-
+ ## 使用方法
+
```bash
wandb docker [DOCKER_RUN_ARGS] [DOCKER_IMAGE] [OPTIONS]
```
-## Arguments（引数）
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `DOCKER_RUN_ARGS` | 説明なし | いいえ |
-| `DOCKER_IMAGE` | 説明なし | いいえ |
+| `DOCKER_RUN_ARGS` | 利用可能な説明はありません | いいえ |
+| `DOCKER_IMAGE` | 利用可能な説明はありません | いいえ |
-## Options（オプション）
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--nvidia` | nvidia ランタイムを使用します。nvidia-docker が存在する場合はデフォルトで nvidia になります（デフォルト: False） |
-| `--digest` | イメージのダイジェストを出力して終了します（デフォルト: False） |
-| `--jupyter` | コンテナ内で jupyter lab を実行します（デフォルト: False） |
-| `--dir` | コンテナ内のどの ディレクトリー に コード をマウントするかを指定します（デフォルト: /app） |
-| `--no-dir` | 現在の ディレクトリー をマウントしません（デフォルト: False） |
-| `--shell` | コンテナを起動するシェルを指定します（デフォルト: /bin/bash） |
-| `--port` | jupyter をバインドするホストポートを指定します（デフォルト: 8888） |
-| `--cmd` | コンテナ内で実行する コマンド |
-| `--no-tty` | tty なしで コマンド を実行します（デフォルト: False） |
\ No newline at end of file
+| `--nvidia` | NVIDIA runtime を使用する。nvidia-docker が存在する場合はデフォルトで NVIDIA runtime を使用する (デフォルト: False) |
+| `--digest` | イメージのダイジェストを出力して終了する (デフォルト: False) |
+| `--jupyter` | コンテナ内で Jupyter Lab を実行する (デフォルト: False) |
+| `--dir` | コンテナ内でコードをマウントするディレクトリ (デフォルト: /app) |
+| `--no-dir` | カレントディレクトリをマウントしない (デフォルト: False) |
+| `--shell` | コンテナを起動するシェル (デフォルト: /bin/bash) |
+| `--port` | Jupyter をバインドするホスト側のポート (デフォルト: 8888) |
+| `--cmd` | コンテナ内で実行するコマンド |
+| `--no-tty` | TTY なしでコマンドを実行する (デフォルト: False) |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-enabled.mdx b/ja/models/ref/cli/wandb-enabled.mdx
index c46d3676b4..7ccb43d754 100644
--- a/ja/models/ref/cli/wandb-enabled.mdx
+++ b/ja/models/ref/cli/wandb-enabled.mdx
@@ -1,30 +1,36 @@
---
-title: wandb 有効化済み
+title: "wandb を有効にする"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-enabled.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入文を追加するには:
+ 1. スニペット ファイルを作成します: /snippets/_includes/cli/wandb-enabled.mdx
+ 2. 作成したファイルに導入文を追加します
+ 3. 以下の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbEnabled from "/snippets/en/_includes/cli/wandb-enabled.mdx";
+ import WandbEnabled from "/snippets/_includes/cli/wandb-enabled.mdx";
-
+ ## 使用方法
+
```bash
wandb enabled [OPTIONS]
```
-## Options (オプション)
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--service` | W&B サービスを有効にします (デフォルト: True) |
\ No newline at end of file
+| `--service` | W&B service を有効にします（デフォルト: True） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-init.mdx b/ja/models/ref/cli/wandb-init.mdx
index bc282f1a76..77900227e8 100644
--- a/ja/models/ref/cli/wandb-init.mdx
+++ b/ja/models/ref/cli/wandb-init.mdx
@@ -1,33 +1,39 @@
---
-title: wandb init
+title: "wandb init"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-init.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入コンテンツを追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-init.mdx を作成します
+ 2. 作成したファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbInit from "/snippets/en/_includes/cli/wandb-init.mdx";
+ import WandbInit from "/snippets/_includes/cli/wandb-init.mdx";
-
+ ## 使用方法
+
```bash
wandb init [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--project`, `-p` | 使用する Projects を指定します。 |
-| `--entity`, `-e` | Projects のスコープ対象となる Entities を指定します。 |
-| `--reset` | 設定 をリセットします (デフォルト: False) |
-| `--mode`, `-m` | "online", "offline", または "disabled" を指定できます。デフォルトは online です。 |
\ No newline at end of file
+| `--project`, `-p` | 使用するプロジェクト。 |
+| `--entity`, `-e` | プロジェクトの対象とする entity。 |
+| `--reset` | 設定をリセットします (デフォルト: False)。 |
+| `--mode`, `-m` | `"online"`、`"offline"`、`"disabled"` のいずれか。デフォルトは `online`。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-job.mdx b/ja/models/ref/cli/wandb-job.mdx
index 9c27a8be1a..40536917fc 100644
--- a/ja/models/ref/cli/wandb-job.mdx
+++ b/ja/models/ref/cli/wandb-job.mdx
@@ -1,21 +1,23 @@
---
-title: ' thoughtful_with_thought_extra_fast_thought_token: 32 Stereo nodes.
-
- wandb job'
+title: "wandb job"
---
-W&B の Job を管理・表示するための コマンド
+W&B ジョブを管理および閲覧するためのコマンド
-## 使用法
+
+ ## 使用方法
+
```bash
wandb job COMMAND [ARGS]...
```
-## コマンド
+
+ ## コマンド
+
| コマンド | 説明 |
| :--- | :--- |
-| [create](/models/ref/cli/wandb-job/wandb-job-create) | wandb run を介さずに、ソースから Job を作成します。 |
-| [describe](/models/ref/cli/wandb-job/wandb-job-describe) | Launch Job の詳細を表示します。 |
-| [list](/models/ref/cli/wandb-job/wandb-job-list) | プロジェクト 内の Job を一覧表示します。 |
\ No newline at end of file
+| [create](/ja/models/ref/cli/wandb-job/wandb-job-create) | wandb run を使わずにソースから job を作成します。 |
+| [describe](/ja/models/ref/cli/wandb-job/wandb-job-describe) | Launch job の詳細を表示します。 |
+| [list](/ja/models/ref/cli/wandb-job/wandb-job-list) | プロジェクト内の job を一覧表示します。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-job/wandb-job-create.mdx b/ja/models/ref/cli/wandb-job/wandb-job-create.mdx
index 4a0a9793d1..fe7123c954 100644
--- a/ja/models/ref/cli/wandb-job/wandb-job-create.mdx
+++ b/ja/models/ref/cli/wandb-job/wandb-job-create.mdx
@@ -1,51 +1,59 @@
---
-title: wandb job create
+title: "「wandb job create」コマンド"
---
{/*
- このコマンドのイントロダクション・コンテンツを追加するには：
- 1. スニペットファイルを作成：/snippets/en/_includes/cli/wandb-job-create.mdx
- 2. そのファイルにイントロダクションの内容を追加
- 3. このコメントブロック全体を削除し、以下の2行のみを残してください：
+ このコマンドの導入用コンテンツを追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-job-create.mdx を作成します
+ 2. そのファイルに導入文を追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbJobCreate from "/snippets/en/_includes/cli/wandb-job-create.mdx";
+ import WandbJobCreate from "/snippets/_includes/cli/wandb-job-create.mdx";
-
+ ## 使い方
+
```bash
wandb job create JOB_TYPE PATH [OPTIONS]
```
-## Arguments
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
| `JOB_TYPE` | 説明はありません | はい |
| `PATH` | 説明はありません | はい |
-## Options
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--project`, `-p` | ジョブをリストアップしたい Projects 。 |
-| `--entity`, `-e` | ジョブが属する Entities |
-| `--name`, `-n` | ジョブの名前 |
-| `--description`, `-d` | ジョブの説明 |
-| `--alias`, `-a` | ジョブの エイリアス |
-| `--entry-point`, `-E` | 実行ファイルとエントリポイントファイルを含む、スクリプトへのエントリポイント。code または repo ジョブには必須です。--build-context が指定されている場合、エントリポイントコマンド内のパスはビルドコンテキストからの相対パスになります。 |
-| `--git-hash`, `-g` | git ジョブのソースとして使用するコミット参照 |
-| `--runtime`, `-r` | ジョブを実行する Python ランタイム |
-| `--build-context`, `-b` | ジョブソースコードのルートからのビルドコンテキストへのパス。指定された場合、これが Dockerfile とエントリポイントのベースパスとして使用されます。 |
-| `--base-image`, `-B` | ジョブに使用するベースイメージ。image ジョブとは併用できません。 |
-| `--dockerfile`, `-D` | ジョブの Dockerfile へのパス。--build-context が指定されている場合、Dockerfile のパスはビルドコンテキストからの相対パスになります。 |
\ No newline at end of file
+| `--project`, `-p` | ジョブを一覧表示する対象のプロジェクト。 |
+| `--entity`, `-e` | ジョブが属しているエンティティ。 |
+| `--name`, `-n` | ジョブの名前。 |
+| `--description`, `-d` | ジョブの説明。 |
+| `--alias`, `-a` | ジョブのエイリアス。 |
+| `--entry-point`, `-E` | スクリプトのエントリポイント。実行ファイルとエントリポイントファイルを含みます。コードジョブまたはリポジトリジョブでは必須です。`--build-context` が指定されている場合、エントリポイントコマンド内のパスはビルドコンテキストからの相対パスになります。 |
+| `--git-hash`, `-g` | git ジョブのソースとして使用するコミット参照。 |
+| `--runtime`, `-r` | ジョブを実行する Python ランタイム。 |
+| `--build-context`, `-b` | ジョブのソースコードのルートからのビルドコンテキストへのパス。指定された場合、Dockerfile とエントリポイントのベースパスとして使用されます。 |
+| `--base-image`, `-B` | ジョブで使用するベースイメージ。イメージジョブとは互換性がありません。 |
+| `--dockerfile`, `-D` | ジョブ用の Dockerfile のパス。`--build-context` が指定されている場合、Dockerfile のパスはビルドコンテキストからの相対パスになります。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-job/wandb-job-describe.mdx b/ja/models/ref/cli/wandb-job/wandb-job-describe.mdx
index 6d5339839b..8bceb043a2 100644
--- a/ja/models/ref/cli/wandb-job/wandb-job-describe.mdx
+++ b/ja/models/ref/cli/wandb-job/wandb-job-describe.mdx
@@ -1,30 +1,36 @@
---
-title: wandb job describe
+title: "wandb job describe"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-job-describe.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドに導入コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-job-describe.mdx
+ 2. 作成したファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbJobDescribe from "/snippets/en/_includes/cli/wandb-job-describe.mdx";
+ import WandbJobDescribe from "/snippets/_includes/cli/wandb-job-describe.mdx";
-
+ ## 使用方法
+
```bash
wandb job describe JOB
```
-## Arguments
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `JOB` | 説明なし | はい |
\ No newline at end of file
+| `JOB` | 説明はありません | はい |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-job/wandb-job-list.mdx b/ja/models/ref/cli/wandb-job/wandb-job-list.mdx
index 06138b246d..94c1e1d47a 100644
--- a/ja/models/ref/cli/wandb-job/wandb-job-list.mdx
+++ b/ja/models/ref/cli/wandb-job/wandb-job-list.mdx
@@ -1,31 +1,37 @@
---
-title: wandb job list
+title: "wandb job list"
---
{/*
- このコマンドのイントロダクション・コンテンツを追加する場合：
- 1. スニペットファイルを作成： /snippets/en/_includes/cli/wandb-job-list.mdx
- 2. そのファイルにイントロダクションの内容を追加
- 3. このコメントブロック全体を削除し、以下の2行のみを残してください：
+ このコマンドの導入用コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-job-list.mdx
+ 2. 作成したファイルに導入用コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbJobList from "/snippets/en/_includes/cli/wandb-job-list.mdx";
+ import WandbJobList from "/snippets/_includes/cli/wandb-job-list.mdx";
-
+ ## 使い方
+
```bash
wandb job list [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--project`, `-p` | job を一覧表示したい Project。 |
-| `--entity`, `-e` | job が属する Entity (デフォルト: models) |
\ No newline at end of file
+| `--project`, `-p` | ジョブを一覧表示する対象の プロジェクト。 |
+| `--entity`, `-e` | ジョブが所属する Entity（デフォルト: models）。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-launch-agent.mdx b/ja/models/ref/cli/wandb-launch-agent.mdx
index 5b269c91e4..220900b58e 100644
--- a/ja/models/ref/cli/wandb-launch-agent.mdx
+++ b/ja/models/ref/cli/wandb-launch-agent.mdx
@@ -1,35 +1,41 @@
---
-title: wandb launch-agent
+title: "wandb launch-agent"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-launch-agent.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入用コンテンツを追加するには：
+ 1. snippet ファイルを作成します: /snippets/_includes/cli/wandb-launch-agent.mdx
+ 2. 作成したファイルに導入用コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbLaunchAgent from "/snippets/en/_includes/cli/wandb-launch-agent.mdx";
+ import WandbLaunchAgent from "/snippets/_includes/cli/wandb-launch-agent.mdx";
-
+ ## 使用方法
+
```bash
wandb launch-agent [OPTIONS]
```
-## Options (オプション)
-| オプション | 説明 |
+
+ ## オプション
+
+
+| Option | Description |
| :--- | :--- |
-| `--queue`, `-q` | エージェント が監視するキューの名前。複数の -q フラグがサポートされています。 |
-| `--entity`, `-e` | 使用する Entities。デフォルトは現在ログインしている Users です。 |
-| `--log-file`, `-l` | 内部 エージェント ログ の出力先。stdout の場合は - を使用します。デフォルトでは、すべての エージェント ログ は `wandb/` サブディレクトリー 内の `debug.log`、または `WANDB_DIR` が設定されている場合はその場所に保存されます。 |
-| `--max-jobs`, `-j` | この エージェント が並列で実行できる Launch ジョブの最大数。デフォルトは 1 です。上限をなくすには -1 を設定してください。 |
-| `--config`, `-c` | 使用する エージェント 設定 yaml へのパス。 |
-| `--verbose`, `-v` | 詳細な出力を表示します (デフォルト: 0)。 |
\ No newline at end of file
+| `--queue`, `-q` | エージェントが監視するキューの名前。-q フラグは複数指定できます。 |
+| `--entity`, `-e` | 使用する Entity。デフォルトは現在ログインしているユーザー。 |
+| `--log-file`, `-l` | 内部エージェントログの出力先。標準出力に出力するには - を使用します。デフォルトでは、すべてのエージェントログは wandb/ サブディレクトリ内の debug.log、または WANDB_DIR が設定されていればそのディレクトリ内の debug.log に出力されます。 |
+| `--max-jobs`, `-j` | このエージェントが並列実行できる Launch ジョブの最大数。デフォルトは 1。上限なしにするには -1 を設定します。 |
+| `--config`, `-c` | 使用するエージェント設定 YAML ファイルへのパス |
+| `--verbose`, `-v` | 冗長な出力を表示します (デフォルト: 0) |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-launch-sweep.mdx b/ja/models/ref/cli/wandb-launch-sweep.mdx
index fefa9d1dc7..34194c1402 100644
--- a/ja/models/ref/cli/wandb-launch-sweep.mdx
+++ b/ja/models/ref/cli/wandb-launch-sweep.mdx
@@ -1,40 +1,48 @@
---
-title: wandb launch-sweep
+title: "wandb launch-sweep"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-launch-sweep.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入用コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-launch-sweep.mdx
+ 2. そのファイルに導入用コンテンツを追加します
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbLaunchSweep from "/snippets/en/_includes/cli/wandb-launch-sweep.mdx";
+ import WandbLaunchSweep from "/snippets/_includes/cli/wandb-launch-sweep.mdx";
-
+ ## 使用方法
+
```bash
wandb launch-sweep [CONFIG] [OPTIONS]
```
-## Arguments
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
| `CONFIG` | 説明はありません | いいえ |
-## Options
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--queue`, `-q` | Sweep をプッシュするキューの名前 |
-| `--project`, `-p` | エージェント が監視する Project の名前。指定された場合、設定ファイルで渡されたプロジェクトの 値 を上書きします |
-| `--entity`, `-e` | 使用する Entity。デフォルトは現在ログインしている User です |
-| `--resume_id`, `-r` | 8文字の Sweep ID を渡して Launch Sweep を再開します。キューの指定が必須です |
-| `--prior_run`, `-R` | この Sweep に追加する既存の Run の ID |
\ No newline at end of file
+| `--queue`, `-q` | sweep をプッシュするキューの名前 |
+| `--project`, `-p` | エージェントが監視するプロジェクト名。指定された場合、設定ファイルで指定されたプロジェクト値より優先されます |
+| `--entity`, `-e` | 使用するエンティティ。デフォルトは現在ログイン中のユーザーです |
+| `--resume_id`, `-r` | 8 文字の sweep ID を指定して Launch sweep を再開します。キューが必須です |
+| `--prior_run`, `-R` | この sweep に追加する既存の run の ID |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-launch.mdx b/ja/models/ref/cli/wandb-launch.mdx
index 4f973b29fd..8b8451f818 100644
--- a/ja/models/ref/cli/wandb-launch.mdx
+++ b/ja/models/ref/cli/wandb-launch.mdx
@@ -1,46 +1,52 @@
---
-title: wandb Launch
+title: "wandb launch"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-launch.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-launch.mdx
+ 2. そのファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbLaunch from "/snippets/en/_includes/cli/wandb-launch.mdx";
+ import WandbLaunch from "/snippets/_includes/cli/wandb-launch.mdx";
-
+ ## 使用方法
+
```bash
wandb launch [OPTIONS]
```
-## Options
+
+
+ ## オプション
+
| Option | Description |
| :--- | :--- |
-| `--uri`, `-u` | ローンチ するローカルパスまたは git リポジトリの URI。指定された場合、この コマンド は指定された URI から Job を作成します。 |
-| `--job`, `-j` | ローンチ する Job の名前。これが渡された場合、ローンチ に URI は必要ありません。 |
-| `--entry-point`, `-E` | プロジェクト 内の エントリポイント。[デフォルト: main]。エントリポイントが見つからない場合は、指定された名前の プロジェクト ファイルを スクリプト として実行しようとします。 .py ファイルの実行には 'python' を、 .sh ファイルの実行にはデフォルトのシェル（ 環境 変数 $SHELL で指定）を使用します。渡された場合、 設定 ファイルで渡されたエントリポイントの 値 を上書きします。 |
-| `--build-context` | ソース コード 内のビルドコンテキストへのパス。デフォルトはソース コード のルートです。 -u とのみ互換性があります。 |
-| `--name` | ローンチ する Run の名前。指定しない場合、ランダムな Run 名が ローンチ に使用されます。渡された場合、 設定 ファイルで渡された名前を上書きします。 |
-| `--entity`, `-e` | 新しい Run が送信されるターゲット Entities の名前。デフォルトでは、ローカルの wandb/settings フォルダで設定された Entity が使用されます。渡された場合、 設定 ファイルで渡された Entity の 値 を上書きします。 |
-| `--project`, `-p` | 新しい Run が送信されるターゲット Projects の名前。デフォルトでは、ソース URI から取得した プロジェクト 名、または GitHub の場合は git リポジトリ名が使用されます。渡された場合、 設定 ファイルで渡された プロジェクト の 値 を上書きします。 |
-| `--resource`, `-r` | Run に使用する実行リソース。サポートされている 値 : 'local-process', 'local-container', 'kubernetes', 'sagemaker', 'gcp-vertex'。リソース 設定 のないキューにプッシュする場合、これは必須の パラメータ です。渡された場合、 設定 ファイルで渡されたリソースの 値 を上書きします。 |
-| `--docker-image`, `-d` | 使用する特定の Docker イメージ。 name:tag の形式で指定します。渡された場合、 設定 ファイルで渡された Docker イメージの 値 を上書きします。 |
-| `--base-image`, `-B` | Job コード を実行するための Docker ベースイメージ。 --docker-image とは併用できません。 |
-| `--config`, `-c` | ローンチ 設定 として渡される JSON ファイルへのパス（ '.json' で終わる必要があります）または JSON 文字列。 ローンチ された Run の 設定 方法を指示します。 |
-| `--set-var`, `-v` | 許可リストが有効なキューに対して、テンプレート変数の 値 を key-value ペアとして設定します。例: `--set-var key1=value1 --set-var key2=value2` |
-| `--queue`, `-q` | プッシュ先の Run キューの名前。指定しない場合は、単一の Run を直接 ローンチ します。 引数 なし（ `--queue` ）で指定された場合、デフォルトのキュー 'default' になります。名前が指定された場合、指定された Run キューは、提供された プロジェクト および Entity の下に存在する必要があります。 |
-| `--async` | Job を非同期で実行するためのフラグ。デフォルトは false です。つまり、 --async が設定されていない限り、 wandb launch は Job の終了を待ちます。このオプションは --queue と併用できません。 エージェント で実行する場合の非同期オプションは wandb launch-agent で設定する必要があります。(デフォルト: False) |
-| `--resource-args`, `-R` | コンピュートリソースにリソース 引数 として渡される JSON ファイルへのパス（ '.json' で終わる必要があります）または JSON 文字列。提供すべき正確な内容は、各実行バックエンドによって異なります。このファイルのレイアウトについてはドキュメントを参照してください。 |
-| `--dockerfile`, `-D` | Job をビルドするために使用される Dockerfile のパス。 Job のルートからの相対パスで指定します。 |
-| `--priority`, `-P` | --queue が渡されたときに、 Job の優先度を設定します。優先度の高い ローンチ Job が先に処理されます。優先度の高い順に critical, high, medium, low です。 |
\ No newline at end of file
+| `--uri`, `-u` | Launch するローカルパスまたは git リポジトリの uri。指定された場合、このコマンドはその uri から job を作成します。 |
+| `--job`, `-j` | Launch する job の名前。これを指定した場合、uri は不要です。 |
+| `--entry-point`, `-E` | プロジェクト内のエントリーポイント。[デフォルト: main]。エントリーポイントが見つからない場合、指定された名前のプロジェクトファイルをスクリプトとして実行しようとします。.py ファイルには 'python' を、.sh ファイルには環境変数 $SHELL で指定されたデフォルトのシェルを使用します。指定された場合、config ファイルで指定された entrypoint の値を上書きします。 |
+| `--build-context` | ソースコード内の build context へのパス。デフォルトはソースコードのルートです。-u と併用する場合にのみ利用できます。 |
+| `--name` | run を Launch する際の run 名。指定しない場合は、ランダムな run 名が使用されて run が Launch されます。指定された場合、config ファイルで指定された name を上書きします。 |
+| `--entity`, `-e` | 新しい run が送信される対象 entity の名前。デフォルトではローカルの wandb/settings フォルダで設定された entity が使用されます。指定された場合、config ファイルで指定された entity の値を上書きします。 |
+| `--project`, `-p` | 新しい run が送信される対象プロジェクト名。デフォルトでは source uri から与えられるプロジェクト名、または GitHub の run の場合は git リポジトリ名が使用されます。指定された場合、config ファイルで指定された project の値を上書きします。 |
+| `--resource`, `-r` | run の実行に使用する実行リソース。サポートされている値: 'local-process', 'local-container', 'kubernetes', 'sagemaker', 'gcp-vertex'。resource 設定のない queue に push する場合、これは必須パラメーターです。指定された場合、config ファイルで指定された resource の値を上書きします。 |
+| `--docker-image`, `-d` | 使用したい特定の Docker image。name:tag 形式です。指定された場合、config ファイルで指定された docker image の値を上書きします。 |
+| `--base-image`, `-B` | job コードを実行する Docker image。--docker-image とは併用できません。 |
+| `--config`, `-c` | JSON ファイル (拡張子は必ず '.json') へのパス、または Launch 設定として渡される JSON 文字列。Launch された run をどのように設定するかを指定します。 |
+| `--set-var`, `-v` | allow listing が有効な queue に対して、テンプレート変数の値を key-value ペアとして設定します。例: `--set-var key1=value1 --set-var key2=value2` |
+| `--queue`, `-q` | push 先の run queue 名。指定しない場合は、単一の run を直接 Launch します。引数なし (`--queue`) で指定した場合、queue 'default' がデフォルトになります。それ以外で名前を指定した場合、その run queue は指定された project および entity の下に存在している必要があります。 |
+| `--async` | job を非同期に実行するフラグ。デフォルトは false、つまり --async を指定しない限り、wandb launch は job の終了を待機します。このオプションは --queue とは互換性がありません。agent と一緒に実行する場合の非同期オプションは wandb launch-agent で設定する必要があります。(default: False) |
+| `--resource-args`, `-R` | コンピュートリソースに resource args として渡される JSON ファイル (拡張子は必ず '.json') へのパス、または JSON 文字列。提供すべき具体的な内容は各実行バックエンドによって異なります。このファイルのレイアウトについてはドキュメントを参照してください。 |
+| `--dockerfile`, `-D` | job をビルドする際に使用される Dockerfile へのパス。job のルートからの相対パスです。 |
+| `--priority`, `-P` | --queue が指定された場合、job の優先度を設定します。優先度の高い Launch job から順に処理されます。優先度の高い順に: critical, high, medium, low です。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-local.mdx b/ja/models/ref/cli/wandb-local.mdx
index caaad1980a..c09655843e 100644
--- a/ja/models/ref/cli/wandb-local.mdx
+++ b/ja/models/ref/cli/wandb-local.mdx
@@ -1,33 +1,39 @@
---
-title: wandb local
+title: "wandb local"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-local.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入文を追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-local.mdx を作成します
+ 2. 作成したファイルに導入文を追加します
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbLocal from "/snippets/en/_includes/cli/wandb-local.mdx";
+ import WandbLocal from "/snippets/_includes/cli/wandb-local.mdx";
-
+ ## 使用方法
+
```bash
wandb local [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--port`, `-p` | W&B local をバインドするホストポート (デフォルト: 8080) |
-| `--env`, `-e` | wandb/local に渡す環境変数 (デフォルト: []) |
-| `--daemon` | デーモンモードで実行するかどうか (デフォルト: True) |
-| `--upgrade` | 最新の バージョン にアップグレードする (デフォルト: False) |
\ No newline at end of file
+| `--port`, `-p` | W&B Local をバインドするホストポート（デフォルト: 8080） |
+| `--env`, `-e` | wandb/local に渡す環境変数（デフォルト: []） |
+| `--daemon` | デーモン モードで実行するかどうか（デフォルト: True） |
+| `--upgrade` | 最新バージョンにアップグレードするかどうか（デフォルト: False） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-login.mdx b/ja/models/ref/cli/wandb-login.mdx
index cbd9655f06..12d8ea2ff3 100644
--- a/ja/models/ref/cli/wandb-login.mdx
+++ b/ja/models/ref/cli/wandb-login.mdx
@@ -1,33 +1,36 @@
---
-title: wandb login
+title: "wandb login"
---
-import WandbLogin from "/snippets/en/_includes/cli/wandb-login.mdx";
-
+ ## 使い方
+
```bash
wandb login [KEY] [OPTIONS]
```
-## 引数
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `KEY` | 説明なし | いいえ |
+| `KEY` | 説明はありません | いいえ |
-## オプション
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--cloud` | ローカルではなく クラウド にログインします (デフォルト: False) |
-| `--host`, `--base-url` | W&B の特定のインスタンスにログインします |
-| `--relogin` | すでにログインしている場合に強制的に再ログインします |
-| `--verify` | ログイン資格情報を検証します (デフォルト: False) |
\ No newline at end of file
+| `--cloud` | ローカルではなく cloud にログインする（デフォルト: False） |
+| `--host`, `--base-url` | 特定の W&B インスタンスにログインする |
+| `--relogin` | すでにログインしている場合でも再ログインを強制する |
+| `--verify` | ログイン認証情報を検証する（デフォルト: False） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-off.mdx b/ja/models/ref/cli/wandb-off.mdx
index 9eeded2621..5b9499b688 100644
--- a/ja/models/ref/cli/wandb-off.mdx
+++ b/ja/models/ref/cli/wandb-off.mdx
@@ -1,22 +1,25 @@
---
-title: wandb off
+title: "wandb off"
---
{/*
- このコマンドの導入コンテンツを追加するには：
- 1. スニペットファイルを作成： /snippets/ja/_includes/cli/wandb-off.mdx
- 2. そのファイルにイントロコンテンツを追加
- 3. このコメントブロック全体を削除し、以下の2行のみを残してください：
+ このコマンドの冒頭に説明を追加するには:
+ 1. /snippets/_includes/cli/wandb-off.mdx スニペットファイルを作成します
+ 2. そのファイルに導入用コンテンツを追加します
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbOff from "/snippets/en/_includes/cli/wandb-off.mdx";
+ import WandbOff from "/snippets/_includes/cli/wandb-off.mdx";
-
+ ## 使い方
+
```bash
wandb off
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/cli/wandb-offline.mdx b/ja/models/ref/cli/wandb-offline.mdx
index 1d3f2f8fe2..74bf8181ec 100644
--- a/ja/models/ref/cli/wandb-offline.mdx
+++ b/ja/models/ref/cli/wandb-offline.mdx
@@ -1,27 +1,29 @@
---
-title: wandb offline
+title: "wandb offline"
---
- start_thought
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-offline.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドに導入コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-offline.mdx
+ 2. 作成したファイルに導入コンテンツを追加します
+ 3. このコメントブロック全体を削除し、下記 2 行だけを残します:
-import WandbOffline from "/snippets/en/_includes/cli/wandb-offline.mdx";
+ import WandbOffline from "/snippets/_includes/cli/wandb-offline.mdx";
-
+ ## 使用方法
+
```bash
wandb offline
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/cli/wandb-on.mdx b/ja/models/ref/cli/wandb-on.mdx
index df24da65cf..388c560fb8 100644
--- a/ja/models/ref/cli/wandb-on.mdx
+++ b/ja/models/ref/cli/wandb-on.mdx
@@ -1,22 +1,25 @@
---
-title: wandb on
+title: "wandb on"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-on.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-on.mdx
+ 2. そのファイルに導入コンテンツを記述します
+ 3. このコメントブロック全体を削除し、以下の 2 行のみを残します:
-import WandbOn from "/snippets/en/_includes/cli/wandb-on.mdx";
+ import WandbOn from "/snippets/_includes/cli/wandb-on.mdx";
-
+ ## 使用方法
+
```bash
wandb on
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/cli/wandb-online.mdx b/ja/models/ref/cli/wandb-online.mdx
index decedd2d14..191ff939d6 100644
--- a/ja/models/ref/cli/wandb-online.mdx
+++ b/ja/models/ref/cli/wandb-online.mdx
@@ -1,24 +1,27 @@
---
-title: wandb online
+title: "wandb online"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-online.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入文を追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-online.mdx を作成します
+ 2. そのファイルに導入文を追加します
+ 3. 次の 2 行だけを残して、このコメントブロック全体を削除します:
-import WandbOnline from "/snippets/en/_includes/cli/wandb-online.mdx";
+ import WandbOnline from "/snippets/_includes/cli/wandb-online.mdx";
-
+ ## 使用方法
+
```bash
wandb online
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/cli/wandb-projects.mdx b/ja/models/ref/cli/wandb-projects.mdx
index f5350a9b7b..4d8f216cf0 100644
--- a/ja/models/ref/cli/wandb-projects.mdx
+++ b/ja/models/ref/cli/wandb-projects.mdx
@@ -1,30 +1,36 @@
---
-title: wandb Projects
+title: "wandb projects"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-projects.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドに導入用コンテンツを追加するには:
+ 1. スニペット ファイル /snippets/_includes/cli/wandb-projects.mdx を作成します。
+ 2. そのファイルに導入用コンテンツを追加します。
+ 3. 次の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbProjects from "/snippets/en/_includes/cli/wandb-projects.mdx";
+ import WandbProjects from "/snippets/_includes/cli/wandb-projects.mdx";
-
+ ## 使用方法
+
```bash
wandb projects [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--entity`, `-e` | 表示対象を絞り込むための Entities を指定します。 |
\ No newline at end of file
+| `--entity`, `-e` | リストの対象とする entity。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-pull.mdx b/ja/models/ref/cli/wandb-pull.mdx
index 1786bbb88d..2cae5c84d1 100644
--- a/ja/models/ref/cli/wandb-pull.mdx
+++ b/ja/models/ref/cli/wandb-pull.mdx
@@ -1,37 +1,45 @@
---
-title: wandb pull
+title: "wandb pull"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-pull.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンド用の導入コンテンツを追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-pull.mdx を作成します
+ 2. そのファイルに導入コンテンツを追加します
+ 3. 以下の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbPull from "/snippets/en/_includes/cli/wandb-pull.mdx";
+ import WandbPull from "/snippets/_includes/cli/wandb-pull.mdx";
-
+ ## 使用方法
+
```bash
wandb pull RUN [OPTIONS]
```
-## Arguments（引数）
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `RUN` | 説明なし | はい |
+| `RUN` | 説明はありません | はい |
-## Options（オプション）
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--project`, `-p` | ダウンロードしたい Projects。 |
-| `--entity`, `-e` | リストのスコープを制限する Entities。（デフォルト: models） |
\ No newline at end of file
+| `--project`, `-p` | ダウンロードする プロジェクト。 |
+| `--entity`, `-e` | リストの対象とする Entity。 (デフォルト: models) |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-restore.mdx b/ja/models/ref/cli/wandb-restore.mdx
index 4e029686ef..fe39dbd5d3 100644
--- a/ja/models/ref/cli/wandb-restore.mdx
+++ b/ja/models/ref/cli/wandb-restore.mdx
@@ -1,39 +1,47 @@
---
-title: wandb restore
+title: "wandb restore"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-restore.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドに導入用コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-restore.mdx
+ 2. そのファイルに導入用コンテンツを追加します
+ 3. 以下の 2 行だけを残し、このコメントブロック全体を削除します:
-import WandbRestore from "/snippets/en/_includes/cli/wandb-restore.mdx";
+ import WandbRestore from "/snippets/_includes/cli/wandb-restore.mdx";
-
+ ## 使用方法
+
```bash
wandb restore RUN [OPTIONS]
```
-## Arguments
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `RUN` | 説明はありません | はい |
+| `RUN` | 説明はありません。 | はい |
-## Options
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
| `--no-git` | git の状態を復元しない（デフォルト: False） |
-| `--branch` | ブランチを作成するか、デタッチドヘッドでチェックアウトするか（デフォルト: True） |
-| `--project`, `-p` | アップロード先の Projects 。 |
-| `--entity`, `-e` | リストのスコープ対象となる Entities 。 |
\ No newline at end of file
+| `--branch` | ブランチを作成するか、detached でチェックアウトするか（デフォルト: True） |
+| `--project`, `-p` | アップロード先のプロジェクト。 |
+| `--entity`, `-e` | リストの対象とする Entity。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-scheduler.mdx b/ja/models/ref/cli/wandb-scheduler.mdx
index 66901d13a4..11c9edc435 100644
--- a/ja/models/ref/cli/wandb-scheduler.mdx
+++ b/ja/models/ref/cli/wandb-scheduler.mdx
@@ -1,30 +1,36 @@
---
-title: wandb scheduler
+title: "wandb スケジューラ"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-scheduler.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドに導入コンテンツを追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-scheduler.mdx を作成します
+ 2. そのファイルにイントロダクション用コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行のみを残します:
-import WandbScheduler from "/snippets/en/_includes/cli/wandb-scheduler.mdx";
+ import WandbScheduler from "/snippets/_includes/cli/wandb-scheduler.mdx";
-
+ ## 使い方
+
```bash
wandb scheduler SWEEP_ID
```
-## 引数 (Arguments)
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `SWEEP_ID` | 説明なし | はい |
\ No newline at end of file
+| `SWEEP_ID` | 説明はありません | 必須 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-server.mdx b/ja/models/ref/cli/wandb-server.mdx
index 14aba6c67c..3b44cf0e3a 100644
--- a/ja/models/ref/cli/wandb-server.mdx
+++ b/ja/models/ref/cli/wandb-server.mdx
@@ -1,18 +1,22 @@
---
-title: wandb サーバー
+title: "wandb server"
---
-ローカルの W&B サーバー を操作するための コマンド
+ローカル W&B サーバーを操作するコマンド
-## 使用法
+
+ ## 使用方法
+
```bash
wandb server COMMAND [ARGS]...
```
-## コマンド
+
+ ## コマンド
+
| コマンド | 説明 |
| :--- | :--- |
-| [start](/models/ref/cli/wandb-server/wandb-server-start) | ローカルの W&B サーバー を起動します |
-| [stop](/models/ref/cli/wandb-server/wandb-server-stop) | ローカルの W&B サーバー を停止します |
\ No newline at end of file
+| [start](/ja/models/ref/cli/wandb-server/wandb-server-start) | ローカルの W&B サーバーを起動する |
+| [stop](/ja/models/ref/cli/wandb-server/wandb-server-stop) | ローカルの W&B サーバーを停止する |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-server/wandb-server-start.mdx b/ja/models/ref/cli/wandb-server/wandb-server-start.mdx
index 8f3d1e8b0f..0aa1cf5208 100644
--- a/ja/models/ref/cli/wandb-server/wandb-server-start.mdx
+++ b/ja/models/ref/cli/wandb-server/wandb-server-start.mdx
@@ -1,39 +1,38 @@
---
-title: ' thoughtful mini beige dots tea
-
- # wandb server start
-
-
- `wandb server start` コマンドを使用して、W&B サーバー のローカルインスタ
-
- '
+title: "wandb server start"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-server-start.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドのイントロダクション用コンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-server-start.mdx
+ 2. そのファイルにイントロダクション用コンテンツを追加します
+ 3. 次の 2 行だけを残して、このコメントブロック全体を削除します:
+
+ import WandbServerStart from "/snippets/_includes/cli/wandb-server-start.mdx";
-import WandbServerStart from "/snippets/en/_includes/cli/wandb-server-start.mdx";
+
+ ## 使用方法
+
```bash
wandb server start [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--port`, `-p` | W&B サーバー をバインドするホストポート（デフォルト：8080） |
-| `--env`, `-e` | wandb/local に渡す環境変数（デフォルト：[]） |
-| `--daemon` | デーモンモードで実行するかどうか（デフォルト：True） |
\ No newline at end of file
+| `--port`, `-p` | W&B server をバインドするホスト側のポート（デフォルト: 8080） |
+| `--env`, `-e` | wandb/local に渡す環境変数（デフォルト: []） |
+| `--daemon` | デーモンモードで実行するかどうか（デフォルト: True） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-server/wandb-server-stop.mdx b/ja/models/ref/cli/wandb-server/wandb-server-stop.mdx
index 015983a22f..4db90dab1d 100644
--- a/ja/models/ref/cli/wandb-server/wandb-server-stop.mdx
+++ b/ja/models/ref/cli/wandb-server/wandb-server-stop.mdx
@@ -1,24 +1,27 @@
---
-title: wandb server stop
+title: "wandb server stop"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-server-stop.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入用コンテンツを追加するには:
+ 1. snippet ファイルを作成します: /snippets/_includes/cli/wandb-server-stop.mdx
+ 2. そのファイルに導入用コンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbServerStop from "/snippets/en/_includes/cli/wandb-server-stop.mdx";
+ import WandbServerStop from "/snippets/_includes/cli/wandb-server-stop.mdx";
-
+ ## 使用方法
+
```bash
wandb server stop
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/cli/wandb-status.mdx b/ja/models/ref/cli/wandb-status.mdx
index 0354f85b10..39897cdda9 100644
--- a/ja/models/ref/cli/wandb-status.mdx
+++ b/ja/models/ref/cli/wandb-status.mdx
@@ -1,30 +1,36 @@
---
-title: wandb status
+title: "wandb status"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-status.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドにイントロダクション用のコンテンツを追加するには:
+ 1. スニペットファイルを作成します: /snippets/_includes/cli/wandb-status.mdx
+ 2. そのファイルにイントロコンテンツを追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbStatus from "/snippets/en/_includes/cli/wandb-status.mdx";
+ import WandbStatus from "/snippets/_includes/cli/wandb-status.mdx";
-
+ ## 使用方法
+
```bash
wandb status [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--settings` | 現在の 設定 を表示します (デフォルト: True) |
\ No newline at end of file
+| `--settings` | 現在の設定を表示します（デフォルト: True） |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-sweep.mdx b/ja/models/ref/cli/wandb-sweep.mdx
index 076894347d..e6d5386d3f 100644
--- a/ja/models/ref/cli/wandb-sweep.mdx
+++ b/ja/models/ref/cli/wandb-sweep.mdx
@@ -1,47 +1,55 @@
---
-title: wandb sweep
+title: "wandb sweep"
---
{/*
- To add introductory content for this command:
- 1. Create the snippet file: /snippets/en/_includes/cli/wandb-sweep.mdx
- 2. Add your intro content to that file
- 3. Delete this entire comment block and keep only the two lines below:
+ このコマンドの導入文を追加するには:
+ 1. スニペットファイル /snippets/_includes/cli/wandb-sweep.mdx を作成します
+ 2. そのファイルに導入文を追加します
+ 3. このコメントブロック全体を削除し、以下の 2 行だけを残します:
-import WandbSweep from "/snippets/en/_includes/cli/wandb-sweep.mdx";
+ import WandbSweep from "/snippets/_includes/cli/wandb-sweep.mdx";
-
+ ## 使用方法
+
```bash
wandb sweep CONFIG_YAML_OR_SWEEP_ID [OPTIONS]
```
-## 引数
+
+
+ ## 引数
+
| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `CONFIG_YAML_OR_SWEEP_ID` | 説明なし | はい |
+| `CONFIG_YAML_OR_SWEEP_ID` | 説明はありません | はい |
-## オプション
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--project`, `-p` | Sweep から作成された W&B Runs の送信先となる Projects 名。プロジェクトが指定されていない場合、 Run は Uncategorized というラベルのプロジェクトに送信されます。 |
-| `--entity`, `-e` | Sweep によって作成された W&B Runs の送信先となる Users 名または Teams 名。指定する Entities が既に存在することを確認してください。エンティティを指定しない場合、 Run は通常ユーザー名であるデフォルトのエンティティに送信されます。 |
-| `--controller` | ローカルの controller を実行する（デフォルト: False） |
-| `--verbose` | 詳細な出力を表示する（デフォルト: False） |
-| `--name` | Sweep の名前。名前が指定されない場合は Sweep ID が使用されます。 |
-| `--program` | Sweep プログラムを設定する |
-| `--update` | 保留中の Sweep を更新する |
-| `--stop` | Sweep を終了し、新しい Runs の実行を停止します。現在実行中の Runs は完了させます。（デフォルト: False） |
-| `--cancel` | Sweep をキャンセルし、すべての実行中の Runs を強制終了して、新しい Runs の実行を停止します。（デフォルト: False） |
-| `--pause` | Sweep を一時停止し、新しい Runs の実行を一時的に停止します。（デフォルト: False） |
-| `--resume` | Sweep を再開し、新しい Runs の実行を続行します。（デフォルト: False） |
-| `--prior_run`, `-R` | この Sweep に追加する既存の Run の ID |
\ No newline at end of file
+| `--project`, `-p` | sweep から作成される W&B runs を送信する プロジェクト 名。プロジェクト が指定されていない場合、run は Uncategorized というラベルが付いた プロジェクト に送信されます。 |
+| `--entity`, `-e` | sweep によって作成された W&B runs を送信したい ユーザー名 または チーム名。指定した entity がすでに存在していることを確認してください。entity を指定しない場合、run はデフォルトの entity（通常はあなたのユーザー名）に送信されます。 |
+| `--controller` | ローカル controller を実行（デフォルト: False） |
+| `--verbose` | 詳細な出力を表示（デフォルト: False） |
+| `--name` | sweep の名前。名前が指定されていない場合は sweep ID が使用されます。 |
+| `--program` | sweep のプログラムを設定 |
+| `--update` | 保留中の sweep を更新 |
+| `--stop` | sweep を完了し、新しい run の実行を停止して、現在実行中の run の終了を待ちます。（デフォルト: False） |
+| `--cancel` | sweep をキャンセルし、実行中のすべての run を強制終了して、新しい run の実行を停止します。（デフォルト: False） |
+| `--pause` | sweep を一時停止し、新しい run の実行を一時的に停止します。（デフォルト: False） |
+| `--resume` | sweep を再開し、新しい run の実行を再開します。（デフォルト: False） |
+| `--prior_run`, `-R` | この sweep に追加する既存の run の ID |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-sync.mdx b/ja/models/ref/cli/wandb-sync.mdx
index b2a6fe3d57..d7fac5550a 100644
--- a/ja/models/ref/cli/wandb-sync.mdx
+++ b/ja/models/ref/cli/wandb-sync.mdx
@@ -1,56 +1,51 @@
---
-title: ' thoughtful_thought
-
- wandb sync'
+title: "wandb sync"
---
-import WandbSync from "/snippets/en/_includes/cli/wandb-sync.mdx";
-
-
+ ## 使い方
+
```bash
wandb sync [PATH] [OPTIONS]
```
-## Arguments
-| Argument | Description | Required |
+
+ ## 引数
+
+
+| 引数 | 説明 | 必須 |
| :--- | :--- | :--- |
-| `PATH` | 説明なし | No |
+| `PATH` | 説明はありません | いいえ |
-## Options
+
+ ## オプション
+
-| Option | Description |
+| オプション | 説明 |
| :--- | :--- |
-| `--id` | アップロード先の Run ID。 |
-| `--project`, `-p` | アップロード先の Project。 |
-| `--entity`, `-e` | 対象となる Entity。 |
-| `--job_type` | 関連する Runs をグループ化するための実行タイプを指定します。 |
-| `--sync-tensorboard` | tfevent ファイルを wandb にストリームします。 |
-| `--include-globs` | 含めるパターンのカンマ区切りリスト（glob 形式）。 |
-| `--exclude-globs` | 除外するパターンのカンマ区切りリスト（glob 形式）。 |
-| `--include-online` | オンラインの Runs を含める。 |
-| `--include-offline` | オフラインの Runs を含める。 |
-| `--include-synced` | 同期済みの Runs を含める。 |
-| `--mark-synced` | Runs を同期済みとしてマークする（デフォルト: True）。 |
-| `--sync-all` | すべての Runs を同期する（デフォルト: False）。 |
-| `--clean` | 同期済みの Runs を削除する（デフォルト: False）。 |
-| `--clean-old-hours` | 指定した時間より前に作成された Runs を削除します。--clean フラグと一緒に使用します。（デフォルト: 24） |
-| `--clean-force` | 確認プロンプトを表示せずに削除を実行する（デフォルト: False）。 |
-| `--show` | 表示する Runs の数（デフォルト: 5）。 |
-| `--append` | Run を追記する（デフォルト: False）。 |
-| `--skip-console` | コンソールログをスキップする（デフォルト: False）。 |
-| `--replace-tags` | 'old_tag1=new_tag1,old_tag2=new_tag2' の形式でタグを置換します。 |
\ No newline at end of file
+| `--id` | アップロード先の run。 |
+| `--project`, `-p` | アップロード先のプロジェクト。 |
+| `--entity`, `-e` | 対象とする entity。 |
+| `--job_type` | 関連する run をまとめるための run の種類を指定します。 |
+| `--sync-tensorboard` | tfevent ファイルを wandb にストリーミングします。 |
+| `--include-globs` | 含める glob パターンをカンマ区切りで指定します。 |
+| `--exclude-globs` | 除外する glob パターンをカンマ区切りで指定します。 |
+| `--include-online` | オンライン run を含めます。 |
+| `--include-offline` | オフライン run を含めます。 |
+| `--include-synced` | 同期済みの run を含めます。 |
+| `--mark-synced` | run を同期済みとしてマークします (デフォルト: True)。 |
+| `--sync-all` | すべての run を同期します (デフォルト: False)。 |
+| `--clean` | 同期済みの run を削除します (デフォルト: False)。 |
+| `--clean-old-hours` | 指定した時間より前に作成された run を削除します。`--clean` フラグと併用します (デフォルト: 24)。 |
+| `--clean-force` | 確認プロンプトなしで削除します (デフォルト: False)。 |
+| `--show` | 表示する run の数 (デフォルト: 5)。 |
+| `--append` | run に追記します (デフォルト: False)。 |
+| `--skip-console` | コンソールログをスキップします (デフォルト: False)。 |
+| `--replace-tags` | 'old_tag1=new_tag1,old_tag2=new_tag2' の形式でタグを置き換えます。 |
\ No newline at end of file
diff --git a/ja/models/ref/cli/wandb-verify.mdx b/ja/models/ref/cli/wandb-verify.mdx
index ba6ff110cd..9d67df59d6 100644
--- a/ja/models/ref/cli/wandb-verify.mdx
+++ b/ja/models/ref/cli/wandb-verify.mdx
@@ -1,47 +1,25 @@
---
-title: ' thoughtful mini 32 tea block engine sugar ring focus study seed line speed
- cloud tiny magic level field tree store boat thin path.
-
-
- wandb verify
-
-
- '
+title: "wandb verify"
---
-import WandbVerify from "/snippets/en/_includes/cli/wandb-verify.mdx";
-
-
+ ## 使用方法
+
```bash
wandb verify [OPTIONS]
```
-## オプション
+
+
+ ## オプション
+
| オプション | 説明 |
| :--- | :--- |
-| `--host` | W&B の特定のインスタンスをテストします |
\ No newline at end of file
+| `--host` | 特定の W&B インスタンスを指定してテストします |
\ No newline at end of file
diff --git a/ja/models/ref/js.mdx b/ja/models/ref/js.mdx
deleted file mode 100644
index 7e6ad7e6a5..0000000000
--- a/ja/models/ref/js.mdx
+++ /dev/null
@@ -1,86 +0,0 @@
----
-title: JavaScript ライブラリ
-description: TypeScript、Node、最新のWebブラウザー向けの W&B SDK
----
-
-似たように、Pythonライブラリと同様に、JavaScript/TypeScriptにおいても実験管理をトラッキングするためのクライアントを提供しています。
-
-- Nodeサーバーからメトリクスをログし、それをW&B上のインタラクティブなプロットで表示
-- インタラクティブなトレースを用いてLLMアプリケーションのデバッグ
-- [LangChain.js](https://github.com/hwchase17/langchainjs) の使用デバッグ
-
-このライブラリはNodeおよびモダンなJSランタイムに対応しています。
-
-JavaScriptクライアントのソースコードは[Githubリポジトリ](https://github.com/wandb/wandb-js)で見つけることができます。
-
-
-私たちのJavaScriptインテグレーションはまだBeta版です。問題が発生した場合は知らせてください。
-
-
-### インストール
-
-```shell
-npm install @wandb/sdk
-# あるいは ...
-yarn add @wandb/sdk
-```
-
-### 使用法
-
-TypeScript/ESM:
-
-```typescript
-import wandb from '@wandb/sdk'
-
-async function track() {
- await wandb.init({config: {test: 1}});
- wandb.log({acc: 0.9, loss: 0.1});
- wandb.log({acc: 0.91, loss: 0.09});
- await wandb.finish();
-}
-
-await track()
-```
-
-
-全てのAPIコールを非同期で処理するために、別のMessageChannelを生成します。これにより、`await wandb.finish()`を呼ばないとスクリプトが停止します。
-
-
-Node/CommonJS:
-
-```javascript
-const wandb = require('@wandb/sdk').default;
-```
-
-現在、Python SDKで見つかる多くの機能が不足していますが、基本的なログ機能は利用可能です。[Tables](/ja/models/tables/?utm_source=github&utm_medium=code&utm_campaign=wandb&utm_content=readme)など、追加の機能をすぐに追加予定です。
-
-### 認証と設定
-
-Node環境では`process.env.WANDB_API_KEY`を探し、TTYがある場合は入力を促します。非Node環境では`sessionStorage.getItem("WANDB_API_KEY")`を探します。追加の設定は[こちら](https://github.com/wandb/wandb-js/blob/main/src/sdk/lib/config.ts)で確認できます。
-
-# インテグレーション
-
-私たちの[Pythonインテグレーション](/ja/guides/integrations/)はコミュニティで広く利用されており、より多くのJavaScriptインテグレーションを構築し、LLMアプリビルダーが任意のツールを活用できるようにすることを希望しています。
-
-もし追加のインテグレーションのリクエストがあれば、リクエストの詳細と共にissueを開くことをお勧めします。
-
-## LangChain.js
-
-このライブラリは、LLMアプリケーションを構築するための人気のライブラリである[LangChain.js](https://github.com/hwchase17/langchainjs) バージョン >= 0.0.75 に統合されています。
-
-### 使用法
-
-```typescript
-import {WandbTracer} from '@wandb/sdk/integrations/langchain';
-
-const wbTracer = await WandbTracer.init({project: 'langchain-test'});
-// Langchainのワークロードを実行...
-chain.call({input: "My prompt"}, wbTracer)
-await WandbTracer.finish();
-```
-
-
-全てのAPIコールを非同期で処理するために、別のMessageChannelを生成します。これにより、`await WandbTracer.finish()`を呼ばないとスクリプトが停止します。
-
-
-より詳細な例については[こちらのテスト](https://github.com/wandb/wandb-js/blob/main/src/sdk/integrations/langchain/langchain.test.ts)をご覧ください。
\ No newline at end of file
diff --git a/ja/models/ref/python.mdx b/ja/models/ref/python.mdx
index 264021dc97..8dd138c84a 100644
--- a/ja/models/ref/python.mdx
+++ b/ja/models/ref/python.mdx
@@ -1,37 +1,45 @@
---
-title: Python SDK 0.24.0
-module: null
+title: Python SDK 0.25.0
+module:
---
-`wandb` からアクセス可能な W&B Python SDK を使用すると、モデルのトレーニングや ファインチューニング、さらには 実験 から プロダクション に至るまでの モデル 管理が可能になります。
+`wandb` として利用できる W&B Python SDK は、モデルのトレーニングやファインチューニング、実験から本番環境までのモデル管理を行うことができます。
-> この SDK を使用してトレーニングや ファインチューニング を行った後、[Public API](/models/ref/python/public-api) を使用して ログ 記録された データ のクエリや分析を行ったり、[Reports and Workspaces API](/models/ref/wandb_workspaces) を使用して作業内容をまとめたウェブ公開可能な [レポート](/models/reports/) を作成したりすることができます。
+> この SDK でトレーニングおよびファインチューニング処理を行った後、[Public API](/ja/models/ref/python/public-api) を使用してログされたデータをクエリして分析し、[Reports and Workspaces API](/ja/models/ref/wandb_workspaces) を使用して、作業内容を要約した Web 公開可能な [レポート](/ja/models/reports/) を生成できます。
-## インストールとセットアップ
+
+ ## インストールとセットアップ
+
-### サインアップと APIキー の作成
+
+ ### サインアップして API キーを作成する
+
-マシンを W&B で認証するには、まず [User Settings](https://wandb.ai/settings) で APIキー を生成する必要があります。
+マシンを W&B に対して認証するには、まず [User Settings](https://wandb.ai/settings) で API キーを生成する必要があります。
-### パッケージのインストールとインポート
+
+ ### パッケージのインストールとインポート
+
-W&B ライブラリ をインストールします。
+W&B ライブラリをインストールします。
```
pip install wandb
```
-### W&B Python SDK のインポート:
+
+ ### W&B Python SDK のインポート：
+
```python
import wandb
-# チームの entity を指定します
+# チームの entity を指定する
entity = ""
-# run が記録される Project
+# run が記録されるプロジェクト
project = "my-awesome-project"
with wandb.init(entity=entity, project=project) as run:
run.log({"accuracy": 0.9, "loss": 0.1})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/agent.mdx b/ja/models/ref/python/agent.mdx
deleted file mode 100644
index f9f71b63ac..0000000000
--- a/ja/models/ref/python/agent.mdx
+++ /dev/null
@@ -1,27 +0,0 @@
----
-title: エージェント
----
-
-
+ ### コアクラス
+
| クラス | 説明 |
-|-------|-------------|
-| [`Automation`](/models/ref/python/automations/automation/) | 設定内容を含む、保存済みのオートメーションインスタンスを表します。 |
-| [`NewAutomation`](/models/ref/python/automations/newautomation/) | 新しいオートメーションを作成するためのビルダー・クラスです。 |
+|-------|------|
+| [`Automation`](/ja/models/ref/python/automations/automation/) | 設定を含む保存済みの automation インスタンスを表します。 |
+| [`NewAutomation`](/ja/models/ref/python/automations/newautomation/) | 新しい automation を作成するためのビルダー クラスです。 |
-### イベント (トリガー)
+
+ ### イベント（トリガー）
+
-| イベント | 説明 |
+| Event | 説明 |
|-------|-------------|
-| [`OnRunMetric`](/models/ref/python/automations/onrunmetric/) | run の メトリクス が定義された条件（閾値、変化など）を満たしたときにトリガーされます。 |
-| [`OnCreateArtifact`](/models/ref/python/automations/oncreateartifact/) | コレクション内に新しい アーティファクト が作成されたときにトリガーされます。 |
-| [`OnLinkArtifact`](/models/ref/python/automations/onlinkartifact/) | アーティファクト がレジストリにリンクされたときにトリガーされます。 |
-| [`OnAddArtifactAlias`](/models/ref/python/automations/onaddartifactalias/) | アーティファクト に エイリアス が追加されたときにトリガーされます。 |
+| [`OnRunMetric`](/ja/models/ref/python/automations/onrunmetric/) | 定義した条件（しきい値、変化量など）を run メトリクスが満たしたときにトリガーされます。 |
+| [`OnCreateArtifact`](/ja/models/ref/python/automations/oncreateartifact/) | コレクション内で新しい Artifacts が作成されたときにトリガーされます。 |
+| [`OnLinkArtifact`](/ja/models/ref/python/automations/onlinkartifact/) | Artifacts がレジストリにリンクされたときにトリガーされます。 |
+| [`OnAddArtifactAlias`](/ja/models/ref/python/automations/onaddartifactalias/) | Artifacts にエイリアスが追加されたときにトリガーされます。 |
-### アクション
+
+ ### アクション
+
| アクション | 説明 |
|--------|-------------|
-| [`SendNotification`](/models/ref/python/automations/sendnotification/) | Slack やその他の統合 チャンネル を通じて通知を送信します。 |
-| [`SendWebhook`](/models/ref/python/automations/sendwebhook/) | 外部サービスに HTTP webhook リクエストを送信します。 |
-| [`DoNothing`](/models/ref/python/automations/donothing/) | オートメーション 設定 のテストに使用するプレースホルダー・アクションです。 |
+| [`SendNotification`](/ja/models/ref/python/automations/sendnotification/) | Slack やその他の統合チャネル経由で通知を送信します。 |
+| [`SendWebhook`](/ja/models/ref/python/automations/sendwebhook/) | 外部サービスに HTTP webhook リクエストを送信します。 |
+| [`DoNothing`](/ja/models/ref/python/automations/donothing/) | 自動化設定をテストするためのプレースホルダーのアクションです。 |
-### フィルター
+
+ ### フィルター
+
| フィルター | 説明 |
|--------|-------------|
-| [`MetricThresholdFilter`](/models/ref/python/automations/metricthresholdfilter/) | メトリクス の値を閾値と比較し、それに基づいて run をフィルタリングします。 |
-| [`MetricChangeFilter`](/models/ref/python/automations/metricchangefilter/) | 時間の経過に伴う メトリクス 値の変化に基づいて run をフィルタリングします。 |
+| [`MetricThresholdFilter`](/ja/models/ref/python/automations/metricthresholdfilter/) | メトリクス値をしきい値と比較して run をフィルタリングします。 |
+| [`MetricChangeFilter`](/ja/models/ref/python/automations/metricchangefilter/) | メトリクス値の時間経過に伴う変化に基づいて run をフィルタリングします。 |
+
+
+ ## 代表的なユースケース
+
+
+
+ ### モデル性能の監視
+
+
+* モデルの精度がしきい値を下回ったときにアラートを送信する
+* トレーニング損失が横ばいになったときにチームに通知する
+* 性能メトリクスに基づいて再トレーニング用パイプラインを起動する
+
+
+ ### Artifacts 管理
+
-## 一般的なユースケース
+* 新しいモデルバージョンが作成されたときに通知を送信する
+* Artifacts にタグが付けられたときにデプロイ ワークフローをトリガーする
+* データセットが更新されたときに後続処理を自動化する
-### モデルパフォーマンスのモニタリング
-- モデルの精度が閾値を下回ったときのアラート通知
-- トレーニングの損失（loss）が停滞したときのチームへの通知
-- パフォーマンス メトリクス に基づく再学習 パイプライン のトリガー
+
+ ### 実験管理
+
-### アーティファクト管理
-- 新しい モデル バージョンが作成されたときの通知送信
-- アーティファクト にタグが付与されたときの デプロイメント ワークフローのトリガー
-- データセット が更新されたときの後続 プロセッシング の自動化
+* 失敗またはクラッシュした run についてアラートを受け取る
+* 長時間実行の実験が完了したときに通知を受け取る
+* 実験メトリクスの日次サマリーを受け取る
-### 実験管理
-- 失敗またはクラッシュした run に対するアラート通知
-- 長時間実行されている 実験 が完了したときの通知
-- 実験 メトリクス の日次サマリーの送信
+
+ ### インテグレーション ワークフロー
+
-### 統合ワークフロー
-- Webhook を介した外部トラッキングシステムの更新
-- モデルレジストリ と デプロイメント プラットフォームの同期
-- W&B イベントに基づく CI/CD パイプライン のトリガー
+* webhook を使って外部のトラッキングシステムを更新する
+* デプロイメントプラットフォームとモデルレジストリを同期する
+* W&B のイベントに基づいて CI/CD パイプラインをトリガーする
-## 使用例
+
+ ## 使用例
+
-以下の例では、`custom-metric` という メトリクス が 10 を超えるたびに Slack 通知を送信するオートメーションを作成します。`custom-metric` は、トレーニング中に `wandb.Run.log({"custom-metric": value })` を使用して ログ 記録されることを想定しています。
+次の例では、`custom-metric` という名前のメトリクスが 10 を超えたときに Slack 通知を送信する自動化を作成します。`custom-metric` は、`wandb.Run.log({"custom-metric": value })` を使用したトレーニング中にログされることを想定しています。
```python
import wandb
@@ -73,24 +96,24 @@ api = wandb.Api()
project = api.project("", entity="")
-# チームの最初の Slack インテグレーションを使用します
+# チームの最初の Slack インテグレーションを使用する
slack_hook = next(api.slack_integrations(entity=""))
-# トリガーイベントを作成します
+# トリガーイベントを作成する
event = OnRunMetric(
scope=project,
filter=RunEvent.metric("custom-metric") > 10,
)
-# イベントに反応するアクションを作成します
+# イベントに応答するアクションを作成する
action = SendNotification.from_integration(slack_hook)
-# オートメーションを作成します
+# オートメーションを作成する
automation = api.create_automation(
event >> action,
name="my-automation",
- description="Send a Slack message whenever 'custom-metric' exceeds 10.",
+ description="'custom-metric' が 10 を超えるたびに Slack メッセージを送信する。",
)
```
-Automations API の使用方法に関する詳細は、[Automations ガイド](/models/automations/) を参照してください。
\ No newline at end of file
+Automations API の使用方法について詳しくは、[Automations Guide](/ja/models/automations/) を参照してください。
diff --git a/ja/models/ref/python/automations/automation.mdx b/ja/models/ref/python/automations/automation.mdx
index 5dcb598c73..b8859d5ce3 100644
--- a/ja/models/ref/python/automations/automation.mdx
+++ b/ja/models/ref/python/automations/automation.mdx
@@ -1,20 +1,23 @@
---
-title: オートメーション
+title: 自動化
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Automation`
-編集をサポートする、保存済み W&B オートメーションのローカルインスタンス。
+
+編集可能な、保存済み W&B automation のローカルインスタンスです。
### method `Automation.__init__`
```python
__init__(
- typename__: 'Literal' = 'Trigger',
+ typename__: 'Literal['Trigger']' = 'Trigger',
id: 'str',
created_at: 'datetime',
updated_at: 'datetime | None' = None,
@@ -27,18 +30,18 @@ __init__(
) → None
```
-**Args:**
-
- - `typename__` (Literal):
- - `id` (str):
- - `created_at` (datetime): このオートメーションが作成された日時。
- - `updated_at` (Optional[datetime]): このオートメーションが最後に更新された日時（該当する場合）。
- - `name` (str): このオートメーションの名前。
- - `description` (Optional[str]): このオートメーションのオプションの説明。
- - `enabled` (bool): このオートメーションが有効かどうか。有効なオートメーションのみがトリガーされます。
- - `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope, ProjectScope]): トリガーイベントが発生する必要があるスコープ。
- - `event` (SavedEvent): このオートメーションをトリガーするイベント。
- - `action` (Union[SavedLaunchJobAction, SavedNotificationAction, SavedWebhookAction, SavedNoOpAction]): このオートメーションがトリガーされたときに実行されるアクション。
-
-**Returns:**
- `Automation` オブジェクト。
\ No newline at end of file
+**引数:**
+
+* `typename__` (Literal['Trigger']):
+* `id` (str):
+* `created_at` (datetime): この Automation が作成された日時。
+* `updated_at` (Optional[datetime]): この Automation が最後に更新された日時（該当する場合）。
+* `name` (str): この Automation の名前。
+* `description` (Optional[str]): この Automation の説明（省略可）。
+* `enabled` (bool): この Automation が有効かどうか。有効な Automation だけがトリガーされる。
+* `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope, ProjectScope]): トリガーとなるイベントが発生する必要があるスコープ。
+* `event` (SavedEvent): この Automation をトリガーするイベント。
+* `action` (Union[SavedLaunchJobAction, SavedNotificationAction, SavedWebhookAction, SavedNoOpAction]): この Automation がトリガーされたときに実行されるアクション。
+
+**戻り値:**
+`Automation` オブジェクトを返す。
diff --git a/ja/models/ref/python/automations/donothing.mdx b/ja/models/ref/python/automations/donothing.mdx
index b36c0374f9..cc332f5178 100644
--- a/ja/models/ref/python/automations/donothing.mdx
+++ b/ja/models/ref/python/automations/donothing.mdx
@@ -3,15 +3,15 @@ title: DoNothing
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `DoNothing`
-意図的に何もしない オートメーション アクションを定義します。
+意図的に何もしない自動化アクションを定義します。
### method `DoNothing.__init__`
@@ -22,11 +22,11 @@ __init__(
) → None
```
-**Args:**
-
- - `no_op` (bool): バックエンドのスキーマ要件を満たすためにのみ存在するプレースホルダーフィールド。
- この値は無視されるため、明示的に設定する必要はありません。
- - `action_type` (Literal[NO_OP]):
+**引数:**
+
+* `no_op` (bool): バックエンドのスキーマ要件を満たすためだけに存在するプレースホルダーのフィールドです。
+ このフィールドの値は無視されるため、明示的に設定する必要が生じることはありません。
+* `action_type` (Literal[NO_OP]):
-**Returns:**
- `DoNothing` オブジェクト 。
\ No newline at end of file
+**戻り値:**
+`DoNothing` オブジェクトを返します。
diff --git a/ja/models/ref/python/automations/metricchangefilter.mdx b/ja/models/ref/python/automations/metricchangefilter.mdx
index c8371b177f..cb8b58c7c8 100644
--- a/ja/models/ref/python/automations/metricchangefilter.mdx
+++ b/ja/models/ref/python/automations/metricchangefilter.mdx
@@ -3,19 +3,19 @@ title: MetricChangeFilter
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `MetricChangeFilter`
-メトリクス の 値 の **変化** を ユーザー 定義のしきい値と比較するフィルタです。
-変化は「タンブリング」ウィンドウ、つまり現在のウィンドウと重複しない直前のウィンドウとの差分として計算されます。
+メトリクス値の**変化**を、ユーザー定義のしきい値と比較するフィルタです。
+変化量は「タンブリング」ウィンドウ、つまり現在のウィンドウと、その直前の非重複ウィンドウとの差分として計算されます。
-### method `MetricChangeFilter.__init__`
+### メソッド `MetricChangeFilter.__init__`
```python
__init__(
@@ -30,17 +30,17 @@ __init__(
) → None
```
-**Args:**
-
- - `name` (str):
- - `agg` (Optional[Agg]):
- - `window` (int):
- - `cmp` (None): 無視されます。
- - `threshold` (Union[Annotated, Annotated]):
- - `prior_window` (int): 「直前」の メトリクス 集計ウィンドウのサイズ（`agg` が `None` の場合は無視されます）。
- 省略された場合、デフォルトで現在のウィンドウと同じサイズになります。
- - `change_type` (ChangeType):
- - `change_dir` (ChangeDir):
-
-**Returns:**
- `MetricChangeFilter` オブジェクト。
\ No newline at end of file
+**引数:**
+
+* `name` (str):
+* `agg` (Optional[Agg]):
+* `window` (int):
+* `cmp` (None): この引数は無視されます。
+* `threshold` (Union[Annotated, Annotated]):
+* `prior_window` (int): 「prior」メトリクスの集約ウィンドウのサイズ（`agg` が `None` の場合は無視されます）。
+ 省略した場合は、現在のウィンドウと同じサイズがデフォルトになります。
+* `change_type` (ChangeType):
+* `change_dir` (ChangeDir):
+
+**戻り値:**
+`MetricChangeFilter` オブジェクト。
diff --git a/ja/models/ref/python/automations/metricthresholdfilter.mdx b/ja/models/ref/python/automations/metricthresholdfilter.mdx
index 9405667820..7105ba55d3 100644
--- a/ja/models/ref/python/automations/metricthresholdfilter.mdx
+++ b/ja/models/ref/python/automations/metricthresholdfilter.mdx
@@ -3,19 +3,19 @@ title: MetricThresholdFilter
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `MetricThresholdFilter`
-**絶対的な** メトリクス の 値 を ユーザー 定義のしきい値と比較するフィルタです。
-値 は単一の 値 、または複数 値 のウィンドウにわたる集計 結果 の場合があります。
+**絶対値** のメトリクスをユーザー 定義のしきい値と比較するフィルター。
+値は単一の値の場合もあれば、複数の値に対してウィンドウ内で集約した結果である場合もあります。
-### method `MetricThresholdFilter.__init__`
+### メソッド `MetricThresholdFilter.__init__`
```python
__init__(
@@ -27,13 +27,13 @@ __init__(
) → None
```
-**Args:**
-
- - `name` (str):
- - `agg` (Optional[Agg]):
- - `window` (int):
- - `cmp` (Literal['$gte', '$gt', '$lt', '$lte']): メトリクス の 値 （左）としきい値（右）の比較演算子。
- - `threshold` (Union[Annotated, Annotated]):
+**引数:**
+
+* `name` (str):
+* `agg` (Optional[Agg]):
+* `window` (int):
+* `cmp` (Literal['$gte', '$gt', '$lt', '$lte']): メトリクス値（左側）としきい値（右側）を比較するための比較演算子。
+* `threshold` (Union[Annotated, Annotated]):
-**Returns:**
- `MetricThresholdFilter` オブジェクト 。
\ No newline at end of file
+**戻り値:**
+`MetricThresholdFilter` オブジェクト。
diff --git a/ja/models/ref/python/automations/metriczscorefilter.mdx b/ja/models/ref/python/automations/metriczscorefilter.mdx
index 2a17a8a42c..cf523ca039 100644
--- a/ja/models/ref/python/automations/metriczscorefilter.mdx
+++ b/ja/models/ref/python/automations/metriczscorefilter.mdx
@@ -3,14 +3,17 @@ title: MetricZScoreFilter
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `MetricZScoreFilter`
-メトリクスの Z スコアをユーザー定義のしきい値と比較するフィルタです。
-### method `MetricZScoreFilter.__init__`
+メトリクスの z スコアをユーザー定義のしきい値と比較するフィルターです。
+
+### メソッド `MetricZScoreFilter.__init__`
```python
__init__(
@@ -21,12 +24,12 @@ __init__(
) → None
```
-**Args:**
-
- - `name` (str): 観測対象となるメトリクスの名前。
- - `window` (int): メトリクスの平均と標準偏差を計算するためのウィンドウサイズ。
- - `threshold` (Union[Annotated, Annotated]): Z スコアのしきい値。
- - `change_dir` (ChangeDir): 監視対象となる Z スコアの変化の方向。
+**引数:**
+
+* `name` (str): 観測するメトリクス名。
+* `window` (int): メトリクスの平均値と標準偏差を計算する際のウィンドウ サイズ。
+* `threshold` (Union[Annotated, Annotated]): z スコアのしきい値。
+* `change_dir` (ChangeDir): 監視する z スコアの変化方向。
-**Returns:**
- `MetricZScoreFilter` オブジェクト。
\ No newline at end of file
+**戻り値:**
+`MetricZScoreFilter` オブジェクトを返す。
diff --git a/ja/models/ref/python/automations/newautomation.mdx b/ja/models/ref/python/automations/newautomation.mdx
index 915e2d3c12..071a2e8267 100644
--- a/ja/models/ref/python/automations/newautomation.mdx
+++ b/ja/models/ref/python/automations/newautomation.mdx
@@ -3,15 +3,15 @@ title: NewAutomation
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `NewAutomation`
-作成される新しい オートメーション です。
+新しく作成する automation を表します。
### method `NewAutomation.__init__`
@@ -25,20 +25,22 @@ __init__(
) → None
```
-**Args:**
-
- - `name` (Optional[str]): この オートメーション の名前。
- - `description` (Optional[str]): この オートメーション の任意の説明。
- - `enabled` (Optional[bool]): この オートメーション が有効かどうか。有効な オートメーション のみがトリガーされます。
- - `event` (Optional[Annotated]): この オートメーション をトリガーするイベント。
- - `action` (Optional[Annotated]): この オートメーション がトリガーされたときに実行されるアクション。
+**引数:**
+
+* `name` (Optional[str]): このオートメーションの名前。
+* `description` (Optional[str]): このオートメーションの説明（省略可）。
+* `enabled` (Optional[bool]): このオートメーションが有効かどうか。有効なオートメーションのみがトリガーされます。
+* `event` (Optional[Annotated]): このオートメーションをトリガーするイベント。
+* `action` (Optional[Annotated]): このオートメーションがトリガーされたときに実行されるアクション。
+
+**戻り値:**
+`NewAutomation` オブジェクト。
-**Returns:**
- `NewAutomation` オブジェクト。
### property `NewAutomation.scope`
-トリガーイベントが発生する必要があるスコープ。
+トリガーイベントが発生するスコープ。
+
+**戻り値:**
-**Returns:**
- - `Optional[AutomationScope]`: scope プロパティの 値。
\ No newline at end of file
+- `Optional[AutomationScope]`: scope プロパティの値。
\ No newline at end of file
diff --git a/ja/models/ref/python/automations/onaddartifactalias.mdx b/ja/models/ref/python/automations/onaddartifactalias.mdx
index 78d9d6d6dc..e41276a81c 100644
--- a/ja/models/ref/python/automations/onaddartifactalias.mdx
+++ b/ja/models/ref/python/automations/onaddartifactalias.mdx
@@ -3,15 +3,18 @@ title: OnAddArtifactAlias
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `OnAddArtifactAlias`
-新しい エイリアス が アーティファクト に割り当てられたときに発生します。
-Examples:
-「my-collection」というコレクション内の任意の アーティファクト に「prod」という エイリアス が割り当てられたときにトリガーされるイベントを定義します。
+Artifacts に新しいエイリアスが割り当てられたときに発火します。
+
+例:
+エイリアス "prod" がコレクション "my-collection" 内の任意の Artifacts に
+割り当てられるたびにトリガーされるイベントを定義します:
```python
from wandb import Api
@@ -36,11 +39,11 @@ __init__(
) → None
```
-**Args:**
+**引数:**
- - `event_type` (Literal[ADD_ARTIFACT_ALIAS]):
- - `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope, ProjectScope]): イベントのスコープ。
- - `filter` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントがトリガーされるために必要な追加条件（ある場合）。
+* `event_type` (Literal[ADD_ARTIFACT_ALIAS]):
+* `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope, ProjectScope]): このイベントのスコープ。
+* `filter` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントをトリガーするために必要な追加の条件（存在する場合）。
-**Returns:**
- `OnAddArtifactAlias` オブジェクト。
\ No newline at end of file
+**戻り値:**
+`OnAddArtifactAlias` オブジェクト。
diff --git a/ja/models/ref/python/automations/oncreateartifact.mdx b/ja/models/ref/python/automations/oncreateartifact.mdx
index ccff8f21c5..bed425f2cd 100644
--- a/ja/models/ref/python/automations/oncreateartifact.mdx
+++ b/ja/models/ref/python/automations/oncreateartifact.mdx
@@ -3,17 +3,17 @@ title: OnCreateArtifact
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-
-class `OnCreateArtifact`
-新しい Artifacts が作成された際に発生するイベントです。
+
+新しい Artifacts が作成されたときに発火するイベントです。
例:
-"my-collection" というコレクション内に新しい Artifacts が作成されたときにトリガーされるイベントを定義します。
+"my-collection" というコレクションで新しい Artifacts が作成されたときにトリガーされるイベントを定義します:
```python
from wandb import Api
@@ -25,7 +25,6 @@ collection = api.artifact_collection(name="my-collection", type_name="model")
event = OnCreateArtifact(scope=collection)
```
-
### method `OnCreateArtifact.__init__`
```python
@@ -36,11 +35,11 @@ __init__(
) → None
```
-**Args:**
-
- - `event_type` (Literal[CREATE_ARTIFACT]):
- - `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope]): イベントのスコープ。Artifacts コレクションである必要があります。
- - `filter` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントがトリガーされるために必要な追加条件（ある場合）。
+**引数:**
+
+* `event_type` (Literal[CREATE_ARTIFACT]):
+* `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope]): イベントのスコープ。 Artifacts コレクションである必要があります。
+* `filter` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントがトリガーされるために必要となる、任意の追加条件。
-**Returns:**
- `OnCreateArtifact` オブジェクト。
\ No newline at end of file
+**戻り値:**
+`OnCreateArtifact` オブジェクト。
diff --git a/ja/models/ref/python/automations/onlinkartifact.mdx b/ja/models/ref/python/automations/onlinkartifact.mdx
index 6d9f62e1a4..bda115ba1d 100644
--- a/ja/models/ref/python/automations/onlinkartifact.mdx
+++ b/ja/models/ref/python/automations/onlinkartifact.mdx
@@ -3,15 +3,17 @@ title: OnLinkArtifact
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `OnLinkArtifact`
-新しい Artifact がコレクションにリンクされたときに発生するイベントです。
+
+新しい Artifacts がコレクションにリンクされたときに発火するイベント。
例:
-"my-collection" という名前のコレクションに、"prod" という エイリアス で Artifact がリンクされたときにトリガーされるイベントを定義します。
+エイリアス「prod」が付いた Artifacts がコレクション「my-collection」にリンクされたときにトリガーされるイベントを定義します:
```python
from wandb import Api
@@ -36,11 +38,11 @@ __init__(
) → None
```
-**Args:**
-
- - `event_type` (Literal[LINK_ARTIFACT]):
- - `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope, ProjectScope]): イベントのスコープ。
- - `filter` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントをトリガーするために必要な追加条件（ある場合）。
+**引数:**
+
+* `event_type` (Literal[LINK_ARTIFACT]):
+* `scope` (Union[_ArtifactSequenceScope, _ArtifactPortfolioScope, ProjectScope]): イベントのスコープ。
+* `filter` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントをトリガーするために必要となる、追加の条件（ある場合）。
-**Returns:**
- `OnLinkArtifact` オブジェクト。
\ No newline at end of file
+**戻り値:**
+`OnLinkArtifact` オブジェクト。
diff --git a/ja/models/ref/python/automations/onrunmetric.mdx b/ja/models/ref/python/automations/onrunmetric.mdx
index 1f1c1666aa..430f3775d9 100644
--- a/ja/models/ref/python/automations/onrunmetric.mdx
+++ b/ja/models/ref/python/automations/onrunmetric.mdx
@@ -3,17 +3,18 @@ title: OnRunMetric
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `OnRunMetric`
-`OnRunMetric` は、 ユーザーが定義した条件を満たす run メトリクスを表します。
-例：
-Projects "my-project" 内の任意の run において、 メトリクス "my-metric" の直近 5 つの 値 の平均が 123.45 を超えたときにトリガーされるイベントを定義します：
+run に対するメトリクスが、ユーザー定義の条件を満たしているかどうかを表します。
+
+例:
+プロジェクト "my-project" 内の任意の run に対して、メトリクス "my-metric" の直近 5 個の値の平均が 123.45 を超えたときにトリガーされるイベントを定義します:
```python
from wandb import Api
@@ -24,7 +25,6 @@ project = api.project(name="my-project")
event = OnRunMetric(
scope=project,
- # "my-metric" の 5 つの平均が 123.45 より大きい（gt）場合にトリガー
filter=RunEvent.metric("my-metric").avg(5).gt(123.45),
)
```
@@ -40,11 +40,11 @@ __init__(
) → None
```
-**Args:**
-
- - `event_type` (Literal[RUN_METRIC_THRESHOLD, RUN_METRIC_CHANGE, RUN_METRIC_ZSCORE]): イベントのタイプ。
- - `scope` (ProjectScope): イベントのスコープ。 Projects である必要があります。
- - `filter` (RunMetricFilter): このイベントがトリガーされるために満たす必要がある Run およびメトリクスの条件。
+**引数:**
+
+* `event_type` (Literal[RUN_METRIC_THRESHOLD, RUN_METRIC_CHANGE, RUN_METRIC_ZSCORE]):
+* `scope` (ProjectScope): イベントのスコープ。プロジェクトである必要があります。
+* `filter` (RunMetricFilter): このイベントをトリガーするために満たす必要がある run および／またはメトリクスの条件。
-**Returns:**
- `OnRunMetric` オブジェクト。
\ No newline at end of file
+**戻り値:**
+`OnRunMetric` オブジェクトを返します。
diff --git a/ja/models/ref/python/automations/onrunstate.mdx b/ja/models/ref/python/automations/onrunstate.mdx
new file mode 100644
index 0000000000..44de653703
--- /dev/null
+++ b/ja/models/ref/python/automations/onrunstate.mdx
@@ -0,0 +1,51 @@
+---
+title: OnRunState
+namespace: automations_namespace
+python_object_type: class
+---
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
+
+class `OnRunState`
+
+run の状態が変化したことを表します。
+
+例:
+プロジェクト "my-project" 内の任意の run について、
+その状態が "finished"（成功）または "failed" に変化したときにトリガーされるイベントを定義します:
+
+```python
+from wandb import Api
+from wandb.automations import OnRunState
+
+api = Api()
+project = api.project(name="my-project")
+
+event = OnRunState(
+ scope=project,
+ filter=RunEvent.state.in_(["finished", "failed"]),
+)
+```
+
+
+### method `OnRunState.__init__`
+
+```python
+__init__(
+ event_type: 'Literal[RUN_STATE]' = RUN_STATE,
+ scope: 'ProjectScope',
+ filter: 'RunStateFilter'
+) → None
+```
+
+**引数:**
+
+* `event_type` (Literal[RUN_STATE]):
+* `scope` (ProjectScope): このイベントのスコープ。必ず プロジェクト である必要があります。
+* `filter` (RunStateFilter): このイベントをトリガーするために満たす必要がある run の状態条件。
+
+**戻り値:**
+`OnRunState` オブジェクトを返します。
diff --git a/ja/models/ref/python/automations/runstatefilter.mdx b/ja/models/ref/python/automations/runstatefilter.mdx
index 46c42f424c..50e09fc0e0 100644
--- a/ja/models/ref/python/automations/runstatefilter.mdx
+++ b/ja/models/ref/python/automations/runstatefilter.mdx
@@ -3,12 +3,15 @@ title: RunStateFilter
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `RunStateFilter`
-run の状態変化に基づいてイベントをトリガーするためのフィルタを表します。
+
+run の状態変化に基づいてイベントを発火させるためのフィルターを表します。
### method `RunStateFilter.__init__`
@@ -19,10 +22,10 @@ __init__(
) → None
```
-**Args:**
+**引数:**
- - `run` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントをトリガーするために、対象の Runs が一致する必要があるフィルタ。
- - `state` (StateFilter): このイベントがトリガーされるために満たされる必要がある run の状態条件。
+* `run` (Union[And, Or, Nor, Not, Lt, Gt, Lte, Gte, Eq, Ne, In, NotIn, Exists, Regex, Contains, FilterExpr, Dict[str, Any]]): このイベントをトリガーしうる run に適用されるフィルター条件。
+* `state` (StateFilter): このイベントがトリガーされるために run が満たす必要がある状態条件。
-**Returns:**
- `RunStateFilter` オブジェクト。
\ No newline at end of file
+**戻り値:**
+`RunStateFilter` オブジェクト。
diff --git a/ja/models/ref/python/automations/sendnotification.mdx b/ja/models/ref/python/automations/sendnotification.mdx
index 7eb71d6d92..8942f6a8c1 100644
--- a/ja/models/ref/python/automations/sendnotification.mdx
+++ b/ja/models/ref/python/automations/sendnotification.mdx
@@ -1,40 +1,41 @@
---
-title: 通知の送信
+title: SendNotification
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `SendNotification`
-（Slack）通知を送信する オートメーション アクションを定義します。
+Slack 通知を送信する自動化アクションを定義します。
### method `SendNotification.__init__`
```python
__init__(
integration_id: 'str',
- title: 'str' = '',
message: 'str' = '',
severity: 'AlertSeverity' = ,
+ title: 'str' = '',
action_type: 'Literal[NOTIFICATION]' = NOTIFICATION
) → None
```
-**Args:**
-
- - `integration_id` (str): 通知の送信に使用される Slack インテグレーション の ID。
- - `title` (str): 送信される通知のタイトル。
- - `message` (str): 送信される通知のメッセージ本文。
- - `severity` (AlertSeverity): 送信される通知の重要度（`INFO`, `WARN`, `ERROR`）。
- - `action_type` (Literal[NOTIFICATION]):
+**引数:**
+
+* `integration_id` (str): 通知の送信に使用する Slack インテグレーションの ID。
+* `message` (str): 送信される通知のメッセージ本文。
+* `severity` (AlertSeverity): 送信される通知の重大度 (`INFO`、`WARN`、`ERROR`) 。
+* `title` (str): 送信される通知のタイトル。
+* `action_type` (Literal[NOTIFICATION]):
+
+**戻り値:**
+`SendNotification` オブジェクト。
-**Returns:**
- `SendNotification` オブジェクト。
### classmethod `SendNotification.from_integration`
@@ -47,4 +48,4 @@ from_integration(
) → Self
```
-指定された（Slack） インテグレーション に送信する通知アクションを定義します。
\ No newline at end of file
+指定された Slack インテグレーションに通知を送信する通知アクションを定義します。
diff --git a/ja/models/ref/python/automations/sendwebhook.mdx b/ja/models/ref/python/automations/sendwebhook.mdx
index a74fb0807f..601964590d 100644
--- a/ja/models/ref/python/automations/sendwebhook.mdx
+++ b/ja/models/ref/python/automations/sendwebhook.mdx
@@ -3,15 +3,15 @@ title: SendWebhook
namespace: automations_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `SendWebhook`
-Webhook リクエストを送信する オートメーション アクションを定義します。
+webhook リクエストを送信するための自動化アクションを定義します。
### method `SendWebhook.__init__`
@@ -23,14 +23,15 @@ __init__(
) → None
```
-**Args:**
-
- - `integration_id` (str): リクエストの送信に使用される Webhook インテグレーション の ID。
- - `request_payload` (Optional[Annotated]): Webhook リクエストで送信するペイロード。テンプレート変数を含めることができます。
- - `action_type` (Literal[GENERIC_WEBHOOK]):
+**引数:**
+
+* `integration_id` (str): リクエスト送信に使用する webhook インテグレーションの ID。
+* `request_payload` (Optional[Annotated]): webhook リクエストで送信する payload。テンプレート変数を含む場合があります。
+* `action_type` (Literal[GENERIC_WEBHOOK]):
+
+**戻り値:**
+`SendWebhook` オブジェクト。
-**Returns:**
- `SendWebhook` オブジェクト。
### classmethod `SendWebhook.from_integration`
@@ -41,4 +42,4 @@ from_integration(
) → Self
```
-指定された（Webhook） インテグレーション に送信する Webhook アクションを定義します。
\ No newline at end of file
+指定された webhook インテグレーションに送信する webhook アクションを定義します。
diff --git a/ja/models/ref/python/controller.mdx b/ja/models/ref/python/controller.mdx
deleted file mode 100644
index 03ad13baef..0000000000
--- a/ja/models/ref/python/controller.mdx
+++ /dev/null
@@ -1,27 +0,0 @@
----
-title: コントローラ
----
-
-
+ ## 利用可能なチャート関数
+
-| 関数 | 説明 |
+| Function | Description |
|----------|-------------|
-| [`confusion_matrix()`](/models/ref/python/custom-charts/confusion_matrix/) | 分類パフォーマンスの可視化のための混同行列を生成します。 |
-| [`roc_curve()`](/models/ref/python/custom-charts/roc_curve/) | 二値および多クラス分類器の受信者操作特性（ROC）曲線を作成します。 |
-| [`pr_curve()`](/models/ref/python/custom-charts/pr_curve/) | 分類器の評価のための PR曲線 を構築します。 |
-| [`line()`](/models/ref/python/custom-charts/line/) | テーブル形式のデータから折れ線グラフを作成します。 |
-| [`scatter()`](/models/ref/python/custom-charts/scatter/) | 変数間の関係を示す散布図を作成します |
-| [`bar()`](/models/ref/python/custom-charts/bar/) | カテゴリデータ用の棒グラフを生成します。 |
-| [`histogram()`](/models/ref/python/custom-charts/histogram/) | データの分布分析のためのヒストグラムを構築します。 |
-| [`line_series()`](/models/ref/python/custom-charts/line_series/) | 1 つのチャートに複数の系列の折れ線プロットを表示します。 |
-| [`plot_table()`](/models/ref/python/custom-charts/plot_table/) | Vega-Lite 仕様を使用してカスタムチャートを作成します。 |
-
-## 一般的なユースケース
-
-### モデルの評価
-- **分類**: 分類器の評価のための `confusion_matrix()` 、 `roc_curve()` 、 `pr_curve()`
-- **回帰**: 予測 vs. 実測値プロットのための `scatter()` や、残差分析のための `histogram()`
-- **Vega-Lite チャート**: ドメイン固有の可視化のための `plot_table()`
-
-### トレーニングのモニタリング
-- **学習曲線**: エポック ごとの メトリクス を追跡するための `line()` または `line_series()`
-- **ハイパーパラメーター の比較**: 設定 を比較するための `bar()` チャート
-
-### データ分析
-- **分布分析**: 特徴量の分布を確認するための `histogram()`
-- **相関分析**: 変数間の関係を調査するための `scatter()` プロット
-
-## はじめに
-
-### 混同行列をログに記録する
+| [`confusion_matrix()`](/ja/models/ref/python/custom-charts/confusion_matrix/) | 分類性能を可視化するための混同行列を生成します。 |
+| [`roc_curve()`](/ja/models/ref/python/custom-charts/roc_curve/) | 二値および多クラス分類器向けに ROC 曲線 (Receiver Operating Characteristic 曲線) を作成します。 |
+| [`pr_curve()`](/ja/models/ref/python/custom-charts/pr_curve/) | 分類器の評価のために適合率-再現率曲線 (Precision-Recall 曲線) を作成します。 |
+| [`line()`](/ja/models/ref/python/custom-charts/line/) | 表形式データから折れ線グラフを構築します。 |
+| [`scatter()`](/ja/models/ref/python/custom-charts/scatter/) | 変数間の関係を可視化する散布図を作成します。 |
+| [`bar()`](/ja/models/ref/python/custom-charts/bar/) | カテゴリカルデータ向けの棒グラフを生成します。 |
+| [`histogram()`](/ja/models/ref/python/custom-charts/histogram/) | データ分布を分析するためのヒストグラムを作成します。 |
+| [`line_series()`](/ja/models/ref/python/custom-charts/line_series/) | 1 つのチャート上に複数の折れ線シリーズをプロットします。 |
+| [`plot_table()`](/ja/models/ref/python/custom-charts/plot_table/) | Vega-Lite 仕様を使用してカスタムチャートを作成します。 |
+
+
+ ## 代表的なユースケース
+
+
+
+ ### モデル評価
+
+
+* **分類**: 分類器の評価には `confusion_matrix()`、`roc_curve()`、`pr_curve()` を使用
+* **回帰**: 予測値と実測値のプロットには `scatter()`、残差分析には `histogram()` を使用
+* **Vega-Lite チャート**: ドメイン固有の可視化には `plot_table()` を使用
+
+
+ ### トレーニングのモニタリング
+
+
+* **学習曲線**: エポックごとのメトリクスを可視化する `line()` や `line_series()`
+* **ハイパーパラメーターの比較**: 各設定を比較するための `bar()` チャート
+
+
+ ### データ分析
+
+
+* **分布分析**: 特徴量の分布の可視化には `histogram()` を使用します
+* **相関分析**: 変数間の関係の可視化には `scatter()` プロットを使用します
+
+
+ ## はじめに
+
+
+
+ ### 混同行列を記録する
+
```python
import wandb
@@ -47,7 +64,7 @@ y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 2, 0, 1, 1]
class_names = ["class_0", "class_1", "class_2"]
-# run を初期化
+# run を初期化する
with wandb.init(project="custom-charts-demo") as run:
run.log({
"conf_mat": wandb.plot.confusion_matrix(
@@ -58,12 +75,14 @@ with wandb.init(project="custom-charts-demo") as run:
})
```
+
+ ### 特徴量分析のための散布図を作成する
+
-### 特徴量分析のための散布図を構築する
```python
import numpy as np
-# 合成データを生成
+# 合成データを生成する
data_table = wandb.Table(columns=["feature_1", "feature_2", "label"])
with wandb.init(project="custom-charts-demo") as run:
@@ -81,4 +100,5 @@ with wandb.init(project="custom-charts-demo") as run:
title="Feature Distribution"
)
})
-```
\ No newline at end of file
+
+```
diff --git a/ja/models/ref/python/custom-charts/bar.mdx b/ja/models/ref/python/custom-charts/bar.mdx
index a785a6565f..2fc47d2601 100644
--- a/ja/models/ref/python/custom-charts/bar.mdx
+++ b/ja/models/ref/python/custom-charts/bar.mdx
@@ -3,10 +3,12 @@ title: bar()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `bar`
```python
@@ -21,25 +23,25 @@ bar(
wandb.Table のデータから棒グラフを作成します。
-**Args:**
+**引数:**
- - `table`: 棒グラフのデータを含むテーブル。
- - `label`: 各棒のラベルとして使用する列の名前。
- - `value`: 各棒の値として使用する列の名前。
- - `title`: 棒グラフのタイトル。
- - `split_table`: W&B UI 上でテーブルを別のセクションに分割して表示するかどうか。 `True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `table`: 棒グラフ用のデータを含むテーブル。
+* `label`: 各バーのラベルとして使用する列名。
+* `value`: 各バーの値として使用する列名。
+* `title`: 棒グラフのタイトル。
+* `split_table`: テーブルを W&B UI 内で別セクションに分割するかどうか。`True` の場合、テーブルは「Custom Chart Tables」という名前のセクションに表示されます。デフォルトは `False` です。
-**Returns:**
+**戻り値:**
- - `CustomChart`: W&B にログを記録できるカスタムチャートオブジェクト。チャートをログに記録するには、 `wandb.log()` に渡します。
+* `CustomChart`: W&B にログできるカスタムチャートオブジェクト。チャートをログするには、`wandb.log()` に渡します。
-**Example:**
+**例:**
```python
import random
import wandb
-# テーブル用のランダムデータを生成
+# テーブル用のランダムデータを生成する
data = [
["car", random.uniform(0, 1)],
["bus", random.uniform(0, 1)],
@@ -47,12 +49,12 @@ data = [
["person", random.uniform(0, 1)],
]
-# データを使用してテーブルを作成
+# データを使ってテーブルを作成する
table = wandb.Table(data=data, columns=["class", "accuracy"])
-# W&B run を初期化し、棒グラフをログに記録
+# W&B の run を初期化して棒グラフをログする
with wandb.init(project="bar_chart") as run:
- # テーブルから棒グラフを作成
+ # テーブルから棒グラフを作成する
bar_plot = wandb.plot.bar(
table=table,
label="class",
@@ -60,6 +62,6 @@ with wandb.init(project="bar_chart") as run:
title="Object Classification Accuracy",
)
- # 棒グラフを W&B にログ記録
+ # 棒グラフを W&B にログする
run.log({"bar_plot": bar_plot})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/custom-charts/confusion_matrix.mdx b/ja/models/ref/python/custom-charts/confusion_matrix.mdx
index c0ff82ef15..e99e8c1641 100644
--- a/ja/models/ref/python/custom-charts/confusion_matrix.mdx
+++ b/ja/models/ref/python/custom-charts/confusion_matrix.mdx
@@ -3,10 +3,12 @@ title: confusion_matrix()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `confusion_matrix`
```python
@@ -20,41 +22,40 @@ confusion_matrix(
) → CustomChart
```
-一連の確率または予測値から混同行列（confusion matrix）を作成します。
-
-**Args:**
+確率または予測値のシーケンスから混同行列を構築します。
- - `probs`: 各クラスの予測確率のシーケンス。形状は (N, K) である必要があります。ここで N はサンプル数、K はクラス数です。これが指定された場合、`preds` は指定しないでください。
- - `y_true`: 正解ラベルのシーケンス。
- - `preds`: 予測されたクラスラベルのシーケンス。これが指定された場合、`probs` は指定しないでください。
- - `class_names`: クラス名のシーケンス。指定されない場合、クラス名は "Class_1"、"Class_2" などのように定義されます。
- - `title`: 混同行列チャートのタイトル。
- - `split_table`: テーブルを W&B UI 上で別のセクションに分割するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+**引数:**
-**Returns:**
+* `probs`: 各クラスに対する予測確率のシーケンス。シーケンスの形状は (N, K) で、N はサンプル数、K はクラス数です。指定した場合は、`preds` は指定しないでください。
+* `y_true`: 正解ラベルのシーケンス。
+* `preds`: 予測クラスラベルのシーケンス。指定した場合は、`probs` は指定しないでください。
+* `class_names`: クラス名のシーケンス。指定しない場合、クラス名は "Class_1"、"Class_2" などのように定義されます。
+* `title`: 混同行列チャートのタイトル。
+* `split_table`: テーブルを W&B UI 内の別セクションとして分割するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
- - `CustomChart`: W&B にログを記録できるカスタムチャートオブジェクト。チャートをログに記録するには、`wandb.log()` に渡します。
+**戻り値:**
-**Raises:**
+* `CustomChart`: W&B にログできるカスタムチャートオブジェクト。チャートをログするには、`wandb.log()` に渡します。
- - `ValueError`: `probs` と `preds` の両方が指定された場合、または予測数と正解ラベル数が一致しない場合。また、ユニークな予測クラス数がクラス名リストの数を超えた場合、またはユニークな正解ラベル数がクラス名リストの数を超えた場合。
- - `wandb.Error`: numpy がインストールされていない場合。
+**例外:**
-**Examples:**
+* `ValueError`: `probs` と `preds` の両方が指定された場合、または予測と正解ラベルの数が一致しない場合。さらに、一意な予測クラス数がクラス名の数を超える場合、または一意な正解ラベル数がクラス名の数を超える場合。
+* `wandb.Error`: numpy がインストールされていない場合。
-野生動物の分類のために、ランダムな確率を使用して混同行列をログに記録する例：
+**使用例:**
+野生動物分類に対してランダムな確率を用いて混同行列をログする例:
```python
import numpy as np
import wandb
-# 野生動物のクラス名を定義
+# 野生動物のクラス名を定義する
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
-# ランダムな正解ラベルを生成 (10サンプルに対して 0 から 3)
+# ランダムな正解ラベルを生成する（10サンプルに対して0〜3）
wildlife_y_true = np.random.randint(0, 4, size=10)
-# 各クラスのランダムな確率を生成 (10サンプル x 4クラス)
+# 各クラスのランダムな確率を生成する（10サンプル × 4クラス）
wildlife_probs = np.random.rand(10, 4)
wildlife_probs = np.exp(wildlife_probs) / np.sum(
np.exp(wildlife_probs),
@@ -62,7 +63,7 @@ wildlife_probs = np.exp(wildlife_probs) / np.sum(
keepdims=True,
)
-# W&B run を初期化し、混同行列をログに記録
+# W&B の run を初期化して混同行列をログする
with wandb.init(project="wildlife_classification") as run:
confusion_matrix = wandb.plot.confusion_matrix(
probs=wildlife_probs,
@@ -73,25 +74,25 @@ with wandb.init(project="wildlife_classification") as run:
run.log({"wildlife_confusion_matrix": confusion_matrix})
```
-この例では、ランダムな確率を使用して混同行列が生成されます。
+この例では、ランダムな確率を用いて混同行列を生成します。
-シミュレーションされたモデル予測と 85% の精度で混同行列をログに記録する例：
+シミュレートした モデル の予測と正解率 85% に基づく混同行列をログに記録します：
```python
import numpy as np
import wandb
-# 野生動物のクラス名を定義
+# 野生動物のクラス名を定義する
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
-# 200枚の動物画像に対する正解ラベルをシミュレート (不均衡な分布)
+# 200枚の動物画像の正解ラベルをシミュレートする（不均衡な分布）
wildlife_y_true = np.random.choice(
[0, 1, 2, 3],
size=200,
p=[0.2, 0.3, 0.25, 0.25],
)
-# 85% の精度を持つモデル予測をシミュレート
+# 精度85%でモデルの予測をシミュレートする
wildlife_preds = [
y_t
if np.random.rand() < 0.85
@@ -99,7 +100,7 @@ wildlife_preds = [
for y_t in wildlife_y_true
]
-# W&B run を初期化し、混同行列をログに記録
+# W&B の run を初期化して混同行列をログに記録する
with wandb.init(project="wildlife_classification") as run:
confusion_matrix = wandb.plot.confusion_matrix(
preds=wildlife_preds,
@@ -110,4 +111,4 @@ with wandb.init(project="wildlife_classification") as run:
run.log({"wildlife_confusion_matrix": confusion_matrix})
```
-この例では、混同行列を生成するために、85% の精度で予測がシミュレートされています。
\ No newline at end of file
+この例では、予測を 85% の精度になるようにシミュレートし、混同行列を生成します。
diff --git a/ja/models/ref/python/custom-charts/histogram.mdx b/ja/models/ref/python/custom-charts/histogram.mdx
index d0aa34476b..81cab39927 100644
--- a/ja/models/ref/python/custom-charts/histogram.mdx
+++ b/ja/models/ref/python/custom-charts/histogram.mdx
@@ -1,12 +1,14 @@
---
-title: ヒストグラム
+title: histogram
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `histogram`
```python
@@ -18,18 +20,18 @@ histogram(
) → CustomChart
```
-W&B Table からヒストグラムチャートを構築します。
+W&B Table からヒストグラム チャートを生成します。
**Args:**
- - `table`: ヒストグラムの データ を含む W&B Table。
- - `value`: ビン軸（x 軸）のラベル。
- - `title`: ヒストグラムプロットのタイトル。
- - `split_table`: W&B UI 上でテーブルを別のセクションに分割するかどうか。 `True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `table`: ヒストグラム用のデータを含む W&B Table。
+* `value`: ビン軸（x 軸）のラベル。
+* `title`: ヒストグラム プロットのタイトル。
+* `split_table`: W&B UI 内でテーブルを別セクションに分割するかどうか。`True` の場合、テーブルは「Custom Chart Tables」という名前のセクションに表示されます。デフォルトは `False`。
**Returns:**
- - `CustomChart`: W&B に ログ 記録可能なカスタムチャートオブジェクト。チャートを ログ に記録するには、 `wandb.log()` に渡します。
+* `CustomChart`: W&B にログできるカスタム チャート オブジェクト。チャートをログするには、`wandb.log()` に渡します。
**Example:**
@@ -38,23 +40,23 @@ import math
import random
import wandb
-# ランダムなデータを生成
+# ランダムデータを生成する
data = [[i, random.random() + math.sin(i / 10)] for i in range(100)]
-# W&B Table を作成
+# W&B Table を作成する
table = wandb.Table(
data=data,
columns=["step", "height"],
)
-# ヒストグラムプロットを作成
+# ヒストグラムプロットを作成する
histogram = wandb.plot.histogram(
table,
value="height",
title="My Histogram",
)
-# ヒストグラムプロットを W&B にログ記録
+# ヒストグラムプロットを W&B にログする
with wandb.init(...) as run:
run.log({"histogram-plot1": histogram})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/custom-charts/line.mdx b/ja/models/ref/python/custom-charts/line.mdx
index d300e17e30..cfb89c4179 100644
--- a/ja/models/ref/python/custom-charts/line.mdx
+++ b/ja/models/ref/python/custom-charts/line.mdx
@@ -3,10 +3,12 @@ title: line()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `line`
```python
@@ -22,47 +24,47 @@ line(
カスタマイズ可能な折れ線グラフを作成します。
-**Args:**
+**引数:**
-- `table`: チャートのデータを含むテーブル。
-- `x`: x 軸の値に使用する列名。
-- `y`: y 軸の値に使用する列名。
-- `stroke`: 線の種類を区別するための列名（例：線をグループ化する場合など）。
-- `title`: チャートのタイトル。
-- `split_table`: W&B UI でテーブルを別のセクションに分割するかどうか。 `True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `table`: グラフ用のデータを含むテーブル。
+* `x`: x 軸の値の列名。
+* `y`: y 軸の値の列名。
+* `stroke`: 線を区別するための列名（例: 複数の線をグループ化する場合）。
+* `title`: グラフのタイトル。
+* `split_table`: テーブルを W&B UI の別セクションとして表示するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False`。
-**Returns:**
+**戻り値:**
-- `CustomChart`: W&B にログを記録できるカスタムチャートオブジェクト。チャートをログに記録するには、 `wandb.log()` に渡します。
+* `CustomChart`: W&B にログできるカスタムチャートオブジェクト。グラフをログするには、これを `wandb.log()` に渡します。
-**Example:**
+**例:**
```python
import math
import random
import wandb
-# 異なるパターンを持つ複数のデータシリーズを作成
+# 異なるパターンを持つ複数のデータ系列を作成する
data = []
for i in range(100):
- # シリーズ 1: ランダムなノイズを含む正弦波パターン
+ # 系列 1: ランダムノイズを含む正弦波パターン
data.append([i, math.sin(i / 10) + random.uniform(-0.1, 0.1), "series_1"])
- # シリーズ 2: ランダムなノイズを含む余弦波パターン
+ # 系列 2: ランダムノイズを含む余弦波パターン
data.append([i, math.cos(i / 10) + random.uniform(-0.1, 0.1), "series_2"])
- # シリーズ 3: ランダムなノイズを含む線形増加
+ # 系列 3: ランダムノイズを含む線形増加
data.append([i, i / 10 + random.uniform(-0.5, 0.5), "series_3"])
-# テーブルの列を定義
+# テーブルの列を定義する
table = wandb.Table(data=data, columns=["step", "value", "series"])
-# wandb run を初期化し、折れ線グラフをログに記録
+# wandb の run を初期化して折れ線グラフをログに記録する
with wandb.init(project="line_chart_example") as run:
line_chart = wandb.plot.line(
table=table,
x="step",
y="value",
- stroke="series", # "series" 列でグループ化
+ stroke="series", # "series" 列でグループ化する
title="Multi-Series Line Plot",
)
run.log({"line-chart": line_chart})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/custom-charts/line_series.mdx b/ja/models/ref/python/custom-charts/line_series.mdx
index 4e03d5d675..3e58bea5e2 100644
--- a/ja/models/ref/python/custom-charts/line_series.mdx
+++ b/ja/models/ref/python/custom-charts/line_series.mdx
@@ -3,10 +3,12 @@ title: line_series()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `line_series`
```python
@@ -20,40 +22,40 @@ line_series(
) → CustomChart
```
-折れ線グラフ（line series chart）を構築します。
+折れ線系列チャートを構築します。
**Args:**
- - `xs`: x 値のシーケンス。単一の配列が渡された場合、すべての y 値はその x 配列に対してプロットされます。配列の配列が渡された場合、各 y 値は対応する x 配列に対してプロットされます。
- - `ys`: y 値のシーケンス。各イテラブル（iterable）が個別のラインシリーズを表します。
- - `keys`: 各ラインシリーズにラベルを付けるためのキーのシーケンス。指定されない場合、キーは "line_1", "line_2" などとして自動生成されます。
- - `title`: チャートのタイトル。
- - `xname`: x 軸のラベル。
- - `split_table`: W&B UI 上で テーブル を別のセクションに分割するかどうか。 `True` の場合、 テーブル は "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `xs`: x 値のシーケンス。単一の配列が指定された場合、すべての y 値がその x 配列に対してプロットされます。配列の配列が指定された場合は、それぞれの y 値が対応する x 配列に対してプロットされます。
+* `ys`: y 値のシーケンス。それぞれの iterable が別々の線グラフ系列を表します。
+* `keys`: 各線グラフ系列にラベル付けするためのキーのシーケンス。指定しない場合、キーは自動的に「line_1」「line_2」…のように生成されます。
+* `title`: チャートのタイトル。
+* `xname`: x 軸のラベル。
+* `split_table`: テーブルを W&B UI 内の別セクションに分割するかどうか。`True` の場合、テーブルは「Custom Chart Tables」という名前のセクションに表示されます。デフォルトは `False` です。
**Returns:**
- - `CustomChart`: W&B に ログ 記録可能なカスタムチャート オブジェクト。チャートを ログ 記録するには、 `wandb.log()` に渡してください。
+* `CustomChart`: W&B にログできるカスタム チャート オブジェクト。チャートをログするには、`wandb.log()` に渡します。
**Examples:**
-すべての y シリーズが同じ x 値に対してプロットされる、単一の x 配列を ログ 記録する場合：
+すべての y 系列を同じ x 値に対してプロットする、単一の x 配列をログする例:
```python
import wandb
-# W&B run を初期化
+# W&B run を初期化する
with wandb.init(project="line_series_example") as run:
- # すべての y シリーズで共有される x 値
+ # すべての y 系列で共有される x の値
xs = list(range(10))
- # プロットする複数の y シリーズ
+ # プロットする複数の y 系列
ys = [
[i for i in range(10)], # y = x
[i**2 for i in range(10)], # y = x^2
[i**3 for i in range(10)], # y = x^3
]
- # 折れ線グラフを生成してログ記録
+ # 折れ線グラフを生成してログに記録する
line_series_chart = wandb.plot.line_series(
xs,
ys,
@@ -63,44 +65,45 @@ with wandb.init(project="line_series_example") as run:
run.log({"line-series-single-x": line_series_chart})
```
-この例では、単一の `xs` シリーズ（共有 x 値）がすべての `ys` シリーズに使用されます。その結果、各 y シリーズは同じ x 値（0-9）に対してプロットされます。
+この例では、すべての `ys` シリーズに対して 1 つの `xs` シリーズ（共有された x 値）が使われています。これにより、各 y シリーズは同じ x 値（0〜9）に対してプロットされます。
-各 y シリーズが対応する x 配列に対してプロットされる、複数の x 配列を ログ 記録する場合：
+それぞれの y シリーズが対応する x 配列に対してプロットされるように、複数の x 配列をログするには:
```python
import wandb
-# W&B run を初期化
+# W&B run を初期化する
with wandb.init(project="line_series_example") as run:
- # 各 y シリーズごとの個別の x 値
+ # 各 y 系列に対応する個別の x 値
xs = [
- [i for i in range(10)], # 最初のシリーズの x
- [2 * i for i in range(10)], # 2番目のシリーズの x (引き伸ばし)
- [3 * i for i in range(10)], # 3番目のシリーズの x (さらに引き伸ばし)
+ [i for i in range(10)], # 1番目の系列の x
+ [2 * i for i in range(10)], # 2番目の系列の x（引き伸ばし）
+ [3 * i for i in range(10)], # 3番目の系列の x（さらに引き伸ばし）
]
- # 対応する y シリーズ
+ # 対応する y 系列
ys = [
[i for i in range(10)], # y = x
[i**2 for i in range(10)], # y = x^2
[i**3 for i in range(10)], # y = x^3
]
- # 折れ線グラフを生成してログ記録
+ # 折れ線グラフを生成してログに記録する
line_series_chart = wandb.plot.line_series(
xs, ys, title="Multiple X Arrays Example", xname="Step"
)
run.log({"line-series-multiple-x": line_series_chart})
```
-この例では、各 y シリーズが独自の固有の x シリーズに対してプロットされます。これにより、データシリーズ間で x 値が一様でない場合に、より柔軟な対応が可能になります。
+この例では、各 y シリーズをそれぞれ固有の x シリーズに対してプロットします。これにより、データ シリーズごとに x の値が一様でない場合でも、より柔軟に扱うことができます。
+
+`keys` を使った線ラベルのカスタマイズ:
-`keys` を使用してラインラベルをカスタマイズする場合：
```python
import wandb
-# W&B run を初期化
+# W&B run を初期化する
with wandb.init(project="line_series_example") as run:
xs = list(range(10)) # 単一の x 配列
ys = [
@@ -109,18 +112,18 @@ with wandb.init(project="line_series_example") as run:
[i**3 for i in range(10)], # y = x^3
]
- # 各ラインのカスタムラベル
+ # 各折れ線のカスタムラベル
keys = ["Linear", "Quadratic", "Cubic"]
- # 折れ線グラフを生成してログ記録
+ # 折れ線グラフを生成してログに記録する
line_series_chart = wandb.plot.line_series(
xs,
ys,
- keys=keys, # カスタムキー (ラインラベル)
+ keys=keys, # カスタムキー（折れ線ラベル）
title="Custom Line Labels Example",
xname="Step",
)
run.log({"line-series-custom-keys": line_series_chart})
```
-この例では、 `keys` 引数を使用してラインにカスタムラベルを付ける方法を示しています。キーは凡例に "Linear", "Quadratic", "Cubic" として表示されます。
\ No newline at end of file
+この例では、`keys` 引数を使って各線にカスタムラベルを指定する方法を示します。これらのキーは凡例に「Linear」「Quadratic」「Cubic」として表示されます。
diff --git a/ja/models/ref/python/custom-charts/plot_table.mdx b/ja/models/ref/python/custom-charts/plot_table.mdx
index e8490b4bf0..2ed94dcc82 100644
--- a/ja/models/ref/python/custom-charts/plot_table.mdx
+++ b/ja/models/ref/python/custom-charts/plot_table.mdx
@@ -3,10 +3,12 @@ title: plot_table()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `plot_table`
```python
@@ -21,28 +23,31 @@ plot_table(
Vega-Lite 仕様と `wandb.Table` を使用してカスタムチャートを作成します。
-この関数は、Vega-Lite 仕様と `wandb.Table` オブジェクトで表されるデータテーブルに基づいてカスタムチャートを作成します。仕様は事前定義され、W&B のバックエンドに保存されている必要があります。この関数は、`wandb.Run.log()` を使用して W&B にログ記録できるカスタムチャートオブジェクトを返します。
+この関数は、Vega-Lite 仕様と `wandb.Table` オブジェクトで表されるデータテーブルに基づいてカスタムチャートを作成します。仕様はあらかじめ定義され、W&B バックエンドに保存されている必要があります。関数はカスタムチャートオブジェクトを返し、このオブジェクトは `wandb.Run.log()` を使って W&B にログできます。
**引数:**
-- `vega_spec_name`: 可視化構造を定義する Vega-Lite 仕様の名前または識別子。
-- `data_table`: 可視化するデータを含む `wandb.Table` オブジェクト。
-- `fields`: Vega-Lite 仕様内のフィールドと、可視化するデータテーブル内の対応する列とのマッピング。
-- `string_fields`: カスタム可視化に必要な文字列定数の値を提供するための辞書。
-- `split_table`: W&B UI でテーブルを別のセクションに分割するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `vega_spec_name`: 可視化の構造を定義する Vega-Lite 仕様の名前または識別子。
+* `data_table`: 可視化するデータを含む `wandb.Table` オブジェクト。
+* `fields`: Vega-Lite 仕様内のフィールドと、可視化対象となるデータテーブル内の対応する列とのマッピング。
+* `string_fields`: カスタム可視化で必要となる文字列定数に値を指定するための辞書。
+* `split_table`: テーブルを W&B UI 内で別のセクションに分割するかどうか。`True` の場合、テーブルは「Custom Chart Tables」という名前のセクションに表示されます。デフォルトは `False` です。
**戻り値:**
-- `CustomChart`: W&B にログ記録可能なカスタムチャートオブジェクト。チャートをログに記録するには、チャートオブジェクトを `wandb.Run.log()` の引数として渡します。
+* `CustomChart`: W&B にログできるカスタムチャートオブジェクト。チャートをログするには、`wandb.Run.log()` にチャートオブジェクトを引数として渡します。
-**例外:**
+**例:**
-- `wandb.Error`: `data_table` が `wandb.Table` オブジェクトではない場合。
+**例説明:**
-**例:**
+* この例では、あらかじめ W&B に保存された Vega-Lite 仕様を使用してカスタムチャートを作成します。
+* `wandb.Table` にデータを格納し、`fields` マッピングで仕様のフィールドに対応付けます。
+* 必要に応じて `string_fields` を使って文字列定数を指定します。
+* 作成した `CustomChart` オブジェクトは `wandb.Run.log()` を使ってログできます。
```python
-# Vega-Lite 仕様とデータテーブルを使用してカスタムチャートを作成します。
+# Vega-Lite spec とデータテーブルを使用してカスタムチャートを作成する。
import wandb
data = [[1, 1], [2, 2], [3, 3], [4, 4], [5, 5]]
@@ -50,9 +55,9 @@ table = wandb.Table(data=data, columns=["x", "y"])
fields = {"x": "x", "y": "y", "title": "MY TITLE"}
with wandb.init() as run:
- # ここにトレーニングコードを記述します
+ # トレーニングコードをここに記述する
- # `string_fields` を使用してカスタムタイトルを作成します。
+ # `string_fields` を使用してカスタムタイトルを作成する。
my_custom_chart = wandb.plot_table(
vega_spec_name="wandb/line/v0",
data_table=table,
@@ -61,4 +66,4 @@ with wandb.init() as run:
)
run.log({"custom_chart": my_custom_chart})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/custom-charts/pr_curve.mdx b/ja/models/ref/python/custom-charts/pr_curve.mdx
index df598cac0f..39f60b898c 100644
--- a/ja/models/ref/python/custom-charts/pr_curve.mdx
+++ b/ja/models/ref/python/custom-charts/pr_curve.mdx
@@ -3,10 +3,12 @@ title: pr_curve()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `pr_curve`
```python
@@ -21,44 +23,44 @@ pr_curve(
) → CustomChart
```
-Precision-Recall (PR) 曲線 を作成します。
+Precision-Recall (PR) カーブを作成します。
-PR曲線 は、不均衡な データセット に対する分類器の評価に特に有用です。PR曲線 下の面積（AUC）が大きいことは、高い適合率（低い偽陽性率）と高い再現率（低い偽陰性率）の両方を意味します。この曲線は、さまざまな閾値レベルにおける偽陽性と偽陰性のバランスに関する洞察を提供し、モデル の性能評価を支援します。
+Precision-Recall カーブは、不均衡なデータセット上で分類器を評価する際に特に有用です。PR カーブの下の面積が大きいことは、高い適合率（低い偽陽性率）と高い再現率（低い偽陰性率）の両方を意味します。このカーブは、さまざまなしきい値レベルにおける偽陽性と偽陰性のバランスについての示唆を与え、モデルの性能評価に役立ちます。
-**引数:**
+**Args:**
-- `y_true`: 正解のバイナリラベル。形状は (`num_samples`,) である必要があります。
-- `y_probas`: 各クラスの予測スコアまたは確率。これらは確率推定値、信頼スコア、または閾値処理前の決定値です。形状は (`num_samples`, `num_classes`) である必要があります。
-- `labels`: プロットの解釈を容易にするために、`y_true` の数値に置き換えるクラス名のリスト（任意）。例えば、`labels = ['dog', 'cat', 'owl']` とすると、プロット内で 0 は 'dog'、1 は 'cat'、2 は 'owl' に置き換えられます。指定されない場合は、`y_true` の数値がそのまま使用されます。
-- `classes_to_plot`: プロットに含める `y_true` 内のユニークなクラス値のリスト（任意）。指定されない場合、`y_true` に含まれるすべてのユニークなクラスがプロットされます。
-- `interp_size`: 再現率の値を補間するポイントの数。再現率は [0, 1] の範囲で一様に分布した `interp_size` 個のポイントに固定され、適合率はそれに応じて補間されます。
-- `title`: プロットのタイトル。デフォルトは "Precision-Recall Curve" です。
-- `split_table`: W&B UI 上で テーブル を別のセクションに分割するかどうか。`True` の場合、テーブル は "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `y_true`: 真の二値ラベル。形状は (`num_samples`,) である必要があります。
+* `y_probas`: 各クラスに対する予測スコアまたは確率。確率推定値、信頼度スコア、またはしきい値を適用していない決定関数値を指定できます。形状は (`num_samples`, `num_classes`) である必要があります。
+* `labels`: プロットを解釈しやすくするために、`y_true` 内の数値を置き換えるクラス名のオプションのリスト。たとえば、`labels = ['dog', 'cat', 'owl']` とすると、プロット内で 0 が 'dog'、1 が 'cat'、2 が 'owl' に置き換えられます。指定しない場合は、`y_true` の数値がそのまま使用されます。
+* `classes_to_plot`: プロットに含める `y_true` からの一意のクラス値のオプションのリスト。指定しない場合、`y_true` に含まれるすべての一意のクラスがプロットされます。
+* `interp_size`: 再現率の値を補間するポイント数。再現率の値は、[0, 1] の範囲で一様に分布した `interp_size` 個のポイントに固定され、それに応じて適合率が補間されます。
+* `title`: プロットのタイトル。デフォルトは "Precision-Recall Curve" です。
+* `split_table`: テーブルを W&B UI の別セクションに分割するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
-**戻り値:**
+**Returns:**
-- `CustomChart`: W&B に ログ 記録可能な カスタムチャート オブジェクト。チャートを ログ 記録するには、`wandb.log()` に渡します。
+* `CustomChart`: W&B にログできるカスタムチャートオブジェクト。チャートをログするには、`wandb.log()` に渡します。
-**例外:**
+**Raises:**
-- `wandb.Error`: NumPy、pandas、または scikit-learn がインストールされていない場合。
+* `wandb.Error`: NumPy、pandas、または scikit-learn がインストールされていない場合。
-**例:**
+**Example:**
```python
import wandb
-# スパム検出（二値分類）の例
-y_true = [0, 1, 1, 0, 1] # 0 = スパムではない, 1 = スパム
+# スパム検出の例（二値分類）
+y_true = [0, 1, 1, 0, 1] # 0 = スパムでない, 1 = スパム
y_probas = [
- [0.9, 0.1], # 1番目のサンプルの予測確率（スパムではない）
- [0.2, 0.8], # 2番目のサンプルの予測確率（スパム）、以下同様
+ [0.9, 0.1], # 最初のサンプルの予測確率（スパムでない）
+ [0.2, 0.8], # 2 番目のサンプル（スパム）、以下同様
[0.1, 0.9],
[0.8, 0.2],
[0.3, 0.7],
]
-labels = ["not spam", "spam"] # 読みやすさのための任意のクラス名
+labels = ["not spam", "spam"] # 可読性向上のためのオプションのクラス名
with wandb.init(project="spam-detection") as run:
pr_curve = wandb.plot.pr_curve(
@@ -68,4 +70,4 @@ with wandb.init(project="spam-detection") as run:
title="Precision-Recall Curve for Spam Detection",
)
run.log({"pr-curve": pr_curve})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/custom-charts/roc_curve.mdx b/ja/models/ref/python/custom-charts/roc_curve.mdx
index ad13518ab6..8514ade27a 100644
--- a/ja/models/ref/python/custom-charts/roc_curve.mdx
+++ b/ja/models/ref/python/custom-charts/roc_curve.mdx
@@ -3,10 +3,12 @@ title: roc_curve()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `roc_curve`
```python
@@ -20,24 +22,24 @@ roc_curve(
) → CustomChart
```
-受信者操作特性（ROC）曲線チャートを作成します。
+受信者動作特性 (ROC) 曲線チャートを作成します。
**Args:**
-- `y_true`: ターゲット変数の真のクラスラベル（正解）。形状は (num_samples,) である必要があります。
-- `y_probas`: 各クラスの予測確率または決定スコア。形状は (num_samples, num_classes) である必要があります。
-- `labels`: `y_true` のクラスインデックスに対応する、人間が読みやすいラベル。例えば、`labels=['dog', 'cat']` の場合、プロット内ではクラス 0 が 'dog'、クラス 1 が 'cat' として表示されます。None の場合、`y_true` の生のクラスインデックスが使用されます。デフォルトは None です。
-- `classes_to_plot`: ROC 曲線に含めるユニークなクラスラベルの サブセット。None の場合、`y_true` に含まれるすべてのクラスがプロットされます。デフォルトは None です。
-- `title`: ROC 曲線プロットのタイトル。デフォルトは "ROC Curve" です。
-- `split_table`: W&B UI 上でテーブルを別のセクションに分割するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `y_true`: 目的変数に対する真のクラスラベル (ground truth)。形状は (num_samples,) である必要があります。
+* `y_probas`: 各クラスに対する予測確率または判定スコア。形状は (num_samples, num_classes) である必要があります。
+* `labels`: `y_true` 内のクラスインデックスに対応する、人間が読みやすいラベル。例えば `labels=['dog', 'cat']` の場合、プロットではクラス 0 が 'dog'、クラス 1 が 'cat' として表示されます。None の場合、`y_true` の生のクラスインデックスが使用されます。デフォルトは None です。
+* `classes_to_plot`: ROC 曲線に含める一意なクラスラベルのサブセット。None の場合、`y_true` に含まれるすべてのクラスがプロットされます。デフォルトは None です。
+* `title`: ROC 曲線プロットのタイトル。デフォルトは "ROC Curve" です。
+* `split_table`: テーブルを W&B UI 内で別のセクションに分割するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
**Returns:**
-- `CustomChart`: W&B に ログ 可能なカスタムチャートオブジェクト。チャートを ログ するには、`wandb.log()` に渡します。
+* `CustomChart`: W&B にログできるカスタムチャートオブジェクト。チャートをログするには、`wandb.log()` に渡します。
**Raises:**
-- `wandb.Error`: numpy、pandas、または scikit-learn が見つからない場合。
+* `wandb.Error`: numpy、pandas、または scikit-learn が見つからない場合。
**Example:**
@@ -45,23 +47,22 @@ roc_curve(
import numpy as np
import wandb
-# 3つの疾患を持つ医学的診断分類問題をシミュレート
+# 3つの疾患を対象とした医療診断分類問題をシミュレートする
n_samples = 200
n_classes = 3
-# 真のラベル: 各サンプルに "Diabetes"（糖尿病）、"Hypertension"（高血圧）、
-# または "Heart Disease"（心臓病）を割り当て
+# 真のラベル: 各サンプルに "Diabetes"、"Hypertension"、"Heart Disease" を割り当てる
disease_labels = ["Diabetes", "Hypertension", "Heart Disease"]
-# 0: Diabetes, 1: Hypertension, 2: Heart Disease
+# 0: Diabetes、1: Hypertension、2: Heart Disease
y_true = np.random.choice([0, 1, 2], size=n_samples)
-# 予測確率: 予測をシミュレートし、各サンプルの合計が1になるようにする
+# 予測確率: 各サンプルの合計が 1 になるよう予測をシミュレートする
y_probas = np.random.dirichlet(np.ones(n_classes), size=n_samples)
-# プロットするクラスを指定（3つの疾患すべてをプロット）
+# プロットするクラスを指定する（3つの疾患すべてをプロット）
classes_to_plot = [0, 1, 2]
-# W&B run を初期化し、疾患分類の ROC 曲線プロットをログする
+# W&B の run を初期化し、疾患分類の ROC 曲線プロットをログに記録する
with wandb.init(project="medical_diagnosis") as run:
roc_plot = wandb.plot.roc_curve(
y_true=y_true,
@@ -71,4 +72,4 @@ with wandb.init(project="medical_diagnosis") as run:
title="ROC Curve for Disease Classification",
)
run.log({"roc-curve": roc_plot})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/custom-charts/scatter.mdx b/ja/models/ref/python/custom-charts/scatter.mdx
index c95e31a1a4..9efc37e525 100644
--- a/ja/models/ref/python/custom-charts/scatter.mdx
+++ b/ja/models/ref/python/custom-charts/scatter.mdx
@@ -3,10 +3,12 @@ title: scatter()
namespace: python_sdk_custom_charts
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `scatter`
```python
@@ -19,37 +21,37 @@ scatter(
) → CustomChart
```
-wandb.Table の データ から散布図を作成します。
+wandb.Table のデータから散布図を作成します。
-**Args:**
+**引数:**
-- `table`: 可視化する データ を含む W&B Table 。
-- `x`: x軸に使用するカラム名。
-- `y`: y軸に使用するカラム名。
-- `title`: 散布図のタイトル。
-- `split_table`: W&B UI 上で テーブル を別のセクションに分割するかどうか。 `True` の場合、 テーブル は "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
+* `table`: 可視化するデータを含む W&B Table。
+* `x`: x 軸に使用する列名。
+* `y`: y 軸に使用する列名。
+* `title`: 散布図のタイトル。
+* `split_table`: W&B UI 内でテーブルを別のセクションに分割して表示するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False`。
-**Returns:**
+**戻り値:**
-- `CustomChart`: W&B に ログ を記録できるカスタムチャート オブジェクト。チャートを ログ に記録するには、 `wandb.log()` に渡します。
+* `CustomChart`: W&B にログできるカスタム チャート オブジェクト。チャートをログするには、これを `wandb.log()` に渡します。
-**Example:**
+**例:**
```python
import math
import random
import wandb
-# 異なる高度における気温の変化を時間経過とともにシミュレート
+# 時間の経過に伴う異なる高度での気温変化をシミュレート
data = [
[i, random.uniform(-10, 20) - 0.005 * i + 5 * math.sin(i / 50)]
for i in range(300)
]
-# 高度 (m) と気温 (°C) のカラムを持つ W&B table を作成
+# 高度 (m) と気温 (°C) の列を持つ W&B テーブルを作成
table = wandb.Table(data=data, columns=["altitude (m)", "temperature (°C)"])
-# W&B run を初期化し、散布図をログに記録
+# W&B の run を初期化し、散布図をログに記録
with wandb.init(project="temperature-altitude-scatter") as run:
# 散布図を作成してログに記録
scatter_plot = wandb.plot.scatter(
@@ -59,4 +61,4 @@ with wandb.init(project="temperature-altitude-scatter") as run:
title="Altitude vs Temperature",
)
run.log({"altitude-temperature-scatter": scatter_plot})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/data-types.mdx b/ja/models/ref/python/data-types.mdx
index 4520898eea..f97d1c89f2 100644
--- a/ja/models/ref/python/data-types.mdx
+++ b/ja/models/ref/python/data-types.mdx
@@ -1,59 +1,63 @@
---
-title: データ型の概要
-description: メディアおよび構造化データの ログ を記録するための W&B Python SDK データ型
+title: Data Types 概要
+description: W&B Python SDK における、メディアおよび構造化データをログするための Data Types
module: wandb.sdk.data_types
no_list: true
---
-W&B における Data Types は、メディアや構造化データを Runs にログ記録するためにラップするクラスです。これらには W&B UI での可視化コンポーネントが含まれており、データのシリアル化、保存、および取得を処理します。
+W&B の Data Types は、run にログするメディアや構造化データをラップするクラスです。これらは W&B UI 内での可視化コンポーネントを提供し、データのシリアライズ、保存、および取得を行います。
-## 利用可能な Data Types
+
+ ## 利用可能なデータ型
+
| Data Type | 説明 |
|-----------|-------------|
-| [`Image`](/models/ref/python/data-types/image) | マスク、バウンディングボックス、セグメンテーションをサポートする画像を ログ します。 |
-| [`Video`](/models/ref/python/data-types/video) | モデル の出力や データセット サンプルのビデオデータをトラックします。 |
-| [`Audio`](/models/ref/python/data-types/audio) | オーディオ プロセッシング タスク用のオーディオサンプルを ログ します。 |
-| [`Table`](/models/ref/python/data-types/table) | 混合メディアタイプを含めることができる テーブル を作成します。 |
-| [`Plotly`](/models/ref/python/data-types/plotly) | Data Visualization のための Plotly チャートを ログ します。 |
-| [`Html`](/models/ref/python/data-types/html) | カスタム HTML コンテンツを埋め込みます。 |
-| [`Object3D`](/models/ref/python/data-types/object3d) | 3D ポイントクラウドやメッシュを可視化します。 |
-| [`Molecule`](/models/ref/python/data-types/molecule) | 計算化学用の分子構造を ログ します。 |
+| [`Image`](/ja/models/ref/python/data-types/image) | マスク、バウンディングボックス、セグメンテーションをサポートして画像をログに記録します。 |
+| [`Video`](/ja/models/ref/python/data-types/video) | モデル出力やデータセットサンプルの動画データをログに記録します。 |
+| [`Audio`](/ja/models/ref/python/data-types/audio) | 音声処理タスク向けの音声サンプルをログに記録します。 |
+| [`Table`](/ja/models/ref/python/data-types/table) | 複数の種類のメディアを含むテーブルを作成します。 |
+| [`Plotly`](/ja/models/ref/python/data-types/plotly) | データ可視化のために Plotly チャートをログに記録します。 |
+| [`Html`](/ja/models/ref/python/data-types/html) | カスタム HTML コンテンツを埋め込みます。 |
+| [`Object3D`](/ja/models/ref/python/data-types/object3d) | 3D 点群やメッシュを可視化します。 |
+| [`Molecule`](/ja/models/ref/python/data-types/molecule) | 計算化学向けの分子構造をログに記録します。 |
-## 例
+
+ ## 例
+
-この例では `Image` を使用しています：
+この例では `Image` を使用します：
```python
import wandb
import matplotlib.pyplot as plt
-# デモ用に画像を生成
+# デモ用の画像を生成する
path_to_img = "/path/to/cafe.png"
im = plt.imread(path_to_img)
-# 新しい run を初期化
+# 新しい run を初期化する
with wandb.init(project="awesome-project") as run:
- # 画像をログ
+ # 画像をログする
run.log({"img": [wandb.Image(im, caption="Cafe")]})
```
-この例では `Table` を使用して、テキストとラベルが混在する テーブル を ログ します：
+この例では、テキストとラベルが混在するテーブルをログに記録するために `Table` を使用します。
```python
import wandb
-# 新しい run を初期化
+# 新しい run を初期化する
with wandb.init(project="visualize-predictions", name="tables") as run:
- # リストのリストを使用して、テーブルデータを作成
+ # リストのリストを使用して表形式データを作成する
data = [["Cat", "1", "1"],["Dog", "0", "-1"]]
run.log({"Table 1": wandb.Table(data=data, columns=["Text", "Predicted Label", "True Label"])})
- # `wandb.Table.add_data()` メソッドを使用して、テーブルデータを作成
+ # `wandb.Table.add_data()` メソッドを使用して表形式データを作成する
table = wandb.Table(columns=["Text", "Predicted Label", "True Label"])
table.add_data("Cat", "1", "1")
table.add_data("Dog", "0", "-1")
run.log({"Table 2": table})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/data-types/audio.mdx b/ja/models/ref/python/data-types/audio.mdx
index 8ef52b6fa7..365a89c3be 100644
--- a/ja/models/ref/python/data-types/audio.mdx
+++ b/ja/models/ref/python/data-types/audio.mdx
@@ -1,44 +1,49 @@
---
-title: オーディオ
+title: Audio
namespace: python_sdk_data_type
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Audio`
-オーディオクリップを扱うための W&B クラスです。
+
+音声クリップを扱う W&B クラスです。
### method `Audio.__init__`
```python
__init__(
- data_or_path: Union[str, pathlib.Path, list, ForwardRef('np.ndarray')],
- sample_rate: Optional[int] = None,
- caption: Optional[str] = None
+ data_or_path: 'str | pathlib.Path | list | np.ndarray',
+ sample_rate: 'int | None' = None,
+ caption: 'str | None' = None
)
```
-オーディオファイルへのパス、またはオーディオデータの NumPy 配列を受け取ります。
+音声ファイルへのパスまたは音声データの NumPy 配列を受け取ります。
-**Args:**
+**引数:**
- - `data_or_path`: オーディオファイルへのパス、またはオーディオデータの NumPy 配列。
- - `sample_rate`: サンプルレート。生の NumPy 配列としてオーディオデータを渡す場合に必要です。
- - `caption`: オーディオと一緒に表示されるキャプション。
+* `data_or_path`: 音声ファイルへのパス、または音声データの NumPy 配列。
+* `sample_rate`: サンプリングレート。生の NumPy 配列の音声データを渡す場合は必須。
+* `caption`: 音声と一緒に表示するキャプション。
----
+***
-### classmethod `Audio.durations`
+
+### クラスメソッド `Audio.durations`
```python
durations(audio_list)
```
-オーディオファイルの長さを計算します。
+音声ファイルの再生時間を計算します。
+
+***
----
### classmethod `Audio.sample_rates`
@@ -46,6 +51,6 @@ durations(audio_list)
sample_rates(audio_list)
```
-オーディオファイルのサンプルレートを取得します。
+オーディオファイルのサンプリングレートを取得します。
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/boundingboxes2d.mdx b/ja/models/ref/python/data-types/boundingboxes2d.mdx
deleted file mode 100644
index 6cae0e3fe4..0000000000
--- a/ja/models/ref/python/data-types/boundingboxes2d.mdx
+++ /dev/null
@@ -1,154 +0,0 @@
----
-title: BoundingBoxes2D
----
-
-function `box3d`
```python
@@ -15,27 +17,27 @@ box3d(
size: 'npt.ArrayLike',
orientation: 'npt.ArrayLike',
color: 'RGBColor',
- label: 'Optional[str]' = None,
- score: 'Optional[numeric]' = None
+ label: 'str | None' = None,
+ score: 'numeric | None' = None
) → Box3D
```
-3D バウンディングボックスです。ボックスは中心、サイズ、方向によって指定されます。
+3D バウンディングボックス。ボックスは中心、サイズ、向きで指定します。
-**Args:**
+**引数:**
- - `center`: 長さ 3 の ndarray として指定するボックスの中心点。
- - `size`: 長さ 3 の ndarray として指定するボックスの X、Y、Z 次元のサイズ。
- - `orientation`: グローバルな XYZ 座標をボックスのローカル XYZ 座標に変換する回転。非ゼロのクォータニオン r + xi + yj + zk に対応する長さ 4 の ndarray [r, x, y, z] で指定します。
- - `color`: `0 <= r,g,b <= 1` の (r, g, b) タプルで指定するボックスの色。
- - `label`: ボックスのオプションのラベル。
- - `score`: ボックスのオプションのスコア。通常、検出の信頼度を示すために使用されます。
+* `center`: ボックスの中心点。長さ 3 の ndarray。
+* `size`: ボックスの X, Y, Z 方向の寸法。長さ 3 の ndarray。
+* `orientation`: グローバル XYZ 座標をボックスのローカル XYZ 座標に変換する回転。長さ 4 の ndarray [r, x, y, z] で与えられ、非ゼロの四元数 r + xi + yj + zk に対応します。
+* `color`: ボックスの色。`0 <= r,g,b <= 1` を満たす (r, g, b) タプル。
+* `label`: ボックスの任意のラベル。
+* `score`: ボックスの任意のスコア。通常は検出の信頼度を表すために使用します。
-**Returns:**
- Box3D オブジェクト。
+**戻り値:**
+Box3D オブジェクトを返します。
-**Example:**
- 以下の例では、X、Y、Z 軸を中心に回転する 60 個のボックスを含むポイントクラウドを作成します。
+**例:**
+次の例では、X, Y, Z 軸周りに回転する 60 個のボックスを含む点群を作成します。
```python
import wandb
@@ -49,10 +51,8 @@ with wandb.init() as run:
run.log(
{
"points": wandb.Object3D.from_point_cloud(
- # ランダムなポイントクラウドを生成
points=np.random.uniform(-5, 5, size=(100, 3)),
boxes=[
- # X軸を中心に回転するボックス
wandb.box3d(
center=(0.3 * t - 3, 0, 0),
size=(0.1, 0.1, 0.1),
@@ -66,7 +66,6 @@ with wandb.init() as run:
for t in range(20)
]
+ [
- # Y軸を中心に回転するボックス
wandb.box3d(
center=(0, 0.3 * t - 3, 0.3),
size=(0.1, 0.1, 0.1),
@@ -80,7 +79,6 @@ with wandb.init() as run:
for t in range(20)
]
+ [
- # Z軸を中心に回転するボックス
wandb.box3d(
center=(0.3, 0.3, 0.3 * t - 3),
size=(0.1, 0.1, 0.1),
@@ -96,4 +94,4 @@ with wandb.init() as run:
),
}
)
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/data-types/graph.mdx b/ja/models/ref/python/data-types/graph.mdx
deleted file mode 100644
index b775865be8..0000000000
--- a/ja/models/ref/python/data-types/graph.mdx
+++ /dev/null
@@ -1,74 +0,0 @@
----
-title: グラフ
----
-
-class `Histogram`
-ヒストグラム用の W&B クラスです。
-この オブジェクト は、numpy の histogram 関数（ https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html ）とほぼ同様に動作します。
+ヒストグラム用の W&B クラスです。
+
+このオブジェクトは numpy の `histogram` 関数 https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html と同様に動作します。
-**Attributes:**
+**属性:**
-- `bins` ([float]): ビンの境界値。
-- `histogram` ([int]): 各ビンに含まれる要素の数。
+* `bins` ([float]): ビンの境界
+* `histogram` ([int]): 各ビンに入る要素数。
### method `Histogram.__init__`
```python
__init__(
- sequence: Optional[Sequence] = None,
- np_histogram: Optional[ForwardRef('NumpyHistogram')] = None,
- num_bins: int = 64
+ sequence: 'Sequence | None' = None,
+ np_histogram: 'NumpyHistogram | None' = None,
+ num_bins: 'int' = 64
) → None
```
-Histogram オブジェクト を初期化します。
+Histogram オブジェクトを初期化します。
-**Args:**
-sequence: ヒストグラムの入力 データ。 np_histogram: 事前計算されたヒストグラムによる代替入力。 num_bins: ヒストグラムのビン数。デフォルトのビン数は 64 です。最大ビン数は 512 です。
+**引数:**
+sequence: ヒストグラム用の入力データ。 np_histogram: 事前に計算済みヒストグラムを入力として指定します。 num_bins: ヒストグラムのビン数。デフォルトのビン数は 64 で、最大ビン数は 512 です。
-**Examples:**
+**例:**
シーケンスからヒストグラムを生成します。
```python
@@ -41,7 +44,7 @@ import wandb
wandb.Histogram([1, 2, 3])
```
-np.histogram から効率的に初期化します。
+np.histogram の結果から効率的に初期化します。
```python
import numpy as np
@@ -51,4 +54,4 @@ hist = np.histogram(data)
wandb.Histogram(np_histogram=hist)
```
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/html.mdx b/ja/models/ref/python/data-types/html.mdx
index 6b835eebc9..b15ea690b0 100644
--- a/ja/models/ref/python/data-types/html.mdx
+++ b/ja/models/ref/python/data-types/html.mdx
@@ -3,45 +3,47 @@ title: Html
namespace: python_sdk_data_type
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Html`
-HTML コンテンツを W&B にログ記録するための W&B クラスです。
+
+HTML コンテンツを W&B にログするための W&B クラスです。
### method `Html.__init__`
```python
__init__(
- data: Union[str, pathlib.Path, ForwardRef('TextIO')],
- inject: bool = True,
- data_is_not_path: bool = False
+ data: 'str | pathlib.Path | TextIO',
+ inject: 'bool' = True,
+ data_is_not_path: 'bool' = False
) → None
```
-W&B HTML オブジェクトを作成します。
+W&B の HTML オブジェクトを作成します。
-**Args:**
- data: 拡張子が ".html" のファイルへのパスである文字列、またはリテラル HTML を含む文字列、あるいは IO オブジェクト。
- - `inject`: HTML オブジェクトにスタイルシートを追加します。False に設定すると、HTML は変更されずにそのまま渡されます。
- - `data_is_not_path`: False に設定されている場合、data はファイルへのパスとして扱われます。
+**引数:**
+data: 拡張子が ".html" のファイルへのパスを表す文字列、または HTML リテラルを含む文字列もしくは IO オブジェクト。
-**Examples:**
-ファイルへのパスを指定して初期化することができます：
+* `inject`: HTML オブジェクトにスタイルシートを追加します。False に設定すると、HTML は変更されずそのまま出力されます。
+* `data_is_not_path`: False に設定すると、data はファイルへのパスとして扱われます。
+
+**例:**
+ファイルへのパスを指定して初期化できます。
```python
with wandb.init() as run:
- # ファイルパスを使用してログを記録
run.log({"html": wandb.Html("./index.html")})
-```
+```
-あるいは、文字列または IO オブジェクト内のリテラル HTML を指定して初期化することもできます：
+別の方法として、文字列または IO オブジェクトとしてリテラルな HTML を渡して初期化することもできます。
```python
with wandb.init() as run:
- # 文字列の HTML を使用してログを記録
run.log({"html": wandb.Html("Hello, world! ")})
-```
+```
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/image.mdx b/ja/models/ref/python/data-types/image.mdx
index 525463fca9..89d60bf5fe 100644
--- a/ja/models/ref/python/data-types/image.mdx
+++ b/ja/models/ref/python/data-types/image.mdx
@@ -1,84 +1,83 @@
---
-title: 画像
+title: Image
namespace: python_sdk_data_type
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Image`
-W&B に画像をログ記録するためのクラスです。
+
+W&B に画像を記録するためのクラスです。
### method `Image.__init__`
```python
__init__(
data_or_path: 'ImageDataOrPathType',
- mode: Optional[str] = None,
- caption: Optional[str] = None,
- grouping: Optional[int] = None,
- classes: Optional[ForwardRef('Classes'), Sequence[dict]] = None,
- boxes: Optional[Dict[str, ForwardRef('BoundingBoxes2D')], Dict[str, dict]] = None,
- masks: Optional[Dict[str, ForwardRef('ImageMask')], Dict[str, dict]] = None,
- file_type: Optional[str] = None,
- normalize: bool = True
+ mode: 'str | None' = None,
+ caption: 'str | None' = None,
+ grouping: 'int | None' = None,
+ classes: 'Classes | Sequence[dict] | None' = None,
+ boxes: 'dict[str, BoundingBoxes2D] | dict[str, dict] | None' = None,
+ masks: 'dict[str, ImageMask] | dict[str, dict] | None' = None,
+ file_type: 'str | None' = None,
+ normalize: 'bool' = True
) → None
```
`wandb.Image` オブジェクトを初期化します。
-このクラスは様々な画像データ形式を処理し、必要に応じてピクセル値を [0, 255] の範囲に自動的に正規化することで、 W&B バックエンドとの互換性を確保します。
-
-* [0, 1] の範囲のデータは 255 倍され、 uint8 に変換されます。
-* [-1, 1] の範囲のデータは、 -1 を 0 に、 1 を 255 にマッピングすることで [0, 255] にスケール調整され、 uint8 に変換されます。
-* [-1, 1] 外かつ [0, 255] 外のデータは、 [0, 255] にクリップされ、 uint8 に変換されます（値が [0, 255] を超える場合は警告が表示されます）。
-* すでに [0, 255] の範囲にあるデータは、変更されずに uint8 に変換されます。
-
-**arg:**
-
- - `data_or_path`: 画像データの NumPy 配列 / PyTorch tensor 、 PIL 画像オブジェクト、または画像ファイルへのパスを受け取ります。 NumPy 配列または PyTorch tensor が提供された場合、画像データは指定された `file_type` で保存されます。 `normalize` が `False` に設定されていない限り、値が [0, 255] の範囲にない、またはすべての値が [0, 1] の範囲にある場合、画像ピクセル値は [0, 255] の範囲に正規化されます。
- - PyTorch tensor は (channel, height, width) の形式である必要があります。
- - NumPy 配列は (height, width, channel) の形式である必要があります。
- - `mode`: 画像の PIL モード。一般的なものは "L"、 "RGB"、 "RGBA" です。
- - 詳細については Pillow の公式ドキュメントを参照してください: https://pillow.readthedocs.io/en/stable/handbook/concepts.html#modes
- - `caption`: 画像表示用のキャプション（ラベル）。
- - `grouping`: 画像のグループ化番号。
- - `classes`: バウンディングボックスや画像マスクのラベル付けに使用される、画像のクラス情報のリスト。
- - `boxes`: 画像のバウンディングボックス情報を含む辞書。
- - https://docs.wandb.ai/ref/python/data-types/boundingboxes2d/ を参照してください。
- - `masks`: 画像のマスク情報を含む辞書。
- - https://docs.wandb.ai/ref/python/data-types/imagemask/ を参照してください。
- - `file_type`: 画像を保存するファイル形式。 `data_or_path` が画像ファイルへのパスである場合、このパラメータは効果がありません。
- - `normalize`: `True` の場合、画像のピクセル値を [0, 255] の範囲に収まるように正規化します。正規化は `data_or_path` が numpy 配列または pytorch tensor の場合にのみ適用されます。
+このクラスはさまざまな画像データ形式を扱い、必要に応じて画素値を自動的に [0, 255] の範囲に正規化して、W&B バックエンドとの互換性を確保します。
+
+* 範囲 [0, 1] のデータは 255 を掛けて uint8 に変換されます
+* 範囲 [-1, 1] のデータは [-1, 1] から [0, 255] に再スケーリングされ、-1 を 0 に、1 を 255 に写像してから uint8 に変換されます
+* [-1, 1] の外だが [0, 255] でもないデータは [0, 255] にクリップされてから uint8 に変換されます ([0, 255] の外に値がある場合は警告が出ます)
+* すでに [0, 255] にあるデータは、そのまま変更せずに uint8 に変換されます
+
+**Args:**
+
+* `data_or_path`: 画像データの NumPy 配列 / PyTorch テンソル、PIL 画像オブジェクト、または画像ファイルへのパスを受け取ります。NumPy 配列または PyTorch テンソルが渡された場合、画像データは指定されたファイル形式で保存されます。値が [0, 255] の範囲になかったり、すべての値が [0, 1] の範囲にある場合、`normalize` が `False` に設定されていない限り、画素値は [0, 255] の範囲に正規化されます。
+ * PyTorch テンソルは (channel, height, width) の形式である必要があります
+ * NumPy 配列は (height, width, channel) の形式である必要があります
+* `mode`: 画像に対する PIL のモード。最も一般的なものは "L"、"RGB"、"RGBA" です。
+* `Full Pillow docs for more information https`: //pillow.readthedocs.io/en/stable/handbook/concepts.html#modes
+* `caption`: 画像を表示する際のラベル。
+* `grouping`: 画像のグルーピング番号。
+* `classes`: 画像に対するクラス情報のリストで、バウンディングボックスや画像マスクのラベル付けに使用されます。
+* `boxes`: 画像のバウンディングボックス情報を含む辞書。
+* `see https`: //docs.wandb.ai/ref/python/data-types/boundingboxes2d/
+* `masks`: 画像のマスク情報を含む辞書。
+* `see https`: //docs.wandb.ai/ref/python/data-types/imagemask/
+* `file_type`: 画像を保存する際のファイル形式。`data_or_path` が画像ファイルへのパスである場合、このパラメーターは影響しません。
+* `normalize`: `True` の場合、画像の画素値を [0, 255] の範囲に正規化します。`normalize` は、`data_or_path` が NumPy 配列または PyTorch テンソルの場合にのみ適用されます。
**Examples:**
-NumPy 配列から `wandb.Image` を作成する
+NumPy 配列から wandb.Image を作成します
```python
import numpy as np
import wandb
-# run を初期化
with wandb.init() as run:
examples = []
for i in range(3):
- # ランダムな画像データを生成
pixels = np.random.randint(low=0, high=256, size=(100, 100, 3))
image = wandb.Image(pixels, caption=f"random field {i}")
examples.append(image)
- # データをログ記録
run.log({"examples": examples})
-```
+```
-PILImage から `wandb.Image` を作成する
+PILImage から wandb.Image を生成します
```python
import numpy as np
from PIL import Image as PILImage
import wandb
-# run を初期化
with wandb.init() as run:
examples = []
for i in range(3):
@@ -88,17 +87,16 @@ with wandb.init() as run:
pil_image = PILImage.fromarray(pixels, mode="RGB")
image = wandb.Image(pil_image, caption=f"random field {i}")
examples.append(image)
- # データをログ記録
run.log({"examples": examples})
-```
+```
+
+デフォルトの .png ではなく .jpg 形式でログする
-デフォルトの .png ではなく .jpg でログ記録する
```python
import numpy as np
import wandb
-# run を初期化
with wandb.init() as run:
examples = []
for i in range(3):
@@ -107,11 +105,12 @@ with wandb.init() as run:
pixels, caption=f"random field {i}", file_type="jpg"
)
examples.append(image)
- # データをログ記録
run.log({"examples": examples})
-```
+```
+***
----
-### property Image.image
\ No newline at end of file
+### property Image.image
+
+---
\ No newline at end of file
diff --git a/ja/models/ref/python/data-types/imagemask.mdx b/ja/models/ref/python/data-types/imagemask.mdx
deleted file mode 100644
index 3bcd0d7455..0000000000
--- a/ja/models/ref/python/data-types/imagemask.mdx
+++ /dev/null
@@ -1,133 +0,0 @@
----
-title: ImageMask
----
-
-class `Molecule`
-3D 分子データのための W&B クラスです。
-### method `Molecule.__init__`
+W&B の 3D 分子データ用クラスです。
+
+### メソッド `Molecule.__init__`
```python
__init__(
- data_or_path: Union[str, pathlib.Path, ForwardRef('TextIO')],
- caption: Optional[str] = None,
- **kwargs: str
+ data_or_path: 'str | pathlib.Path | TextIO',
+ caption: 'str | None' = None,
+ **kwargs: 'str'
) → None
```
-Molecule オブジェクト を初期化します。
+Molecule オブジェクトを初期化します。
+
+**引数:**
-**Args:**
-
- - `data_or_path`: Molecule はファイル名または io オブジェクトから初期化できます。
- - `caption`: 表示用に分子に関連付けられるキャプション。
+* `data_or_path`: Molecule はファイル名または IO オブジェクトから初期化できます。
+* `caption`: 表示時に molecule に関連付けられるキャプション。
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/object3d.mdx b/ja/models/ref/python/data-types/object3d.mdx
index 4a22a8bff3..2f9969fdf1 100644
--- a/ja/models/ref/python/data-types/object3d.mdx
+++ b/ja/models/ref/python/data-types/object3d.mdx
@@ -3,37 +3,40 @@ title: Object3D
namespace: python_sdk_data_type
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Object3D`
-3D 点群（ point clouds ）のための W&B クラスです。
+
+3D 点群を扱う W&B クラス。
### method `Object3D.__init__`
```python
__init__(
- data_or_path: Union[ForwardRef('np.ndarray'), str, pathlib.Path, ForwardRef('TextIO'), dict],
- caption: Optional[str] = None,
- **kwargs: Optional[str, ForwardRef('FileFormat3D')]
+ data_or_path: 'np.ndarray | str | pathlib.Path | TextIO | dict',
+ caption: 'str | None' = None,
+ **kwargs: 'str | FileFormat3D | None'
) → None
```
-W&B `Object3D` オブジェクト を作成します。
+W&B の Object3D オブジェクトを作成します。
-**arg:**
-
- - `data_or_path`: `Object3D` はファイルまたは numpy 配列から初期化できます。
- - `caption`: 表示用に オブジェクト に関連付けられるキャプション。
+**引数:**
-**Examples:**
- numpy 配列の形状は以下のいずれかである必要があります。
+* `data_or_path`: Object3D はファイルまたは NumPy 配列から初期化できます。
+* `caption`: 表示用にオブジェクトに関連付けられたキャプション。
+
+**例:**
+NumPy 配列の形状は次のいずれかである必要があります。
```text
[[x y z], ...] nx3
-[[x y z c], ...] nx4 ここで c はサポートされている範囲 [1, 14] のカテゴリ
-[[x y z r g b], ...] nx6 ここで rgb は色
-```
+[[x y z c], ...] nx4 where c is a category with supported range [1, 14]
+[[x y z r g b], ...] nx6 where is rgb is color
+```
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/plotly.mdx b/ja/models/ref/python/data-types/plotly.mdx
index ef55d0d582..1e399cf0a3 100644
--- a/ja/models/ref/python/data-types/plotly.mdx
+++ b/ja/models/ref/python/data-types/plotly.mdx
@@ -3,33 +3,26 @@ title: Plotly
namespace: python_sdk_data_type
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-
-class `Plotly`
-Plotly プロットのための W&B クラスです。
-### method `Plotly.__init__`
+Plotly のプロット用の W&B クラス。
+
+### メソッド `Plotly.__init__`
```python
-__init__(
- val: Union[ForwardRef('plotly.Figure'), ForwardRef('matplotlib.artist.Artist')]
-)
+__init__(val: 'plotly.Figure | matplotlib.artist.Artist')
```
-Plotly オブジェクト を初期化します。
-
-
+Plotly オブジェクトを初期化します。
**Args:**
-
- - `val`: Matplotlib または Plotly の figure。
-
-
+* `val`: Matplotlib または Plotly の figure オブジェクト。
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/table.mdx b/ja/models/ref/python/data-types/table.mdx
index 9b18294348..955a4c73ee 100644
--- a/ja/models/ref/python/data-types/table.mdx
+++ b/ja/models/ref/python/data-types/table.mdx
@@ -1,19 +1,20 @@
---
-title: テーブル
+title: Table
namespace: python_sdk_data_type
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Table`
-`Table` クラスは、表形式のデータを表示および分析するために使用されます。
+表形式データの表示と分析に使用される `Table` クラスです。
-従来の表計算ソフトとは異なり、 テーブル は、スカラー値、文字列、numpy 配列、および `wandb.data_types.Media` のほとんどのサブクラスなど、多数のデータ型をサポートしています。つまり、`Images`、`Video`、`Audio`、その他のリッチでアノテーションされたメディアを、他の従来のスカラー値と一緒に テーブル に直接埋め込むことができます。
+従来のスプレッドシートとは異なり、Tables はスカラー値、文字列、NumPy 配列に加えて、`wandb.data_types.Media` のほとんどのサブクラスなど、数多くのデータ型をサポートします。つまり、他の従来型のスカラー値と並べて、`Images`、`Video`、`Audio` などのリッチで注釈付きのメディアを Tables 内に直接埋め込むことができます。
-このクラスは、W&B Tables を生成するために使用される主要なクラスです https://docs.wandb.ai/guides/models/tables/。
+このクラスは、W&B Tables を生成する際に使用される主要なクラスです。https://docs.wandb.ai/guides/models/tables/
### method `Table.__init__`
@@ -26,30 +27,31 @@ __init__(
dtype=None,
optional=True,
allow_mixed_types=False,
- log_mode: Optional[Literal['IMMUTABLE', 'MUTABLE', 'INCREMENTAL']] = 'IMMUTABLE'
+ log_mode: "Literal['IMMUTABLE', 'MUTABLE', 'INCREMENTAL'] | None" = 'IMMUTABLE'
)
```
Table オブジェクトを初期化します。
-`rows` はレガシーな理由で利用可能ですが、使用すべきではありません。`Table` クラスは Pandas API を模倣するために `data` を使用します。
+`rows` は後方互換性のために用意されていますが、使用しないでください。`Table` クラスは `Pandas` API を模倣するために `data` を使用します。
-**引数:**
+**Args:**
-- `columns`: (List[str]) テーブル 内の列名。デフォルトは `["Input", "Output", "Expected"]` です。
-- `data`: (List[List[any]]) 行指向の 2 次配列 値。
-- `dataframe`: (pandas.DataFrame) テーブル の作成に使用される DataFrame オブジェクト。これが設定されている場合、`data` および `columns` 引数は無視されます。
-- `rows`: (List[List[any]]) 行指向の 2 次配列 値。
-- `optional`: (Union[bool, List[bool]]) `None` 値を許可するかどうかを決定します。デフォルトは True です。
- - 単一の bool 値の場合、作成時に指定されたすべての列に対してオプション性が強制されます。
- - bool 値のリストの場合、各列にオプション性が適用されます。`columns` と同じ長さである必要があります。
-- `allow_mixed_types`: (bool) 列に混合型を許可するかどうかを決定します（型検証を無効にします）。デフォルトは False です。
-- `log_mode`: Optional[str] 変更が発生したときに テーブル がどのように ログ 記録されるかを制御します。オプション:
- - "IMMUTABLE" (デフォルト): テーブル は一度だけ ログ 記録できます。テーブル が変更された後の後続の ログ 記録の試みは、何もしません（no-ops）。
- - "MUTABLE": テーブル は変更後に再 ログ 記録でき、 ログ 記録されるたびに新しい Artifacts バージョンを作成します。
- - "INCREMENTAL": テーブル データは段階的に ログ 記録され、各 ログ で前回の ログ 以降の新しいデータを含む新しい Artifacts エントリが作成されます。
+* `columns`: (List[str]) テーブル内の列名。デフォルトは ["Input", "Output", "Expected"]。
+* `data`: (List[List[any]]) 行指向の 2 次元配列。
+* `dataframe`: (pandas.DataFrame) テーブルを作成するために使用される DataFrame オブジェクト。指定された場合、`data` と `columns` 引数は無視されます。
+* `rows`: (List[List[any]]) 行指向の 2 次元配列。
+* `optional`: (Union[bool,List[bool]]) `None` 値を許可するかどうかを指定します。デフォルトは True。
+ * 単一の bool 値の場合、コンストラクターで指定されたすべての列に対して同じ optionality が適用されます。
+ * bool 値のリストの場合、各列に対して個別に optionality が適用され、`columns` と同じ長さである必要があります。
+* `allow_mixed_types`: (bool) 列で混合型を許可するかどうかを指定します (型検証を無効にします) 。デフォルトは False。
+* `log_mode`: Optional[str] 変更が発生したときに Table をどのようにログするかを制御します。オプション:
+ * "IMMUTABLE" (デフォルト): Table は 1 回だけログ可能で、テーブルが変更された後の 2 回目以降のログ試行は no-op になります。
+ * "MUTABLE": 変更後に Table を再度ログでき、そのたびに新しい Artifacts バージョンが作成されます。
+ * "INCREMENTAL": Table データをインクリメンタルにログし、前回のログ以降に追加された新しいデータのみを含む新しい Artifacts エントリを各ログごとに作成します。
+
+***
----
### method `Table.add_column`
@@ -57,15 +59,16 @@ Table オブジェクトを初期化します。
add_column(name, data, optional=False)
```
-テーブル にデータの列を追加します。
+テーブルにデータ列を追加します。
**引数:**
-- `name`: (str) - 列の一意の名前
-- `data`: (list | np.array) - 同質なデータの列
-- `optional`: (bool) - null のような 値 が許可されるかどうか
+* `name`: (str) - 列の一意な名前
+* `data`: (list | np.array) - 同種データからなる 1 列分のデータ
+* `optional`: (bool) - null などの値を許可するかどうか
+
+***
----
### method `Table.add_computed_columns`
@@ -73,29 +76,31 @@ add_column(name, data, optional=False)
add_computed_columns(fn)
```
-既存のデータに基づいて 1 つ以上の計算列を追加します。
+既存のデータに基づいて 1 つ以上の計算済み列を追加します。
**引数:**
-- `fn`: 1 つまたは 2 つの パラメータ、`ndx` (int) と `row` (dict) を受け取る関数。その行の新しい列を表す 辞書（新しい列名が キー）を返すことが期待されます。
- - `ndx` は行のインデックスを表す整数です。`include_ndx` が `True` に設定されている場合にのみ含まれます。
- - `row` は既存の列を キー とした 辞書 です。
+* `fn`: 1 つまたは 2 つのパラメーター `ndx` (int) と `row` (dict) を受け取り、その行に追加する新しい列名をキーとする `dict` を返すことが期待される関数。
+ * `ndx` は行のインデックスを表す整数です。`include_ndx` が `True` に設定されている場合にのみ含まれます。
+ * `row` は既存の列名をキーとする辞書です。
+
+***
----
-### method `Table.add_data`
+### メソッド `Table.add_data`
```python
add_data(*data)
```
-テーブル に新しい行データを追加します。
+テーブルに新しい行のデータを追加します。
-テーブル 内の最大行数は `wandb.Table.MAX_ARTIFACT_ROWS` によって決定されます。
+テーブル内の最大行数は `wandb.Table.MAX_ARTIFACT_ROWS` によって決まります。
-データの長さは テーブル の列の長さと一致する必要があります。
+`data` の長さはテーブルの列数と一致している必要があります。
+
+***
----
### method `Table.add_row`
@@ -105,7 +110,8 @@ add_row(*row)
非推奨です。代わりに `Table.add_data` メソッドを使用してください。
----
+***
+
### method `Table.cast`
@@ -115,15 +121,16 @@ cast(col_name, dtype, optional=False)
列を特定のデータ型にキャストします。
-これは、通常の Python クラス、内部の W&B 型、または `wandb.Image` や `wandb.Classes` のインスタンスのような例 オブジェクト のいずれかになります。
+これは通常の Python クラス、W&B の内部型、または wandb.Image や wandb.Classes のインスタンスのような例としてのオブジェクトのいずれかです。
-**引数:**
+**Args:**
-- `col_name` (str): キャストする列の名前。
-- `dtype` (class, wandb.wandb_sdk.interface._dtypes.Type, any): ターゲットの dtype。
-- `optional` (bool): 列が None を許可するかどうか。
+* `col_name` (str): キャストする列の名前。
+* `dtype` (class, wandb.wandb_sdk.interface._dtypes.Type, any): 対象のデータ型 (dtype)。
+* `optional` (bool): 列で None 値を許可するかどうか。
+
+***
----
### method `Table.get_column`
@@ -131,15 +138,16 @@ cast(col_name, dtype, optional=False)
get_column(name, convert_to=None)
```
-テーブル から列を取得し、オプションでそれを NumPy オブジェクト に変換します。
+テーブルから列を取得し、必要に応じて NumPy オブジェクトに変換します。
**引数:**
-- `name`: (str) - 列の名前
-- `convert_to`: (str, optional)
- - "numpy": 基になる データを numpy オブジェクト に変換します。
+* `name`: (str) - 列名
+* `convert_to`: (str, optional)
+ * "numpy": 内部データを NumPy オブジェクトに変換します
+
+***
----
### method `Table.get_dataframe`
@@ -147,9 +155,10 @@ get_column(name, convert_to=None)
get_dataframe()
```
-テーブル の `pandas.DataFrame` を返します。
+テーブルを表す `pandas.DataFrame` を返します。
+
+***
----
### method `Table.get_index`
@@ -157,6 +166,6 @@ get_dataframe()
get_index()
```
-リンクを作成するために他の テーブル で使用するための行インデックスの配列を返します。
+他のテーブルでリンクを作成するために使用できる行インデックスの配列を返します。
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/video.mdx b/ja/models/ref/python/data-types/video.mdx
index 22ee06b417..0cfd922039 100644
--- a/ja/models/ref/python/data-types/video.mdx
+++ b/ja/models/ref/python/data-types/video.mdx
@@ -1,48 +1,51 @@
---
-title: ビデオ
+title: Video
namespace: python_sdk_data_type
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Video`
-W&B にビデオを ログ するためのクラス。
+
+W&B に動画を記録するためのクラス。
### method `Video.__init__`
```python
__init__(
- data_or_path: Union[str, pathlib.Path, ForwardRef('np.ndarray'), ForwardRef('TextIO'), ForwardRef('BytesIO')],
- caption: Optional[str] = None,
- fps: Optional[int] = None,
- format: Optional[Literal['gif', 'mp4', 'webm', 'ogg']] = None
+ data_or_path: 'str | pathlib.Path | np.ndarray | TextIO | BytesIO',
+ caption: 'str | None' = None,
+ fps: 'int | None' = None,
+ format: "Literal['gif', 'mp4', 'webm', 'ogg'] | None" = None
)
```
-W&B `Video` オブジェクト を初期化します。
+W&B Video オブジェクトを初期化します。
-**引数:**
+**Args:**
- - `data_or_path`: ビデオはファイルへのパスまたは io オブジェクトで初期化できます。また、 numpy テンソルでも初期化可能です。 numpy テンソルは 4 次元または 5 次元である必要があります。次元は (フレーム数, チャンネル, 高さ, 幅) または (バッチ, フレーム数, チャンネル, 高さ, 幅) である必要があります。 numpy 配列または io オブジェクトで初期化する場合、 `format` 引数でフォーマットを指定する必要があります。
- - `caption`: 表示用にビデオに関連付けられるキャプション。
- - `fps`: 生のビデオフレームをエンコードする際に使用するフレームレート。デフォルト 値 は 4 です。この パラメータ は、 `data_or_path` が文字列またはバイト列の場合は効果がありません。
- - `format`: ビデオのフォーマット。 numpy 配列または io オブジェクトで初期化する場合に必要です。この パラメータ は、ビデオ データをエンコードする際のフォーマットを決定するために使用されます。受け入れられる 値 は "gif"、 "mp4"、 "webm"、 "ogg" です。 値 が提供されない場合、デフォルトのフォーマットは "gif" になります。
+* `data_or_path`: Video はファイルへのパスまたは io オブジェクトで初期化できます。また、numpy テンソルからも初期化できます。numpy テンソルは 4 次元または 5 次元である必要があります。次元は (フレーム数, チャンネル, 高さ, 幅) もしくは (バッチ, フレーム数, チャンネル, 高さ, 幅) である必要があります。numpy 配列または io オブジェクトで初期化する場合は、format 引数で format パラメーターを指定する必要があります。
+* `caption`: 動画の表示時に使用されるキャプション。
+* `fps`: 生の動画フレームをエンコードするときに使用するフレームレート。デフォルト値は 4 です。data_or_path が文字列または bytes の場合、このパラメーターは効果を持ちません。
+* `format`: numpy 配列または io オブジェクトで初期化する場合に必要となる動画のフォーマット。このパラメーターは、動画データをエンコードする際に使用するフォーマットを決定します。指定できる値は "gif"、"mp4"、"webm"、または "ogg" です。値が指定されない場合、デフォルトのフォーマットは "gif" になります。
-**例:**
- numpy 配列をビデオとして ログ する
+**Examples:**
+numpy 配列を動画としてログする
```python
import numpy as np
import wandb
with wandb.init() as run:
- # 軸は (フレーム数, チャンネル, 高さ, 幅) です
+ # 軸の並びは (フレーム数, チャンネル, 高さ, 幅)
frames = np.random.randint(
low=0, high=256, size=(10, 3, 100, 100), dtype=np.uint8
)
run.log({"video": wandb.Video(frames, format="mp4", fps=4)})
```
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/data-types/wbtracetree.mdx b/ja/models/ref/python/data-types/wbtracetree.mdx
deleted file mode 100644
index 312ce459f2..0000000000
--- a/ja/models/ref/python/data-types/wbtracetree.mdx
+++ /dev/null
@@ -1,18 +0,0 @@
----
-title: WBTraceツリー
----
-
-
+ ## コアクラス
+
| クラス | 説明 |
-| :--- | :--- |
-| [`Run`](/models/ref/python/experiments/run/) | W&B によって記録される計算の主要な単位であり、 メトリクス 、 設定 、および出力を伴う単一の機械学習の 実験 を表します。 |
-| [`Artifact`](/models/ref/python/experiments/artifact/) | データセット と モデル の バージョン管理 のための柔軟で軽量な構成要素であり、自動的な重複排除と リネージ トラッキング機能を備えています。 |
-| [`Settings`](/models/ref/python/experiments/settings/) | W&B SDK の 設定 管理を行い、 ログ 記録から API インタラクションまでの 振る舞い を制御します。 |
+|-------|-------------|
+| [`Run`](/ja/models/ref/python/experiments/run/) | W&B によってログされる計算の基本単位であり、メトリクス、設定、および出力を伴う単一の ML 実験を表します。 |
+| [`Artifact`](/ja/models/ref/python/experiments/artifact/) | データセットとモデルのバージョン管理のための柔軟で軽量なビルディングブロックで、自動重複排除とリネージの追跡機能を備えています。 |
+| [`Settings`](/ja/models/ref/python/experiments/settings/) | W&B SDK の設定を管理し、ログの記録から API とのやり取りまでの挙動を制御します。 |
-## はじめに
+
+ ## はじめに
+
-### 実験を追跡する
+
+ ### 実験をトラッキングする
+
-メトリクス の ログ 記録を行いながら、機械学習の 実験 を作成し追跡します。
+機械学習実験を作成し、メトリクスをロギングしながらトラッキングします。
```python
import wandb
-# 新しい run を初期化します
+# 新しい run を初期化する
with wandb.init(project="my-experiments", config={"learning_rate": 0.001}) as run:
- # 設定にアクセスします
+ # 設定にアクセスする
config = run.config
- # トレーニング中のメトリクスをログに記録します
+ # トレーニング中にメトリクスをログに記録する
for epoch in range(10):
metrics = train_one_epoch() # トレーニングロジック
run.log({
@@ -40,22 +46,24 @@ with wandb.init(project="my-experiments", config={"learning_rate": 0.001}) as ru
"epoch": epoch
})
- # サマリーメトリクスを記録します
+ # サマリーメトリクスをログに記録する
run.summary["best_accuracy"] = max_accuracy
```
-### モデル Artifact をバージョン管理する
+
+ ### モデル Artifacts をバージョン管理する
+
-メタデータ を含む バージョン 管理された モデル の Artifact を作成し、 ログ に記録します。
+メタデータ付きの モデル Artifacts を作成し、バージョンとしてログに記録します：
```python
import wandb
with wandb.init(project="my-models") as run:
- # モデルをトレーニングします
+ # モデルをトレーニングする
model = train_model()
- # モデルの Artifact を作成します
+ # モデルの Artifacts を作成する
model_artifact = wandb.Artifact(
name="my-model",
type="model",
@@ -67,62 +75,66 @@ with wandb.init(project="my-models") as run:
}
)
- # Artifact にモデルファイルを追加します
+ # Artifacts にモデルファイルを追加する
model_artifact.add_file("model.pt")
model_artifact.add_dir("model_configs/")
- # Artifact を W&B にログ記録します
+ # Artifacts を W&B にログする
run.log_artifact(model_artifact)
```
-### SDK の設定を構成する
+
+ ### SDK 設定を行う
+
-特定の要件に合わせて W&B SDK の 振る舞い をカスタマイズします。
+特定の要件に合わせて W&B SDK の動作をカスタマイズします。
```python
import wandb
-# プログラムから設定を構成します
+# プログラムで設定を構成する
wandb.Settings(
project="production-runs",
entity="my-team",
- mode="offline", # オフラインで実行し、後で同期します
- save_code=True, # ソースコードを保存します
- quiet=True # コンソール出力を抑制します
+ mode="offline", # オフラインで実行し、後で同期する
+ save_code=True, # ソースコードを保存する
+ quiet=True # コンソール出力を抑制する
)
-# または環境変数を使用します
+# または環境変数を使用する
# export WANDB_PROJECT=production-runs
# export WANDB_MODE=offline
-# カスタム設定で初期化します
+# カスタム設定で初期化する
with wandb.init() as run:
- # ここに実験のコードを記述します
+ # 実験コードをここに記述する
pass
```
-### リネージトラッキングのために Artifact をリンクする
+
+ ### 系譜を追跡するために Artifacts をリンクする
+
-データセット 、 モデル 、および 評価 の間の関係を追跡します。
+データセット、モデル、評価間の関係を追跡します:
```python
import wandb
with wandb.init(project="ml-pipeline") as run:
- # データセット Artifact を使用します
+ # データセット Artifacts を使用する
dataset = run.use_artifact("dataset:v1")
dataset_dir = dataset.download()
- # データセットを使用してモデルをトレーニングします
+ # データセットを使用してモデルをトレーニングする
model = train_on_dataset(dataset_dir)
- # データセットのリネージを持つモデル Artifact を作成します
+ # データセットのリネージを持つモデル Artifacts を作成する
model_artifact = wandb.Artifact(
name="trained-model",
type="model"
)
model_artifact.add_file("model.pt")
- # 自動的なリネージトラッキングを伴うログ記録を行います
+ # 自動リネージ追跡でログを記録する
run.log_artifact(model_artifact)
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/experiments/artifact.mdx b/ja/models/ref/python/experiments/artifact.mdx
index ff8834acb8..3641a052e1 100644
--- a/ja/models/ref/python/experiments/artifact.mdx
+++ b/ja/models/ref/python/experiments/artifact.mdx
@@ -1,16 +1,18 @@
---
-title: アーティファクト
+title: Artifact クラス
namespace: python_sdk_actions
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Artifact`
-データセットやモデルの バージョン管理 のための、柔軟で軽量なビルディングブロックです。
-空の W&B Artifact を構築します。 `add` で始まる メソッド を使用して、アーティファクト のコンテンツを追加します。 アーティファクト に必要なすべてのファイルが含まれたら、 `run.log_artifact()` を呼び出して ログ を記録できます。
+データセットとモデルのバージョン管理のための柔軟で軽量な構成要素です。
+
+空の W&B Artifact を作成します。`add` で始まるメソッドを使って Artifact の内容を追加します。 Artifacts に必要なファイルがすべて揃ったら、`run.log_artifact()` を呼び出してログとして記録できます。
### method `Artifact.__init__`
@@ -27,126 +29,116 @@ __init__(
```
**Args:**
-
- - `name` (str): アーティファクト の人間が読みやすい名前。W&B App UI またはプログラムで特定の アーティファクト を識別するためにこの名前を使用します。 `use_artifact` Public API を使用して、インタラクティブに アーティファクト を参照できます。名前には、英数字、アンダースコア、ハイフン、ドットを含めることができます。名前は プロジェクト 内で一意である必要があります。
- - `type` (str): アーティファクト のタイプ。 アーティファクト の整理と識別の両方にタイプを使用します。英数字、アンダースコア、ハイフン、ドットを含む任意の文字列を使用できます。一般的なタイプには `dataset` や `model` があります。 アーティファクト を W&B モデルレジストリ にリンクしたい場合は、タイプ文字列に `model` を含めてください。一部のタイプは内部使用のために予約されており、 ユーザー が設定することはできません（`job` や `wandb-` で始まるタイプなど）。
- - `description (str | None) = None`: アーティファクト の説明。 モデル または データセット の Artifacts の場合、チームの標準化された モデル または データセット カードのドキュメントを追加します。 アーティファクト の説明は、 `Artifact.description` 属性、または W&B App UI から確認できます。W&B は W&B App 内で説明を markdown としてレンダリングします。
- - `metadata (dict[str, Any] | None) = None`: アーティファクト に関する追加情報。 メタデータ は キー と 値 のペアの 辞書 として指定します。合計で最大 100 個の キー を指定できます。
- - `incremental`: 既存の アーティファクト を修正するには、代わりに `Artifact.new_draft()` メソッド を使用してください。
- - `use_as`: 非推奨です。
-
+* `name` (str): Artifacts の人が読んで分かる名前。W&B App UI 上またはプログラムから特定の Artifacts を識別するためにこの名前を使用します。`use_artifact` Public API を使用して、対話的に Artifacts を参照できます。名前には、英字、数字、アンダースコア、ハイフン、ドットを含めることができます。名前はプロジェクト全体で一意である必要があります。
+* `type` (str): Artifacts の種類。 Artifacts の種類を使用して、 Artifacts を整理し区別します。英字、数字、アンダースコア、ハイフン、ドットを含む任意の文字列を使用できます。一般的な種類には `dataset` や `model` があります。 Artifacts を W&B Model Registry にリンクしたい場合は、`model` を種類の文字列に含めてください。一部の種類は内部用途のために予約されており、ユーザーが設定することはできません。そのような種類には `job` や、`wandb-` で始まる種類が含まれます。
+* `description (str | None) = None`: Artifacts の説明。Model Artifact または Dataset Artifact の場合、チームで標準化したモデルカードやデータセットカードのドキュメントを追加します。`Artifact.description` 属性を使用するか、W&B App UI 上で Artifacts の説明を表示できます。W&B は説明を W&B App 内で Markdown としてレンダリングします。
+* `metadata (dict[str, Any] | None) = None`: Artifacts に関する追加情報。メタデータはキーと値のペアから成る辞書として指定します。指定できるキーは合計 100 個までです。
+* `incremental`: 既存の Artifacts を変更するには、代わりに `Artifact.new_draft()` メソッドを使用します。
+* `use_as`: 非推奨です。
**Returns:**
- `Artifact` オブジェクト。
-
-
-
-
+`Artifact` オブジェクト。
-
-
----
+***
### property Artifact.aliases
-アーティファクト バージョン に割り当てられた、1 つ以上のセマンティックな参照、または識別用の「ニックネーム」のリストです。
+1 つ以上の意味的にわかりやすい参照、または Artifacts バージョンに割り当てられた識別用の「ニックネーム」の一覧。
-エイリアス は、プログラムで参照可能な可変の参照です。 アーティファクト の エイリアス は、W&B App UI またはプログラムで変更できます。詳細については、 [Create new artifact versions](https://docs.wandb.ai/guides/artifacts/create-a-new-artifact-version) を参照してください。
+エイリアスは、プログラムから参照可能な可変参照です。 Artifacts のエイリアスは W&B App の UI から、またはプログラムで変更できます。詳しくは、[Create new artifact versions](https://docs.wandb.ai/guides/artifacts/create-a-new-artifact-version) を参照してください。
+**Returns:**
+- `list[str]`: `aliases` プロパティの値。
-**Returns:**
- - `list[str]`: aliases プロパティの 値。
---
### property Artifact.collection
-この アーティファクト が取得されたコレクションです。
+この Artifacts が取得される collection。
-コレクションは、 アーティファクト バージョン の順序付けられたグループです。この アーティファクト がリンクされているコレクションから取得された場合は、そのコレクションを返します。それ以外の場合は、 アーティファクト バージョン の発生元のコレクションを返します。
+collection は、 Artifacts バージョンを順序付きでまとめたグループです。もしこの Artifacts が、リンクされている collection から取得された場合は、その collection を返します。それ以外の場合は、 Artifacts バージョンの生成元となる collection を返します。
-アーティファクト の発生元のコレクションは、ソースシーケンスとして知られています。
+Artifacts の生成元となる collection は、source sequence（ソースシーケンス）と呼ばれます。
+**戻り値:**
+- `ArtifactCollection`: collection プロパティの値。
-**Returns:**
- - `ArtifactCollection`: collection プロパティの 値。
---
### property Artifact.commit_hash
-この アーティファクト がコミットされたときに返されたハッシュです。
+この Artifacts がコミットされたときに返されるハッシュ値です。
+**戻り値:**
+- `str`: commit_hash プロパティの値。
-**Returns:**
- - `str`: commit_hash プロパティの 値。
---
### property Artifact.created_at
-アーティファクト が作成されたタイムスタンプです。
+Artifacts の作成日時を表すタイムスタンプ。
+**Returns:**
+- `str`: created_at プロパティの値。
-**Returns:**
- - `str`: created_at プロパティの 値。
---
### property Artifact.description
-アーティファクト の説明です。
+Artifacts の説明文。
+**Returns:**
+- `str | None`: description プロパティの値。
-**Returns:**
- - `str | None`: description プロパティの 値。
---
### property Artifact.digest
-アーティファクト の論理ダイジェストです。
+Artifacts の論理ダイジェスト。
-ダイジェストは、 アーティファクト のコンテンツのチェックサムです。 アーティファクト が現在の `latest` バージョン と同じダイジェストを持っている場合、 `log_artifact` は何も実行しません。
+ダイジェストは Artifacts の内容のチェックサムです。ある Artifacts が現在の `latest` バージョンと同じダイジェストを持つ場合、`log_artifact` は何も実行されません (no-op)。
+**戻り値:**
+- `str`: digest プロパティの値。
-**Returns:**
- - `str`: digest プロパティの 値。
---
-
### property Artifact.entity
-アーティファクト コレクションが属する Entity の名前です。
+Artifacts コレクションが属する entity の名前。
-アーティファクト がリンクである場合、Entity はリンク先 アーティファクト の Entity になります。
+Artifacts がリンクの場合、entity はリンク先の Artifacts の entity になります。
+**Returns:**
+- `str`: entity プロパティの値。
-**Returns:**
- - `str`: entity プロパティの 値。
---
### property Artifact.file_count
-ファイルの数（参照を含む）です。
+ファイル数（参照を含む）です。
+**Returns:**
+- `int`: `file_count` プロパティの値。
-**Returns:**
- - `int`: file_count プロパティの 値。
---
### property Artifact.history_step
-この アーティファクト のソース run の履歴 メトリクス を記録した最も近いステップです。
-
+この Artifacts の元となる run で履歴メトリクスが記録されている、最も近い step。
+**例:**
-**Examples:**
- ```python
+```python
run = artifact.logged_by()
if run and (artifact.history_step is not None):
history = run.sample_history(
@@ -154,298 +146,284 @@ if run and (artifact.history_step is not None):
max_step=artifact.history_step + 1,
keys=["my_metric"],
)
-```
+```
+**戻り値:**
+* `int | None`: `history_step` プロパティの値。
-**Returns:**
- - `int | None`: history_step プロパティの 値。
----
+***
### property Artifact.id
-アーティファクト の ID です。
+Artifacts の ID。
+**戻り値:**
+- `str | None`: ID プロパティの値。
-**Returns:**
- - `str | None`: id プロパティの 値。
---
-
### property Artifact.is_link
-アーティファクト がリンク アーティファクト かどうかを示すブールフラグです。
+Artifacts がリンク Artifacts かどうかを示すブール値のフラグ。
-True: アーティファクト はソース アーティファクト へのリンク アーティファクト です。False: アーティファクト はソース アーティファクト です。
+True の場合: Artifacts はソース Artifacts へのリンク Artifacts です。False の場合: Artifacts はソース Artifacts です。
+**Returns:**
+- `bool`: is_link プロパティの値。
-**Returns:**
- - `bool`: is_link プロパティの 値。
---
### property Artifact.linked_artifacts
-ソース アーティファクト のすべてのリンク アーティファクト のリストを返します。
-
-この アーティファクト がリンク アーティファクト である場合（`artifact.is_link == True`）、空のリストを返します。
+元の Artifacts にリンクされているすべての Artifacts のリストを返します。
-500 件の結果に制限されています。
+この Artifacts がリンク Artifacts（`artifact.is_link == True`）である場合は、空のリストを返します。
+結果は最大 500 件までに制限されます。
+**戻り値:**
-**Returns:**
- - `list[Artifact]`: linked_artifacts プロパティの 値。
+- `list[Artifact]`: linked_artifacts プロパティの値。
---
### property Artifact.manifest
-アーティファクト のマニフェストです。
+Artifacts の manifest。
-マニフェストはそのすべてのコンテンツをリストし、 アーティファクト が ログ に記録された後は変更できません。
+manifest には Artifacts に含まれるすべての内容が一覧されており、一度 Artifacts がログされると変更することはできません。
+**戻り値:**
-
-**Returns:**
- - `ArtifactManifest`: manifest プロパティの 値。
+- `ArtifactManifest`: manifest プロパティの値。
---
### property Artifact.metadata
-ユーザー 定義の アーティファクト メタデータ です。
+ユーザーが定義した Artifacts メタデータ。
-アーティファクト に関連付けられた構造化 データ です。
+Artifacts に関連付けられた構造化データです。
+**戻り値:**
+- `dict`: `metadata` プロパティの値。
-**Returns:**
- - `dict`: metadata プロパティの 値。
---
### property Artifact.name
-アーティファクト 名と アーティファクト の バージョン です。
+Artifacts の名前とバージョン。
-`{collection}:{alias}` 形式の文字列です。 アーティファクト が ログ /保存される前に取得された場合、名前には エイリアス が含まれません。 アーティファクト がリンクである場合、名前はリンク先 アーティファクト の名前になります。
+`{collection}:{alias}` という形式の文字列。 Artifacts がログ／保存される前に取得された場合、名前には alias は含まれない。 Artifacts がリンクである場合、名前はリンク先 Artifacts の名前になる。
+**戻り値:**
+- `str`: name プロパティの値。
-**Returns:**
- - `str`: name プロパティの 値。
---
### property Artifact.project
-アーティファクト コレクションが属する プロジェクト の名前です。
+Artifacts コレクションが属しているプロジェクトの名前。
-アーティファクト がリンクである場合、 プロジェクト はリンク先 アーティファクト の プロジェクト になります。
+Artifacts がリンクである場合、`project` はリンク先 Artifacts のプロジェクトになります。
+**Returns:**
+- `str`: `project` プロパティの値。
-**Returns:**
- - `str`: project プロパティの 値。
---
### property Artifact.qualified_name
-アーティファクト の Entity/ プロジェクト /名前です。
+Artifacts の entity/project/name を表します。
-アーティファクト がリンクである場合、qualified name はリンクされた アーティファクト パスの qualified name になります。
+Artifacts がリンクの場合、qualified_name はリンク先 Artifacts パスの qualified_name になります。
+**Returns:**
+- `str`: qualified_name プロパティの値。
-**Returns:**
- - `str`: qualified_name プロパティの 値。
---
### property Artifact.size
-アーティファクト の合計サイズ（バイト単位）です。
+Artifacts の合計サイズ（バイト単位）です。
-この アーティファクト によって追跡されるすべての参照が含まれます。
+この Artifacts によって追跡されている参照もすべて含みます。
+**戻り値:**
+- `int`: size プロパティの値。
-**Returns:**
- - `int`: size プロパティの 値。
---
### property Artifact.source_artifact
-最初に ログ に記録された アーティファクト であるソース アーティファクト を返します。
+元となる Artifacts（オリジナルとしてログされた Artifacts）を返します。
-この アーティファクト がソース アーティファクト である場合（`artifact.is_link == False`）、それ自体を返します。
+この Artifacts 自体がソース Artifacts である場合（`artifact.is_link == False`）は、自身を返します。
+**Returns:**
+- `Artifact`: source_artifact プロパティの値。
-**Returns:**
- - `Artifact`: source_artifact プロパティの 値。
---
### property Artifact.source_collection
-アーティファクト のソースコレクションです。
+Artifacts の source collection。
-ソースコレクションは、 アーティファクト が ログ に記録された元のコレクションです。
+source collection は、その Artifacts がログされた collection です。
+**戻り値:**
-
-**Returns:**
- - `ArtifactCollection`: source_collection プロパティの 値。
+- `ArtifactCollection`: source_collection プロパティの値。
---
### property Artifact.source_entity
-ソース アーティファクト の Entity の名前です。
+ソースとなる Artifacts の entity 名。
+**戻り値:**
+- `str`: source_entity プロパティの値。
-**Returns:**
- - `str`: source_entity プロパティの 値。
---
### property Artifact.source_name
-ソース アーティファクト の アーティファクト 名と バージョン です。
+元の Artifacts の名前とバージョン。
-`{source_collection}:{alias}` 形式の文字列です。 アーティファクト が保存される前は、 バージョン がまだ不明なため、名前のみが含まれます。
+`{source_collection}:{alias}` という形式の文字列です。 Artifacts が保存される前は、バージョンがまだ決まっていないため、名前のみが含まれます。
+**Returns:**
+- `str`: source_name プロパティの値。
-**Returns:**
- - `str`: source_name プロパティの 値。
---
### property Artifact.source_project
-ソース アーティファクト の プロジェクト の名前です。
+元の Artifacts のプロジェクト名。
+**戻り値:**
+- `str`: source_project プロパティの値。
-**Returns:**
- - `str`: source_project プロパティの 値。
---
### property Artifact.source_qualified_name
-ソース アーティファクト の source_entity/source_project/source_name です。
+元の Artifacts に対応する source_entity/source_project/source_name。
+**戻り値:**
+- `str`: source_qualified_name プロパティの値。
-**Returns:**
- - `str`: source_qualified_name プロパティの 値。
---
### property Artifact.source_version
-ソース アーティファクト の バージョン です。
+元となる Artifacts のバージョン。
-`v{number}` 形式の文字列です。
+`v{number}` という形式の文字列。
+**戻り値:**
+- `str`: source_version プロパティの値。
-**Returns:**
- - `str`: source_version プロパティの 値。
---
### property Artifact.state
-アーティファクト のステータスです。"PENDING"、"COMMITTED"、または "DELETED" のいずれかです。
+Artifacts の状態。"PENDING"、"COMMITTED"、"DELETED" のいずれか。
+**戻り値:**
+- `str`: state プロパティの値。
-**Returns:**
- - `str`: state プロパティの 値。
---
### property Artifact.tags
-この アーティファクト バージョン に割り当てられた 1 つ以上のタグのリストです。
+この Artifacts バージョンに割り当てられている 1 つ以上のタグのリストです。
+**戻り値:**
+- `list[str]`: tags プロパティの値。
-**Returns:**
- - `list[str]`: tags プロパティの 値。
---
### property Artifact.ttl
-アーティファクト の time-to-live (TTL) ポリシーです。
+Artifacts の time-to-live (TTL) ポリシー。
-アーティファクト は、TTL ポリシーの期間が経過した後、まもなく削除されます。 `None` に設定すると、 アーティファクト は TTL ポリシーを無効化し、チームのデフォルト TTL があっても削除がスケジュールされません。チーム管理者がデフォルト TTL を定義しており、 アーティファクト にカスタムポリシーが設定されていない場合、 アーティファクト はチームのデフォルトから TTL ポリシーを継承します。
+Artifacts は TTL ポリシーの期間が経過した後、まもなく削除されます。`None` に設定すると、 Artifacts は TTL ポリシーを無効化し、チームのデフォルト TTL が存在する場合でも削除はスケジュールされません。チーム管理者がデフォルト TTL を定義していて、 Artifacts にカスタムポリシーが設定されていない場合、 Artifacts はチームのデフォルトから TTL ポリシーを継承します。
+**例外:**
+- `ArtifactNotLoggedError`: Artifacts がログまたは保存されていない場合、継承された TTL を取得できません。
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録または保存されていない場合、継承された TTL を取得できません。
-
+**戻り値:**
+- `timedelta | None`: TTL プロパティの値。
-**Returns:**
- - `timedelta | None`: ttl プロパティの 値。
---
### property Artifact.type
-アーティファクト のタイプです。一般的なタイプには `dataset` や `model` があります。
+Artifacts の型です。代表的な型としては `dataset` や `model` があります。
+**戻り値:**
-
-**Returns:**
- - `str`: type プロパティの 値。
----
+- `str`: type プロパティの値。
### property Artifact.updated_at
-アーティファクト が最後に更新された時間です。
+Artifacts が最後に更新された日時。
+**戻り値:**
+- `str`: updated_at プロパティの値。
-**Returns:**
- - `str`: updated_at プロパティの 値。
---
### property Artifact.url
-アーティファクト の URL を構築します。
+Artifacts の URL を生成します。
+**戻り値:**
+- `str`: Artifacts の URL。
-**Returns:**
-
- - `str`: アーティファクト の URL。
-
+**戻り値:**
+- `str`: URL プロパティの値。
-**Returns:**
- - `str`: url プロパティの 値。
---
### property Artifact.use_as
非推奨です。
+**戻り値:**
+- `str | None`: use_as プロパティの値。
-**Returns:**
- - `str | None`: use_as プロパティの 値。
---
### property Artifact.version
-アーティファクト の バージョン です。
-
-`v{number}` 形式の文字列です。これがリンク アーティファクト の場合、 バージョン はリンクされたコレクションからのものになります。
-
-
+Artifacts のバージョン。
+`v{number}` という形式の文字列。リンク Artifacts である場合は、バージョンはリンク先コレクションのものになる。
+**戻り値:**
-**Returns:**
- - `str`: version プロパティの 値。
----
+- `str`: version プロパティの値。
### method `Artifact.add`
@@ -457,28 +435,22 @@ add(
) → ArtifactManifestEntry
```
-wandb.WBValue `obj` を アーティファクト に追加します。
-
-
-
-**Args:**
-
- - `obj`: 追加する オブジェクト。現在は Bokeh, JoinedTable, PartitionedTable, Table, Classes, ImageMask, BoundingBoxes2D, Audio, Image, Video, Html, Object3D のいずれかをサポートしています。
- - `name`: オブジェクトを追加する アーティファクト 内のパス。
- - `overwrite`: True の場合、該当する場合に同じファイルパスを持つ既存の オブジェクト を上書きします。
-
+`obj` という wandb.WBValue を Artifacts に追加します。
+**引数:**
-**Returns:**
- 追加されたマニフェストエントリ。
+* `obj`: 追加するオブジェクト。現在、Bokeh, JoinedTable, PartitionedTable, Table, Classes, ImageMask, BoundingBoxes2D, Audio, Image, Video, Html, Object3D のいずれかをサポートしています。
+* `name`: オブジェクトを追加する Artifacts 内のパス。
+* `overwrite`: True の場合、該当する場合は同じファイルパスを持つ既存のオブジェクトを上書きします。
+**戻り値:**
+追加された manifest エントリを返します。
+**例外:**
-**Raises:**
-
- - `ArtifactFinalizedError`: 現在の アーティファクト バージョン は確定されているため、変更を加えることはできません。代わりに新しい アーティファクト バージョン を ログ に記録してください。
+* `ArtifactFinalizedError`: この Artifacts バージョンは確定済みのため変更できません。代わりに新しい Artifacts バージョンをログしてください。
----
+***
### method `Artifact.add_dir`
@@ -492,28 +464,24 @@ add_dir(
) → None
```
-ローカル ディレクトリー を アーティファクト に追加します。
-
-
+ローカルディレクトリを Artifacts に追加します。
**Args:**
-
- - `local_path`: ローカル ディレクトリー のパス。
- - `name`: アーティファクト 内のサブディレクトリー名。指定した名前は W&B App UI で アーティファクト の `type` ごとにネストされて表示されます。デフォルトは アーティファクト のルートです。
- - `skip_cache`: `True` に設定すると、アップロード中にファイルをキャッシュにコピー/移動しません。
- - `policy`: デフォルトは "mutable" です。
- - mutable: アップロード中の破損を防ぐために、ファイルのテンポラリコピーを作成します。
- - immutable: 保護を無効にし、 ユーザー がファイルを削除または変更しないことに依存します。
- - `merge`: `False`（デフォルト）の場合、以前の add_dir 呼び出しで既に追加されたファイルの内容が変更されていると ValueError をスローします。 `True` の場合、変更された内容で既存のファイルを上書きします。常に新しいファイルを追加し、ファイルを削除することはありません。 ディレクトリー 全体を置き換えるには、 `add_dir(local_path, name=my_prefix)` を使用して ディレクトリー を追加するときに名前を渡し、 `remove(my_prefix)` を呼び出して ディレクトリー を削除してから、再度追加してください。
-
+* `local_path`: ローカルディレクトリへのパス。
+* `name`: Artifacts 内のサブディレクトリ名。指定した名前は、 W&B App UI で Artifacts の `type` ごとにネストされた形で表示されます。指定しない場合は Artifacts のルートになります。
+* `skip_cache`: `True` に設定すると、アップロード中に W&B はファイルをキャッシュにコピー／移動しません。
+* `policy`: デフォルトは "mutable"。
+ * mutable: アップロード中の破損を防ぐために、一時的なファイルのコピーを作成します。
+ * immutable: 保護を無効にし、ユーザーがファイルを削除または変更しないことに頼ります。
+* `merge`: `False`（デフォルト）の場合、以前の `add_dir` 呼び出しですでに追加されているファイルの内容が変更されていたら `ValueError` を送出します。`True` の場合、変更された内容で既存ファイルを上書きします。常に新しいファイルは追加され、ファイルが削除されることはありません。ディレクトリ全体を置き換えるには、`add_dir(local_path, name=my_prefix)` のようにディレクトリ追加時に `name` を渡し、その後 `remove(my_prefix)` を呼び出してディレクトリを削除し、再度追加してください。
**Raises:**
-
- - `ArtifactFinalizedError`: 現在の アーティファクト バージョン は確定されているため、変更を加えることはできません。代わりに新しい アーティファクト バージョン を ログ に記録してください。
- - `ValueError`: ポリシーは "mutable" または "immutable" である必要があります。
----
+* `ArtifactFinalizedError`: 現在の Artifacts バージョンは確定済みのため、変更できません。代わりに新しい Artifacts バージョンをログとして記録してください。
+* `ValueError`: `policy` は "mutable" または "immutable" である必要があります。
+
+***
### method `Artifact.add_file`
@@ -528,32 +496,26 @@ add_file(
) → ArtifactManifestEntry
```
-ローカルファイルを アーティファクト に追加します。
-
-
+ローカルファイルを Artifacts に追加します。
**Args:**
-
- - `local_path`: 追加するファイルへのパス。
- - `name`: 追加されるファイルに使用する アーティファクト 内のパス。デフォルトはファイルのベース名です。
- - `is_tmp`: True の場合、衝突を避けるためにファイル名が決定論的に変更されます。
- - `skip_cache`: `True` の場合、アップロード後にファイルをキャッシュにコピーしません。
- - `policy`: デフォルトで "mutable" に設定されます。 "mutable" に設定されている場合、アップロード中の破損を防ぐためにファイルのテンポラリコピーを作成します。 "immutable" に設定されている場合、保護を無効にし、 ユーザー がファイルを削除または変更しないことに依存します。
- - `overwrite`: `True` の場合、ファイルが既に存在すれば上書きします。
-
+* `local_path`: 追加するファイルへのパス。
+* `name`: 追加するファイルに対して、 Artifacts 内で使用するパス。指定しない場合はファイルのベース名がデフォルトになります。
+* `is_tmp`: `True` の場合、衝突を避けるためにファイル名を決定論的に変更します。
+* `skip_cache`: `True` の場合、アップロード後にファイルをキャッシュにコピーしません。
+* `policy`: デフォルトは "mutable" です。"mutable" に設定すると、アップロード中の破損を防ぐために一時的なコピーを作成します。"immutable" に設定すると保護を無効にし、ファイルを削除または変更しないよう ユーザー に依存します。
+* `overwrite`: `True` の場合、既に存在するファイルを上書きします。
**Returns:**
- 追加されたマニフェストエントリ。
-
-
+追加された manifest エントリを返します。
**Raises:**
-
- - `ArtifactFinalizedError`: 現在の アーティファクト バージョン は確定されているため、変更を加えることはできません。代わりに新しい アーティファクト バージョン を ログ に記録してください。
- - `ValueError`: ポリシーは "mutable" または "immutable" である必要があります。
----
+* `ArtifactFinalizedError`: 現在の Artifacts バージョンは確定済みのため、変更できません。代わりに新しい Artifacts バージョンをログしてください。
+* `ValueError`: policy は "mutable" または "immutable" でなければなりません
+
+***
### method `Artifact.add_reference`
@@ -566,43 +528,36 @@ add_reference(
) → Sequence[ArtifactManifestEntry]
```
-URI で示される参照を アーティファクト に追加します。
-
-アーティファクト に追加するファイルや ディレクトリー とは異なり、参照は W&B にアップロードされません。詳細については、 [Track external files](https://docs.wandb.ai/guides/artifacts/track-external-files) を参照してください。
-
-デフォルトでは、以下のスキームがサポートされています：
-
+URI で表される参照を Artifacts に追加します。
-- http(s): ファイルのサイズとダイジェストは、 サーバー から返される `Content-Length` および `ETag` レスポンスヘッダーから推測されます。
-- s3: チェックサムとサイズは オブジェクト メタデータ から取得されます。 バケット の バージョン管理 が有効な場合、 バージョン ID も追跡されます。
-- gs: チェックサムとサイズは オブジェクト メタデータ から取得されます。 バケット の バージョン管理 が有効な場合、 バージョン ID も追跡されます。
-- https, `*.blob.core.windows.net` に一致するドメイン
-- Azure: チェックサムとサイズは blob メタデータ から取得されます。ストレージアカウントの バージョン管理 が有効な場合、 バージョン ID も追跡されます。
-- file: チェックサムとサイズはファイルシステムから取得されます。このスキームは、追跡したいが必ずしもアップロードしたくないファイルを含む NFS 共有やその他の外部マウントボリュームがある場合に便利です。
+Artifacts に追加するファイルやディレクトリとは異なり、参照自体は W&B にアップロードされません。詳細は [Track external files](https://docs.wandb.ai/guides/artifacts/track-external-files) を参照してください。
-その他のスキームの場合、ダイジェストは URI のハッシュになり、サイズは空白のままになります。
+デフォルトでは、次のスキームがサポートされています:
+* http(s): ファイルのサイズとダイジェストは、サーバーから返される `Content-Length` および `ETag` レスポンスヘッダーから推測されます。
+* s3: チェックサムとサイズはオブジェクトメタデータから取得されます。バケットのバージョニングが有効な場合は、バージョン ID も追跡されます。
+* gs: チェックサムとサイズはオブジェクトメタデータから取得されます。バケットのバージョニングが有効な場合は、バージョン ID も追跡されます。
+* https, ドメインが `*.blob.core.windows.net` にマッチするもの
+* Azure: チェックサムとサイズは blob メタデータから取得されます。ストレージアカウントのバージョニングが有効な場合は、バージョン ID も追跡されます。
+* file: チェックサムとサイズはファイルシステムから取得されます。このスキームは、追跡したいが必ずしもアップロードしたくはないファイルを含む NFS 共有やその他の外部マウントボリュームがある場合に便利です。
+上記以外のスキームでは、ダイジェストは URI のハッシュとなり、サイズは空のままになります。
**Args:**
-
- - `uri`: 追加する参照の URI パス。URI パスには、別の アーティファクト のエントリへの参照を保存するために `Artifact.get_entry` から返された オブジェクト を指定できます。
- - `name`: この参照のコンテンツを配置する アーティファクト 内のパス。
- - `checksum`: 参照 URI にあるリソースのチェックサムを実行するかどうか。完全性の自動検証が可能になるため、チェックサムの実行を強くお勧めします。チェックサムを無効にすると アーティファクト の作成速度は上がりますが、参照 ディレクトリー が反復処理されないため、 ディレクトリー 内の オブジェクト は アーティファクト に保存されません。参照 オブジェクト を追加する際は `checksum=False` に設定することをお勧めします。その場合、参照 URI が変更された場合にのみ新しい バージョン が作成されます。
- - `max_objects`: ディレクトリー または バケット ストアのプレフィックスを指す参照を追加するときに考慮する オブジェクト の最大数。デフォルトでは、Amazon S3、GCS、Azure、およびローカルファイルの最大許容 オブジェクト 数は 10,000,000 です。他の URI スキーマに最大数はありません。
-
+* `uri`: 追加する参照の URI パス。URI パスには、別の Artifacts のエントリへの参照を保存するために `Artifact.get_entry` から返されたオブジェクトを指定できます。
+* `name`: この参照の内容を配置する Artifacts 内のパス。
+* `checksum`: 参照 URI にあるリソースに対してチェックサムを計算するかどうか。チェックサムを取ることを強く推奨します。これにより自動的な整合性検証が可能になります。チェックサムを無効にすると Artifacts の作成は高速になりますが、参照ディレクトリは走査されないため、そのディレクトリ内のオブジェクトは Artifacts に保存されません。参照オブジェクトを追加する場合は `checksum=False` を設定することを推奨します。この場合、新しいバージョンは参照 URI が変更された場合にのみ作成されます。
+* `max_objects`: ディレクトリまたはバケットストアのプレフィックスを指す参照を追加する際に考慮するオブジェクトの最大数。デフォルトでは、Amazon S3、GCS、Azure、およびローカルファイルに対して許可されるオブジェクト数の上限は 10,000,000 です。それ以外の URI スキームには上限はありません。
**Returns:**
- 追加されたマニフェストエントリ。
-
-
+追加されたマニフェストエントリ。
**Raises:**
-
- - `ArtifactFinalizedError`: 現在の アーティファクト バージョン は確定されているため、変更を加えることはできません。代わりに新しい アーティファクト バージョン を ログ に記録してください。
----
+* `ArtifactFinalizedError`: 現在の Artifacts バージョンは確定済みのため変更できません。代わりに新しい Artifacts バージョンをログしてください。
+
+***
### method `Artifact.checkout`
@@ -610,54 +565,44 @@ URI で示される参照を アーティファクト に追加します。
checkout(root: 'str | None' = None) → str
```
-指定したルート ディレクトリー を アーティファクト の内容で置き換えます。
+指定されたルートディレクトリの内容を、この Artifacts の内容で置き換えます。
-警告：これにより、 アーティファクト に含まれていない `root` 内のすべてのファイルが削除されます。
+警告：Artifacts に含まれていない `root` 配下のすべてのファイルは削除されます。
+**引数:**
+* `root`: この Artifacts のファイルで置き換えるディレクトリ。
-**Args:**
-
- - `root`: この アーティファクト のファイルで置き換える ディレクトリー。
+**戻り値:**
+チェックアウトされた内容へのパス。
+**例外:**
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合。
-**Returns:**
- チェックアウトされたコンテンツのパス。
+***
-
-
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
-
----
-
-### method `Artifact.delete`
+### メソッド `Artifact.delete`
```python
delete(delete_aliases: 'bool' = False) → None
```
-アーティファクト とそのファイルを削除します。
-
-リンクされた アーティファクト に対して呼び出された場合、リンクのみが削除され、ソース アーティファクト は影響を受けません。
-
-ソース アーティファクト とコレクションの間のリンクを削除するには、 `Artifact.delete()` の代わりに `Artifact.unlink()` を使用してください。
+Artifacts とそのファイルを削除します。
+リンクされた Artifacts に対して呼び出した場合、削除されるのはリンクのみで、元の Artifacts には影響しません。
+元の Artifacts とコレクション間のリンクを削除するには、`Artifact.delete()` ではなく `Artifact.unlink()` を使用してください。
**Args:**
-
- - `delete_aliases`: `True` に設定すると、 アーティファクト に関連付けられたすべての エイリアス を削除します。 `False` の場合、 アーティファクト に既存の エイリアス があると例外を発生させます。この パラメータ は、 アーティファクト がリンク先のコレクションから取得された場合は無視されます。
-
+* `delete_aliases`: `True` に設定した場合、その Artifacts に関連付けられているすべてのエイリアスを削除します。`False` の場合、 Artifacts に既存のエイリアスがあるときは例外をスローします。 Artifacts がリンク先のコレクションから取得された場合、このパラメーターは無視されます。
**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
----
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合に発生します。
+
+***
### method `Artifact.download`
@@ -671,100 +616,82 @@ download(
) → FilePathStr
```
-アーティファクト の内容を指定したルート ディレクトリー にダウンロードします。
-
-`root` 内にある既存のファイルは変更されません。 `root` の内容を アーティファクト と完全に一致させたい場合は、 `download` を呼び出す前に `root` を明示的に削除してください。
-
+Artifacts の内容を指定したルート ディレクトリにダウンロードします。
+`root` 内に既に存在するファイルは変更されません。`root` の内容を Artifacts と完全に一致させたい場合は、`download` を呼び出す前に `root` を明示的に削除してください。
**Args:**
-
- - `root`: W&B が アーティファクト のファイルを保存する ディレクトリー。
- - `allow_missing_references`: `True` に設定すると、参照ファイルのダウンロード中に無効な参照パスを無視します。
- - `skip_cache`: `True` に設定すると、ダウンロード時に アーティファクト キャッシュをスキップし、W&B は各ファイルをデフォルトのルートまたは指定されたダウンロード ディレクトリー にダウンロードします。
- - `path_prefix`: 指定した場合、指定されたプレフィックスで始まるパスを持つファイルのみがダウンロードされます。unix 形式（フォワードスラッシュ）を使用します。
- - `multipart`: `None`（デフォルト）に設定すると、個々のファイルサイズが 2GB を超える場合にマルチパートダウンロードを使用して並列にダウンロードされます。 `True` または `False` に設定すると、ファイルサイズに関係なく並列またはシリアルにダウンロードされます。
-
+* `root`: W&B が Artifacts のファイルを保存するディレクトリ。
+* `allow_missing_references`: `True` に設定すると、参照されたファイルをダウンロードする際に、無効な参照パスは無視されます。
+* `skip_cache`: `True` に設定すると、 Artifacts キャッシュをスキップし、W&B は各ファイルをデフォルトのルートまたは指定されたダウンロードディレクトリにダウンロードします。
+* `path_prefix`: 指定された場合、そのプレフィックスで始まるパスを持つファイルのみがダウンロードされます。Unix 形式（フォワードスラッシュ区切り）を使用します。
+* `multipart`: `None`（デフォルト）に設定された場合、個々のファイルサイズが 2 GB を超えると multipart ダウンロードを用いて並列に Artifacts をダウンロードします。`True` または `False` に設定された場合、ファイルサイズに関わらず、それぞれ並列または逐次で Artifacts をダウンロードします。
**Returns:**
- ダウンロードされたコンテンツへのパス。
-
-
+ダウンロードされた内容へのパス。
**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
----
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合。
+
+***
-### method `Artifact.file`
+### メソッド `Artifact.file`
```python
file(root: 'str | None' = None) → StrPath
```
-単一のファイル アーティファクト を `root` で指定した ディレクトリー にダウンロードします。
-
-
+`root` で指定したディレクトリに、単一ファイルの Artifacts をダウンロードします。
**Args:**
-
- - `root`: ファイルを保存するルート ディレクトリー。デフォルトは `./artifacts/self.name/` です。
-
+* `root`: ファイルを保存するルートディレクトリ。デフォルトは `./artifacts/self.name/`。
**Returns:**
- ダウンロードされたファイルのフルパス。
-
-
+ダウンロードされたファイルの完全なパス。
**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
- - `ValueError`: アーティファクト に複数のファイルが含まれている場合。
----
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合。
+* `ValueError`: Artifacts に 1 つを超えるファイルが含まれている場合。
+
+***
-### method `Artifact.files`
+### メソッド `Artifact.files`
```python
files(names: 'list[str] | None' = None, per_page: 'int' = 50) → ArtifactFiles
```
-この アーティファクト に保存されているすべてのファイルを反復処理します。
-
-
-
-**Args:**
-
- - `names`: リストしたい アーティファクト のルートからの相対ファイル名パス。
- - `per_page`: 1 回のリクエストで返すファイルの数。
-
+この Artifacts に保存されているすべてのファイルを反復処理します。
+**引数:**
-**Returns:**
- `File` オブジェクト を含むイテレータ。
+* `names`: 一覧表示したいファイルのパス。 Artifacts のルートからの相対パス。
+* `per_page`: リクエストごとに返すファイル数。
+**戻り値:**
+`File` オブジェクトを含むイテレータを返します。
+**例外:**
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合に送出されます。
----
+***
-### method `Artifact.finalize`
+### メソッド `Artifact.finalize`
```python
finalize() → None
```
-アーティファクト バージョン を確定します。
+Artifacts のバージョンを確定します。
-アーティファクト は特定の アーティファクト バージョン として ログ に記録されるため、一度確定されると アーティファクト バージョン を変更することはできません。 アーティファクト にさらに データ を ログ 記録するには、新しい アーティファクト バージョン を作成してください。 `log_artifact` で アーティファクト を ログ 記録すると、 アーティファクト は自動的に確定されます。
+Artifacts は特定の Artifacts バージョンとしてログに記録されるため、いったんバージョンを確定すると、そのバージョンを変更することはできません。 Artifacts にさらにデータをログするには、新しい Artifacts バージョンを作成してください。`log_artifact` で Artifacts をログすると、 Artifacts は自動的に確定されます。
----
+***
### method `Artifact.get`
@@ -772,26 +699,20 @@ finalize() → None
get(name: 'str') → WBValue | None
```
-アーティファクト 相対の `name` にある WBValue オブジェクト を取得します。
-
-
-
-**Args:**
-
- - `name`: 取得する アーティファクト 相対名。
+Artifacts 内の相対名 `name` に対応する WBValue オブジェクトを取得します。
+**引数:**
+* `name`: 取得する Artifacts 内の相対名。
-**Returns:**
- `run.log()` で ログ 記録でき、W&B UI で視覚化できる W&B オブジェクト。
+**戻り値:**
+`run.log()` でログでき、W&B UI で可視化できる W&B オブジェクト。
+**例外:**
+* `ArtifactNotLoggedError`: Artifacts がログされていない、または run がオフラインの場合に発生します。
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていないか、 run がオフラインの場合。
-
----
+***
### method `Artifact.get_added_local_path_name`
@@ -799,20 +720,16 @@ get(name: 'str') → WBValue | None
get_added_local_path_name(local_path: 'str') → str | None
```
-ローカルファイルシステムパスによって追加されたファイルの アーティファクト 相対名を取得します。
-
-
-
-**Args:**
-
- - `local_path`: アーティファクト 相対名に解決するローカルパス。
+ローカルファイルシステムパスで追加したファイルの Artifacts 相対名を取得します。
+**引数:**
+* `local_path`: Artifacts 相対名に解決するローカルパス。
-**Returns:**
- アーティファクト 相対名。
+**戻り値:**
+Artifacts 相対名。
----
+***
### method `Artifact.get_entry`
@@ -822,25 +739,19 @@ get_entry(name: 'StrPath') → ArtifactManifestEntry
指定された名前のエントリを取得します。
+**引数:**
+* `name`: 取得する Artifacts 内での相対パス名
-**Args:**
-
- - `name`: 取得する アーティファクト 相対名。
-
-
-
-**Returns:**
- `W&B` オブジェクト。
+**戻り値:**
+`W&B` オブジェクト。
+**送出される例外:**
+* `ArtifactNotLoggedError`: Artifacts がログされていないか、run がオフラインの場合に発生します。
+* `KeyError`: Artifacts に指定された名前のエントリが含まれていない場合に発生します。
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていないか、 run がオフラインの場合。
- - `KeyError`: アーティファクト に指定された名前のエントリが含まれていない場合。
-
----
+***
### method `Artifact.get_path`
@@ -848,39 +759,35 @@ get_entry(name: 'StrPath') → ArtifactManifestEntry
get_path(name: 'StrPath') → ArtifactManifestEntry
```
-非推奨です。 `get_entry(name)` を使用してください。
+非推奨。代わりに `get_entry(name)` を使用してください。
----
+***
-### method `Artifact.is_draft`
+### メソッド `Artifact.is_draft`
```python
is_draft() → bool
```
-アーティファクト が保存されていないかどうかを確認します。
-
+Artifacts が未保存かどうかを確認します。
+**戻り値:**
+Boolean 値。 Artifacts が保存されている場合は `False`、保存されていない場合は `True`。
-**Returns:**
- ブール値。 アーティファクト が保存されている場合は `False`、保存されていない場合は `True`。
-
----
+***
-### method `Artifact.json_encode`
+### メソッド `Artifact.json_encode`
```python
json_encode() → dict[str, Any]
```
-JSON 形式にエンコードされた アーティファクト を返します。
-
+Artifacts を JSON 形式にエンコードしたものを返します。
+**戻り値:**
+Artifacts の属性を表す、`string` をキーとする `dict`。
-**Returns:**
- アーティファクト の属性を表す `string` キー を持つ `dict`。
-
----
+***
### method `Artifact.link`
@@ -888,71 +795,57 @@ JSON 形式にエンコードされた アーティファクト を返します
link(target_path: 'str', aliases: 'Iterable[str] | None' = None) → Artifact
```
-この アーティファクト をコレクションにリンクします。
+この Artifacts をコレクションにリンクします。
+**引数:**
+* `target_path`: コレクションのパス。パスは接頭辞 "wandb-registry-" にレジストリ名およびコレクション名を続けたもので、`wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}` の形式になります。
+* `aliases`: リンクされた Artifacts に 1 つ以上のエイリアスを追加します。"latest" エイリアスは、リンクした最新の Artifacts に自動的に適用されます。
-**Args:**
-
- - `target_path`: コレクションのパス。パスは、プレフィックス "wandb-registry-" と レジストリ 名、およびコレクション名 `wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}` で構成されます。
- - `aliases`: リンクされた アーティファクト に 1 つ以上の エイリアス を追加します。 "latest" エイリアス は、リンクした最新の アーティファクト に自動的に適用されます。
-
+**例外:**
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合に発生します。
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
-
-
-
-**Returns:**
- リンクされた アーティファクト。
+**戻り値:**
+リンクされた Artifacts を返します。
----
+***
-### method `Artifact.logged_by`
+### メソッド `Artifact.logged_by`
```python
logged_by() → Run | None
```
-最初に アーティファクト を ログ 記録した W&B run を取得します。
-
+この Artifacts を最初にログした W&B run を取得します。
+**戻り値:**
+この Artifacts を最初にログした W&B run の名前。
-**Returns:**
- 最初に アーティファクト を ログ 記録した W&B run の名前。
-
+**送出される例外:**
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合。
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
-
----
+***
-### method `Artifact.new_draft`
+### メソッド `Artifact.new_draft`
```python
new_draft() → Artifact
```
-このコミット済み アーティファクト と同じコンテンツを持つ新しいドラフト アーティファクト を作成します。
-
-既存の アーティファクト を修正すると、「増分 アーティファクト 」として知られる新しい アーティファクト バージョン が作成されます。返された アーティファクト は拡張または修正して、新しい バージョン として ログ 記録できます。
-
+このコミット済み Artifacts と同じ内容の新しいドラフト Artifacts を作成します。
+既存の Artifacts を変更すると、「増分 Artifacts 」と呼ばれる新しい Artifacts バージョンが作成されます。返される Artifacts は拡張や変更を行ったうえで、新しいバージョンとしてログできます。
**Returns:**
- `Artifact` オブジェクト。
-
-
+`Artifact` オブジェクト。
**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
----
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合。
+
+***
### method `Artifact.new_file`
@@ -964,53 +857,43 @@ new_file(
) → Iterator[IO]
```
-新しいテンポラリファイルを開き、それを アーティファクト に追加します。
-
+新しい一時ファイルを開き、それを Artifacts に追加します。
+**引数:**
-**Args:**
-
- - `name`: アーティファクト に追加する新しいファイルの名前。
- - `mode`: 新しいファイルを開くために使用するファイル アクセス モード。
- - `encoding`: 新しいファイルを開くために使用するエンコーディング。
-
+* `name`: Artifacts に追加する新しいファイルの名前。
+* `mode`: 新しいファイルを開くときに使用するファイルアクセスモード。
+* `encoding`: 新しいファイルを開くときに使用するエンコーディング。
+**戻り値:**
+書き込み可能な新しいファイルオブジェクト。クローズすると、そのファイルは自動的に Artifacts に追加されます。
-**Returns:**
- 書き込み可能な新しいファイル オブジェクト。閉じると、ファイルは自動的に アーティファクト に追加されます。
-
+**例外:**
+* `ArtifactFinalizedError`: 現在の Artifacts バージョンは確定済みのため、変更できません。代わりに新しい Artifacts バージョンをログしてください。
-**Raises:**
-
- - `ArtifactFinalizedError`: 現在の アーティファクト バージョン は確定されているため、変更を加えることはできません。代わりに新しい アーティファクト バージョン を ログ に記録してください。
-
----
+***
-### method `Artifact.remove`
+### メソッド `Artifact.remove`
```python
remove(item: 'StrPath | ArtifactManifestEntry') → None
```
-アーティファクト からアイテムを削除します。
-
-
+Artifacts から項目を削除します。
**Args:**
-
- - `item`: 削除するアイテム。特定のマニフェストエントリ、または アーティファクト 相対パスの名前を指定できます。アイテムが ディレクトリー に一致する場合、その ディレクトリー 内のすべてのアイテムが削除されます。
-
+* `item`: 削除する項目。特定のマニフェスト エントリ、または Artifacts 内の相対パス名を指定できます。`item` がディレクトリに一致する場合、そのディレクトリ内のすべての項目が削除されます。
**Raises:**
-
- - `ArtifactFinalizedError`: 現在の アーティファクト バージョン は確定されているため、変更を加えることはできません。代わりに新しい アーティファクト バージョン を ログ に記録してください。
- - `FileNotFoundError`: アイテムが アーティファクト 内で見つからない場合。
----
+* `ArtifactFinalizedError`: 現在の Artifacts バージョンは確定済みのため、変更できません。代わりに新しい Artifacts バージョンをログしてください。
+* `FileNotFoundError`: 項目が Artifacts 内に見つからない場合に送出されます。
-### method `Artifact.save`
+***
+
+### メソッド `Artifact.save`
```python
save(
@@ -1019,18 +902,16 @@ save(
) → None
```
-アーティファクト に加えられた変更を永続化します。
-
-現在 run 内にいる場合、その run がこの アーティファクト を ログ 記録します。現在 run 内にいない場合、この アーティファクト を追跡するためにタイプ "auto" の run が作成されます。
+Artifacts に対して行った変更を保存します。
+現在 run を実行中の場合、その run はこの Artifacts をログします。現在 run を実行していない場合、この Artifacts を追跡するために種類が "auto" の run が作成されます。
+**引数:**
-**Args:**
-
- - `project`: run がまだコンテキストにない場合に、 アーティファクト に使用する プロジェクト。
- - `settings`: 自動 run を初期化するときに使用する 設定 オブジェクト。テストハーネスで最も一般的に使用されます。
+* `project`: run がまだコンテキストに存在しない場合に、この Artifacts に使用する プロジェクト。
+* `settings`: 自動 run を初期化するときに使用する settings オブジェクト。主にテスト用ハーネスで使用されます。
----
+***
### method `Artifact.unlink`
@@ -1038,16 +919,14 @@ save(
unlink() → None
```
-この アーティファクト が アーティファクト コレクションのリンクされたメンバーである場合、リンクを解除します。
-
+この Artifacts が Artifacts コレクションにリンクされているメンバーである場合、そのリンクを解除します。
+**例外:**
-**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
- - `ValueError`: アーティファクト がどのコレクションにもリンクされていない場合。
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合に発生します。
+* `ValueError`: Artifacts がどのコレクションにもリンクされていない場合に発生します。
----
+***
### method `Artifact.used_by`
@@ -1055,45 +934,37 @@ unlink() → None
used_by() → list[Run]
```
-この アーティファクト およびそのリンクされた アーティファクト を使用した run のリストを取得します。
-
-
+この Artifacts およびリンクされた Artifacts を使用した run の一覧を取得します。
**Returns:**
- `Run` オブジェクト のリスト。
-
-
+`Run` オブジェクトのリスト。
**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
----
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合。
-### method `Artifact.verify`
+***
+
+### メソッド `Artifact.verify`
```python
verify(root: 'str | None' = None) → None
```
-アーティファクト の内容がマニフェストと一致することを確認します。
-
-ディレクトリー 内のすべてのファイルのチェックサムが計算され、そのチェックサムが アーティファクト のマニフェストと照合されます。参照は検証されません。
-
+Artifacts の内容がマニフェストと一致しているか検証します。
+ディレクトリ内のすべてのファイルに対してチェックサムを計算し、そのチェックサムを Artifacts のマニフェストと照合します。参照は検証されません。
**Args:**
-
- - `root`: 検証する ディレクトリー。None の場合、 アーティファクト は './artifacts/self.name/' にダウンロードされます。
-
+* `root`: 検証するディレクトリ。None の場合、 Artifacts は './artifacts/self.name/' にダウンロードされます。
**Raises:**
-
- - `ArtifactNotLoggedError`: アーティファクト が ログ に記録されていない場合。
- - `ValueError`: 検証に失敗した場合。
----
+* `ArtifactNotLoggedError`: Artifacts がログされていない場合。
+* `ValueError`: 検証に失敗した場合。
+
+***
### method `Artifact.wait`
@@ -1101,15 +972,11 @@ verify(root: 'str | None' = None) → None
wait(timeout: 'int | None' = None) → Artifact
```
-必要に応じて、この アーティファクト の ログ 記録が完了するまで待機します。
-
-
-
-**Args:**
-
- - `timeout`: 待機する時間（秒単位）。
+必要に応じて、この Artifacts の記録が完了するまで待機します。
+**引数:**
+* `timeout`: 待機する時間（秒）。
-**Returns:**
- `Artifact` オブジェクト。
\ No newline at end of file
+**戻り値:**
+`Artifact` オブジェクト。
diff --git a/ja/models/ref/python/experiments/run.mdx b/ja/models/ref/python/experiments/run.mdx
index c73b9a3aa6..3f88e2ba74 100644
--- a/ja/models/ref/python/experiments/run.mdx
+++ b/ja/models/ref/python/experiments/run.mdx
@@ -3,229 +3,271 @@ title: Run
namespace: python_sdk_actions
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Run`
-W&B によってログを記録される計算の単位です。通常、これは 1 つの ML 実験（Experiment）を指します。
-新しい run を作成するには [`wandb.init()`](https://docs.wandb.ai/ref/python/init/) を呼び出します。`wandb.init()` は新しい run を開始し、`wandb.Run` オブジェクトを返します。各 run は固有の ID（run ID）に関連付けられています。W&B では、run を自動的に終了させるためにコンテキストマネージャ（`with` 文）の使用を推奨しています。
+W&B によって記録される計算の単位です。通常は ML の実験を指します。
+
+新しい run を作成するには [`wandb.init()`](https://docs.wandb.ai/ref/python/init/) を呼び出します。`wandb.init()` は新しい run を開始し、`wandb.Run` オブジェクトを返します。各 run には一意の ID (run ID) が割り当てられます。W&B では、コンテキストマネージャー (`with` 文) を使用して run を自動的に終了することを推奨しています。
-分散トレーニングの実験では、プロセスごとに 1 つの run を使用して各プロセスを個別に追跡するか、すべてのプロセスを 1 つの run で追跡することができます。詳細は [Log distributed training experiments](https://docs.wandb.ai/guides/track/log/distributed-training) を参照してください。
+分散トレーニングの実験では、プロセスごとに 1 つの run を使用して各プロセスを個別に追跡することも、すべてのプロセスを 1 つの run にまとめて追跡することもできます。詳細については、[Log distributed training experiments](https://docs.wandb.ai/guides/track/log/distributed-training) を参照してください。
-`wandb.Run.log()` を使用して run にデータをログ出力できます。`wandb.Run.log()` を使用してログに記録されたものはすべてその run に送信されます。詳細は [Create an experiment](https://docs.wandb.ai/guides/track/create-an-experiment/) または [`wandb.init`](https://docs.wandb.ai/ref/python/init/) の API リファレンスページを参照してください。
+`wandb.Run.log()` を使用して run にデータをログできます。`wandb.Run.log()` を使ってログしたものはすべて、その run に送信されます。詳細については、[Create an experiment](https://docs.wandb.ai/guides/track/create-an-experiment/) または [`wandb.init`](https://docs.wandb.ai/ref/python/init/) API リファレンスページを参照してください。
-[`wandb.apis.public`](https://docs.wandb.ai/ref/python/public-api/api/) ネームスペースにも別の `Run` オブジェクトがあります。このオブジェクトは、すでに作成された run を操作するために使用します。
+[`wandb.apis.public`](https://docs.wandb.ai/ref/python/public-api/api/) 名前空間には、別の `Run` オブジェクトがあります。このオブジェクトは、すでに作成済みの run とやり取りするために使用します。
**Attributes:**
- - `summary`: (Summary) 辞書形式のオブジェクトである run のサマリーです。詳細については以下を参照してください。
- - `[Log summary metrics](https`: //docs.wandb.ai/guides/track/log/log-summary/)。
+* `summary`: (Summary) run のサマリーで、辞書のようなオブジェクトです。詳細については [Log summary metrics](https://docs.wandb.ai/guides/track/log/log-summary/) を参照してください。
+* `history`: (History) ログされた時系列データを保持するオブジェクトです。トレーニング中に記録したメトリクスやその他の値を含みます。詳細についてはドキュメントを参照してください。
**Examples:**
- `wandb.init()` で run を作成する：
+`wandb.init()` で run を作成します:
```python
import wandb
-# 新しい run を開始し、いくつかのデータをログに記録します
-# コンテキストマネージャ（`with` 文）を使用して、run を自動的に終了させます
+# 新しい run を開始してデータをログする
+# コンテキストマネージャー（`with` 文）を使用して run を自動的に終了する
with wandb.init(entity="entity", project="project") as run:
run.log({"accuracy": acc, "loss": loss})
```
+
### property Run.config
-この run に関連付けられた Config オブジェクト。
+この run に関連付けられている config オブジェクトです。
-**Returns:**
- - `wandb_config.Config`: config プロパティの値。
----
+**戻り値:**
+
+* `wandb_config.Config`: config プロパティの値。
+
+***
### property Run.config_static
-この run に関連付けられた静的な Config オブジェクト。
+この run に関連付けられている静的な config オブジェクト。
+
+**戻り値:**
+
+- `wandb_config.ConfigStatic`: config_static プロパティの値。
-**Returns:**
- - `wandb_config.ConfigStatic`: config_static プロパティの値。
---
### property Run.dir
-run に関連付けられたファイルが保存されるディレクトリー。
+run に関連付けられたファイルが保存されているディレクトリ。
**Returns:**
- - `str`: dir プロパティの値。
+
+- `str`: dir プロパティの値。
+
---
### property Run.disabled
-run が無効な場合は True、それ以外の場合は False。
+run が無効化されている場合は True、そうでない場合は False を返します。
+
+**戻り値:**
+
+- `bool`: disabled プロパティの値。
-**Returns:**
- - `bool`: disabled プロパティの値。
---
### property Run.entity
-run に関連付けられた W&B Entity の名前。
+run に関連付けられている W&B entity の名前です。
-Entity はユーザー名、またはチームや組織の名前です。
+entity は ユーザー名、チーム名、または組織名となる場合があります。
+
+**戻り値:**
+
+- `str`: entity プロパティの値。
-**Returns:**
- - `str`: entity プロパティの値。
---
### property Run.group
-この run に関連付けられたグループの名前を返します。
+この run に関連付けられているグループ名を返します。
-複数の run をグループ化することで、関連する実験を W&B UI 上でまとめて整理し、可視化することができます。これは、複数の run を統合された実験として表示・管理すべき分散トレーニングやクロスバリデーションなどのシナリオで特に便利です。
+run をグループ化すると、関連する実験を W&B UI 上でまとめて整理・可視化できます。これは特に、分散トレーニングやクロスバリデーションのように、複数の run を 1 つの実験としてまとめて閲覧・管理したい場合に便利です。
-すべてのプロセスが同じ run オブジェクトを共有する共有モードでは、run は 1 つしかなくグループ化の必要がないため、通常グループの設定は不要です。
+すべてのプロセスが同じ run オブジェクトを共有する共有モードでは、run が 1 つしかなくグループ分けも不要なため、通常はグループを設定する必要はありません。
+
+**戻り値:**
+
+- `str`: group プロパティの値。
-**Returns:**
- - `str`: group プロパティの値。
---
### property Run.id
-この run の識別子。
+この run の識別子です。
+
+**返り値:**
+
+- `str`: id プロパティの値。
-**Returns:**
- - `str`: id プロパティの値。
---
### property Run.job_type
-run に関連付けられたジョブタイプの名前。
+run に対応するジョブタイプの名前。
-run のジョブタイプは、W&B App の run の Overview ページで確認できます。
+W&B App の run の Overview ページで、その run のジョブタイプを確認できます。
-これを使用して、"training"、"evaluation"、"inference" などのジョブタイプごとに run を分類できます。これは、同じプロジェクト内に異なるジョブタイプの run が複数ある場合に、W&B UI で run を整理したりフィルタリングしたりするのに役立ちます。詳細は [Organize runs](https://docs.wandb.ai/guides/runs/#organize-runs) を参照してください。
+これを使うと、"training"、"evaluation"、"inference" などのジョブタイプごとに run を分類できます。これは、同じプロジェクト内で異なるジョブタイプを持つ複数の run がある場合に、W&B UI で run を整理やフィルタリングするのに役立ちます。詳細については、[Organize runs](https://docs.wandb.ai/guides/runs/#organize-runs) を参照してください。
+
+**戻り値:**
+
+- `str`: job_type プロパティの値。
-**Returns:**
- - `str`: job_type プロパティの値。
---
### property Run.name
-run の表示名。
+run の表示名です。
-表示名は一意であるとは限らず、説明的な名前になる場合があります。デフォルトではランダムに生成されます。
+表示名は一意であることは保証されず、説明的な名前になる場合があります。デフォルトではランダムに生成されます。
-**Returns:**
- - `str | None`: name プロパティの値。
+**戻り値:**
+
+- `str | None`: name プロパティの値。
---
### property Run.notes
-run に関連付けられたメモ（ある場合）。
+run に関連付けられているメモ（存在する場合）。
-メモは複数行の文字列にすることができ、`$$` 内で Markdown や LaTeX 数式（例: `$x + 3$`）を使用することも可能です。
+メモは複数行の文字列にでき、`$$` 内で markdown や LaTeX 数式（例: `$x + 3$`）も使用できます。
-**Returns:**
- - `str | None`: notes プロパティの値。
+**戻り値:**
+
+- `str | None`: notes プロパティの値。
---
### property Run.offline
-run がオフラインの場合は True、それ以外の場合は False。
+run がオフラインの場合は True、そうでない場合は False になります。
+
+**戻り値:**
+
+- `bool`: offline プロパティの値。
-**Returns:**
- - `bool`: offline プロパティの値。
---
### property Run.path
-run へのパス。
+この run へのパスです。
-run パスには、`entity/project/run_id` の形式で entity、project、run ID が含まれます。
+run のパスには entity、プロジェクト、および run ID が含まれ、形式は `entity/project/run_id` です。
+
+**戻り値:**
+
+- `str`: `path` プロパティの値。
-**Returns:**
- - `str`: path プロパティの値。
---
### property Run.project
-run に関連付けられた W&B Project の名前。
+run に関連付けられている W&B プロジェクトの名前。
+
+**戻り値:**
+
+- `str`: project プロパティに対応する値。
-**Returns:**
- - `str`: project プロパティの値。
---
### property Run.project_url
-run に関連付けられた W&B Project の URL（存在する場合）。
+run に関連付けられている W&B プロジェクトの URL。存在する場合のみ値が設定されます。
-オフラインの run にはプロジェクト URL はありません。
+オフラインの run にはプロジェクト URL はありません。
**Returns:**
- - `str | None`: project_url プロパティの値。
+
+- `str | None`: project_url プロパティの値。
+
---
### property Run.resumed
-run が再開（resume）された場合は True、それ以外の場合は False。
+run が再開された場合は True、そうでない場合は False となります。
+
+**戻り値:**
+
+- `bool`: resumed プロパティの値。
-**Returns:**
- - `bool`: resumed プロパティの値。
---
### property Run.settings
-run の Settings オブジェクトのフリーズされたコピー。
+run の `Settings` オブジェクトの変更不可コピーです。
+
+**戻り値:**
+
+- `Settings`: `settings` プロパティの値。
-**Returns:**
- - `Settings`: settings プロパティの値。
---
### property Run.start_time
-run が開始された時の Unix タイムスタンプ（秒単位）。
+run の開始時刻を表す Unix タイムスタンプ（秒単位）。
+
+**戻り値:**
+
+- `float`: start_time プロパティの値。
-**Returns:**
- - `float`: start_time プロパティの値。
---
### property Run.sweep_id
-run に関連付けられた Sweep の識別子（存在する場合）。
+run に関連する sweep の識別子（存在する場合）。
+
+**戻り値:**
+
+- `str | None`: sweep_id プロパティの値。
-**Returns:**
- - `str | None`: sweep_id プロパティの値。
---
### property Run.sweep_url
-run に関連付けられた Sweep の URL（存在する場合）。
+run に関連付けられている sweep の URL。存在しない場合もあります。
-オフラインの run には Sweep URL はありません。
+オフライン run には sweep の URL はありません。
-**Returns:**
- - `str | None`: sweep_url プロパティの値。
+**戻り値:**
+
+- `str | None`: `sweep_url` プロパティの値。
---
### property Run.tags
-run に関連付けられたタグ（ある場合）。
+run に関連付けられたタグ（存在する場合）。
+
+**戻り値:**
+
+- `tuple | None`: `tags` プロパティの値。
-**Returns:**
- - `tuple | None`: tags プロパティの値。
---
### property Run.url
-W&B run の URL（存在する場合）。
+W&B run の URL。存在しない場合もあります。
-オフラインの run には URL はありません。
+オフライン run には URL は設定されません。
+
+**戻り値:**
+
+- `str | None`: URL プロパティの値。
-**Returns:**
- - `str | None`: url プロパティの値。
---
-### method `Run.alert`
+### メソッド `Run.alert`
```python
alert(
@@ -238,16 +280,16 @@ alert(
指定されたタイトルとテキストでアラートを作成します。
-**Args:**
+**引数:**
- - `title`: アラートのタイトル。64 文字未満である必要があります。
- - `text`: アラートの本文。
- - `level`: 使用するアラートレベル。`INFO`、`WARN`、または `ERROR` のいずれか。
- - `wait_duration`: このタイトルの別のアラートを送信するまでの待機時間（秒単位）。
+* `title`: アラートのタイトル。64 文字未満である必要があります。
+* `text`: アラートの本文。
+* `level`: 使用するアラートレベル。`INFO`、`WARN`、`ERROR` のいずれか。
+* `wait_duration`: 同じタイトルのアラートを再度送信するまで待機する時間（秒）。
----
+***
-### method `Run.define_metric`
+### メソッド `Run.define_metric`
```python
define_metric(
@@ -261,22 +303,23 @@ define_metric(
) → wandb_metric.Metric
```
-`wandb.Run.log()` で記録されるメトリクスをカスタマイズします。
+`wandb.Run.log()` で記録するメトリクスをカスタマイズします。
-**Args:**
+**引数:**
- - `name`: カスタマイズするメトリクスの名前。
- - `step_metric`: 自動生成されたチャートで、このメトリクスの X 軸として機能する別のメトリクスの名前。
- - `step_sync`: `step_metric` が明示的に指定されていない場合、その最後の値を自動的に `wandb.Run.log()` に挿入します。`step_metric` が指定されている場合はデフォルトで True です。
- - `hidden`: このメトリクスを自動プロットから非表示にします。
- - `summary`: サマリーに追加される集計メトリクスを指定します。サポートされている集計には、"min", "max", "mean", "last", "first", "best", "copy", "none" があります。"none" はサマリーの生成を停止します。"best" は goal パラメータと共に使用されますが、"best" は非推奨であり、代わりに "min" または "max" を使用する必要があります。"copy" も非推奨であり使用すべきではありません。
- - `goal`: "best" サマリータイプの解釈方法を指定します。サポートされているオプションは "minimize" と "maximize" です。"goal" は非推奨であり、代わりに "min" または "max" を使用してください。
- - `overwrite`: False の場合、この呼び出しは同じメトリクスに対する以前の `define_metric` 呼び出しとマージされ、指定されていないパラメータには以前の値が使用されます。True の場合、指定されていないパラメータは以前の呼び出しで指定された値を上書きします。
+* `name`: カスタマイズするメトリクスの名前。
+* `step_metric`: 自動生成されるチャートで、このメトリクスの X 軸として使う別のメトリクスの名前。
+* `step_sync`: `wandb.Run.log()` に明示的に指定されていない場合、step_metric の最後の値を自動的に挿入します。step_metric が指定されている場合のデフォルトは True です。
+* `hidden`: このメトリクスを自動生成されるプロットから非表示にします。
+* `summary`: summary に追加する集約メトリクスを指定します。サポートされる集約は "min", "max", "mean", "last", "first", "best", "copy", "none" です。"none" は summary が生成されるのを防ぎます。"best" は goal パラメーターと一緒に使用されますが、"best" は非推奨であり使用すべきではありません。代わりに "min" または "max" を使用してください。"copy" も非推奨であり使用すべきではありません。
+* `goal`: "best" summary タイプの解釈方法を指定します。サポートされるオプションは "minimize" と "maximize" です。"goal" は非推奨であり使用すべきではありません。代わりに "min" または "max" を使用してください。
+* `overwrite`: false の場合、この呼び出しは同じメトリクスに対する以前の `define_metric` 呼び出しとマージされ、未指定のパラメーターについては以前の値が使用されます。true の場合、未指定のパラメーターによって、以前の呼び出しで指定された値が上書きされます。
-**Returns:**
- この呼び出しを表すオブジェクト（通常は破棄して問題ありません）。
+**戻り値:**
+この呼び出しを表すオブジェクト。それ以外の用途では破棄してかまいません。
+
+***
----
### method `Run.display`
@@ -284,9 +327,10 @@ define_metric(
display(height: 'int' = 420, hidden: 'bool' = False) → bool
```
-この run を Jupyter 内で表示します。
+この run を Jupyter 上に表示します。
+
+***
----
### method `Run.finish`
@@ -294,25 +338,27 @@ display(height: 'int' = 420, hidden: 'bool' = False) → bool
finish(exit_code: 'int | None' = None, quiet: 'bool | None' = None) → None
```
-run を終了し、残りのデータをすべてアップロードします。
+run を終了し、未送信のデータをアップロードします。
-W&B run の完了をマークし、すべてのデータがサーバーに同期されることを保証します。run の最終的な状態は、終了条件と同期ステータスによって決まります。
+W&B run を完了済みとしてマークし、すべてのデータがサーバーに同期されるようにします。run の最終状態は、終了条件と同期状態によって決まります。
-Run の状態:
-- Running: データをログに記録中、またはハートビートを送信中のアクティブな run。
-- Crashed: 予期せずハートビートの送信が停止した run。
-- Finished: すべてのデータが同期され、正常に終了した run (`exit_code=0`)。
-- Failed: エラーで終了した run (`exit_code!=0`)。
-- Killed: 終了前に強制停止された run。
+Run States:
+
+* Running: データのログ記録および/またはハートビートの送信を行っているアクティブな run。
+* Crashed: 予期せずハートビートの送信が停止した run。
+* Finished: すべてのデータが同期された状態で (`exit_code=0`) 正常に完了した run。
+* Failed: エラーを伴って完了した run (`exit_code!=0`)。
+* Killed: 完了する前に強制的に停止された run。
**Args:**
- - `exit_code`: run の終了ステータスを示す整数。成功の場合は 0 を使用し、それ以外の値は run が失敗したことを示します。
- - `quiet`: 非推奨です。`wandb.Settings(quiet=...)` を使用してログの冗長性を設定してください。
+* `exit_code`: run の終了ステータスを表す整数。成功の場合は 0 を使用し、それ以外の値は run が失敗したことを示します。
+* `quiet`: 非推奨。ログ出力の詳細度は `wandb.Settings(quiet=...)` を使って設定してください。
+
+***
----
-### method `Run.finish_artifact`
+### メソッド `Run.finish_artifact`
```python
finish_artifact(
@@ -324,32 +370,31 @@ finish_artifact(
) → Artifact
```
-run の出力として、未完了のアーティファクトを完成させます。
+未確定のアーティファクトを run の出力として確定します。
-同じ distributed ID を持つその後の "upsert" は、新しいバージョンを作成します。
+同じ distributed ID で後続の「upsert」を実行すると、新しいバージョンが作成されます。
**Args:**
- - `artifact_or_path`: このアーティファクトの内容へのパス。以下の形式が可能です：
- - `/local/directory`
- - `/local/directory/file.txt`
- - `s3://bucket/path`
- また、`wandb.Artifact` を呼び出して作成された Artifact オブジェクトを渡すこともできます。
- - `name`: アーティファクト名。entity/project をプレフィックスとして付けることができます。有効な名前の形式は以下の通りです：
- - name:version
- - name:alias
- - digest
- 指定しない場合、デフォルトで現在の run ID が先頭に付加されたパスのベース名になります。
- - `type`: ログに記録するアーティファクトのタイプ。例として `dataset` や `model` などがあります。
- - `aliases`: このアーティファクトに適用するエイリアス。デフォルトは `["latest"]` です。
- - `distributed_id`: すべての分散ジョブで共有される一意の文字列。None の場合、デフォルトで run のグループ名になります。
+* `artifact_or_path`: このアーティファクトの内容へのパス。次の形式を指定できます:
+ * `/local/directory`
+ * `/local/directory/file.txt`
+ * `s3://bucket/path` また、`wandb.Artifact` を呼び出して作成した Artifact オブジェクトを渡すこともできます。
+* `name`: アーティファクト名。entity/project を前置してもかまいません。 有効な名前の形式は次のとおりです:
+ * name:version
+ * name:alias
+ * digest 指定しない場合は、パスのベース名の前に現在の run id を付けたものがデフォルトになります。
+* `type`: ログするアーティファクトの種類。例: `dataset`, `model`
+* `aliases`: このアーティファクトに適用するエイリアス。デフォルトは `["latest"]`
+* `distributed_id`: すべての分散ジョブで共有される一意の文字列。None の場合は、run のグループ名がデフォルトになります。
**Returns:**
- `Artifact` オブジェクト。
+`Artifact` オブジェクト。
+
+***
----
-### method `Run.link_artifact`
+### メソッド `Run.link_artifact`
```python
link_artifact(
@@ -361,20 +406,21 @@ link_artifact(
アーティファクトをコレクションにリンクします。
-「リンク」という用語は、W&B がアーティファクトを保存する場所と、レジストリ内でアーティファクトにアクセスできる場所を接続するポインタを指します。アーティファクトをコレクションにリンクしても、W&B はアーティファクトを複製しません。
+ここでの「link」は、W&B がアーティファクトを保存している場所と、そのアーティファクトに registry からアクセスできる場所を結びつけるポインタを指します。アーティファクトをコレクションにリンクしても、W&B がアーティファクトを複製することはありません。
-リンクされたアーティファクトは、指定されたコレクションの Registry UI で確認できます。
+指定したコレクションに対して、Registry UI でリンクされたアーティファクトを表示します。
-**Args:**
+**引数:**
- - `artifact`: コレクションにリンクするアーティファクトオブジェクト。
- - `target_path`: コレクションのパス。パスはプレフィックス "wandb-registry-" とレジストリ名、コレクション名で構成されます：`wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}`。
- - `aliases`: リンクされたアーティファクトに 1 つ以上のエイリアスを追加します。"latest" エイリアスは、リンクされた最新のアーティファクトに自動的に適用されます。
+* `artifact`: コレクションにリンクするアーティファクトオブジェクト。
+* `target_path`: コレクションのパス。パスは、プレフィックス "wandb-registry-" に registry 名とコレクション名を続けた `wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}` で構成されます。
+* `aliases`: リンクされたアーティファクトに 1 つ以上のエイリアスを追加します。"latest" エイリアスは、もっとも最近リンクしたアーティファクトに自動的に適用されます。
-**Returns:**
- リンクされたアーティファクト。
+**戻り値:**
+リンクされたアーティファクト。
+
+***
----
### method `Run.link_model`
@@ -387,35 +433,37 @@ link_model(
) → Artifact | None
```
-モデルアーティファクトのバージョンをログに記録し、モデルレジストリ内の Registered Models にリンクします。
+モデル アーティファクトのバージョンをログし、model registry 内の registered model にリンクします。
-リンクされたモデルバージョンは、指定された登録済みモデルの UI で確認できます。
+リンクされたモデル バージョンは、指定した registered model の UI 上に表示されます。
-このメソッドは以下の動作を行います：
-- 'name' というモデルアーティファクトがすでにログ記録されているか確認します。記録されている場合は、'path' にあるファイルと一致するアーティファクトバージョンを使用するか、新しいバージョンをログに記録します。記録されていない場合は、'path' 下のファイルを新しいモデルアーティファクト（タイプ 'model' の 'name'）としてログに記録します。
-- 'model-registry' プロジェクト内に 'registered_model_name' という名前の Registered Models が存在するか確認します。存在しない場合は、新しく作成します。
-- モデルアーティファクト 'name' のバージョンを Registered Models 'registered_model_name' にリンクします。
-- 'aliases' リストのエイリアスを、新しくリンクされたモデルアーティファクトバージョンに付加します。
+このメソッドは、次の処理を行います:
+
+* 'name' モデル アーティファクトがすでにログされているかを確認します。ログされている場合は、'path' にあるファイルと一致するアーティファクト バージョンを使用するか、新しいバージョンをログします。ログされていない場合は、'path' 配下のファイルを、新しい model タイプのモデル アーティファクト 'name' としてログします。
+* 'model-registry' プロジェクト内に、名前が 'registered_model_name' の registered model が存在するかを確認します。存在しない場合は、名前が 'registered_model_name' の新しい registered model を作成します。
+* モデル アーティファクト 'name' のバージョンを registered model 'registered_model_name' にリンクします。
+* 'aliases' リスト内のエイリアスを、新たにリンクされたモデル アーティファクト バージョンに付与します。
**Args:**
- - `path`: (str) このモデルの内容へのパス。以下の形式が可能です：
- - `/local/directory`
- - `/local/directory/file.txt`
- - `s3://bucket/path`
- - `registered_model_name`: モデルのリンク先となる Registered Models の名前。Registered Models はモデルレジストリにリンクされたモデルバージョンのコレクションであり、通常はチームの特定の ML タスクを表します。この登録済みモデルが属する Entity は run から導出されます。
- - `name`: 'path' 内のファイルがログ記録されるモデルアーティファクトの名前。指定しない場合、デフォルトで現在の run ID が先頭に付加されたパスのベース名になります。
- - `aliases`: 登録済みモデル内のこのリンクされたアーティファクトにのみ適用されるエイリアス。エイリアス "latest" は、リンクされたアーティファクトの最新バージョンに常に適用されます。
+* `path`: (str) このモデルの内容へのパス。次の形式を指定できます:
+ * `/local/directory`
+ * `/local/directory/file.txt`
+ * `s3://bucket/path`
+* `registered_model_name`: モデルをリンクする対象の registered model の名前。registered model は、model registry にリンクされたモデル バージョンの集合であり、通常はチーム固有の ML タスクを表します。この registered model が属する Entity は run から取得されます。
+* `name`: 'path' 内のファイルがログされるモデル アーティファクトの名前。指定されていない場合は、path のベース名の前に現在の run ID を付けたものがデフォルトになります。
+* `aliases`: registered model 内の、このリンクされたアーティファクトにのみ適用されるエイリアス。エイリアス "latest" は、リンクされたアーティファクトの最新バージョンに常に適用されます。
**Raises:**
- - `AssertionError`: registered_model_name がパスである場合、またはモデルアーティファクト 'name' のタイプに 'model' という文字列が含まれていない場合。
- - `ValueError`: name に無効な特殊文字が含まれている場合。
+* `AssertionError`: registered_model_name がパスである場合、またはモデル アーティファクト 'name' の型に 'model' という部分文字列が含まれていない場合。
+* `ValueError`: name に不正な特殊文字が含まれている場合。
**Returns:**
- リンクに成功した場合はリンクされたアーティファクト、それ以外の場合は `None`。
+リンクに成功した場合はリンクされたアーティファクトを、失敗した場合は `None` を返します。
+
+***
----
### method `Run.log`
@@ -429,28 +477,28 @@ log(
run データをアップロードします。
-スカラー、画像、ビデオ、ヒストグラム、プロット、テーブルなどのデータを run からログに記録するには `log` を使用します。コードスニペット、ベストプラクティスなどは、[Log objects and media](https://docs.wandb.ai/guides/track/log) を参照してください。
+`log` を使用して、スカラー、画像、ビデオ、ヒストグラム、プロット、テーブルなどの run のデータを記録します。コードスニペット、ベストプラクティスなどの詳細は、[Log objects and media](https://docs.wandb.ai/guides/track/log) を参照してください。
-基本的な使い方：
+基本的な使用方法:
```python
import wandb
with wandb.init() as run:
run.log({"train-loss": 0.5, "accuracy": 0.9})
-```
+```
-上記のコードスニペットは、loss と accuracy を run の history に保存し、これらのメトリクスの summary の値を更新します。
+前のコードスニペットは、loss と accuracy を run の履歴に保存し、これらのメトリクスのサマリー値を更新します。
-ログに記録されたデータは、[wandb.ai](https://wandb.ai) の Workspace、または W&B アプリの [セルフホストインスタンス](https://docs.wandb.ai/guides/hosting) で視覚化できます。また、[Public API](https://docs.wandb.ai/guides/track/public-api-guide) を使用して、Jupyter ノートブックなどでローカルにデータをエクスポートして探索することも可能です。
+ログされたデータは、[wandb.ai](https://wandb.ai) のワークスペースで可視化したり、W&B アプリの [self-hosted instance](https://docs.wandb.ai/guides/hosting) 上でローカルに可視化したり、[Public API](https://docs.wandb.ai/guides/track/public-api-guide) を使ってデータをエクスポートし、Jupyter Notebook などでローカルに可視化・探索したりできます。
-ログに記録する値はスカラーである必要はありません。画像、オーディオ、ビデオなど、[W&B がサポートする任意のデータ型](https://docs.wandb.ai/ref/python/data-types/)をログに記録できます。例えば、`wandb.Table` を使用して構造化データをログに記録できます。詳細は [Log tables, visualize and query data](https://docs.wandb.ai/guides/models/tables/tables-walkthrough) チュートリアルを参照してください。
+ログする値はスカラーである必要はありません。画像、音声、動画など、任意の [W&B supported Data Type](https://docs.wandb.ai/ref/python/data-types/) をログできます。たとえば、`wandb.Table` を使って構造化データをログできます。詳細は、チュートリアル [Log tables, visualize and query data](https://docs.wandb.ai/guides/models/tables/tables-walkthrough) を参照してください。
-W&B は、名前にスラッシュ（`/`）が含まれるメトリクスを、最後のスラッシュの前のテキストを使用したセクションに整理します。例えば、以下は "train" と "validate" という 2 つのセクションを作成します：
+W&B は、名前にスラッシュ (`/`) を含むメトリクスを、最後のスラッシュより前の文字列を使って名前が付けられたセクションに整理します。たとえば、次の例では "train" と "validate" という 2 つのセクションが作成されます。
```python
with wandb.init() as run:
- # "train" セクションにメトリクスを記録
+ # "train" セクションにメトリクスを記録する。
run.log(
{
"train/accuracy": 0.9,
@@ -459,53 +507,54 @@ with wandb.init() as run:
"validate/loss": 20,
}
)
-```
+```
-ネスティングは 1 レベルのみサポートされています。`run.log({"a/b/c": 1})` は "a" という名前のセクションを作成します。
+ネストは 1 レベルのみサポートされます。`run.log({"a/b/c": 1})` は "a" という名前のセクションを作成します。
-`run.log()` は 1 秒間に数回以上呼び出されることを想定していません。最適なパフォーマンスを得るには、N 回のイテレーションごとに 1 回ログを記録するか、複数のイテレーションにわたってデータを収集し、単一のステップでログを記録するように制限してください。
+`run.log()` は 1 秒あたり数回以上呼び出すことを想定していません。パフォーマンスを最適化するには、ログ記録を N イテレーションごとに 1 回に制限するか、複数イテレーションにわたってデータを収集し、それを 1 回のステップでまとめてログしてください。
-デフォルトでは、`log` を呼び出すたびに新しい「ステップ」が作成されます。ステップは常に増加する必要があり、過去のステップにログを記録することはできません。チャートでは任意のメトリクスを X 軸として使用できます。詳細は [Custom log axes](https://docs.wandb.ai/guides/track/log/customize-logging-axes/) を参照してください。
+デフォルトでは、`log` を呼び出すたびに新しい "step" が作成されます。step は常に増加していなければならず、過去の step に対してさかのぼってログを記録することはできません。グラフでは任意のメトリクスを X 軸として使用できます。詳細については、[Custom log axes](https://docs.wandb.ai/guides/track/log/customize-logging-axes/) を参照してください。
-多くの場合、W&B のステップをトレーニングステップとしてではなく、タイムスタンプのように扱うのがより適切です。
+多くの場合、W&B の step はトレーニング step というよりもタイムスタンプとして扱う方が適切です。
```python
with wandb.init() as run:
- # 例：X 軸として使用するために "epoch" メトリクスをログに記録
+ # 例: X 軸として使用する「epoch」メトリクスをログする。
run.log({"epoch": 40, "train-loss": 0.5})
-```
+```
-`step` と `commit` パラメータを使用することで、複数の `wandb.Run.log()` 呼び出しで同じステップにログを記録することが可能です。以下はすべて同等です：
+`step` パラメーターと `commit` パラメーターを使用すると、複数回の `wandb.Run.log()` 呼び出しで同じステップに対してログを記録できます。次の例はいずれも同じ動作になります。
```python
with wandb.init() as run:
- # 通常の使用法：
+ # 通常の使用方法:
run.log({"train-loss": 0.5, "accuracy": 0.8})
run.log({"train-loss": 0.4, "accuracy": 0.9})
- # 自動インクリメントなしの暗黙的なステップ：
+ # 自動インクリメントなしの暗黙ステップ:
run.log({"train-loss": 0.5}, commit=False)
run.log({"accuracy": 0.8})
run.log({"train-loss": 0.4}, commit=False)
run.log({"accuracy": 0.9})
- # 明示的なステップ：
+ # 明示的なステップ:
run.log({"train-loss": 0.5}, step=current_step)
run.log({"accuracy": 0.8}, step=current_step)
current_step += 1
run.log({"train-loss": 0.4}, step=current_step)
run.log({"accuracy": 0.9}, step=current_step, commit=True)
-```
+```
-**Args:**
+**引数:**
- - `data`: 文字列のキーとシリアライズ可能な値を保持する `dict`。
- - `シリアライズ可能な Python オブジェクト`: `int`、`float`、`string`、任意の `wandb.data_types`、シリアライズ可能な Python オブジェクトのリスト、タプル、NumPy 配列、およびこの構造を持つ他の `dict`。
- - `step`: ログを記録するステップ番号。`None` の場合、暗黙的な自動インクリメントステップが使用されます。説明文の注記を参照してください。
- - `commit`: True の場合、ステップを確定してアップロードします。False の場合、そのステップのデータを蓄積します。説明文の注記を参照してください。`step` が `None` の場合、デフォルトは `commit=True` です。それ以外の場合、デフォルトは `commit=False` です。
-**Examples:**
- より詳細な例については、[logging ガイド](https://docs.wandb.com/guides/track/log)を参照してください。
+* `data`: キーが `str` 型で、値がシリアライズ可能な `dict`
+* `Python objects including`: `int`、`float` および `string`、任意の `wandb.data_types`、シリアライズ可能な Python オブジェクトからなる list、tuple、NumPy 配列、同じ構造を持つ他の `dict`
+* `step`: ログに記録するステップ番号。`None` の場合は、自動的にインクリメントされる暗黙のステップが使用されます。詳細は説明内の注意事項を参照してください。
+* `commit`: true の場合、そのステップを確定してアップロードします。false の場合、そのステップのデータを蓄積します。詳細は説明内の注意事項を参照してください。`step` が `None` の場合、デフォルトは `commit=True` です。それ以外の場合、デフォルトは `commit=False` です。
+
+**使用例:**
+より多くの詳細な例については、[logging に関するガイド](https://docs.wandb.com/guides/track/log) を参照してください。
基本的な使い方
@@ -513,19 +562,19 @@ with wandb.init() as run:
import wandb
with wandb.init() as run:
- run.log({"train-loss": 0.5, "accuracy": 0.9})
-```
+ run.log({"train-loss": 0.5, "accuracy": 0.9
+```
-インクリメンタルなログ記録
+増分ロギング
```python
import wandb
with wandb.init() as run:
run.log({"loss": 0.2}, commit=False)
- # 準備が整った別の場所でこのステップを報告：
+ # このステップをレポートする準備ができたら、別の場所で:
run.log({"accuracy": 0.8})
-```
+```
ヒストグラム
@@ -533,13 +582,13 @@ with wandb.init() as run:
import numpy as np
import wandb
-# 正規分布からランダムに勾配をサンプリング
+# 正規分布からランダムにグラジェントをサンプリングする
gradients = np.random.randn(100, 100)
with wandb.init() as run:
run.log({"gradients": wandb.Histogram(gradients)})
-```
+```
-NumPy から画像
+NumPy から生成した画像
```python
import numpy as np
@@ -552,9 +601,9 @@ with wandb.init() as run:
image = wandb.Image(pixels, caption=f"random field {i}")
examples.append(image)
run.log({"examples": examples})
-```
+```
-PIL から画像
+PIL の Image オブジェクト
```python
import numpy as np
@@ -574,9 +623,9 @@ with wandb.init() as run:
image = wandb.Image(pil_image, caption=f"random field {i}")
examples.append(image)
run.log({"examples": examples})
-```
+```
-NumPy からビデオ
+NumPy から作成した動画
```python
import numpy as np
@@ -591,7 +640,7 @@ with wandb.init() as run:
dtype=np.uint8,
)
run.log({"video": wandb.Video(frames, fps=4)})
-```
+```
Matplotlib プロット
@@ -604,9 +653,9 @@ with wandb.init() as run:
fig, ax = plt.subplots()
x = np.linspace(0, 10)
y = x * x
- ax.plot(x, y) # plot y = x^2
+ ax.plot(x, y) # y = x^2 をプロット
run.log({"chart": fig})
-```
+```
PR 曲線
@@ -615,7 +664,7 @@ import wandb
with wandb.init() as run:
run.log({"pr": wandb.plot.pr_curve(y_test, y_probas, labels)})
-```
+```
3D オブジェクト
@@ -632,14 +681,15 @@ with wandb.init() as run:
]
}
)
-```
+```
-**Raises:**
+**発生する例外:**
- - `wandb.Error`: `wandb.init()` の前に呼び出された場合。
- - `ValueError`: 無効なデータが渡された場合。
+* `wandb.Error`: `wandb.init()` の前に呼び出された場合。
+* `ValueError`: 無効なデータが渡された場合。
+
+***
----
### method `Run.log_artifact`
@@ -653,28 +703,27 @@ log_artifact(
) → Artifact
```
-アーティファクトを run の出力として宣言します。
+run の出力としてアーティファクトを宣言します。
**Args:**
- - `artifact_or_path`: (str または Artifact) このアーティファクトの内容へのパス。以下の形式が可能です：
- - `/local/directory`
- - `/local/directory/file.txt`
- - `s3://bucket/path`
- また、`wandb.Artifact` を呼び出して作成された Artifact オブジェクトを渡すこともできます。
- - `name`: (str, optional) アーティファクト名。有効な名前の形式は以下の通りです：
- - name:version
- - name:alias
- - digest
- 指定しない場合、デフォルトで現在の run ID が先頭に付加されたパスのベース名になります。
- - `type`: (str) ログに記録するアーティファクトのタイプ。例として `dataset` や `model` などがあります。
- - `aliases`: (list, optional) このアーティファクトに適用するエイリアス。デフォルトは `["latest"]` です。
- - `tags`: (list, optional) このアーティファクトに適用するタグ（ある場合）。
+* `artifact_or_path`: (str または Artifact) このアーティファクトの内容へのパス。次の形式を指定できます:
+ * `/local/directory`
+ * `/local/directory/file.txt`
+ * `s3://bucket/path` また、`wandb.Artifact` を呼び出して作成した Artifact オブジェクトを渡すこともできます。
+* `name`: (str, オプション) アーティファクト名。指定できる有効な名前の形式は次のとおりです:
+ * name:version
+ * name:alias
+ * digest 指定されていない場合は、パスのベース名の前に現在の run ID を付けたものがデフォルトとして使用されます。
+* `type`: (str) ログするアーティファクトの種類。例: `dataset`, `model`
+* `aliases`: (list, オプション) このアーティファクトに適用するエイリアス。デフォルトは `["latest"]` です。
+* `tags`: (list, オプション) このアーティファクトに適用するタグ (任意) 。
**Returns:**
- `Artifact` オブジェクト。
+`Artifact` オブジェクト。
+
+***
----
### method `Run.log_code`
@@ -682,34 +731,34 @@ log_artifact(
log_code(
root: 'str | None' = '.',
name: 'str | None' = None,
- include_fn: 'Callable[[str, str], bool] | Callable[[str], bool]' = ,
- exclude_fn: 'Callable[[str, str], bool] | Callable[[str], bool]' =
+ include_fn: 'Callable[[str, str], bool] | Callable[[str], bool]' = ,
+ exclude_fn: 'Callable[[str, str], bool] | Callable[[str], bool]' =
) → Artifact | None
```
-コードの現在の状態を W&B Artifact として保存します。
+現在のコードの状態を W&B Artifact に保存します。
-デフォルトでは、現在のディレクトリーをスキャンし、`.py` で終わるすべてのファイルをログに記録します。
+デフォルトでは、現在のディレクトリを走査して、`.py` で終わるすべてのファイルをログします。
**Args:**
- - `root`: コードを再帰的に検索するための相対パス（`os.getcwd()` からの相対）または絶対パス。
- - `name`: (str, optional) コードアーティファクトの名前。デフォルトでは、アーティファクト名は `source-$PROJECT_ID-$ENTRYPOINT_RELPATH` になります。多くの run で同じアーティファクトを共有したいシナリオがあるかもしれません。name を指定することでそれを実現できます。
- - `include_fn`: ファイルパスと（オプションで）ルートパスを受け取り、含めるべき場合に True を、そうでない場合に False を返す呼び出し可能オブジェクト。
- - `デフォルト`: `lambda path, root: path.endswith(".py")`。
- - `exclude_fn`: ファイルパスと（オプションで）ルートパスを受け取り、除外すべき場合に `True` を、そうでない場合に `False` を返す呼び出し可能オブジェクト。デフォルトでは、`/.wandb/` および `/wandb/` ディレクトリー内のすべてのファイルを除外する関数になります。
+* `root`: コードを再帰的に探索するためのパス。`os.getcwd()` からの相対パス、または絶対パス。
+* `name`: (str, optional) コード Artifact の名前。デフォルトでは、Artifact 名は `source-$PROJECT_ID-$ENTRYPOINT_RELPATH` になります。多くの run で同じ Artifact を共有したい場合があります。`name` を指定することで、それを実現できます。
+* `include_fn`: ファイルパスと (オプションで) root パスを受け取り、そのファイルを含めるべき場合は True を、そうでない場合は False を返す呼び出し可能オブジェクト。
+* `defaults to `lambda path, root`: path.endswith(".py")`.
+* `exclude_fn`: ファイルパスと (オプションで) root パスを受け取り、そのファイルを除外すべき場合は True を、それ以外は False を返す呼び出し可能オブジェクト。デフォルトでは、`/.wandb/` および `/wandb/` ディレクトリ内のすべてのファイルを除外する関数が使用されます。
**Examples:**
- 基本的な使い方
+基本的な使用例
```python
import wandb
with wandb.init() as run:
run.log_code()
-```
+```
-高度な使い方
+高度な使用例
```python
import wandb
@@ -722,14 +771,15 @@ with wandb.init() as run:
"cache/"
),
)
-```
+```
-**Returns:**
- コードがログに記録された場合は `Artifact` オブジェクト。
+**戻り値:**
+コードがログされている場合は `Artifact` オブジェクトを返します
+
+***
----
-### method `Run.log_model`
+### メソッド `Run.log_model`
```python
log_model(
@@ -739,27 +789,28 @@ log_model(
) → None
```
-'path' 内のコンテンツを含むモデルアーティファクトを run にログ記録し、この run の出力としてマークします。
+指定された 'path' 内の内容を含むモデル アーティファクトを run にログとして記録し、この run の出力としてマークします。
-モデルアーティファクトの名前には、英数字、アンダースコア、ハイフンのみを使用できます。
+モデル アーティファクトの name には英数字、アンダースコア、ハイフンのみを使用できます。
**Args:**
- - `path`: (str) このモデルの内容へのパス。以下の形式が可能です：
- - `/local/directory`
- - `/local/directory/file.txt`
- - `s3://bucket/path`
- - `name`: ファイルの内容が追加されるモデルアーティファクトに割り当てる名前。指定しない場合、デフォルトで現在の run ID が先頭に付加されたパスのベース名になります。
- - `aliases`: 作成されたモデルアーティファクトに適用するエイリアス。デフォルトは `["latest"]` です。
+* `path`: (str) このモデルの内容へのパス。次の形式を取ることができます:
+ * `/local/directory`
+ * `/local/directory/file.txt`
+ * `s3://bucket/path`
+* `name`: ファイルの内容が追加されるモデル アーティファクトに割り当てる名前。指定されていない場合、path のベース名の前に現在の run id を付けたものがデフォルトになります。
+* `aliases`: 作成されるモデル アーティファクトに適用するエイリアス。デフォルトは `["latest"]` です。
**Raises:**
- - `ValueError`: name に無効な特殊文字が含まれている場合。
+* `ValueError`: name に不正な特殊文字が含まれている場合。
**Returns:**
- None
+None
+
+***
----
### method `Run.mark_preempting`
@@ -767,11 +818,12 @@ log_model(
mark_preempting() → None
```
-この run をプリエンプト（preempting）中としてマークします。
+この run を preempting 状態としてマークします。
-また、内部プロセスに対し、これを直ちにサーバーに報告するよう指示します。
+内部プロセスに対し、これを直ちにサーバーへ報告するよう指示します。
+
+***
----
### method `Run.restore`
@@ -784,26 +836,27 @@ restore(
) → None | TextIO
```
-クラウドストレージから指定されたファイルをダウンロードします。
+クラウドストレージから指定したファイルをダウンロードします。
-ファイルは現在のディレクトリーまたは run ディレクトリーに配置されます。デフォルトでは、ファイルがまだ存在しない場合にのみダウンロードされます。
+ファイルはカレントディレクトリまたは run ディレクトリに保存されます。デフォルトでは、ファイルがまだ存在しない場合にのみダウンロードします。
-**Args:**
+**引数:**
- - `name`: ファイルの名前。
- - `run_path`: ファイルを取得する run へのオプションのパス（例: `username/project_name/run_id`）。`wandb.init` が呼び出されていない場合は必須です。
- - `replace`: ローカルにすでに存在する場合でもファイルをダウンロードするかどうか。
- - `root`: ファイルをダウンロードするディレクトリー。デフォルトは、現在のディレクトリー、または `wandb.init` が呼び出されている場合は run ディレクトリーです。
+* `name`: ファイル名。
+* `run_path`: ファイルを取得する run への任意指定のパス。例: `username/project_name/run_id`。wandb.init が呼び出されていない場合は必須です。
+* `replace`: ファイルがすでにローカルに存在する場合でもダウンロードするかどうか。
+* `root`: ファイルをダウンロードするディレクトリ。デフォルトはカレントディレクトリ、または wandb.init が呼び出されている場合は run ディレクトリ。
-**Returns:**
- ファイルが見つからない場合は None、それ以外の場合は読み取り用に開かれたファイルオブジェクト。
+**戻り値:**
+ファイルが見つからない場合は None、それ以外の場合は読み取り用にオープンされたファイルオブジェクト。
-**Raises:**
+**例外:**
- - `CommError`: W&B バックエンドに接続できない場合。
- - `ValueError`: ファイルが見つからない、または run_path が見つからない場合。
+* `CommError`: W&B バックエンドに接続できない場合。
+* `ValueError`: ファイルが見つからない場合、または run_path を特定できない場合。
+
+***
----
### method `Run.save`
@@ -815,31 +868,31 @@ save(
) → bool | list[str]
```
-1 つ以上のファイルを W&B に同期します。
+1 つ以上のファイルを W&B に同期します。
-相対パスは、現在の作業ディレクトリーからの相対パスです。
+相対パスは現在の作業ディレクトリからの相対パスです。
-"myfiles/*" などの Unix glob は、`policy` に関係なく `save` が呼び出された時点で展開されます。特に、新しいファイルが自動的に取得されることはありません。
+Unix のグロブ (たとえば "myfiles/*") は、`policy` に関わらず `save` が呼び出された時点で展開されます。特に、新しいファイルは自動では取得されません。
-アップロードされたファイルのディレクトリー構造を制御するために、`base_path` を指定できます。これは `glob_str` のプレフィックスである必要があり、その下のディレクトリー構造が保持されます。
+アップロードされるファイルのディレクトリ構造を制御するために `base_path` を指定できます。これは `glob_str` のプレフィックスである必要があり、その下のディレクトリ構造は保持されます。
-絶対パスまたは glob が指定され、`base_path` が指定されていない場合、上記の例のように 1 つのディレクトリーレベルが保持されます。
+絶対パスまたはグロブが指定され、`base_path` がない場合は、上記の例のように 1 階層分のディレクトリ構造が保持されます。
-ファイルは自動的に重複排除されます。変更なしで同じファイルに対して `save()` を複数回呼び出しても、再アップロードは行われません。
+ファイルは自動的に重複排除されます。同じファイルに対して変更なしで `save()` を複数回呼び出しても、再アップロードは行われません。
-**Args:**
+**引数:**
- - `glob_str`: 相対パス、絶対パス、または Unix glob。
- - `base_path`: ディレクトリー構造を推論するために使用するパス。例を参照してください。
- - `policy`: `live`、`now`、`end` のいずれか。
- - live: ファイルが変更されるたびにアップロードし、以前のバージョンを上書きします。
- - now: 今すぐ一度だけファイルをアップロードします。
- - end: run が終了したときにファイルをアップロードします。
+* `glob_str`: 相対または絶対パス、もしくは Unix のグロブ。
+* `base_path`: ディレクトリ構造を決定するために使用するパス。例を参照。
+* `policy`: `live`、`now`、`end` のいずれか。
+ * live: ファイルが変更されるたびにアップロードし、前のバージョンを上書きする
+ * now: 今すぐ一度だけファイルをアップロードする
+ * end: run が終了したときにファイルをアップロードする
-**Returns:**
- 一致したファイルに対して作成されたシンボリックリンクへのパス。
+**戻り値:**
+マッチしたファイル用に作成されたシンボリックリンクのパス。
-歴史的な理由により、レガシーコードではブール値を返す場合があります。
+過去との互換性のため、レガシーコードではブール値を返す場合があります。
```python
import wandb
@@ -847,25 +900,26 @@ import wandb
run = wandb.init()
run.save("these/are/myfiles/*")
-# => run 内の "these/are/myfiles/" フォルダにファイルを保存します。
+# => run の "these/are/myfiles/" フォルダーにファイルを保存します。
run.save("these/are/myfiles/*", base_path="these")
-# => run 内の "are/myfiles/" フォルダにファイルを保存します。
+# => run の "are/myfiles/" フォルダーにファイルを保存します。
run.save("/Users/username/Documents/run123/*.txt")
-# => run 内の "run123/" フォルダにファイルを保存します。以下の注意を参照。
+# => run の "run123/" フォルダーにファイルを保存します。以下の注記を参照してください。
run.save("/Users/username/Documents/run123/*.txt", base_path="/Users")
-# => run 内の "username/Documents/run123/" フォルダにファイルを保存します。
+# => run の "username/Documents/run123/" フォルダーにファイルを保存します。
run.save("files/*/saveme.txt")
-# => 各 "saveme.txt" ファイルを "files/" の適切なサブディレクトリーに保存します。
+# => "files/" 配下の適切なサブディレクトリに各 "saveme.txt" ファイルを保存します。
-# コンテキストマネージャを使用していないため、明示的に run を終了します。
+# コンテキストマネージャーを使用していないため、run を明示的に終了します。
run.finish()
-```
+```
+
+***
----
### method `Run.status`
@@ -873,9 +927,10 @@ run.finish()
status() → RunStatus
```
-内部バックエンドから、現在の run の同期ステータスに関する同期情報を取得します。
+現在の run の同期状況について、内部のバックエンドから同期情報を取得します。
+
+***
----
### method `Run.unwatch`
@@ -885,13 +940,14 @@ unwatch(
) → None
```
-PyTorch モデルのトポロジー、勾配、およびパラメータのフックを削除します。
+PyTorch モデルのトポロジー、勾配、およびパラメーターフックを削除します。
-**Args:**
+**引数:**
- - `models`: `watch` が呼び出された PyTorch モデルのオプションのリスト。
+* `models`: `watch` が呼び出されている PyTorch モデルの任意のリスト。
+
+***
----
### method `Run.upsert_artifact`
@@ -905,28 +961,29 @@ upsert_artifact(
) → Artifact
```
-run の出力として、未完了のアーティファクトを宣言（または追加）します。
+まだ finalize されていないアーティファクトを run の出力として宣言 (または追加) します。
-アーティファクトを完成させるには `run.finish_artifact()` を呼び出す必要があることに注意してください。これは、分散ジョブがすべて同じアーティファクトに貢献する必要がある場合に便利です。
+アーティファクトを finalize するには、run.finish_artifact() を呼び出す必要があります。これは、分散ジョブがすべて同じアーティファクトに書き込む必要がある場合に便利です。
**Args:**
- - `artifact_or_path`: このアーティファクトの内容へのパス。以下の形式が可能です：
- - `/local/directory`
- - `/local/directory/file.txt`
- - `s3://bucket/path`
- - `name`: アーティファクト名。"entity/project" をプレフィックスとして付けることができます。指定しない場合、デフォルトで現在の run ID が先頭に付加されたパスのベース名になります。有効な名前の形式は以下の通りです：
- - name:version
- - name:alias
- - digest
- - `type`: ログに記録するアーティファクトのタイプ。一般的な例として `dataset` や `model` があります。
- - `aliases`: このアーティファクトに適用するエイリアス。デフォルトは `["latest"]` です。
- - `distributed_id`: すべての分散ジョブで共有される一意の文字列。None の場合、デフォルトで run のグループ名になります。
+* `artifact_or_path`: このアーティファクトの内容へのパス。次の形式をとることができます:
+ * `/local/directory`
+ * `/local/directory/file.txt`
+ * `s3://bucket/path`
+* `name`: アーティファクト名。「entity/project」を前置してもかまいません。指定しない場合、パスのベース名に現在の run ID を前置したものがデフォルトになります。有効な名前は次の形式をとることができます:
+ * name:version
+ * name:alias
+ * digest
+* `type`: ログするアーティファクトのタイプ。一般的な例としては `dataset`、`model` などがあります。
+* `aliases`: このアーティファクトに適用するエイリアス。デフォルトは `["latest"]` です。
+* `distributed_id`: すべての分散ジョブで共有される一意の文字列。`None` の場合、デフォルトで run のグループ名が使用されます。
**Returns:**
- `Artifact` オブジェクト。
+`Artifact` オブジェクトを返します。
+
+***
----
### method `Run.use_artifact`
@@ -939,49 +996,51 @@ use_artifact(
) → Artifact
```
-アーティファクトを run の入力として宣言します。
+run の入力としてアーティファクトを宣言します。
-返されたオブジェクトに対して `download` または `file` を呼び出すことで、内容をローカルに取得できます。
+返されたオブジェクトに対して `download` または `file` を呼び出して、内容をローカルに取得します。
**Args:**
- - `artifact_or_name`: 使用するアーティファクトの名前。アーティファクトがログ記録されたプロジェクト名（"entity" または "entity/project"）をプレフィックスとして付けることができます。名前に entity が指定されていない場合、Run または API 設定の entity が使用されます。有効な名前の形式は以下の通りです：
- - name:version
- - name:alias
- - `type`: 使用するアーティファクトのタイプ。
- - `aliases`: このアーティファクトに適用するエイリアス。
- - `use_as`: この引数は非推奨であり、何もしません。
+* `artifact_or_name`: 使用するアーティファクトの名前。アーティファクトがログされたプロジェクトの名前を先頭に付けることができます ("entity" または "entity/project") 。名前に entity が指定されていない場合は、Run または API 設定の entity が使用されます。有効な名前の形式は次のとおりです。
+ * name:version
+ * name:alias
+* `type`: 使用するアーティファクトのタイプ。
+* `aliases`: このアーティファクトに適用するエイリアス。
+* `use_as`: この引数は非推奨で、何も実行しません。
**Returns:**
- `Artifact` オブジェクト。
+`Artifact` オブジェクト。
**Examples:**
- ```python
+
+```python
import wandb
run = wandb.init(project="")
-# 名前とエイリアスでアーティファクトを使用
+# 名前とエイリアスでアーティファクトを使用する
artifact_a = run.use_artifact(artifact_or_name=":")
-# 名前とバージョンでアーティファクトを使用
+# 名前とバージョンでアーティファクトを使用する
artifact_b = run.use_artifact(artifact_or_name=":v")
-# entity/project/name:alias でアーティファクトを使用
+# entity/project/name:alias でアーティファクトを使用する
artifact_c = run.use_artifact(
artifact_or_name="//:"
)
-# entity/project/name:version でアーティファクトを使用
+# entity/project/name:version でアーティファクトを使用する
artifact_d = run.use_artifact(
artifact_or_name="//:v"
)
-# コンテキストマネージャを使用していないため、明示的に run を終了します。
+# コンテキストマネージャーを使用していないため、run を明示的に終了する。
run.finish()
-```
+```
+
+***
----
### method `Run.use_model`
@@ -989,23 +1048,24 @@ run.finish()
use_model(name: 'str') → FilePathStr
```
-モデルアーティファクト 'name' にログ記録されたファイルをダウンロードします。
+モデル アーティファクト 'name' に記録されたファイルをダウンロードします。
-**Args:**
+**引数:**
- - `name`: モデルアーティファクト名。'name' は既存のログ記録されたモデルアーティファクトの名前と一致する必要があります。`entity/project/` をプレフィックスとして付けることができます。有効な名前の形式は以下の通りです：
- - model_artifact_name:version
- - model_artifact_name:alias
+* `name`: モデル アーティファクト名。'name' は既にログされている既存のモデル アーティファクトの名前と一致している必要があります。`entity/project/` を先頭に付けても構いません。有効な名前の形式は次のとおりです。
+ * model_artifact_name:version
+ * model_artifact_name:alias
-**Returns:**
+**戻り値:**
- - `path` (str): ダウンロードされたモデルアーティファクトファイルへのパス。
+* `path` (str): ダウンロードされたモデル アーティファクトのファイルへのパス。
-**Raises:**
+**例外:**
- - `AssertionError`: モデルアーティファクト 'name' のタイプに 'model' という文字列が含まれていない場合。
+* `AssertionError`: モデル アーティファクト 'name' の種類に 'model' という部分文字列が含まれていない場合に送出されます。
+
+***
----
### method `Run.watch`
@@ -1020,18 +1080,18 @@ watch(
) → None
```
-指定された PyTorch モデルにフックして、勾配とモデルの計算グラフを監視します。
+指定された PyTorch モデルにフックし、勾配とモデルの計算グラフを監視します。
-この関数は、トレーニング中のパラメータ、勾配、またはその両方を追跡できます。
+この関数は、トレーニング中にパラメーター、勾配、またはその両方を追跡できます。
**Args:**
- - `models`: 監視対象となる単一のモデルまたはモデルのシーケンス。
- - `criterion`: 最適化される損失関数（オプション）。
- - `log`: "gradients"、"parameters"、または "all" のどれをログに記録するかを指定します。ログ記録を無効にするには None を設定します。（デフォルト="gradients"）。
- - `log_freq`: 勾配とパラメータをログに記録する頻度（バッチ単位）。（デフォルト=1000）
- - `idx`: `wandb.watch` で複数のモデルを追跡する際に使用されるインデックス。（デフォルト=None）
- - `log_graph`: モデルの計算グラフをログに記録するかどうか。（デフォルト=False）
+* `models`: 監視対象となる単一のモデル、またはモデルのシーケンス。
+* `criterion`: 最適化対象の損失関数 (オプション) 。
+* `log`: "gradients"、"parameters"、または "all" のいずれをログに記録するかを指定します。`None` を設定するとログ記録を無効化します。 (デフォルト="gradients")
+* `log_freq`: 勾配とパラメーターをログに記録する頻度 (バッチ数) 。 (デフォルト=1000)
+* `idx`: `wandb.watch` で複数のモデルを追跡する際に使用されるインデックス。 (デフォルト=None)
+* `log_graph`: モデルの計算グラフをログに記録するかどうか。 (デフォルト=False)
**Raises:**
- ValueError: `wandb.init()` が呼び出されていない場合、またはモデルのいずれかが `torch.nn.Module` のインスタンスではない場合。
\ No newline at end of file
+ValueError: `wandb.init()` が呼び出されていない場合、またはいずれかのモデルが `torch.nn.Module` のインスタンスでない場合に送出されます。
diff --git a/ja/models/ref/python/experiments/settings.mdx b/ja/models/ref/python/experiments/settings.mdx
index 1682e63f95..9e2bc5bb01 100644
--- a/ja/models/ref/python/experiments/settings.mdx
+++ b/ja/models/ref/python/experiments/settings.mdx
@@ -3,19 +3,29 @@ title: 設定
namespace: python_sdk_actions
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Settings`
-W&B SDKの設定。
-このクラスはW&B SDKの設定を管理し、すべての設定の型安全性とバリデーションを保証します。設定は属性としてアクセスでき、プログラム、環境変数（`WANDB_` プレフィックス）、または設定ファイルを通じて初期化できます。
+W&B SDK 用の設定クラスです。
+
+このクラスは W&B SDK の設定を管理し、
+すべての設定について型安全性と検証を保証します。設定は属性としてアクセスでき、
+プログラムからの初期化、`WANDB_` プレフィックスを持つ環境変数、および設定ファイルを通じて
+初期化できます。
+
+設定は次の 3 つのカテゴリに分類されます。
-設定は以下の3つのカテゴリーに分類されます：
-1. 公開設定：ユーザーが特定のニーズに合わせてW&Bの振る舞いをカスタマイズするために安全に変更できるコア設定オプション。
-2. 内部設定：低レベルのSDKの振る舞いを処理する、'x_' プレフィックスが付いた設定。これらは主に内部利用およびデバッグ用です。変更は可能ですが、公開APIの一部とは見なされず、将来のバージョンで予告なく変更される可能性があります。
-3. 計算済み設定：他の設定や環境から自動的に派生する読み取り専用の設定。
+1. パブリック設定: ユーザーが安全に変更して、自身のニーズに合わせて
+ W&B の動作をカスタマイズできるコアの設定オプション。
+2. 内部設定: `x_` で始まる、低レベルな SDK の動作を扱う設定。
+ これらの設定は主に内部利用やデバッグのためのものです。変更は可能ですが、
+ パブリック API の一部とは見なされず、将来のバージョンで予告なく変更される
+ 可能性があります。
+3. 計算済み設定: 他の設定または環境から自動的に導出される読み取り専用の設定です。
### method `Settings.__init__`
@@ -23,7 +33,7 @@ W&B SDKの設定。
__init__(
allow_offline_artifacts: 'bool' = True,
allow_val_change: 'bool' = False,
- anonymous: 'object' = ,
+ anonymous: 'object' = ,
api_key: 'str | None' = None,
azure_account_url_to_access_key: 'dict[str, str] | None' = None,
app_url_override: 'str | None' = None,
@@ -147,7 +157,7 @@ __init__(
x_service_wait: 'float' = 30.0,
x_skip_transaction_log: 'bool' = False,
x_start_time: 'float | None' = None,
- x_stats_pid: 'int' = 30457,
+ x_stats_pid: 'int' = 62751,
x_stats_sampling_interval: 'float' = 15.0,
x_stats_neuron_monitor_config_path: 'str | None' = None,
x_stats_dcgm_exporter: 'str | None' = None,
@@ -170,286 +180,442 @@ __init__(
) → None
```
-**Args:**
-
- - `allow_offline_artifacts` (bool): オフラインモードでテーブルの Artifacts を同期可能にするフラグ。以前の振る舞いに戻すには、これを False に設定してください。
- - `allow_val_change` (bool): 設定後の `Config` 値の変更を許可するフラグ。
- - `anonymous` (object): 非推奨であり、削除される予定です。
- - `api_key` (Optional[str]): W&B APIキー。
- - `azure_account_url_to_access_key` (Optional[Dict[str, str]]): Azure インテグレーションのための、Azure アカウント URL と対応するアクセスキーのマッピング。
- - `app_url_override` (Optional[str]): W&B UI の 'app' URL のオーバーライド。`app_url` は通常 `base_url` に基づいて計算されますが、これを明示的に設定するために使用できます。対応する環境変数は WANDB_APP_URL です。
- - `base_url` (str): データ同期のための W&B バックエンドの URL。
- - `code_dir` (Optional[str]): W&B によって追跡されるコードを含むディレクトリー。
- - `config_paths` (Optional[Sequence]): `Config` オブジェクトに設定を読み込むためのファイルへのパス。
- - `console` (Literal['auto', 'off', 'wrap', 'redirect', 'wrap_raw', 'wrap_emu']): 適用されるコンソールキャプチャのタイプ。利用可能な値：
- - "auto" - システム環境と設定に基づいてコンソールキャプチャ方法を自動的に選択します。
- - "off" - コンソールキャプチャを無効にします。
- - "redirect" - 出力をキャプチャするために低レベルのファイル記述子をリダイレクトします。
- - "wrap" - sys.stdout/sys.stderr の書き込みメソッドをオーバーライドします。システムの状況に応じて "wrap_raw" または "wrap_emu" にマッピングされます。
- - "wrap_raw" - "wrap" と同じですが、エミュレータを通さず直接生の出力をキャプチャします。`wrap` 設定から派生し、手動で設定すべきではありません。
- - "wrap_emu" - "wrap" と同じですが、エミュレータを通じて出力をキャプチャします。`wrap` 設定から派生し、手動で設定すべきではありません。
- - `console_multipart` (bool): マルチパートコンソールログを有効にします。True の場合、SDK はコンソール出力を単一の `output.log` ではなく、`logs/` ディレクトリー下のタイムスタンプ付きファイルに書き込みます。各パートは閉じられるとすぐにアップロードされ、Run がアクティブな間にログへのライブアクセスが可能になります。ローテーションの周期は `console_chunk_max_bytes` や `console_chunk_max_seconds` で制御されます。両方の制限が `0` の場合、すべてのログは Run の終了時に一度にアップロードされます。注意：アップロードされたチャンクは不変です。前の行を変更するターミナル制御シーケンス（キャリッジリターンを使用するプログレスバーなど）は、現在のチャンクにのみ影響します。
- - `console_chunk_max_bytes` (int): マルチパートコンソールログのサイズベースのローテーションしきい値（バイト単位）。現在のパートがこのサイズに達すると、新しいコンソールログファイルを開始します。`console_multipart` が `True` の場合にのみ効果があります。`console_chunk_max_seconds` と組み合わせることができ、どちらかの制限に先に達した方がローテーションをトリガーします。`0` の場合はサイズベースの制限を無効にします。
- - `console_chunk_max_seconds` (int): マルチパートコンソールログの時間ベースのローテーションしきい値（秒単位）。現在のパートが開始されてからこの秒数が経過すると、新しいコンソールログファイルを開始します。`console_multipart` が `True` である必要があります。`console_chunk_max_bytes` と併用でき、最初の制限に達した時点でパートが閉じられます。`0` の場合は時間ベースの制限を無効にします。
- - `credentials_file` (str): 一時的なアクセスキーを書き込むためのファイルパス。
- - `disable_code` (bool): コードのキャプチャを無効にするかどうか。
- - `disable_git` (bool): git の状態のキャプチャを無効にするかどうか。
- - `disable_job_creation` (bool): W&B Launch のジョブアーティファクト作成を無効にするかどうか。
- - `docker` (Optional[str]): スクリプトの実行に使用される Docker イメージ。
- - `email` (Optional[str]): ユーザーのメールアドレス。
- - `entity` (Optional[str]): ユーザーやチームなどの W&B entity。
- - `organization` (Optional[str]): W&B organization。
- - `force` (bool): `wandb.login()` に `force` フラグを渡すかどうか。
- - `fork_from` (Optional[RunMoment]): フォーク元の以前の Run 実行のポイントを指定します。ポイントは Run ID、メトリクス、およびその値によって定義されます。現在、メトリクスは '_step' のみがサポートされています。
- - `git_commit` (Optional[str]): Run に関連付ける git コミットハッシュ。
- - `git_remote` (str): Run に関連付ける git remote。
- - `git_remote_url` (Optional[str]): git remote リポジトリの URL。
- - `git_root` (Optional[str]): git リポジトリのルートディレクトリー。
-
- - `host` (Optional[str]): スクリプトを実行しているマシンのホスト名。
- - `http_proxy` (Optional[str]): W&B への HTTP リクエスト用のカスタムプロキシサーバー。
- - `https_proxy` (Optional[str]): W&B への HTTPS リクエスト用のカスタムプロキシサーバー。
- - `identity_token_file` (Optional[str]): 認証用の識別トークン (JWT) を含むファイルへのパス。
- - `ignore_globs` (Sequence): アップロードから除外するファイルを指定する、`files_dir` からの相対的な Unix グロブパターン。
- - `init_timeout` (float): `wandb.init` 呼び出しが完了するまで待機するタイムアウト時間（秒）。
- - `insecure_disable_ssl` (bool): SSL 検証を安全でない方法で無効にするかどうか。
- - `job_name` (Optional[str]): スクリプトを実行している Launch ジョブの名前。
- - `job_source` (Optional[Literal['repo', 'artifact', 'image']]): Launch のソースタイプ。
- - `label_disable` (bool): 自動ラベル付け機能を無効にするかどうか。
-
- - `launch_config_path` (Optional[str]): ローンチ設定ファイルへのパス。
- - `login_timeout` (Optional[float]): ログイン操作のタイムアウトまでの待機時間（秒）。
- - `mode` (Literal['online', 'offline', 'shared', 'disabled', 'dryrun', 'run']): W&B のロギングおよび同期の動作モード。
- - `notebook_name` (Optional[str]): Jupyter のような環境で実行している場合のノートブック名。
- - `program` (Optional[str]): 利用可能な場合、Run を作成したスクリプトへのパス。
- - `program_abspath` (Optional[str]): リポジトリのルートディレクトリーから、Run を作成したスクリプトまでの絶対パス。ルートリポジトリディレクトリーは、.git ディレクトリーが存在する場合はそれを含むディレクトリー、存在しない場合は現在の作業ディレクトリーとして定義されます。
- - `program_relpath` (Optional[str]): Run を作成したスクリプトへの相対パス。
- - `project` (Optional[str]): W&B プロジェクト ID。
- - `quiet` (bool): 非必須の出力を抑制するフラグ。
- - `reinit` (Union[Literal['default', 'return_previous', 'finish_previous', 'create_new'], bool]): Run がアクティブな間に `wandb.init()` が呼び出された場合の処理。
- オプション:
- - "default": ノートブックでは "finish_previous"、それ以外では "return_previous" を使用します。
- - "return_previous": まだ終了していない直近に作成された Run を返します。これは `wandb.run` を更新しません。"create_new" オプションを参照してください。
- - "finish_previous": すべてのアクティブな Run を終了させ、新しい Run を返します。
- - "create_new": 他のアクティブな Run を変更せずに新しい Run を作成します。`wandb.run` や `wandb.log` のようなトップレベル関数は更新されません。このため、グローバルな Run に依存する古いインテグレーションの一部は動作しません。
- ブール値も指定可能ですが、非推奨です。False は "return_previous" と同じ、True は "finish_previous" と同じです。
- - `relogin` (bool): 新しいログイン試行を強制するフラグ。
- - `resume` (Optional[Literal['allow', 'must', 'never', 'auto']]): Run の再開（resume）動作を指定します。
- オプション:
- - "must": 同じ ID を持つ既存の Run から再開します。そのような Run が存在しない場合は失敗します。
- - "allow": 同じ ID を持つ既存の Run からの再開を試みます。見つからない場合は、新しい Run が作成されます。
- - "never": 常に新しい Run を開始します。同じ ID の Run が既に存在する場合は失敗します。
- - "auto": 同じマシン上の直近の失敗した Run から自動的に再開します。
- - `resume_from` (Optional[RunMoment]): 再開元の以前の Run 実行のポイントを指定します。ポイントは Run ID、メトリクス、およびその値によって定義されます。現在、メトリクスは '_step' のみがサポートされています。
-
- - `root_dir` (str): すべての Run 関連パスのベースとして使用するルートディレクトリー。特に、wandb ディレクトリーと Run ディレクトリーの派生に使用されます。
- - `run_group` (Optional[str]): 関連する Runs のグループ識別子。UI で Runs をグループ化するために使用されます。
- - `run_id` (Optional[str]): Run の ID。
- - `run_job_type` (Optional[str]): 実行中のジョブのタイプ（例：training, evaluation）。
- - `run_name` (Optional[str]): Run の人間が読める名前。
- - `run_notes` (Optional[str]): Run に関する追加のノートまたは説明。
- - `run_tags` (Optional[Tuple[str, Ellipsis]]): 整理やフィルタリングのために Run に関連付けるタグ。
- - `sagemaker_disable` (bool): SageMaker 固有の機能を無効にするフラグ。
- - `save_code` (Optional[bool]): Run に関連付けられたコードを保存するかどうか。
- - `settings_system` (Optional[str]): システム全体の設定ファイルへのパス。
- - `max_end_of_run_history_metrics` (int): Run の終了時に表示する履歴スパークラインの最大数。
- - `max_end_of_run_summary_metrics` (int): Run の終了時に表示するサマリーメトリクスの最大数。
-
- - `show_errors` (bool): エラーメッセージを表示するかどうか。
- - `show_info` (bool): 情報メッセージを表示するかどうか。
- - `show_warnings` (bool): 警告メッセージを表示するかどうか。
- - `silent` (bool): すべての出力を抑制するフラグ。
-
- - `strict` (Optional[bool]): バリデーションとエラーチェックのために厳格モードを有効にするかどうか。
- - `summary_timeout` (int): サマリー操作のタイムアウトまでの待機時間（秒）。
-
- - `sweep_id` (Optional[str]): この Run が属する Sweep の識別子。
- - `sweep_param_path` (Optional[str]): Sweep パラメータ設定へのパス。
- - `symlink` (bool): シンボリックリンクを使用するかどうか（Windows を除きデフォルトで True）。
- - `sync_tensorboard` (Optional[bool]): TensorBoard ログを W&B と同期するかどうか。
- - `table_raise_on_max_row_limit_exceeded` (bool): テーブルの行制限を超えたときに例外を発生させるかどうか。
- - `use_dot_wandb` (Optional[bool]): Run データに隠しディレクトリー `.wandb` または可視ディレクトリー `wandb` を使用するかどうか。True の場合、SDK は `.wandb` を使用します。False の場合は `wandb` です。未設定の場合、`.wandb` が既に存在すればそれを使用し、そうでなければ `wandb` を使用します。
- - `username` (Optional[str]): ユーザー名。
-
- - `x_disable_meta` (bool): システムメタデータの収集を無効にするフラグ。
- - `x_disable_stats` (bool): システムメトリクスの収集を無効にするフラグ。
-
- - `x_extra_http_headers` (Optional[Dict[str, str]]): すべての送信 HTTP リクエストに追加するヘッダー。
-
- - `x_label` (Optional[str]): Run に対して収集されたシステムメトリクスとコンソールログに割り当てるラベル。これはフロントエンドでデータをグループ化するために使用され、分散トレーニングジョブで異なるプロセスのデータを区別するために使用できます。
-
- - `x_primary` (bool): 内部の wandb ファイルとメタデータを保存するかどうかを決定します。分散環境において、プライマリプロセスがメインのロギングを処理し、セカンダリプロセスからはシステムメトリクスとログのみが必要な場合に、ファイルの上書きを避けるために役立ちます。
-
- - `x_save_requirements` (bool): requirements ファイルを保存するフラグ。
- - `x_server_side_derived_summary` (bool): 履歴からのサマリーの自動計算をサーバーに委任するフラグ。ユーザー提供のサマリー更新は無効になりません。
-
- - `x_service_wait` (float): wandb-core 内部サービスが開始されるまで待機する時間（秒）。
- - `x_skip_transaction_log` (bool): Run イベントのトランザクションログへの保存をスキップするかどうか。これはオンライン Run にのみ関連します。ディスクへの書き込みデータ量を減らすために使用できます。回復可能性に関する保証が失われるため、注意して使用する必要があります。
-
- - `x_stats_sampling_interval` (float): システムモニターのサンプリング間隔（秒）。
-
- - `x_stats_dcgm_exporter` (Optional[str]): Nvidia DCGM メトリクスを抽出するエンドポイント。
- オプション:
- - Prometheus の `/api/v1/query` エンドポイントへのクエリから DCGM 関連のメトリクスを抽出します。クラスター内の異なるノードで実行されている DCGM Exporter のインスタンスによって報告されたメトリクスを Prometheus を使用して集計するのが一般的です。
- - TODO: DCGM Exporter の `/metrics` エンドポイントから直接メトリクスを解析します。
- 例:
- - `http://localhost:9400/api/v1/query?query=DCGM_FI_DEV_GPU_TEMP{node="l1337", cluster="globular"}`。
-
- - `x_stats_open_metrics_endpoints` (Optional[Dict[str, str]]): システムメトリクスを監視するための OpenMetrics `/metrics` エンドポイント。
- - `x_stats_open_metrics_filters` (Union[Dict[str, Dict[str, str]], Sequence, None]): OpenMetrics `/metrics` エンドポイントから収集されたメトリクスに適用するフィルター。2つの形式をサポートします：
- - `{"エンドポイント名をプレフィックスとして含むメトリクス正規表現パターン": {"ラベル": "ラベル値正規表現パターン"}}`
- - `("メトリクス正規表現パターン 1", "メトリクス正規表現パターン 2", ...)`
- - `x_stats_open_metrics_http_headers` (Optional[Dict[str, str]]): OpenMetrics リクエストに追加する HTTP ヘッダー。
- - `x_stats_disk_paths` (Optional[Sequence]): ディスク使用量を監視するシステムパス。
- - `x_stats_cpu_count` (Optional[int]): システムの CPU 数。設定された場合、Run メタデータ内の自動検出値をオーバーライドします。
- - `x_stats_cpu_logical_count` (Optional[int]): 論理 CPU 数。設定された場合、Run メタデータ内の自動検出値をオーバーライドします。
- - `x_stats_gpu_count` (Optional[int]): GPU デバイス数。設定された場合、Run メタデータ内の自動検出値をオーバーライドします。
- - `x_stats_gpu_type` (Optional[str]): GPU デバイスタイプ。設定された場合、Run メタデータ内の自動検出値をオーバーライドします。
- - `x_stats_gpu_device_ids` (Optional[Sequence]): 監視する GPU デバイスインデックス。未設定の場合、システムモニターはすべての GPU のメトリクスをキャプチャします。CUDA/ROCm デバイスの列挙と一致する 0 から始まるインデックスを想定します。
-
- - `x_stats_track_process_tree` (bool): `x_stats_pid` から始まるプロセスツリー全体の計算リソース使用量を監視します。`True` の場合、システムモニターは PID `x_stats_pid` のプロセスとそのすべての末端プロセスから RSS、CPU%、およびスレッド数を集計します。これにはパフォーマンスのオーバーヘッドが発生する可能性があり、デフォルトでは無効になっています。
-
- - `x_sync_dir_suffix` (str): Run のディレクトリー名 (sync_dir) に追加するサフィックス。名前の衝突を避けるために wandb.init() で設定されます。設定されている場合、デフォルト名にダッシュで結合されます。
- - `x_update_finish_state` (bool): このプロセスがサーバー上の Run の最終状態を更新できるかどうかを示すフラグ。分散トレーニングでメインプロセスのみが最終状態を決定すべき場合に False に設定します。
+**引数:**
-**Returns:**
+* `allow_offline_artifacts` (bool): オフラインモードでテーブルアーティファクトを同期できるようにするフラグ。
+ 以前の動作に戻すには、この値を False に設定します。
+
+* `allow_val_change` (bool): 設定後に `Config` の値を変更できるようにするかどうかを指定するフラグ。
+
+* `anonymous` (object): 非推奨であり、今後削除されます。
+
+* `api_key` (Optional[str]): W&BのAPIキー。
+
+* `azure_account_url_to_access_key` (Optional[Dict[str, str]]): Azure アカウント URL から対応する Azure インテグレーションで使用するアクセスキーへのマッピング。
+
+* `app_url_override` (Optional[str]): W&B UI の「app」URL を上書きするための設定です。
+ 通常、`app_url` は `base_url` に基づいて算出されますが、この引数を使うと明示的に設定できます。
+ 対応する環境変数は WANDB_APP_URL です。
+
+* `base_url` (str): データ同期に使用する W&B バックエンドの URL。
+
+* `code_dir` (Optional[str]): W&B で追跡するコードを含むディレクトリ。
+
+* `config_paths` (Optional[Sequence]): 設定を `Config` オブジェクトに読み込むための設定ファイルのパス。
+
+* `console` (Literal['auto', 'off', 'wrap', 'redirect', 'wrap_raw', 'wrap_emu']): 適用するコンソール出力キャプチャの種類。
+ 使用可能な値は次のとおりです:
+ * "auto" - システム環境と設定に基づいて、コンソールキャプチャ方法を自動的に選択します。
+ * "off" - コンソールキャプチャを無効にします。
+ * "redirect" - 出力をキャプチャするために、低レベルのファイルディスクリプタをリダイレクトします。
+ * "wrap" - sys.stdout/sys.stderr の write メソッドをオーバーライドします。システムの状態に応じて、"wrap_raw" または "wrap_emu" のいずれかにマッピングされます。
+ * "wrap_raw" - "wrap" と同様ですが、エミュレータ経由ではなく生の出力を直接キャプチャします。`wrap` 設定に基づいて自動的に決定されるものであり、手動で設定しないでください。
+ * "wrap_emu" - "wrap" と同様ですが、エミュレータを通して出力をキャプチャします。`wrap` 設定に基づいて自動的に決定されるものであり、手動で設定しないでください。
+
+* `console_multipart` (bool): コンソールログのマルチパート記録を有効にします。
+ True の場合、SDK はコンソール出力を `output.log` という単一ファイルではなく、
+ `logs/` ディレクトリ配下のタイムスタンプ付きファイルに書き込みます。
+ 各パートはクローズされるとすぐにアップロードされるため、run がアクティブな間、
+ ユーザーはログへリアルタイムでアクセスできます。ロールオーバーのタイミングは
+ `console_chunk_max_bytes` および／または `console_chunk_max_seconds` によって制御されます。
+ 両方の上限が `0` の場合、すべてのログは run の終了時に一括でアップロードされます。
+ 注意: アップロードされたチャンクは変更できません。過去の行を変更する
+ ターミナル制御シーケンス（キャリッジリターンを使ったプログレスバーなど）は、
+ 現在のチャンクにのみ影響します。
+
+* `console_chunk_max_bytes` (int): マルチパートコンソールログに対するサイズベースのローテーション閾値（バイト単位）。
+ 現在のパートがこのサイズに達したときに、新しいコンソールログファイルを開始します。
+ `console_multipart` が `True` の場合にのみ有効です。
+ `console_chunk_max_seconds` と組み合わせて使用できます。どちらかの上限に先に達した時点でローテーションがトリガーされます。
+ `0` を指定すると、サイズベースの上限は無効になります。
+
+* `console_chunk_max_seconds` (int): マルチパートコンソールログ用の時間ベースのロールオーバーしきい値（秒単位）。
+ 現在のパートが開始してから指定した秒数が経過すると、新しいコンソールログファイルを作成します。
+ `console_multipart` が `True` であることが必要です。`console_chunk_max_bytes` と併用できます。
+ いずれかのしきい値に先に達した時点で、そのパートを終了します。`0` を指定すると、
+ 時間ベースの制限は無効になります。
+
+* `credentials_file` (str): 一時的なアクセストークンを書き込むためのファイルパス。
+
+* `disable_code` (bool): コードのキャプチャを無効にするかどうかを指定します。
+
+* `disable_git` (bool): Git の状態の取得を無効化するかどうか。
+
+* `disable_job_creation` (bool): W&B Launch 用のジョブ アーティファクトの作成を無効にするかどうかを指定します。
+
+* `docker` (Optional[str]): スクリプトを実行するために使用される Docker イメージ。
+
+* `email` (Optional[str]): ユーザーのメールアドレス。
+
+* `entity` (Optional[str]): W&B のエンティティ。例: ユーザーやチーム。
+
+* `organization` (Optional[str]): W&B の組織。
+
+* `force` (bool): `wandb.login()` に `force` フラグを渡すかどうか。
+
+* `fork_from` (Optional[RunMoment]): run をフォークする元となる、過去の run の実行時点を指定します。
+ この時点は、run ID、メトリクス、その値によって定義されます。
+ 現在はメトリクス '_step' のみがサポートされています。
+
+* `git_commit` (Optional[str]): run に関連付ける git コミットのハッシュ。
+
+* `git_remote` (str): run に関連付ける git リモート。
+
+* `git_remote_url` (Optional[str]): Git のリモートリポジトリの URL。
+
+* `git_root` (Optional[str]): Git リポジトリのルートディレクトリ。
+
+* `host` (Optional[str]): スクリプトを実行しているマシンのホスト名。
+
+* `http_proxy` (Optional[str]): W&B への HTTP リクエストに使用するカスタムプロキシサーバーを指定します。
+
+* `https_proxy` (Optional[str]): W&B への HTTPS リクエストに使用するカスタムプロキシサーバー。
+
+* `identity_token_file` (Optional[str]): 認証に使用する ID トークン (JWT) を格納したファイルへのパス。
+
+* `ignore_globs` (Sequence): アップロード対象から除外するファイルを指定する、`files_dir` を基準とした Unix のグロブパターン。
+
+* `init_timeout` (float): `wandb.init` 呼び出しの完了を待機する最大時間（秒）。
+
+* `insecure_disable_ssl` (bool): SSL 検証を安全ではない形で無効にするかどうか。
+
+* `job_name` (Optional[str]): このスクリプトを実行する Launch ジョブの名前。
+
+* `job_source` (Optional[Literal['repo', 'artifact', 'image']]): Launch のソース種別。
+
+* `label_disable` (bool): 自動ラベリング機能を無効にするかどうかを指定します。
+
+* `launch_config_path` (Optional[str]): Launch の設定ファイルへのパス。
+
+* `login_timeout` (Optional[float]): ログイン処理がタイムアウトするまでの待ち時間（秒）。
+
+* `mode` (Literal['online', 'offline', 'shared', 'disabled', 'dryrun', 'run']): W&B のロギングおよび同期の動作モードを指定します。
+
+* `notebook_name` (Optional[str]): Jupyter などの環境で実行している場合のノートブックの名前。
+
+* `program` (Optional[str]): 利用可能な場合は、この run を作成したスクリプトへのパス。
+
+* `program_abspath` (Optional[str]): run を作成したスクリプトへの、リポジトリのルートディレクトリからの絶対パス。
+ リポジトリのルートディレクトリは、(存在する場合は) `.git` ディレクトリを含むディレクトリとして定義されます。存在しない場合は、現在のカレントディレクトリになります。
+
+* `program_relpath` (Optional[str]): この run を作成したスクリプトへの相対パス。
+
+* `project` (Optional[str]): W&B プロジェクトの ID。
+
+* `quiet` (bool): 不要な出力を抑制するフラグ。
+
+* `reinit` (Union[Literal['default', 'return_previous', 'finish_previous', 'create_new'], bool]): run がアクティブな状態で `wandb.init()` が呼び出されたときの動作を指定します。
+ オプション:
+ * "default": ノートブックでは "finish_previous" を、それ以外では
+ "return_previous" を使用します。
+ * "return_previous": まだ終了していない、直近に作成された run を返します。
+ これは `wandb.run` を更新しません。"create_new" オプションを参照してください。
+ * "finish_previous": すべてのアクティブな run を終了してから、新しい run を返します。
+ * "create_new": 他のアクティブな run を変更せずに新しい run を作成します。
+ `wandb.run` や `wandb.log` などのトップレベル関数は更新されません。
+ このため、グローバルな run に依存している一部の古いインテグレーションは動作しません。
+ ブール値を指定することもできますが、これは非推奨です。False は
+ "return_previous" と同じで、True は "finish_previous" と同じです。
+
+* `relogin` (bool): 再ログインを強制するフラグ。
+
+* `resume` (Optional[Literal['allow', 'must', 'never', 'auto']]): run の再開時の動作を指定します。
+ オプション:
+ * "must": 同じ ID を持つ既存の run から再開します。そのような run が存在しない場合は、失敗します。
+ * "allow": 同じ ID を持つ既存の run からの再開を試みます。見つからなければ、新しい run が作成されます。
+ * "never": 常に新しい run を開始します。同じ ID を持つ run がすでに存在する場合は、失敗します。
+ * "auto": 同じマシン上で直近に失敗した run から自動的に再開します。
+
+* `resume_from` (Optional[RunMoment]): 再開元となる、過去の run 実行中のある時点を指定します。
+ この時点は run ID、メトリクス、およびその値によって定義されます。
+ 現在はメトリクス '_step' のみがサポートされています。
+
+* `root_dir` (str): すべての run 関連パスの基準とするルートディレクトリ。
+ 特に、wandb ディレクトリと run ディレクトリのパスを決定するために使用されます。
+
+* `run_group` (Optional[str]): 関連する run のグループ識別子。
+ UI 上で run をグループ化するために使用します。
+
+* `run_id` (Optional[str]): run の ID。
+
+* `run_job_type` (Optional[str]): 実行するジョブの種類（例：学習、評価）。
+
+* `run_name` (Optional[str]): run のわかりやすい名前。
+
+* `run_notes` (Optional[str]): run についての追加メモや説明。
+
+* `run_tags` (Optional[Tuple[str, Ellipsis]]): run に関連付けるタグ。run の整理やフィルタリングに使用します。
+
+* `sagemaker_disable` (bool): SageMaker 向けの機能を無効化するフラグ。
+
+* `save_code` (Optional[bool]): run に関連付けられたコードを保存するかどうか。
+
+* `settings_system` (Optional[str]): システム全体の設定ファイルへのパス。
+
+* `max_end_of_run_history_metrics` (int): run の終了時に表示される履歴スパークラインの最大数。`
+
+* `max_end_of_run_summary_metrics` (int): run の終了時に表示されるサマリーメトリクスの最大数。
+
+* `show_errors` (bool): エラーメッセージを表示するかどうかを指定します。
+
+* `show_info` (bool): 情報メッセージを表示するかどうかを指定します。
+
+* `show_warnings` (bool): 警告メッセージを表示するかどうかを指定します。
+
+* `silent` (bool): すべての出力を抑制するかどうかを制御するフラグ。
+
+* `strict` (Optional[bool]): 検証およびエラーチェックのために strict モードを有効にするかどうかを指定します。
+
+* `summary_timeout` (int): サマリーの処理がタイムアウトするまでの待機時間（秒）。
+
+* `sweep_id` (Optional[str]): この run が属するスイープの識別子。
+
+* `sweep_param_path` (Optional[str]): スイープのパラメータ設定へのパス。
+
+* `symlink` (bool): シンボリックリンクを使用するかどうか（Windows 以外の環境ではデフォルトで True）。
+
+* `sync_tensorboard` (Optional[bool]): TensorBoard ログを W&B と同期するかどうか。
+
+* `table_raise_on_max_row_limit_exceeded` (bool): テーブル行数の上限を超えた場合に例外を送出するかどうか。
+
+* `use_dot_wandb` (Optional[bool]): run データに対して、隠しディレクトリ `.wandb` を使うか、表示される `wandb` ディレクトリを使うかを指定します。
+ True の場合、SDK は `.wandb` を使用します。False の場合は `wandb` を使用します。
+ 設定しない場合、`.wandb` がすでに存在していれば `.wandb` を、存在しなければ `wandb` をデフォルトとして使用します。
+
+* `username` (Optional[str]): ユーザー名。
+
+* `x_disable_meta` (bool): システムメタデータ収集を無効化するフラグ。
+
+* `x_disable_stats` (bool): システムメトリクスの収集を無効化するフラグ。
+
+* `x_extra_http_headers` (Optional[Dict[str, str]]): すべての送信 HTTP リクエストに付与する追加ヘッダー。
+
+* `x_label` (Optional[str]): run で収集されたシステムメトリクスおよびコンソールログに割り当てるラベル。
+ これはフロントエンドでデータをグループ化する際に使用され、
+ 分散学習ジョブ内の異なるプロセスからのデータを区別するためにも使用できます。
+
+* `x_primary` (bool): 内部の wandb ファイルとメタデータを保存するかどうかを指定します。
+ 分散環境では、プライマリプロセスがメインのロギングを処理する一方で、システムメトリクスとログだけが必要なセカンダリプロセスからの
+ ファイル上書きを回避するのに役立ちます。
+
+* `x_save_requirements` (bool): requirements ファイルを保存するかどうかを示すフラグ。
+
+* `x_server_side_derived_summary` (bool): 履歴から要約を自動的に計算する処理をサーバー側に任せるかどうかを指定するフラグです。
+ これは、ユーザーが提供する要約の更新を無効にはしません。
+
+* `x_service_wait` (float): wandb-core の内部サービスが起動するまで待機する時間（秒）。
+
+* `x_skip_transaction_log` (bool): run のイベントをトランザクションログに保存する処理をスキップするかどうか。
+ これはオンラインの run にのみ有効です。ディスクに書き込まれる
+ データ量を減らすために使用できます。
+ ただし、復旧可能性に関する保証がなくなるため、注意して
+ 使用してください。
+
+* `x_stats_sampling_interval` (float): システムモニタのサンプリング間隔（秒単位）。
+
+* `x_stats_dcgm_exporter` (Optional[str]): Nvidia DCGM のメトリクスを取得するためのエンドポイント。
+ オプション:
+ * Prometheus の `/api/v1/query` エンドポイントへのクエリから、DCGM 関連のメトリクスを抽出します。
+ Prometheus を使用して、クラスタ内の異なるノード上で動作している DCGM Exporter インスタンスが報告するメトリクスを集約することは一般的な手法です。
+ * TODO: DCGM Exporter の `/metrics` エンドポイントからメトリクスを直接解析します。
+ 例:
+ * `http://localhost:9400/api/v1/query?query=DCGM_FI_DEV_GPU_TEMP{node="l1337", cluster="globular"}`.
+
+* `x_stats_open_metrics_endpoints` (Optional[Dict[str, str]]): システムメトリクス監視用の OpenMetrics `/metrics` エンドポイント。
+
+* `x_stats_open_metrics_filters` (Union[Dict[str, Dict[str, str]], Sequence, None]): OpenMetrics の `/metrics` エンドポイントから収集されたメトリクスに対して適用するフィルターです。
+ 次の 2 つの形式をサポートします：
+ * `{"metric regex pattern, including endpoint name as prefix": {"label": "label value regex pattern"}}`
+ * `("metric regex pattern 1", "metric regex pattern 2", ...)`
+
+* `x_stats_open_metrics_http_headers` (Optional[Dict[str, str]]): OpenMetrics リクエストに追加する HTTP ヘッダー。
+
+* `x_stats_disk_paths` (Optional[Sequence]): ディスク使用量を監視するシステムパス。
+
+* `x_stats_cpu_count` (Optional[int]): システムの CPU 数。
+ この値を設定すると、run メタデータで自動検出された値を上書きします。
+
+* `x_stats_cpu_logical_count` (Optional[int]): 論理 CPU の数。
+ 設定されている場合は、run メタデータ内の自動検出値を上書きします。
+
+* `x_stats_gpu_count` (Optional[int]): GPU デバイス数。
+ 設定されている場合、run のメタデータ内の自動検出された値を上書きします。
+
+* `x_stats_gpu_type` (Optional[str]): GPU デバイスの種類。
+ 指定すると、run メタデータ内で自動検出された値を上書きします。
+
+* `x_stats_gpu_device_ids` (Optional[Sequence]): 監視対象とする GPU デバイスのインデックス。
+ 設定されていない場合、システムモニターはすべての GPU のメトリクスを収集します。
+ CUDA/ROCm デバイスの列挙と一致する、0 始まりのインデックスであると想定されます。
+
+* `x_stats_track_process_tree` (bool): `x_stats_pid` から始まるプロセスツリー全体のリソース使用状況を監視します。
+ `True` の場合、システムモニターは、PID が `x_stats_pid` であるプロセスとそのすべての子孫プロセスの RSS、CPU 使用率、スレッド数を集約します。
+ これはパフォーマンスのオーバーヘッドを招く可能性があるため、デフォルトでは無効になっています。
+
+* `x_sync_dir_suffix` (str): run のディレクトリ名 (sync_dir) に追加するサフィックス。
+ 名前の競合を避けるために wandb.init() で設定します。
+ 設定されている場合は、デフォルト名の末尾にハイフンで連結されます。
+
+* `x_update_finish_state` (bool): このプロセスがサーバー上の run の最終状態を更新してよいかどうかを示すフラグ。
+ 分散学習では、run の最終状態をメインプロセスだけが決定するようにしたい場合に False に設定します。
+
+**戻り値:**
`Settings` オブジェクト。
### property `Settings.app_url`
-W&B UI の URL。通常は https://wandb.ai。
+通常は https://wandb.ai となる、W&B の UI の URL です。
-これは、プログラムで W&B API にアクセスするために使用される `base_url` ([https://api.wandb.ai](https://api.wandb.ai) など) とは異なります。
+これは、プログラムから W&B の API にアクセスするために使用される `base_url`（例: https://api.wandb.ai ）とは異なります。
-**Returns:**
- - `str`: app_url プロパティの値。
+**戻り値:**
+
+- `str`: `app_url` プロパティの値。
### property `Settings.colab_url`
-Colab で実行されている場合の Colab ノートブックへの URL。
+Colab 上で実行している場合の Colab ノートブックの URL。
-**Returns:**
- - `Optional[str]`: colab_url プロパティの値。
+**戻り値:**
+
+- `Optional[str]`: `colab_url` プロパティの値。
-### property `Settings.deployment`
+### プロパティ `Settings.deployment`
### property `Settings.files_dir`
-Run のファイルが保存されるローカルディレクトリーへの絶対パス。
+run のファイルが格納されているローカルディレクトリの絶対パス。
-**Returns:**
- - `str`: files_dir プロパティの値。
+**戻り値:**
-### property `Settings.is_local`
+- `str`: files_dir プロパティの値。
+
+### プロパティ `Settings.is_local`
### property `Settings.log_dir`
-ログファイルを保存するためのディレクトリー。
+ログファイルを格納するディレクトリ。
-**Returns:**
- - `str`: log_dir プロパティの値。
+**戻り値:**
+
+- `str`: `log_dir` プロパティの値。
### property `Settings.log_internal`
内部ログに使用するファイルへのパス。
-**Returns:**
- - `str`: log_internal プロパティの値。
+**戻り値:**
+
+- `str`: `log_internal` プロパティの値。
### property `Settings.log_symlink_internal`
-最新の Run の内部ログファイルへのシンボリックリンクのパス。
+最新の run の内部ログファイルへのシンボリックリンクのパス。
-**Returns:**
- - `str`: log_symlink_internal プロパティの値。
+**戻り値:**
+
+- `str`: `log_symlink_internal` プロパティの値。
### property `Settings.log_symlink_user`
-最新の Run のユーザープロセスログファイルへのシンボリックリンクのパス。
+直近の run のユーザープロセスログファイルへのシンボリックリンクのパス。
-**Returns:**
- - `str`: log_symlink_user プロパティの値。
+**戻り値:**
+
+- `str`: `log_symlink_user` プロパティの値。
### property `Settings.log_user`
-ユーザープロセスログに使用するファイルへのパス。
+ユーザープロセスのログを出力するファイルのパス。
-**Returns:**
- - `str`: log_user プロパティの値。
+**戻り値:**
+
+- `str`: `log_user` プロパティの値。
### property `Settings.project_url`
-プロジェクトを表示できる W&B の URL。
+そのプロジェクトを閲覧できる W&B 上の URL。
**Returns:**
- - `str`: project_url プロパティの値。
+
+- `str`: project_url プロパティの値。
### property `Settings.resume_fname`
-再開（resume）ファイルへのパス。
+再開用ファイルへのパス。
-**Returns:**
- - `str`: resume_fname プロパティの値。
+**戻り値:**
+
+- `str`: `resume_fname` プロパティの値。
### property `Settings.run_mode`
-Run のモード。"run" または "offline-run" のいずれか。
+run のモードを表します。"run" または "offline-run" のいずれかです。
-**Returns:**
- - `Literal['run', 'offline-run']`: run_mode プロパティの値。
+**戻り値:**
+
+- `Literal['run', 'offline-run']`: run_mode プロパティの値。
### property `Settings.run_url`
-Run を表示できる W&B の URL。
+run を表示できる W&B の URL。
**Returns:**
- - `str`: run_url プロパティの値。
+
+- `str`: run_url プロパティの値。
### property `Settings.settings_workspace`
-ワークスペース設定ファイルへのパス。
+ワークスペースの設定ファイルへのパス。
-**Returns:**
- - `str`: settings_workspace プロパティの値。
+**戻り値:**
+
+- `str`: `settings_workspace` プロパティの値。
### property `Settings.sweep_url`
-Sweep を表示できる W&B の URL。
+W&B 上のスイープを表示するための URL。
-**Returns:**
- - `str`: sweep_url プロパティの値。
+**戻り値:**
+
+- `str`: `sweep_url` プロパティの値。
### property `Settings.sync_dir`
-Run のファイルを保存するためのディレクトリー。
+run のファイルを格納するディレクトリ。
-**Returns:**
- - `str`: sync_dir プロパティの値。
+**戻り値:**
+
+- `str`: sync_dir プロパティの値。
### property `Settings.sync_file`
-追加専用のバイナリトランザクションログファイルへのパス。
+追記専用バイナリのトランザクションログファイルへのパス。
-**Returns:**
- - `str`: sync_file プロパティの値。
+**戻り値:**
+
+- `str`: `sync_file` プロパティの値。
### property `Settings.sync_symlink_latest`
-最新の Run のトランザクションログファイルへのシンボリックリンクのパス。
+最新の run のトランザクションログファイルを指すシンボリックリンクのパス。
-**Returns:**
- - `str`: sync_symlink_latest プロパティの値。
+**戻り値:**
+
+- `str`: sync_symlink_latest プロパティの値。
### property `Settings.timespec`
-Run の時間指定。
+run の時間指定。
-**Returns:**
- - `str`: timespec プロパティの値。
+**戻り値:**
+
+- `str`: timespec プロパティの値。
### property `Settings.wandb_dir`
-wandb ディレクトリーへのフルパス。
+wandb ディレクトリへのフルパス。
-**Returns:**
- - `str`: wandb_dir プロパティの値。
+**戻り値:**
+
+* `str`: wandb_dir プロパティの値。
\ No newline at end of file
diff --git a/ja/models/ref/python/experiments/system-metrics.mdx b/ja/models/ref/python/experiments/system-metrics.mdx
index 3ebc9f8c59..87c19cbc42 100644
--- a/ja/models/ref/python/experiments/system-metrics.mdx
+++ b/ja/models/ref/python/experiments/system-metrics.mdx
@@ -1,95 +1,107 @@
---
-title: システムメトリクス・リファレンス
-description: W&B によって自動的にログが記録されるメトリクス。
+description: W&B によって自動的に記録されるシステムメトリクス。
+title: "システムメトリクス リファレンス"
aliases:
- /platform/app/settings-page/system-metrics/
- /guides/ref/system-metrics
---
-このページでは、W&B SDKによって追跡されるシステムメトリクスに関する詳細な情報を提供します。
+このページでは、W&B SDK によって収集されるシステムメトリクスについて詳しく説明します。
-`wandb` は15秒ごとにシステムメトリクスを自動的にログに記録します。
+ `wandb` は 15 秒ごとにシステムメトリクスを自動的にログに記録します。
-## システムメトリクスの表示
-W&B App または `wandb beta leet` ターミナルUIを使用して、システムメトリクスを表示および監視できます。
+
+ ## システムメトリクスの表示
+
+
+W&B App または `wandb beta leet` ターミナル UI を使用してシステムメトリクスを表示および監視できます。
-
+
+ W&B App でシステムメトリクスを表示するには、次の手順を実行します。
+
+ 1. W&B App で自分のプロジェクトに移動します。
+ 2. **Runs** テーブルから run を 1 つ選択します。
+ 3. ワークスペース内で、次のチャートを表示する **System** セクションを探します。
+ * GPU の使用率とメモリ
+ * CPU 使用率
+ * メモリ使用量
+ * ディスク I/O
+ * ネットワークトラフィック
-W&B Appでシステムメトリクスを表示するには：
+ ワークスペースにパネルを追加することで、表示するシステムメトリクスをカスタマイズできます。可視化の作成とカスタマイズの詳細は、[Panels](/ja/models/app/features/panels/) を参照してください。
+
-1. W&B Appでプロジェクトに移動します。
-2. **Runs** テーブルから run を選択します。
-3. Workspace 内で、以下のチャートを表示する **System** セクションを探します：
- - GPU の使用率とメモリ
- - CPU 使用率
- - メモリ使用率
- - ディスク I/O
- - ネットワークトラフィック
+
+ `wandb beta leet` ターミナル UI を使用してターミナル上で run のシステムメトリクスを表示するには、次の手順を実行します。
-Workspace にパネルを追加することで、表示するシステムメトリクスをカスタマイズできます。可視化の作成とカスタマイズの詳細については、[Panels](/models/app/features/panels/) を参照してください。
+ 1. run をローカルのスクリプトから開始した場合は、コードを実行したディレクトリに移動します。そこには、run ごとのサブディレクトリと `latest-run/` シンボリックリンクを含む `wandb/` ディレクトリがあります。各 run ディレクトリには、`run-.wandb` という形式のトランザクションログが含まれています。
-
-
+ run をローカルで開始せず、代わりに `.wandb` トランザクションログファイルをダウンロードした場合は、その場所をメモしておきます。
+ 2. 次のいずれかのコマンドで `wandb beta leet` を起動します。
-`wandb beta leet` ターミナルUIを使用して、ターミナルで run のシステムメトリクスを表示するには：
+ ```bash
+ # ./wandb/latest-run/ に保存されている最新の run を表示
+ wandb beta leet
-1. スクリプトからローカルで run を開始した場合、コードを実行したディレクトリーに移動します。そこには `wandb/` ディレクトリーがあり、run ごとのサブディレクトリーと `latest-run/` シンボリックリンクが含まれています。各 run ディレクトリーには、`run-.wandb` という形式の名前のトランザクションログが含まれています。
+ # run ディレクトリを指定
+ wandb beta leet ./wandb/run-20250813_124246-n67z9ude
- ローカルで run を開始せずに、代わりに `.wandb` トランザクションログファイルをダウンロードした場合は、その場所をメモしておいてください。
-2. 以下のいずれかのコマンドを使用して `wandb beta leet` を開始します：
+ # .wandb ファイルを指定
+ wandb beta leet ./wandb/run-20250813_124246-n67z9ude/run-n67z9ude.wandb
+ ```
- ```bash
- # ./wandb/latest-run/ に保存されている最新の run を表示
- wandb beta leet
-
- # run ディレクトリーを指定
- wandb beta leet ./wandb/run-20250813_124246-n67z9ude
-
- # .wandb ファイルを指定
- wandb beta leet ./wandb/run-20250813_124246-n67z9ude/run-n67z9ude.wandb
- ```
+ 
-
+ LEET はシステムメトリクスを **右サイドバー** に表示し、次の情報を示します。
-LEET は **右サイドバー** にシステムメトリクスを表示し、以下を示します：
-- GPU 使用率 (%) とメモリ使用量 (GB)
-- CPU 使用率
-- RAM 使用量 (GB)
-- ディスク I/O
-- ネットワークアクティビティ
+ * GPU 使用率 (%) とメモリ使用量 (GB)
+ * CPU 使用率
+ * RAM 使用量 (GB)
+ * ディスク I/O
+ * ネットワークアクティビティ
-以下のキーボードショートカットで操作を開始できます：
-- `h` または `?` - すべてのキーボードショートカットを表示
-- `/` - パターンでメトリクスをフィルタリング
-- `[` / `]` - 左右のサイドバーの切り替え
-- `n` / `N` - メトリクスページ間の移動
-- `q` / `CMD+C` - 終了
+ 次のキーボードショートカットを使用できます。
-詳細は [`wandb beta leet`](/models/ref/cli/wandb-beta/wandb-beta-leet) を参照してください。
+ * `h` または `?` - すべてのキーボードショートカットを表示
+ * `/` - パターンでメトリクスをフィルタリング
+ * `[` / `]` - 左/右サイドバーの表示を切り替え
+ * `n` / `N` - メトリクス ページ間を移動
+ * `q` / `CMD+C` - 終了
-
+ 詳細は [`wandb beta leet`](/ja/models/ref/cli/wandb-beta/wandb-beta-leet) を参照してください。
+
-## CPU
+
+ ## CPU
+
+
+
+ ### プロセス CPU パーセント (CPU)
+
-### プロセス CPU 使用率 (CPU)
-プロセスによる CPU 使用率の割合。利用可能な CPU 数で正規化されています。
+利用可能な CPU 数で正規化された、プロセスの CPU 使用率の割合です。
-W&B はこのメトリクスに `cpu` タグを割り当てます。
+W&B はこのメトリクスに `cpu` タグを割り当てます。
-### プロセス CPU スレッド
-プロセスによって利用されているスレッドの数。
+
+ ### プロセス CPU スレッド数
+
-W&B はこのメトリクスに `proc.cpu.threads` タグを割り当てます。
+プロセスで利用されているスレッド数。
-{/* New section */}
+W&B はこのメトリクスに `proc.cpu.threads` というタグを付与します。
-## ディスク
+{/* 新しいセクション */}
-デフォルトでは、使用量メトリクスは `/` パスに対して収集されます。監視するパスを設定するには、以下の設定を使用します：
+
+ ## ディスク
+
+
+デフォルトでは、`/` パスの使用状況メトリクスが収集されます。監視するパスを設定するには、次の設定を使用します。
```python
run = wandb.init(
@@ -99,291 +111,430 @@ run = wandb.init(
)
```
-### ディスク使用率
-指定されたパスにおけるシステム全体のディスク使用率をパーセントで表します。
+
+ ### ディスク使用率
+
+
+指定されたパスに対するシステム ディスクの総使用率をパーセンテージで表します。
+
+W&B はこのメトリクスに `disk.{path}.usagePercent` タグを割り当てます。
+
+
+ ### ディスク使用量
+
+
+指定されたパスについて、システムディスクの総使用量をギガバイト (GB) 単位で表します。
+アクセス可能なパスをサンプリングし、各パスのディスク使用量 (GB) をサンプルに追加します。
+
+W&B はこのメトリクスに `disk.{path}.usageGB` タグを割り当てます。
+
+
+ ### Disk In
+
+
+システム全体のディスク読み取り量をメガバイト (MB) 単位で示します。\
+最初のサンプル取得時に、最初のディスク読み取りバイト数が記録されます。後続のサンプルでは、現在の読み取りバイト数と初期値との差分を計算します。
-W&B はこのメトリクスに `disk.{path}.usagePercent` タグを割り当てます。
+W&B はこのメトリクスに `disk.in` タグを割り当てます。
-### ディスク使用量
-指定されたパスにおけるシステム全体のディスク使用量をギガバイト (GB) で表します。
-アクセス可能なパスがサンプリングされ、各パスのディスク使用量 (GB) がサンプルに追加されます。
+
+ ### Disk Out
+
-W&B はこのメトリクスに `disk.{path}.usageGB` タグを割り当てます。
+システム全体のディスクへの書き込み量をメガバイト (MB) 単位で表します。
+[Disk In]() と同様に、最初のサンプル取得時にディスク書き込みバイト数の初期値を記録します。以降のサンプルでは、現在の書き込みバイト数からこの初期値を差し引いた差分を計算します。
-### ディスク入力 (Disk In)
-システム全体のディスク読み取り合計をメガバイト (MB) で示します。
-最初のサンプル取得時に初期ディスク読み取りバイト数が記録されます。それ以降のサンプルでは、現在の読み取りバイト数と初期値の差分が計算されます。
+W&B はこのメトリクスに `disk.out` タグを割り当てます。
-W&B はこのメトリクスに `disk.in` タグを割り当てます。
+{/* 新しいセクション */}
-### ディスク出力 (Disk Out)
-システム全体のディスク書き込み合計をメガバイト (MB) で表します。
-[ディスク入力]() と同様に、最初のサンプル取得時に初期ディスク書き込みバイト数が記録されます。それ以降のサンプルでは、現在の書き込みバイト数と初期値の差分が計算されます。
+
+ ## メモリ
+
-W&B はこのメトリクスに `disk.out` タグを割り当てます。
+
+プロセスのメモリ常駐集合サイズ (RSS) をメガバイト (MB) 単位で表します。RSS は、プロセスが使用しているメモリのうち、メイン メモリ (RAM) 上に保持されている部分です。
-{/* New section */}
+W&B はこのメトリクスには `proc.memory.rssMB` というタグを付与します。
-## メモリ
+
+ ### プロセスのメモリ使用率 (パーセント)
+
-### プロセスメモリ RSS
-プロセスのメモリ常駐セットサイズ (RSS) をメガバイト (MB) で表します。RSS は、プロセスによって占有されているメモリのうち、メインメモリ (RAM) に保持されている部分です。
+利用可能なメモリ全体に対する、このプロセスのメモリ使用量の割合を示します。
-W&B はこのメトリクスに `proc.memory.rssMB` タグを割り当てます。
+W&B はこのメトリクスに `proc.memory.percent` タグを付与します。
-### プロセスメモリ使用率
-利用可能な全メモリに対するプロセスのメモリ使用量の割合を示します。
+
+ ### メモリ使用率 (パーセント)
+
-W&B はこのメトリクスに `proc.memory.percent` タグを割り当てます。
+利用可能なメモリ全体に対する、システム全体のメモリ使用量の割合を表します。
-### メモリ使用率
-利用可能な全メモリに対するシステム全体のメモリ使用率を表します。
+W&B はこのメトリクスに `memory_percent` タグを割り当てます。
-W&B はこのメトリクスに `memory_percent` タグを割り当てます。
+
+ ### 利用可能メモリ
+
-### 利用可能メモリ
-システム全体の利用可能な合計メモリをメガバイト (MB) で示します。
+システムで利用可能なメモリの合計量をメガバイト (MB) 単位で示します。
-W&B はこのメトリクスに `proc.memory.availableMB` タグを割り当てます。
+W&B はこのメトリクスに `proc.memory.availableMB` タグを割り当てます。
-{/* New section */}
+{/* 新しいセクション */}
-## ネットワーク
+
+ ## ネットワーク
+
+
+
+ ### Network Sent
+
-### ネットワーク送信量 (Network Sent)
ネットワーク経由で送信された合計バイト数を表します。
-メトリクスが最初に初期化されたときに、初期送信バイト数が記録されます。それ以降のサンプルでは、現在の送信バイト数と初期値の差分が計算されます。
+メトリクスが初期化されたときに、当時の送信バイト数が記録されます。その後のサンプルでは、現在の送信バイト数からこの初期値を差し引いた差分を計算します。
-W&B はこのメトリクスに `network.sent` タグを割り当てます。
+W&B はこのメトリクスに `network.sent` タグを割り当てます。
-### ネットワーク受信量 (Network Received)
+
+ ### 受信ネットワーク量
+
ネットワーク経由で受信した合計バイト数を示します。
-[ネットワーク送信量]() と同様に、メトリクスが最初に初期化されたときに初期受信バイト数が記録されます。それ以降のサンプルでは、現在の受信バイト数と初期値の差分が計算されます。
+[Network Sent]() と同様に、メトリクスが最初に初期化された時点の受信バイト数が記録されます。以降のサンプルでは、現在の受信バイト数からその初期値を差し引いた値を計算します。
+
+W&B はこのメトリクスに `network.recv` タグを付与します。
+
+{/* 新しいセクション */}
+
+
+ ## NVIDIA GPU
+
+
+以下で説明するメトリクスに加えて、プロセスおよび／またはその子プロセスが特定の GPU を使用している場合、W&B は対応するメトリクスを `gpu.process.{gpu_index}.{metric_name}` として記録します。
+
+
+ ### GPU メモリ使用率
+
+
+各 GPU の GPU メモリ使用率 (％) を表します。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.memory` タグを割り当てます。
+
+
+ ### GPU メモリ割り当て
+
+
+各 GPU ごとに、利用可能な総メモリに対して割り当てられている GPU メモリの割合を示します。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.memoryAllocated` タグを割り当てます。
+
+
+ ### GPU メモリ割り当てバイト数
+
+
+各 GPU ごとに、割り当てられた GPU メモリ量をバイト単位で示します。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.memoryAllocatedBytes` タグを割り当てます。
+
+
+ ### GPU 使用率
+
+
+各 GPU の使用率をパーセントで示します。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.gpu` タグを割り当てます。
+
+
+ ### GPU Temperature
+
+
+各 GPU の摂氏温度です。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.temp` タグを割り当てます。
+
+
+ ### GPU 電力使用量 (ワット)
+
+
+各 GPU の消費電力 (ワット) を示します。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.powerWatts` タグを割り当てます。
+
+
+ ### GPU 電力使用率 (パーセント)
+
+
+各 GPU の電力容量に対する、GPU 消費電力の割合を示します。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.powerPercent` タグを割り当てます。
+
+
+ ### GPU SM クロック速度
+
+
+GPU 上の Streaming Multiprocessor (SM) のクロック速度を MHz 単位で表すメトリクスです。このメトリクスは、計算タスクを担当する GPU コア内部の処理速度の指標となります。
+
+W&B はこのメトリクスに `gpu.{gpu_index}.smClock` タグを割り当てます。
+
+
+ ### GPU メモリクロック速度
+
-W&B はこのメトリクスに `network.recv` タグを割り当てます。
+GPU メモリのクロック速度を MHz で表し、GPU メモリと処理コア間のデータ転送速度に影響します。
-{/* New section */}
+W&B はこのメトリクスに `gpu.{gpu_index}.memoryClock` タグを割り当てます。
-## NVIDIA GPU
+
+ ### GPU グラフィックス クロック速度
+
-以下に説明するメトリクスに加えて、プロセスまたはその子孫が特定の GPU を使用している場合、W&B は対応するメトリクスを `gpu.process.{gpu_index}.{metric_name}` として取得します。
+GPU 上でのグラフィックス レンダリング処理に対するベースクロック周波数を表し、単位は MHz です。このメトリクスは、可視化やレンダリングタスク中のパフォーマンスを反映することがよくあります。
-### GPU メモリ使用率
-各 GPU の GPU メモリ使用率をパーセントで表します。
+W&B はこのメトリクスに `gpu.{gpu_index}.graphicsClock` タグを割り当てます。
-W&B はこのメトリクスに `gpu.{gpu_index}.memory` タグを割り当てます。
+
+ ### GPU 修正メモリエラー
+
-### GPU 割り当て済みメモリ
-各 GPU の全利用可能メモリに対する、割り当て済み GPU メモリの割合を示します。
+GPU 上で発生したメモリエラーのうち、エラーチェックプロトコルによって W&B が自動的に修正したものの回数を追跡します。これは、回復可能なハードウェア障害を示します。
-W&B はこのメトリクスに `gpu.{gpu_index}.memoryAllocated` タグを割り当てます。
+W&B はこのメトリクスに `gpu.{gpu_index}.correctedMemoryErrors` タグを割り当てます。
-### GPU 割り当て済みメモリ (バイト)
-各 GPU の割り当て済み GPU メモリをバイト単位で指定します。
+
+ ### GPU 未訂正メモリエラー
+
-W&B はこのメトリクスに `gpu.{gpu_index}.memoryAllocatedBytes` タグを割り当てます。
+GPU 上で発生し、W&B によって訂正されなかったメモリエラーの回数を追跡します。これは処理の信頼性に影響しうる、回復不能なエラーを示します。
-### GPU 使用率
-各 GPU の GPU 使用率をパーセントで反映します。
+W&B はこのメトリクスに `gpu.{gpu_index}.unCorrectedMemoryErrors` タグを割り当てます。
-W&B はこのメトリクスに `gpu.{gpu_index}.gpu` タグを割り当てます。
+
+ ### GPU エンコーダー使用率
+
-### GPU 温度
-各 GPU の GPU 温度を摂氏で示します。
+GPU のビデオエンコーダーの使用率 (パーセンテージ) を表し、エンコード処理 (例：動画レンダリング) 実行時の負荷を示します。
-W&B はこのメトリクスに `gpu.{gpu_index}.temp` タグを割り当てます。
+W&B はこのメトリクスに `gpu.{gpu_index}.encoderUtilization` タグを割り当てます。
-### GPU 消費電力 (ワット)
-各 GPU の GPU 消費電力をワットで示します。
+{/* 新しいセクション */}
-W&B はこのメトリクスに `gpu.{gpu_index}.powerWatts` タグを割り当てます。
+
+ ## AMD GPU
+
-### GPU 消費電力率
+W&B は AMD が提供する `rocm-smi` ツール (`rocm-smi -a --json`) の出力から メトリクス を抽出します。
-各 GPU の電力容量に対する GPU 消費電力の割合を反映します。
+ROCm の [6.x (最新) ](https://rocm.docs.amd.com/en/latest/) および [5.x](https://rocm.docs.amd.com/en/docs-5.6.0/) フォーマットがサポートされています。ROCm フォーマットの詳細については [AMD ROCm ドキュメント](https://rocm.docs.amd.com/en/latest/compatibility/compatibility-matrix.html) を参照してください。新しいフォーマットでは、より詳細な情報が含まれます。
-W&B はこのメトリクスに `gpu.{gpu_index}.powerPercent` タグを割り当てます。
+
+ ### AMD GPU 利用率
+
-### GPU SM クロック速度
-GPU 上のストリーミングマルチプロセッサ (SM) のクロック速度を MHz で表します。このメトリクスは、計算タスクを担当する GPU コア内の処理速度を示します。
+各 AMD GPU デバイスごとの GPU 利用率 (%) を表します。
-W&B はこのメトリクスに `gpu.{gpu_index}.smClock` タグを割り当てます。
+W&B はこのメトリクスに `gpu.{gpu_index}.gpu` タグを付与します。
-### GPU メモリクロック速度
-GPU メモリのクロック速度を MHz で表します。これは GPU メモリと処理コア間のデータ転送速度に影響します。
+
+ ### AMD GPU メモリ割り当て量
+
-W&B はこのメトリクスに `gpu.{gpu_index}.memoryClock` タグを割り当てます。
+各 AMD GPU デバイスについて、利用可能な総メモリに対する割り当て済み GPU メモリの割合を示します。
-### GPU グラフィックスクロック速度
+W&B はこのメトリクスに `gpu.{gpu_index}.memoryAllocated` タグを割り当てます。
-GPU でのグラフィックスレンダリング操作のベースクロック速度を MHz で表します。このメトリクスは、可視化やレンダリングタスク中のパフォーマンスを反映することがよくあります。
+
+ ### AMD GPU 温度
+
-W&B はこのメトリクスに `gpu.{gpu_index}.graphicsClock` タグを割り当てます。
+各 AMD GPU デバイスごとの GPU 温度 (摂氏) 。
-### GPU 修正済みメモリ書き込みエラー
+W&B はこのメトリクスに `gpu.{gpu_index}.temp` タグを割り当てます。
-W&B がエラーチェックプロトコルによって自動的に修正した GPU 上のメモリエラーの数を追跡し、回復可能なハードウェア問題を示します。
+
+ ### AMD GPU 電力使用量 (ワット)
+
-W&B はこのメトリクスに `gpu.{gpu_index}.correctedMemoryErrors` タグを割り当てます。
+各 AMD GPU デバイスの消費電力 (ワット単位) です。
-### GPU 未修正メモリ書き込みエラー
-W&B が修正できなかった GPU 上のメモリエラーの数を追跡し、処理の信頼性に影響を与える可能性のある回復不可能なエラーを示します。
+W&B はこのメトリクスに対して `gpu.{gpu_index}.powerWatts` タグを割り当てます。
-W&B はこのメトリクスに `gpu.{gpu_index}.unCorrectedMemoryErrors` タグを割り当てます。
+
+ ### AMD GPU 電力使用率 (％)
+
-### GPU エンコーダー使用率
+各 AMD GPU デバイスの電力容量に対する GPU 電力使用量をパーセントで示します。
-GPU のビデオエンコーダーの使用率をパーセントで表し、エンコーディングタスク（ビデオレンダリングなど）が実行されているときの負荷を示します。
+W&B では、このメトリクスに `gpu.{gpu_index}.powerPercent` を割り当てます。
-W&B はこのメトリクスに `gpu.{gpu_index}.encoderUtilization` タグを割り当てます。
+{/* 新しいセクション */}
-{/* New section */}
+
+ ## Apple シリコン Mac の GPU
+
-## AMD GPU
-W&B は、AMD が提供する `rocm-smi` ツールの出力 (`rocm-smi -a --json`) からメトリクスを抽出します。
+
+ ### Apple GPU 使用率
+
-ROCm [6.x (最新)](https://rocm.docs.amd.com/en/latest/) および [5.x](https://rocm.docs.amd.com/en/docs-5.6.0/) 形式がサポートされています。ROCm 形式の詳細については、[AMD ROCm ドキュメント](https://rocm.docs.amd.com/en/latest/compatibility/compatibility-matrix.html) を参照してください。新しい形式にはより多くの詳細が含まれています。
+ARM Mac 上の Apple GPU デバイスにおける GPU 使用率 (パーセント単位) を示します。
-### AMD GPU 使用率
-各 AMD GPU デバイスの GPU 使用率をパーセントで表します。
+W&B はこのメトリクスに `gpu.0.gpu` タグを割り当てます。
-W&B はこのメトリクスに `gpu.{gpu_index}.gpu` タグを割り当てます。
+
+ ### Apple GPU メモリ割り当て
+
-### AMD GPU 割り当て済みメモリ
-各 AMD GPU デバイスの全利用可能メモリに対する、割り当て済み GPU メモリの割合を示します。
+ARM Mac 上の Apple GPU デバイスで、利用可能な合計メモリに対して割り当てられている GPU メモリの割合です。
-W&B はこのメトリクスに `gpu.{gpu_index}.memoryAllocated` タグを割り当てます。
+W&B はこのメトリクスに `gpu.0.memoryAllocated` タグを割り当てます。
-### AMD GPU 温度
-各 AMD GPU デバイスの GPU 温度を摂氏で示します。
+
+ ### Apple GPU 温度
+
-W&B はこのメトリクスに `gpu.{gpu_index}.temp` タグを割り当てます。
+ARM Mac 上の Apple GPU デバイスの GPU 温度 (摂氏) 。
-### AMD GPU 消費電力 (ワット)
-各 AMD GPU デバイスの GPU 消費電力をワットで示します。
+W&B はこのメトリクスに `gpu.0.temp` タグを割り当てます。
-W&B はこのメトリクスに `gpu.{gpu_index}.powerWatts` タグを割り当てます。
+
+ ### Apple GPU 電力使用量 (ワット)
+
-### AMD GPU 消費電力率
-各 AMD GPU デバイスの電力容量に対する GPU 消費電力の割合を反映します。
+ARM Mac 上の Apple GPU デバイスにおける GPU 電力使用量 (ワット単位) を示します。
-W&B はこのメトリクスに `gpu.{gpu_index}.powerPercent` を割り当てます。
+W&B はこのメトリクスに `gpu.0.powerWatts` タグを割り当てます。
-{/* New section */}
+
+ ### Apple GPU 電力使用率パーセント
+
-## Apple ARM Mac GPU
+ARM Mac 上の Apple GPU デバイスにおける、電力容量に対する GPU の電力使用量の割合です。
-### Apple GPU 使用率
-Apple GPU デバイス（特に ARM Mac）の GPU 使用率をパーセントで示します。
+W&B はこのメトリクスに `gpu.0.powerPercent` タグを割り当てます。
-W&B はこのメトリクスに `gpu.0.gpu` タグを割り当てます。
+{/* 新しいセクション */}
-### Apple GPU 割り当て済みメモリ
-ARM Mac 上の Apple GPU デバイスの全利用可能メモリに対する、割り当て済み GPU メモリの割合。
+
+ ## Graphcore IPU
+
-W&B はこのメトリクスに `gpu.0.memoryAllocated` タグを割り当てます。
+Graphcore IPU (Intelligence Processing Unit) は、機械インテリジェンス向けの処理に特化して設計された独自のハードウェアアクセラレーターです。
-### Apple GPU 温度
-ARM Mac 上の Apple GPU デバイスの GPU 温度（摂氏）。
+
+ ### IPU デバイスメトリクス
+
-W&B はこのメトリクスに `gpu.0.temp` タグを割り当てます。
+これらのメトリクスは、特定の IPU デバイスに関するさまざまな統計情報を表します。各メトリクスには、識別用のデバイス ID (`device_id`) とメトリクスキー (`metric_key`) があります。W&B は、このメトリクスに `ipu.{device_id}.{metric_key}` というタグを割り当てます。
-### Apple GPU 消費電力 (ワット)
-ARM Mac 上の Apple GPU デバイスの GPU 消費電力（ワット）。
+メトリクスは、Graphcore 社の `gcipuinfo` バイナリと連携する独自ライブラリ `gcipuinfo` を使って抽出されます。`sample` メソッドは、プロセス ID (`pid`) に関連付けられた各 IPU デバイスのメトリクスを取得します。時間とともに変化するメトリクス、またはデバイスのメトリクスが初めて取得される場合にのみログに記録し、冗長なデータの記録を避けます。
-W&B はこのメトリクスに `gpu.0.powerWatts` タグを割り当てます。
+各メトリクスについては、`parse_metric` メソッドを使用して、生の文字列表現からメトリクスの値を抽出します。その後、`aggregate` メソッドを用いて、複数のサンプルにわたってメトリクスを集約します。
-### Apple GPU 消費電力率
-ARM Mac 上の Apple GPU デバイスの電力容量に対する GPU 消費電力の割合。
+利用可能なメトリクスとその単位は次のとおりです。
-W&B はこのメトリクスに `gpu.0.powerPercent` タグを割り当てます。
+* **Average Board Temperature** (`average board temp (C)`): IPU ボードの温度 (摂氏) 。
+* **Average Die Temperature** (`average die temp (C)`): IPU ダイの温度 (摂氏) 。
+* **Clock Speed** (`clock (MHz)`): IPU のクロックスピード (MHz) 。
+* **IPU Power** (`ipu power (W)`): IPU の消費電力 (ワット) 。
+* **IPU Utilization** (`ipu utilisation (%)`): IPU の利用率 (パーセント) 。
+* **IPU Session Utilization** (`ipu utilisation (session) (%)`): 現在のセッションにおける IPU の利用率 (パーセント) 。
+* **Data Link Speed** (`speed (GT/s)`): 1 秒あたりのギガトランスファ数で表されるデータ伝送速度。
-{/* New section */}
+{/* 新しいセクション */}
-## Graphcore IPU
-Graphcore IPU (Intelligence Processing Units) は、機械知能タスク専用に設計された独自のハードウェアアクセラレータです。
+
+ ## Google Cloud TPU
+
-### IPU デバイスメトリクス
-これらのメトリクスは、特定の IPU デバイスに関するさまざまな統計情報を表します。各メトリクスには、それを識別するためのデバイス ID (`device_id`) とメトリクスキー (`metric_key`) があります。W&B はこのメトリクスに `ipu.{device_id}.{metric_key}` タグを割り当てます。
+Tensor Processing Units (TPU) は、機械学習ワークロードを高速化するために Google が独自に開発した ASIC (Application Specific Integrated Circuit) です。
-メトリクスは、Graphcore の `gcipuinfo` バイナリと対話する独自の `gcipuinfo` ライブラリを使用して抽出されます。`sample` メソッドは、プロセス ID (`pid`) に関連付けられた各 IPU デバイスのこれらのメトリクスを取得します。冗長なデータのログ記録を避けるため、時間の経過とともに変化するメトリクス、またはデバイスのメトリクスが最初に取得されたときのみログに記録されます。
+
+ ### TPU メモリ使用量
+
-各メトリクスについて、`parse_metric` メソッドを使用して、生の文字列表現からメトリクスの値を抽出します。その後、`aggregate` メソッドを使用して、複数のサンプルにわたってメトリクスが集計されます。
+各 TPU コアにおける現在の High Bandwidth Memory の使用量 (バイト単位) 。
-利用可能なメトリクスとその単位の一覧は以下の通りです：
+W&B はこのメトリクスに `tpu.{tpu_index}.memoryUsageBytes` タグを割り当てます。
-- **ボード平均温度** (`average board temp (C)`): IPU ボードの温度（摂氏）。
-- **ダイ平均温度** (`average die temp (C)`): IPU ダイの温度（摂氏）。
-- **クロック速度** (`clock (MHz)`): IPU のクロック速度 (MHz)。
-- **IPU 電力** (`ipu power (W)`): IPU の消費電力（ワット）。
-- **IPU 使用率** (`ipu utilisation (%)`): IPU 使用率の割合。
-- **IPU セッション使用率** (`ipu utilisation (session) (%)`): 現在のセッションに特有の IPU 使用率の割合。
-- **データリンク速度** (`speed (GT/s)`): 1秒あたりのギガ転送単位でのデータ転送速度。
+
+ ### TPU メモリ使用率
+
+各 TPU コアにおける現在の High Bandwidth Memory の使用率 (パーセンテージ) 。
-{/* New section */}
+W&B はこのメトリクスに `tpu.{tpu_index}.memoryUsageBytes` タグを割り当てます。
-## Google Cloud TPU
-Tensor Processing Units (TPUs) は、機械学習ワークロードを加速するために使用される Google 独自開発の ASIC (Application Specific Integrated Circuits) です。
+
+ ### TPU Duty cycle
+
+TPU デバイスごとの TensorCore の duty cycle 割合です。サンプル期間中にアクセラレータ TensorCore が実際に処理を行っていた時間の割合を示します。値が大きいほど TensorCore の利用率が高いことを意味します。
-### TPU メモリ使用量
-TPU コアあたりの現在の広帯域メモリ使用量（バイト）。
+W&B はこのメトリクスに `tpu.{tpu_index}.dutyCycle` タグを付与します。
-W&B はこのメトリクスに `tpu.{tpu_index}.memoryUsageBytes` タグを割り当てます。
+{/* 新しいセクション */}
-### TPU メモリ使用率
-TPU コアあたりの現在の広帯域メモリ使用率（パーセント）。
+
+ ## AWS Trainium
+
-W&B はこのメトリクスに `tpu.{tpu_index}.memoryUsageBytes` タグを割り当てます。
+[AWS Trainium](https://aws.amazon.com/machine-learning/trainium/) は、機械学習ワークロードの高速化に特化した AWS 提供の専用ハードウェアプラットフォームです。AWS の `neuron-monitor` ツールは、AWS Trainium メトリクスを収集するために使用されます。
-### TPU デューティサイクル
-TPU デバイスあたりの TensorCore デューティサイクル率。サンプル期間中にアクセラレータ TensorCore がアクティブに処理を行っていた時間の割合を追跡します。値が大きいほど、TensorCore の利用効率が良いことを意味します。
+
+ ### Trainium Neuron Core 使用率
+
-W&B はこのメトリクスに `tpu.{tpu_index}.dutyCycle` タグを割り当てます。
+各 NeuronCore ごとの使用率を、コア単位でパーセンテージとして示します。
+W&B は、このメトリクスに `trn.{core_index}.neuroncore_utilization` タグを割り当てます。
-{/* New section */}
+
+ ### Trainium ホストメモリ使用量 (合計)
+
-## AWS Trainium
-[AWS Trainium](https://aws.amazon.com/machine-learning/trainium/) は、機械学習ワークロードの加速に焦点を当てた AWS 提供の特殊なハードウェアプラットフォームです。AWS Trainium のメトリクスを取得するには、AWS の `neuron-monitor` ツールが使用されます。
+ホスト上でのメモリ使用量の合計 (バイト単位) です。
-### Trainium Neuron Core 使用率
-各 NeuronCore の使用率（コアごとに報告）。
+W&B はこのメトリクスに `trn.host_total_memory_usage` タグを割り当てます。
-W&B はこのメトリクスに `trn.{core_index}.neuroncore_utilization` タグを割り当てます。
+
+ ### Trainium Neuron デバイスの総メモリ使用量
+
-### Trainium ホストメモリ使用量、合計
-ホスト上の合計メモリ消費量（バイト）。
+Neuron デバイスの総メモリ使用量 (バイト単位) 。
-W&B はこのメトリクスに `trn.host_total_memory_usage` タグを割り当てます。
+W&B はこのメトリクスには `trn.neuron_device_total_memory_usage)` タグを割り当てます。
-### Trainium Neuron デバイス合計メモリ使用量
-Neuron デバイス上の合計メモリ使用量（バイト）。
+
+ ### Trainium ホスト メモリ使用量の内訳：
+
-W&B はこのメトリクスに `trn.neuron_device_total_memory_usage)` タグを割り当てます。
+以下はホスト上でのメモリ使用量の内訳です：
-### Trainium ホストメモリ使用量の内訳：
+* **Application Memory** (`trn.host_total_memory_usage.application_memory`): アプリケーションが使用するメモリ。
+* **Constants** (`trn.host_total_memory_usage.constants`): 定数に割り当てられたメモリ。
+* **DMA Buffers** (`trn.host_total_memory_usage.dma_buffers`): ダイレクト メモリアクセス (DMA) バッファが使用するメモリ。
+* **Tensors** (`trn.host_total_memory_usage.tensors`): テンソルが使用するメモリ。
-ホスト上のメモリ使用量の内訳は以下の通りです：
+
+ ### Trainium Neuron Core メモリ使用量の内訳
+
-- **アプリケーションメモリ** (`trn.host_total_memory_usage.application_memory`): アプリケーションによって使用されるメモリ。
-- **定数** (`trn.host_total_memory_usage.constants`): 定数に使用されるメモリ。
-- **DMA バッファ** (`trn.host_total_memory_usage.dma_buffers`): 直接メモリ制御 (DMA) バッファに使用されるメモリ。
-- **テンソル** (`trn.host_total_memory_usage.tensors`): テンソルに使用されるメモリ。
+各 NeuronCore ごとのメモリ使用量の詳細:
-### Trainium Neuron Core メモリ使用量の内訳
-各 NeuronCore の詳細なメモリ使用量情報：
+* **Constants** (`trn.{core_index}.neuroncore_memory_usage.constants`)
+* **Model Code** (`trn.{core_index}.neuroncore_memory_usage.model_code`)
+* **Model Shared Scratchpad** (`trn.{core_index}.neuroncore_memory_usage.model_shared_scratchpad`)
+* **Runtime Memory** (`trn.{core_index}.neuroncore_memory_usage.runtime_memory`)
+* **Tensors** (`trn.{core_index}.neuroncore_memory_usage.tensors`)
-- **定数** (`trn.{core_index}.neuroncore_memory_usage.constants`)
-- **モデルコード** (`trn.{core_index}.neuroncore_memory_usage.model_code`)
-- **モデル共有スクラッチパッド** (`trn.{core_index}.neuroncore_memory_usage.model_shared_scratchpad`)
-- **ランタイムメモリ** (`trn.{core_index}.neuroncore_memory_usage.runtime_memory`)
-- **テンソル** (`trn.{core_index}.neuroncore_memory_usage.tensors`)
+
+ ## OpenMetrics
+
-## OpenMetrics
-OpenMetrics / Prometheus 互換のデータを公開する外部エンドポイントからメトリクスを取得してログに記録します。取得したエンドポイントに適用するカスタム正規表現ベースのメトリクスフィルターをサポートしています。
+OpenMetrics / Prometheus 互換のデータを公開している外部エンドポイントからメトリクスを取得してログに記録し、取得元エンドポイントに適用できるカスタム正規表現ベースのメトリクスフィルターをサポートします。
-[NVIDIA DCGM-Exporter](https://docs.nvidia.com/datacenter/cloud-native/gpu-telemetry/latest/dcgm-exporter.html) を使用して GPU クラスターのパフォーマンスを監視する特定のケースでのこの機能の使用例については、[W&B での GPU クラスターパフォーマンスの監視](https://wandb.ai/dimaduev/dcgm/reports/Monitoring-GPU-cluster-performance-with-NVIDIA-DCGM-Exporter-and-Weights-Biases--Vmlldzo0MDYxMTA1) を参照してください。
\ No newline at end of file
+GPU クラスターのパフォーマンス監視という特定のケースにおける本機能の詳細な使用例については、[Monitoring GPU cluster performance in W&B](https://wandb.ai/dimaduev/dcgm/reports/Monitoring-GPU-cluster-performance-with-NVIDIA-DCGM-Exporter-and-Weights-Biases--Vmlldzo0MDYxMTA1) を参照してください。この例では、[NVIDIA DCGM-Exporter](https://docs.nvidia.com/datacenter/cloud-native/gpu-telemetry/latest/dcgm-exporter.html) を用いた GPU クラスターのパフォーマンス監視方法を説明しています。
\ No newline at end of file
diff --git a/ja/models/ref/python/finish.mdx b/ja/models/ref/python/finish.mdx
deleted file mode 100644
index 9304b2194d..0000000000
--- a/ja/models/ref/python/finish.mdx
+++ /dev/null
@@ -1,28 +0,0 @@
----
-title: 申し訳ありませんが、提供されたテキストが空白であるため、翻訳が必要なコンテンツが表示されません。それを解決していただければ、翻訳を提供いたします。
----
-
-
+ ## 利用可能な関数
+
-| 関数 | 説明 |
+| Function | 説明 |
|----------|-------------|
-| [`init()`](/models/ref/python/functions/init) | W&B でトラッキングとログ記録を行うための新しい Runs を開始します。これは通常、ML トレーニングパイプラインで最初に呼び出す関数です。 |
-| [`login()`](/models/ref/python/functions/login) | W&B のログイン認証情報を設定し、マシンをプラットフォームに対して認証します。 |
-| [`setup()`](/models/ref/python/functions/setup) | 現在のプロセスとその子プロセスで W&B を使用するための準備を行います。マルチプロセスアプリケーションで有用です。 |
-| [`teardown()`](/models/ref/python/functions/teardown) | W&B のリソースをクリーンアップし、バックエンドプロセスを終了します。 |
-| [`sweep()`](/models/ref/python/functions/sweep) | 最適なモデル設定を探索するためのハイパーパラメーター探索（ Sweeps ）を初期化します。 |
-| [`agent()`](/models/ref/python/functions/agent) | ハイパーパラメーター最適化の実験を実行するための sweep agent を作成します。 |
-| [`controller()`](/models/ref/python/functions/controller) | sweep agent とその実行を管理および制御します。 |
-| [`restore()`](/models/ref/python/functions/restore) | 作業を再開するために、以前の run や実験の状態を復元します。 |
-| [`finish()`](/models/ref/python/functions/finish) | run を終了し、リソースをクリーンアップします。 |
-
-## 例
-
-最も一般的なワークフローは、W&B での認証、run の初期化、そしてトレーニングループからの値（精度や損失など）のログ記録で始まります。最初のステップは `wandb` をインポートし、グローバル関数である `login()` と `init()` を使用することです。
+| [`init()`](/ja/models/ref/python/functions/init) | 新しい run を開始し、W&B に追跡情報とログを保存します。通常、ML トレーニングパイプラインで最初に呼び出す関数です。 |
+| [`login()`](/ja/models/ref/python/functions/login) | マシンをプラットフォームで認証するために、W&B のログイン認証情報を設定します。 |
+| [`setup()`](/ja/models/ref/python/functions/setup) | 現在のプロセスとその子プロセスで W&B を利用できるように準備します。マルチプロセス アプリケーションで役立ちます。 |
+| [`teardown()`](/ja/models/ref/python/functions/teardown) | W&B のリソースをクリーンアップし、バックエンドプロセスをシャットダウンします。 |
+| [`sweep()`](/ja/models/ref/python/functions/sweep) | 最適な モデル の設定を探索するためのハイパーパラメーター sweep を初期化します。 |
+| [`agent()`](/ja/models/ref/python/functions/agent) | ハイパーパラメーター最適化の実験を実行する sweep エージェントを作成します。 |
+| [`controller()`](/ja/models/ref/python/functions/controller) | sweep エージェントとその実行を管理および制御します。 |
+| [`restore()`](/ja/models/ref/python/functions/restore) | 作業を再開できるように、以前の run または実験の状態を復元します。 |
+| [`finish()`](/ja/models/ref/python/functions/finish) | run を終了し、リソースをクリーンアップします。 |
+
+
+ ## 例
+
+
+最も一般的なワークフローは、W&B にログインし、run を初期化し、トレーニングループから精度や損失といった値をログすることから始まります。最初のステップは `wandb` をインポートし、グローバル関数 `login()` と `init()` を使うことです。
```python
import wandb
-# W&Bで認証
+# W&B で認証する
wandb.login()
# ハイパーパラメーターとメタデータ
@@ -37,13 +41,13 @@ config = {
"epochs": 10,
}
-# runが記録されるプロジェクト
+# run を記録するプロジェクト
project = "my-awesome-project"
-# 新しい run を初期化
+# 新しい run を初期化する
with wandb.init(project=project, config=config) as run:
- # ここにトレーニングコードを記述...
+ # トレーニングコードをここに記述...
- # W&Bに値をログ記録
+ # W&B に値をログする
run.log({"accuracy": 0.9, "loss": 0.1})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/functions/agent.mdx b/ja/models/ref/python/functions/agent.mdx
index a3e7587ae0..724a8378d2 100644
--- a/ja/models/ref/python/functions/agent.mdx
+++ b/ja/models/ref/python/functions/agent.mdx
@@ -3,32 +3,34 @@ title: agent()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `agent`
```python
agent(
- sweep_id: str,
- function: Optional[Callable] = None,
- entity: Optional[str] = None,
- project: Optional[str] = None,
- count: Optional[int] = None,
- forward_signals: bool = False
+ sweep_id: 'str',
+ function: 'Callable | None' = None,
+ entity: 'str | None' = None,
+ project: 'str | None' = None,
+ count: 'int | None' = None,
+ forward_signals: 'bool' = False
) → None
```
-1 つ以上の sweep agent を起動します。
+1 つ以上の sweep エージェントを起動します。
-sweep agent は `sweep_id` を使用して、自身がどの Sweeps の一部であるか、どの関数を実行すべきか、そして（オプションで）何個のエージェントを実行するかを判断します。
+sweep エージェントは `sweep_id` を使用して、自分がどの sweep に属しているか、どの関数を実行するか、そして (オプションで) いくつのエージェントを実行するかを判断します。
**Args:**
- - `sweep_id`: Sweeps の一意の識別子。 sweep ID は W&B CLI または Python SDK によって生成されます。
- - `function`: sweep config で指定された "program" の代わりに呼び出す関数。
- - `entity`: Sweeps によって作成された W&B Runs の送信先となるユーザー名またはチーム名。指定する Entities があらかじめ存在することを確認してください。エンティティを指定しない場合、 run は通常ユーザー名であるデフォルトのエンティティに送信されます。
- - `project`: Sweeps から作成された W&B Runs の送信先となる Projects の名前。プロジェクトが指定されていない場合、 run は "Uncategorized" というラベルのプロジェクトに送信されます。
- - `count`: 試行する sweep config の トライアル 数。
- - `forward_signals`: エージェントが受信したシグナルを子 プロセス に転送するかどうか。CLI エージェントでのみサポートされています。
\ No newline at end of file
+* `sweep_id`: sweep の一意な識別子。sweep ID は W&B CLI または Python SDK によって生成されます。
+* `function`: sweep 設定で指定された「program」の代わりに呼び出す関数。
+* `entity`: sweep によって作成された W&B run を送信したいユーザー名またはチーム名。指定した entity が既に存在していることを確認してください。entity を指定しない場合、run は通常あなたのユーザー名であるデフォルトの entity に送信されます。
+* `project`: sweep から作成された W&B run が送信されるプロジェクト名。project が指定されていない場合、run は「Uncategorized」というラベルの付いたプロジェクトに送信されます。
+* `count`: 実行する sweep の試行回数。
+* `forward_signals`: エージェントが受信したシグナルを子プロセスに転送するかどうか。CLI エージェントでのみサポートされます。
diff --git a/ja/models/ref/python/functions/controller.mdx b/ja/models/ref/python/functions/controller.mdx
index 857f348448..256a13f73a 100644
--- a/ja/models/ref/python/functions/controller.mdx
+++ b/ja/models/ref/python/functions/controller.mdx
@@ -3,37 +3,32 @@ title: controller()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-
-function `controller`
```python
controller(
- sweep_id_or_config: Optional[str, Dict] = None,
- entity: Optional[str] = None,
- project: Optional[str] = None
+ sweep_id_or_config: 'str | dict | None' = None,
+ entity: 'str | None' = None,
+ project: 'str | None' = None
) → _WandbController
```
-パブリックな sweep コントローラのコンストラクタです。
+公開されている sweep コントローラーのコンストラクター。
+**例:**
-
-**Examples:**
- ```python
+```python
import wandb
-# コントローラの初期化
tuner = wandb.controller(...)
print(tuner.sweep_config)
print(tuner.sweep_id)
-# 探索アルゴリズムの設定
tuner.configure_search(...)
-# 早期終了ルールの設定
tuner.configure_stopping(...)
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/functions/finish.mdx b/ja/models/ref/python/functions/finish.mdx
index 37de33df12..628b57a766 100644
--- a/ja/models/ref/python/functions/finish.mdx
+++ b/ja/models/ref/python/functions/finish.mdx
@@ -3,27 +3,30 @@ title: finish()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `finish`
```python
finish(exit_code: 'int | None' = None, quiet: 'bool | None' = None) → None
```
-run を終了し、残っているすべてのデータをアップロードします。
+run を終了し、残っているデータをすべてアップロードします。
+
+W&B run の完了としてマークし、すべてのデータがサーバーに同期されるようにします。run の最終状態は、その終了条件と同期ステータスによって決まります。
-W&B run の完了をマークし、すべてのデータが サーバー に同期されることを保証します。 run の最終的な状態は、その終了条件と同期ステータスによって決定されます。
+run の状態:
-Run の状態:
-- Running: データの ログ 記録やハートビートの送信を行っているアクティブな run。
-- Crashed: 予期せずハートビートの送信が停止した run。
-- Finished: すべてのデータが同期され、正常に完了した（`exit_code=0`） run。
-- Failed: エラーで完了した（`exit_code!=0`） run。
+* Running: データのログ記録やハートビート送信を行っているアクティブな run。
+* Crashed: 予期せずハートビートの送信が停止した run。
+* Finished: すべてのデータが同期された状態で (`exit_code=0`) 正常に完了した run。
+* Failed: エラーを伴って完了した run (`exit_code!=0`)。
**Args:**
-- `exit_code`: run の終了ステータスを示す整数。成功の場合は 0 を指定します。それ以外の 値 は run が失敗したとマークされます。
-- `quiet`: 非推奨です。 ログ の冗長性を設定するには `wandb.Settings(quiet=...)` を使用してください。
\ No newline at end of file
+* `exit_code`: run の終了ステータスを示す整数。成功には 0 を使用し、それ以外の値は run が失敗したことを示します。
+* `quiet`: 非推奨。ログ出力の詳細度は `wandb.Settings(quiet=...)` を使って設定してください。
diff --git a/ja/models/ref/python/functions/init.mdx b/ja/models/ref/python/functions/init.mdx
index 52487c7b98..7d6aa044b8 100644
--- a/ja/models/ref/python/functions/init.mdx
+++ b/ja/models/ref/python/functions/init.mdx
@@ -1,11 +1,10 @@
---
-title: ' thought
-
- init()'
+title: init()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
+ anonymous: 'DoNotSet' =
) → Run
```
-W&B でトラッキングおよびログ記録を行うための新しい Runs を開始します。
-
-ML トレーニングパイプラインにおいて、トレーニングスクリプトと評価スクリプトの両方の冒頭に `wandb.init()` を追加することで、それぞれのプロセスが W&B 上で個別の run として記録されます。
-
-`wandb.init()` は、run にデータをログ記録するための新しいバックグラウンドプロセスを生成します。また、デフォルトで https://wandb.ai とデータを同期するため、リアルタイムで結果を確認できます。データのログ記録が完了したら、`wandb.Run.finish()` を呼び出して run を終了してください。`run.finish()` を呼び出さなかった場合、スクリプトの終了時に run が終了します。
-
-Run ID には、次の特殊文字を含めることはできません：`/ \ # ? % :`
-
-**引数:**
-
- - `entity`: runs のログが記録されるユーザー名またはチーム名。entity はあらかじめ存在している必要があるため、ログ記録を開始する前に UI でアカウントまたはチームを作成してください。指定しない場合、run はデフォルトの entity に記録されます。デフォルトの entity を変更するには、設定（settings）の "Default team" にある "Default location to create new projects" を更新してください。
- - `project`: この run が記録される Projects の名前。指定しない場合、git のルートディレクトリや現在のプログラムファイルを確認するなど、システムに基づいたヒューリスティックな方法でプロジェクト名を推測します。プロジェクト名を推測できない場合、デフォルトで `"uncategorized"` に設定されます。
- - `dir`: 実験ログとメタデータファイルが保存されるディレクトリの絶対パス。指定しない場合、デフォルトで `./wandb` ディレクトリーになります。なお、これは `download()` を呼び出した際の Artifacts の保存先には影響しません。
- - `id`: run を再開（resume）する際に使用される一意の識別子。プロジェクト内で一意である必要があり、一度削除された run の ID を再利用することはできません。短い説明的な名前には `name` フィールドを、ハイパーパラメーターを保存して run 間で比較するには `config` を使用してください。
- - `name`: UI 上で識別しやすくするための、この run の短い表示名。デフォルトでは、テーブルからチャートへの参照を容易にするために、ランダムな2単語の名前が生成されます。チャートの凡例やテーブルでの視認性を高めるため、名前は簡潔に保つことをお勧めします。ハイパーパラメーターの保存には `config` フィールドの使用を推奨します。
- - `notes`: Git のコミットメッセージのような、run に関する詳細な説明。将来、この run の目的やセットアップを思い出すのに役立つコンテキストや詳細を記録するために使用します。
- - `tags`: UI でこの run にラベルを付けるためのタグのリスト。タグは run の整理や、"baseline"（ベースライン）や "production"（プロダクション）といった一時的な識別子の追加に便利です。UI 上でタグの追加、削除、フィルターを簡単に行うことができます。run を再開する場合、ここで提供されたタグが既存のタグを上書きします。既存のタグを上書きせずに再開された run にタグを追加するには、`run = wandb.init()` の呼び出し後に `run.tags += ("new_tag",)` を使用してください。
- - `config`: `wandb.config` を設定します。これは、モデルのハイパーパラメーターやデータの前処理設定など、run への入力パラメータを保存するための辞書形式のオブジェクトです。config は UI のオーバービューページに表示され、これらのパラメータに基づいて runs をグループ化、フィルタリング、ソートできます。キーにはピリオド（`.`）を含めないでください。また、値は 10 MB 未満である必要があります。`argparse.Namespace` や `absl.flags.FLAGS` が提供された場合、キーと値のペアは直接 `wandb.config` に読み込まれます。文字列が提供された場合は YAML ファイルへのパスとして解釈され、その設定値が `wandb.config` に読み込まれます。
- - `config_exclude_keys`: `wandb.config` から除外する特定のキーのリスト。
- - `config_include_keys`: `wandb.config` に含める特定のキーのリスト。
- - `allow_val_change`: 初期設定後に config の値を変更できるかどうかを制御します。デフォルトでは、config の値が上書きされると例外が発生します。学習率のようにトレーニング中に変化する変数を追跡する場合は、代わりに `wandb.log()` の使用を検討してください。デフォルトでは、スクリプト内では `False`、ノートブック環境では `True` です。
- - `group`: 個々の runs をより大きな実験の一部として整理するためのグループ名を指定します。これは、クロスバリデーションを行う場合や、異なるテストセットでモデルをトレーニングおよび評価する複数のジョブを実行する場合に便利です。グループ化により、関連する runs を UI 上でまとめて管理でき、結果を統合された実験として簡単に切り替えたり確認したりできます。
- - `job_type`: run のジョブタイプを指定します。特に、大きな実験の一部としてグループ内の runs を整理する際に役立ちます。例えば、グループ内で runs に "train"（トレーニング）や "eval"（評価）といったジョブタイプをラベル付けできます。ジョブタイプを定義することで、UI 上で同様の runs を簡単にフィルタリングしてグループ化し、直接比較することが可能になります。
- - `mode`: run データの管理方法を以下のオプションで指定します：
- - `"online"` (デフォルト): ネットワーク接続が利用可能な場合に W&B とのライブ同期を有効にし、可視化をリアルタイムで更新します。
- - `"offline"`: インターネット接続のない環境やオフライン環境に適しています。データはローカルに保存され、後で同期できます。将来の同期を可能にするために、run フォルダを保持するようにしてください。
- - `"disabled"`: すべての W&B 機能を無効にし、run のメソッドを何もしない（no-ops）状態にします。通常、W&B の操作をスキップするテストで使用されます。
- - `"shared"`: (実験的な機能)。複数のプロセス（異なるマシン上にある可能性もあります）から同じ run に同時にログを記録することを可能にします。このアプローチでは、プライマリノードと1つ以上のワーカーノードを使用して同じ run にデータをログ記録します。プライマリノードで run を初期化し、各ワーカーノードではプライマリノードで使用された run ID を使用して run を初期化します。
- - `force`: スクリプトの実行に W&B へのログインを必須にするかどうかを決定します。`True` の場合、ユーザーは W&B にログインしている必要があります。そうでない場合、スクリプトは進行しません。`False` (デフォルト) の場合、ユーザーがログインしていなくてもスクリプトを続行でき、その場合はオフラインモードに切り替わります。
- - `reinit`: "reinit" 設定のショートハンドです。run がアクティブな状態での `wandb.init()` の振る舞いを決定します。
- - `resume`: 指定された `id` で run を再開する際の振る舞いを制御します。利用可能なオプションは以下の通りです：
- - `"allow"`: 指定された `id` の run が存在すれば最後のステップから再開し、存在しなければ新しい run を作成します。
- - `"never"`: 指定された `id` の run が存在すればエラーを発生させます。見つからない場合は新しい run を作成します。
- - `"must"`: 指定された `id` の run が存在すれば最後のステップから再開します。見つからない場合はエラーを発生させます。
- - `"auto"`: このマシンでクラッシュした直前の run があれば自動的に再開し、そうでなければ新しい run を開始します。
- - `True`: 非推奨です。代わりに `"auto"` を使用してください。
- - `False`: 非推奨です。常に新しい run を開始するには、デフォルトの動作（`resume` を未設定のままにする）を使用してください。`resume` が設定されている場合、`fork_from` と `resume_from` は使用できません。`resume` が未設定の場合、システムは常に新しい run を開始します。
- - `resume_from`: 以前の run の特定の時点から run を再開することを指定します。形式は `{run_id}?_step={step}` です。これにより、ある中間ステップでログ記録された履歴を切り捨て、そのステップからログ記録を再開できます。対象の run は同じプロジェクト内にある必要があります。`id` 引数も提供されている場合、`resume_from` 引数が優先されます。`resume`、`resume_from`、`fork_from` は併用できず、一度に1つだけ使用できます。なお、この機能はベータ版であり、将来変更される可能性があります。
- - `fork_from`: 以前の run の特定のポイントから新しい run をフォークすることを指定します。形式は `{id}?_step={step}` です。これにより、対象の run の履歴内の指定されたステップからログ記録を再開する新しい run が作成されます。対象の run は現在のプロジェクトの一部である必要があります。`id` 引数も提供されている場合、それは `fork_from` 引数とは異なる必要があります。同じ場合はエラーが発生します。`resume`、`resume_from`、`fork_from` は併用できず、一度に1つだけ使用できます。なお、この機能はベータ版であり、将来変更される可能性があります。
- - `save_code`: メインスクリプトまたはノートブックを W&B に保存することを有効にします。これにより実験の再現性が向上し、UI 上で runs 間のコード比較が可能になります。デフォルトでは無効になっていますが、設定ページで有効に変更できます。
- - `tensorboard`: 非推奨です。代わりに `sync_tensorboard` を使用してください。
- - `sync_tensorboard`: TensorBoard または TensorBoardX からの W&B ログの自動同期を有効にし、W&B UI で表示するための関連イベントファイルを保存します。
- - `monitor_gym`: OpenAI Gym を使用している場合に、環境のビデオの自動ログ記録を有効にします。
- - `settings`: run の詳細設定を含む辞書または `wandb.Settings` オブジェクトを指定します。
+新しい run を開始して、W&B にトラッキングおよびログ記録を行います。
+
+ML のトレーニングパイプラインでは、トレーニングスクリプトと評価スクリプトの先頭に `wandb.init()` を追加することで、それぞれが W&B 上の run としてトラッキングされます。
+
+`wandb.init()` は、run にデータをログするための新しいバックグラウンドプロセスを生成し、デフォルトではデータを https://wandb.ai に同期するため、結果をリアルタイムで確認できます。データの記録が終わったら、`wandb.Run.finish()` を呼び出して run を終了します。`run.finish()` を呼び出さない場合、スクリプトの実行終了時に run は終了します。
+
+Run ID には、次の特殊文字を含めることはできません: `/ \ # ? % :`
+
+**Args:**
+
+
+* `entity`: run を記録する先のユーザー名またはチーム名。entity はあらかじめ存在している必要があるため、runs を記録し始める前に、UI で自分のアカウントまたはチームを作成しておいてください。指定しない場合、run はあなたのデフォルトの entity に記録されます。デフォルトの entity を変更するには、設定画面で "Default team" セクション内の "Default location to create new projects" を更新してください。
+* `project`: この run を記録するプロジェクト名。指定されていない場合、git のルートや現在のプログラムファイルの確認など、システム情報に基づくヒューリスティックを使ってプロジェクト名を推定します。プロジェクト名を推定できない場合、プロジェクト名はデフォルトで `"uncategorized"` になります。
+* `dir`: 実験ログとメタデータファイルが保存されるディレクトリへの絶対パスです。指定されていない場合は、デフォルトで `./wandb` ディレクトリが使用されます。なお、これは `download()` を呼び出したときにアーティファクトが保存される場所には影響しない点に注意してください。
+* `id`: この run の一意の識別子で、再開時に使用されます。`id` はプロジェクト内で一意である必要があり、run を削除した後に再利用することはできません。短い説明用の名前を付けるには `name` フィールドを使用し、run 間で比較するためのハイパーパラメーターを保存する場合は `config` を使用してください。
+* `name`: この run の短い表示名です。UI に表示され、識別しやすくなります。デフォルトでは、テーブルからチャートへの run の相互参照を容易にするために、ランダムな 2 単語の名前を生成します。これらの run 名を短く保つことで、チャート凡例やテーブルの可読性が向上します。ハイパーパラメーターを保存する場合は、`config` フィールドの使用を推奨します。
+* `notes`: run の詳細な説明で、Git のコミットメッセージに似ています。将来この run の目的やセットアップを思い出すのに役立つコンテキストや詳細を記録するために、この引数を使用します。
+* `tags`: UI 上でこの run にラベル付けするためのタグのリストです。タグは Runs を整理したり、「baseline」や「production」のような一時的な識別子を追加したりするのに役立ちます。UI でタグの追加、削除、タグによるフィルタリングを簡単に行えます。run を再開する場合、ここで指定したタグは既存のタグをすべて置き換えます。現在のタグを上書きせずに再開した run にタグを追加するには、`run = wandb.init()` を呼び出したあとで `run.tags += ("new_tag",)` を使用してください。
+* `config`: `wandb.config` を設定します。`wandb.config` は run の入力パラメーター (モデルのハイパーパラメーターやデータ前処理の設定など) を保存する、辞書のようなオブジェクトです。 この `config` は UI の概要ページに表示され、これらのパラメーターに基づいて run をグループ化、フィルタリング、ソートできます。 キーにはピリオド (`.`) を含めないでください。また、値は 10 MB 未満である必要があります。 辞書、`argparse.Namespace`、または `absl.flags.FLAGS` が指定された場合、そのキーと値のペアはそのまま `wandb.config` に読み込まれます。 文字列が指定された場合、それは YAML ファイルへのパスとして解釈され、そのファイルから設定値が `wandb.config` に読み込まれます。
+* `config_exclude_keys`: `wandb.config` から除外するキーを指定するリスト。
+* `config_include_keys`: `wandb.config` に含める特定のキーのリストです。
+* `allow_val_change`: config の値を初期設定後に変更できるかどうかを制御します。デフォルトでは、config の値が上書きされると例外がスローされます。学習率など、トレーニング中に変化する変数を追跡する場合は、代わりに `wandb.log()` の使用を検討してください。スクリプトではデフォルトで `False`、Notebook 環境では `True` です。
+* `group`: 個々の run を、より大きな実験の一部として整理するためのグループ名を指定します。これは、クロス検証や、異なるテストセットに対して モデル を学習および評価する複数のジョブを実行する、といったケースで有用です。グループ化することで、関連する run を UI 上でまとめて管理でき、統合された 1 つの実験として結果を切り替えたり確認したりしやすくなります。
+* `job_type`: run のタイプを指定します。特に、大規模な実験の一部として、グループ内の run を整理する際に役立ちます。たとえば、あるグループ内で run に対して "train" や "eval" といった job type を付けることができます。job type を定義しておくと、UI 上で類似した run を簡単にフィルタリングおよびグループ化でき、直接比較しやすくなります。
+* `mode`: 以下のオプションから、run データの管理方法を指定します:
+ * `"online"` (default): ネットワーク接続が利用可能な場合に W&B とのライブ同期を有効にし、可視化をリアルタイムで更新します。
+ * `"offline"`: エアギャップ環境やオフライン環境に適しています。データはローカルに保存され、後から同期できます。将来の同期を可能にするために run フォルダーが保持されていることを確認してください。
+ * `"disabled"`: すべての W&B 機能を無効にし、run のメソッドを何もしない (no-op) ようにします。通常、テスト時に W&B の処理を迂回するために使用します。
+ * `"shared"`: (これは実験的機能です) 。複数のプロセスが、場合によっては異なるマシン上から、同じ run に同時にログを記録できるようにします。このアプローチでは、同じ run にデータをログするために、プライマリ ノードと 1 つ以上のワーカー ノードを使用します。プライマリ ノードで run を初期化し、各ワーカー ノードでは、プライマリ ノードで使用した run ID を指定して run を初期化します。
+* `force`: スクリプトの実行に W&B へのログインを必須とするかどうかを指定します。`True` の場合、ユーザーが W&B にログインしていなければスクリプトは実行を続行しません。`False` (デフォルト) の場合は、ユーザーがログインしていなくてもスクリプトは続行され、ログインしていない場合はオフラインモードに切り替わります。
+* `reinit`: "reinit" 設定の略称です。アクティブな run が存在するときの `wandb.init()` の挙動を決定します。
+* `resume`: 指定した `id` を持つ run を再開するときの挙動を制御します。利用可能なオプションは次のとおりです。
+ * `"allow"`: 指定された `id` を持つ run が存在する場合は、最後のステップから再開します。存在しない場合は、新しい run が作成されます。
+ * `"never"`: 指定された `id` を持つ run が存在する場合は、エラーが発生します。そのような run が見つからない場合は、新しい run が作成されます。
+ * `"must"`: 指定された `id` を持つ run が存在する場合は、最後のステップから再開します。run が見つからない場合は、エラーが発生します。
+ * `"auto"`: このマシンでクラッシュした直前の run を自動的に再開します。そうでない場合は、新しい run を開始します。
+ * `True`: 非推奨です。代わりに `"auto"` を使用してください。
+ * `False`: 非推奨です。常に新しい run を開始するには、デフォルトの動作 (`resume` を未設定のままにする) を使用してください。`resume` が設定されている場合、`fork_from` と `resume_from` は使用できません。`resume` が未設定の場合、システムは常に新しい run を開始します。
+* `resume_from`: 以前の run のある時点を指定して、その時点から run を再開します。`{run_id}?_step={step}` という形式を使用します。これにより、run に記録された履歴を途中のステップで打ち切り、そのステップから記録を再開できます。対象の run は同じプロジェクト内にある必要があります。`id` 引数も指定された場合は、`resume_from` 引数が優先されます。`resume`、`resume_from`、`fork_from` は同時に使用できず、いずれか 1 つのみ使用できます。なお、この機能はベータ版のため、今後変更される可能性があります。
+* `fork_from`: 過去の run の特定の地点から新しい run を fork するためのポイントを指定します。形式は `{id}?_step={step}` を使用します。これにより、対象 run の履歴の指定した step からロギングを再開する新しい run が作成されます。対象の run は現在のプロジェクトの一部である必要があります。`id` 引数も指定する場合は、`fork_from` 引数とは異なる値でなければならず、同じ値の場合はエラーが発生します。`resume`、`resume_from`、`fork_from` は同時には使用できず、いずれか一つのみを使用できます。この機能は現在ベータ版であり、将来変更される可能性があります。
+* `save_code`: メインスクリプトまたはノートブックを W&B に保存できるようにし、実験の再現性を高めるとともに、UI 上で run 間のコード比較を可能にします。既定では無効ですが、設定ページで既定値を有効に変更できます。
+* `tensorboard`: 非推奨です。代わりに `sync_tensorboard` を使用してください。
+* `sync_tensorboard`: TensorBoard や TensorBoardX からの W&B ログを自動的に同期し、W&B UI で表示できるように関連する event ファイルを保存します。
+* `monitor_gym`: OpenAI Gym 使用時に環境の動画を自動的にログとして記録します。
+* `settings`: run の高度な設定を指定するための 辞書 または `wandb.Settings` オブジェクトを指定します。
**戻り値:**
- `Run` オブジェクト。
+`Run` オブジェクト。
-**例外:**
-
- - `Error`: run の初期化中に不明なエラーまたは内部エラーが発生した場合。
- - `AuthenticationError`: ユーザーが有効な資格情報を提供できなかった場合。
- - `CommError`: WandB サーバーとの通信に問題が発生した場合。
- - `UsageError`: ユーザーが無効な引数を提供した場合。
- - `KeyboardInterrupt`: ユーザーが run を中断した場合。
+**送出される例外:**
+
+* `Error`: run の初期化中に不明または内部エラーが発生した場合。
+* `AuthenticationError`: ユーザーが有効な認証情報を提供できなかった場合。
+* `CommError`: WandB サーバーとの通信に問題があった場合。
+* `UsageError`: ユーザーが無効な引数を指定した場合。
+* `KeyboardInterrupt`: ユーザーが run を中断した場合。
**例:**
- `wandb.init()` は `Run` オブジェクトを返します。この run オブジェクトを使用して、データのログ記録、Artifacts の保存、および run のライフサイクルの管理を行います。
+`wandb.init()` は `Run` オブジェクトを返します。run オブジェクトを使用してデータを記録し、 Artifacts を保存し、run のライフサイクルを管理できます。
```python
import wandb
-# コンフィグの設定
config = {"lr": 0.01, "batch_size": 32}
with wandb.init(config=config) as run:
- # accuracy と loss を run にログ記録する
- acc = 0.95 # 例: 精度
- loss = 0.05 # 例: 損失
+ # run に精度と loss を記録する
+ acc = 0.95 # 精度の例
+ loss = 0.05 # loss の例
run.log({"accuracy": acc, "loss": loss})
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/functions/login.mdx b/ja/models/ref/python/functions/login.mdx
index 9ec5a9994d..6a6518c342 100644
--- a/ja/models/ref/python/functions/login.mdx
+++ b/ja/models/ref/python/functions/login.mdx
@@ -1,11 +1,10 @@
---
-title: ' start_thought
-
- login()'
+title: login()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
+ anonymous: 'DoNotSet' =
) → bool
```
-W&B にログインします。
+W&B にログインします。
-認証を必要とするほとんどの W&B メソッドは暗黙的にログインを実行できるため、通常このメソッドを直接使用する必要はありません。これは CLI の `wandb login` に対応するプログラム用のメソッドです。
+認証が必要なほとんどの W&B メソッドは暗黙的にログインできるため、通常これを明示的に使う必要はありません。これは `wandb login` CLI のプログラム上の対応物です。
-このメソッドはセッションのグローバルな認証情報を更新し（この呼び出し以降、現在の Python プロセス内のすべての wandb の使用に影響します）、必要に応じて .netrc ファイルも更新します。
+この関数は、セッションのグローバルな認証情報を更新します (この呼び出し以降の、現在の Python プロセス内のすべての wandb 利用に影響します) 。また、.netrc ファイルを更新する場合もあります。
-`WANDB_IDENTITY_TOKEN_FILE` 環境変数などを通じて `identity_token_file` 設定が指定されている場合、このメソッドは何もしません。
+WANDB_IDENTITY_TOKEN_FILE 環境変数などで identity_token_file 設定が指定されている場合、この関数は何も行いません。
-それ以外の場合で、明示的な APIキー が提供されたときは、そのキーが使用され、システムの .netrc ファイルに書き込まれます。キーが提供されず、すでにセッションが認証済みである場合は、そのセッションのキーが検証に使用され（`verify` が True の場合）、.netrc ファイルは更新されません。
+それ以外の場合で、明示的な API キー が指定されていれば、それを使用し、システムの .netrc ファイルに書き込みます。key が指定されておらず、すでにセッションが認証済みの場合は、セッションキーを検証に使用します (verify が True の場合) 。この場合、.netrc ファイルは更新されません。
-上記のいずれにも当てはまらない場合、以下の優先順位で APIキー を取得します：
+上記のいずれにも当てはまらない場合、次のいずれかから最初に見つかった API キーを取得します:
-- `WANDB_API_KEY` 環境変数
-- システムまたは Workspace 設定ファイルの `api_key` 設定
-- .netrc ファイル（`~/.netrc`、`~/_netrc`、または `NETRC` 環境変数で指定されたパス）
-- インタラクティブなプロンプト（利用可能な場合）
+* WANDB_API_KEY 環境変数
+* システムまたはワークスペース設定ファイル内の api_key 設定
+* .netrc ファイル (~~/.netrc、~~/_netrc、または NETRC 環境変数で指定されたパスのいずれか)
+* 対話的プロンプト (利用可能な場合)
-**Args:**
+**引数:**
-- `key`: 使用する APIキー。
-- `relogin`: True の場合、.netrc や 環境変数などの読み取りをスキップし、インタラクティブなプロンプトから APIキー を取得します。
-- `host`: 接続する W&B サーバー の URL。
-- `force`: True の場合、インタラクティブなプロンプトでオフラインモードを選択できないようにします。
-- `timeout`: インタラクティブなプロンプトでユーザーの入力を待機する秒数。非インタラクティブな 環境 で誤ってプロンプトが表示された場合のフェイルセーフとして使用できます。
-- `verify`: W&B サーバー で認証情報を検証し、失敗した場合は `AuthenticationError` を発生させます。
-- `referrer`: 分析用の URL ログインリクエストで使用するリファラー。
+* `key`: 使用する API キー。
+* `relogin`: True の場合、.netrc や環境変数などを読み飛ばし、対話的プロンプトから API キーを取得します。
+* `host`: 接続先の W&B サーバー URL。
+* `force`: True の場合、対話的プロンプトでオフラインモードを選択できないようにします。
+* `timeout`: 対話的プロンプトでユーザー入力を待機する秒数。対話的でない環境で誤って対話的プロンプトが表示された場合のフェイルセーフとして使用できます。
+* `verify`: W&B サーバーに対して認証情報を検証し、失敗した場合は AuthenticationError を送出します。
+* `referrer`: 分析目的で、URL ログインリクエストで使用する referrer。
-**Returns:**
+**戻り値:**
-- `bool`: `key` が設定されているかどうか。
+* `bool`: `key` が設定されたかどうか。
-**Raises:**
+**例外:**
-- `AuthenticationError`: `api_key` の サーバー での検証に失敗した場合。
-- `UsageError`: `api_key` が設定できず、かつ tty が利用できない場合。
\ No newline at end of file
+* `AuthenticationError`: `api_key` の検証がサーバーで失敗した場合。
+* `UsageError`: `api_key` を設定できず、TTY も利用できない場合。
diff --git a/ja/models/ref/python/functions/restore.mdx b/ja/models/ref/python/functions/restore.mdx
index b78172b88c..9d72fe8812 100644
--- a/ja/models/ref/python/functions/restore.mdx
+++ b/ja/models/ref/python/functions/restore.mdx
@@ -3,10 +3,12 @@ title: restore()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `restore`
```python
@@ -18,22 +20,21 @@ restore(
) → None | TextIO
```
-クラウド ストレージから指定されたファイルをダウンロードします。
-
-ファイルは現在の ディレクトリー または Run ディレクトリー に配置されます。デフォルトでは、ファイルがまだ存在しない場合にのみダウンロードされます。
+指定されたファイルをクラウドストレージからダウンロードします。
-**Args:**
+ファイルはカレントディレクトリまたは run ディレクトリに配置されます。デフォルトでは、ファイルがまだ存在しない場合にのみダウンロードされます。
-- `name`: ファイルの名前。
-- `run_path`: ファイルを取得する Run へのオプションのパス（例：`username/project_name/run_id`）。`wandb.init` が呼び出されていない場合は、この指定が必須です。
-- `replace`: ローカルに既に存在する場合でもファイルをダウンロードするかどうか。
-- `root`: ファイルをダウンロードする ディレクトリー。デフォルトは、現在の ディレクトリー または `wandb.init` が呼び出された場合は Run ディレクトリー です。
+**引数:**
-**Returns:**
+* `name`: ファイル名。
+* `run_path`: ファイルを取得する run への任意指定のパス。例: `username/project_name/run_id`。wandb.init が呼び出されていない場合は必須です。
+* `replace`: ローカルにすでに存在する場合でもファイルをダウンロードするかどうか。
+* `root`: ファイルをダウンロードするディレクトリ。デフォルトはカレントディレクトリ、または wandb.init が呼び出されている場合は run ディレクトリです。
-ファイルが見つからない場合は `None`。それ以外の場合は、読み取り用に開かれたファイル オブジェクト。
+**戻り値:**
+ファイルが見つからない場合は None、それ以外の場合は読み取り用にオープンされたファイルオブジェクト。
-**Raises:**
+**発生する例外:**
-- `CommError`: W&B が W&B バックエンドに接続できない場合。
-- `ValueError`: ファイルが見つからない、または `run_path` が見つからない場合。
\ No newline at end of file
+* `CommError`: W&B が W&B バックエンドに接続できない場合。
+* `ValueError`: ファイルが見つからない場合、または run_path が見つからない場合。
diff --git a/ja/models/ref/python/functions/setup.mdx b/ja/models/ref/python/functions/setup.mdx
index eea500695b..71040e0dd4 100644
--- a/ja/models/ref/python/functions/setup.mdx
+++ b/ja/models/ref/python/functions/setup.mdx
@@ -3,65 +3,67 @@ title: setup()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `setup`
```python
setup(settings: 'Settings | None' = None) → _WandbSetup
```
-現在のプロセスおよびその子プロセスで W&B を使用するための準備を行います。
+現在のプロセスとその子プロセスで W&B を利用できるように準備します。
-通常、この関数は `wandb.init()` によって暗黙的に呼び出されるため、無視して構いません。
+通常は `wandb.init()` によって暗黙的に呼び出されるため、明示的に呼び出す必要はありません。
-マルチプロセスで wandb を使用する場合、子プロセスを開始する前に親プロセスで `wandb.setup()` を呼び出すことで、パフォーマンスとリソースの利用効率が向上する場合があります。
+複数のプロセスで wandb を使用する場合、子プロセスを開始する前に親プロセスで `wandb.setup()` を呼び出すと、パフォーマンスやリソース利用効率が向上する場合があります。
-`wandb.setup()` は `os.environ` を変更するため、子プロセスが変更後の 環境 変数を継承することが重要である点に注意してください。
+`wandb.setup()` は `os.environ` を変更することに注意してください。子プロセスが変更済みの環境変数を継承することが重要です。
-`wandb.teardown()` も併せて参照してください。
+`wandb.teardown()` も参照してください。
**Args:**
- - `settings`: グローバルに適用する設定。これらは、その後の `wandb.init()` の呼び出しによって上書きされる可能性があります。
+* `settings`: グローバルに適用する設定。これらは、その後の `wandb.init()` の呼び出しによって上書きされる可能性があります。
**Example:**
- ```python
+
+```python
import multiprocessing
import wandb
def run_experiment(params):
- # wandb.init で実験を開始
with wandb.init(config=params):
# 実験を実行
pass
if __name__ == "__main__":
- # バックエンドを開始し、グローバル設定を行う
+ # バックエンドを起動してグローバル設定を行う
wandb.setup(settings={"project": "my_project"})
- # 実験パラメータを定義
+ # 実験パラメーターを定義する
experiment_params = [
{"learning_rate": 0.01, "epochs": 10},
{"learning_rate": 0.001, "epochs": 20},
]
- # 複数のプロセスを開始し、それぞれで個別の実験を実行
+ # 複数のプロセスを起動し、それぞれ別の実験を実行する
processes = []
for params in experiment_params:
p = multiprocessing.Process(target=run_experiment, args=(params,))
p.start()
processes.append(p)
- # すべてのプロセスが完了するのを待機
+ # すべてのプロセスの完了を待つ
for p in processes:
p.join()
- # オプション: 明示的にバックエンドを終了する
+ # オプション: バックエンドを明示的にシャットダウンする
wandb.teardown()
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/functions/sweep.mdx b/ja/models/ref/python/functions/sweep.mdx
index d9255fd58b..73c6fbf86b 100644
--- a/ja/models/ref/python/functions/sweep.mdx
+++ b/ja/models/ref/python/functions/sweep.mdx
@@ -3,36 +3,38 @@ title: sweep()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `sweep`
```python
sweep(
- sweep: Union[dict, Callable],
- entity: Optional[str] = None,
- project: Optional[str] = None,
- prior_runs: Optional[List[str]] = None
+ sweep: 'dict | Callable',
+ entity: 'str | None' = None,
+ project: 'str | None' = None,
+ prior_runs: 'list[str] | None' = None
) → str
```
-ハイパーパラメーター探索（ Sweeps ）を初期化します。
+ハイパーパラメーター sweep を初期化します。
-様々な組み合わせをテストすることで、 機械学習 モデル のコスト関数を最適化する ハイパーパラメーター を探索します。
+さまざまな組み合わせを試すことで、機械学習 モデル のコスト関数を最適化するハイパーパラメーターを探索します。
-返される一意の識別子である `sweep_id` をメモしておいてください。後続のステップで、この `sweep_id` を sweep agent に提供します。
+返される一意の識別子 `sweep_id` をメモしておいてください。後の手順で、この `sweep_id` を sweep エージェントに渡します。
-Sweep の定義方法については、 [Sweep configuration structure](https://docs.wandb.ai/guides/sweeps/define-sweep-configuration) を参照してください。
+sweep の定義方法については、[Sweep configuration structure](https://docs.wandb.ai/guides/sweeps/define-sweep-configuration) を参照してください。
-**Args:**
+**引数:**
- - `sweep`: ハイパーパラメーター探索の設定（または設定ジェネレーター）。呼び出し可能オブジェクト（callable）を指定する場合は、引数を取らず、W&B の sweep configuration 仕様に準拠した 辞書 を返すようにしてください。
- - `entity`: Sweep によって作成される W&B Runs の送信先となる、 ユーザー 名または チーム 名。指定する entity はあらかじめ存在している必要があります。entity を指定しない場合、 Run は通常は ユーザー 名であるデフォルトの entity に送信されます。
- - `project`: Sweep から作成された W&B Runs の送信先となる Projects の名前。プロジェクトが指定されていない場合、 Run は 'Uncategorized' というラベルのプロジェクトに送信されます。
- - `prior_runs`: この Sweep に追加する既存の Runs の Run ID リスト。
+* `sweep`: ハイパーパラメーター探索の設定 (または設定ジェネレーター) 。呼び出し可能オブジェクトを渡す場合は、その呼び出し可能オブジェクトが引数を取らず、W&B の sweep config 仕様に準拠した辞書を返すことを確認してください。
+* `entity`: sweep によって作成された W&B runs を送信する先のユーザー名またはチーム名。指定した entity がすでに存在していることを確認してください。entity を指定しない場合、run は通常はあなたのユーザー名であるデフォルトの entity に送信されます。
+* `project`: sweep によって作成された W&B runs が送信される プロジェクト 名。project が指定されていない場合、run は「Uncategorized」というラベルの付いた プロジェクト に送信されます。
+* `prior_runs`: この sweep に追加する既存 run の run ID。
-**Returns:**
+**戻り値:**
- - `str`: Sweep の一意の識別子。
\ No newline at end of file
+* `str`: sweep の一意の識別子。
diff --git a/ja/models/ref/python/functions/teardown.mdx b/ja/models/ref/python/functions/teardown.mdx
index 3f6e5f7a6a..c0f603e6be 100644
--- a/ja/models/ref/python/functions/teardown.mdx
+++ b/ja/models/ref/python/functions/teardown.mdx
@@ -1,22 +1,22 @@
---
-title: ' thoughtful_ some
-
- teardown()'
+title: teardown()
namespace: python_sdk_actions
python_object_type: function
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
function `teardown`
```python
teardown(exit_code: 'int | None' = None) → None
```
-W&B の終了を待機し、リソースを解放します。
+W&B が処理を完了するのを待ち、リソースを解放します。
-`run.finish()` を使用して明示的に終了されなかったすべての Runs を完了させ、すべての データ がアップロードされるまで待機します。
+`run.finish()` を使って明示的に終了されなかった run をすべて完了し、すべてのデータがアップロードされるまで待機します。
-`wandb.setup()` を使用したセッションの最後で、この関数を呼び出すことを推奨します。通常は `atexit` フック で自動的に呼び出されますが、Python の `multiprocessing` モジュールを使用する場合など、特定の環境下では動作が不安定になる可能性があります。
\ No newline at end of file
+`wandb.setup()` を使用したセッションの最後で、この関数を呼び出すことを推奨します。これは `atexit` フック内で自動的に呼び出されますが、Python の `multiprocessing` モジュールを使用している場合など、特定の環境では信頼できない場合があります。
diff --git a/ja/models/ref/python/init.mdx b/ja/models/ref/python/init.mdx
deleted file mode 100644
index 1352f2ba6c..0000000000
--- a/ja/models/ref/python/init.mdx
+++ /dev/null
@@ -1,117 +0,0 @@
----
-title: init
----
-
-
+ ## 利用可能なコンポーネント
+
| コンポーネント | 説明 |
|-----------|-------------|
-| [`Api`](/models/ref/python/public-api/api/) | Public APIのメインエントリポイント。組織内の Runs 、 Projects 、 Artifacts を照会します。 |
-| [`Runs`](/models/ref/python/public-api/runs/) | 個々のトレーニング Runs へのアクセスと管理（履歴、 ログ 、 メトリクス を含む）。 |
-| [`Artifacts`](/models/artifacts/) | モデルの Artifacts 、 Datasets 、およびその他のバージョン管理されたファイルの照会とダウンロード。 |
-| [`Sweeps`](/models/sweeps/) | ハイパーパラメーター Sweeps のデータへのアクセスと最適化結果の分析。 |
-| [`Projects`](/models/ref/python/public-api/projects/) | Projects の管理と、プロジェクトレベルの メタデータ および 設定 へのアクセス。 |
-| [`Reports`](/models/reports/create-a-report/) | W&B Reports へのプログラムによるアクセスと管理。 |
-| [`Team`](/models/ref/python/public-api/team) | チーム情報の照会とチームレベルのリソース管理。 |
-| [`User`](/models/ref/python/public-api/user) | ユーザープロファイルとユーザー固有のデータへのアクセス。 |
-| [`Files`](/models/ref/python/public-api/files/) | Runs に関連付けられたファイルのダウンロードと管理。 |
-| `History` | トレーニング中に記録された詳細な時系列 メトリクス へのアクセス（Run.historyを参照）。 |
-| [`Automations`](./automations/) | 自動化された ワークフロー とアクションの管理。 |
-| [`Integrations`](/models/integrations) | サードパーティ製 インテグレーション の 設定 と管理。 |
-
-## 一般的なユースケース
-
-### データのエクスポートと分析
-- Run の履歴を DataFrame としてエクスポートし、Jupyter ノートブックで分析
-- カスタムの 可視化 やレポート作成のために メトリクス をダウンロード
-- 複数の Experiments にわたる結果の集計
-
-### 事後更新
-- 完了後の Run メタデータ の更新
-- 完了した Experiments への タグ や メモ の追加
-- Run の 設定 (configurations) や サマリー の変更
-
-### Artifact 管理
-- バージョンや エイリアス による Artifacts の照会
-- プログラムによるモデルの チェックポイント のダウンロード
-- Artifact の リネージ と依存関係の追跡
-
-### Sweep 分析
-- Sweep の結果と最もパフォーマンスの高い Runs へのアクセス
-- ハイパーパラメーター 探索結果のエクスポート
-- パラメータの重要度 の分析
-
-## 認証
-
-Public APIは Python SDK と同じ認証メカニズムを使用します。いくつかの方法で認証できます。
-
-`WANDB_API_KEY` 環境変数を使用して APIキー を設定します。
+| [`Api`](/ja/models/ref/python/public-api/api/) | Public API へのメインのエントリーポイント。組織全体の run、プロジェクト、 Artifacts をクエリします。 |
+| [`Runs`](/ja/models/ref/python/public-api/runs/) | 個々のトレーニング run にアクセスして管理します。履歴、ログ、メトリクスを含みます。 |
+| [`Artifacts`](/ja/models/artifacts/) | モデルの Artifacts 、データセット、およびその他のバージョン管理されたファイルをクエリしてダウンロードします。 |
+| [`Sweeps`](/ja/models/sweeps/) | ハイパーパラメーター sweep データにアクセスし、最適化結果を分析します。 |
+| [`Projects`](/ja/models/ref/python/public-api/projects/) | プロジェクトを管理し、プロジェクトレベルのメタデータと設定にアクセスします。 |
+| [`Reports`](/ja/models/reports/create-a-report/) | プログラムから W&B Reports にアクセスして管理します。 |
+| [`Team`](/ja/models/ref/python/public-api/team) | チーム情報をクエリし、チームレベルのリソースを管理します。 |
+| [`User`](/ja/models/ref/python/public-api/user) | ユーザープロフィールおよびユーザー固有のデータにアクセスします。 |
+| [`Files`](/ja/models/ref/python/public-api/files/) | run に関連付けられたファイルをダウンロードおよび管理します。 |
+| `History` | トレーニング中に記録された詳細な時系列メトリクスにアクセスします（`Run.history` を参照してください）。 |
+| [`Automations`](./automations/) | 自動化されたワークフローとアクションを管理します。 |
+| [`Integrations`](/ja/models/integrations) | サードパーティー インテグレーションを構成および管理します。 |
+
+
+ ## 代表的なユースケース
+
+
+
+ ### データのエクスポートと分析
+
+
+* Jupyter ノートブックでの分析用に run の履歴を DataFrame としてエクスポート
+* カスタム可視化やレポート作成のためにメトリクスをダウンロード
+* 複数の実験にまたがる結果を集計
+
+
+ ### 事後更新
+
+
+* run 完了後にメタデータを更新する
+* 完了した実験にタグやメモを追加する
+* run の設定やサマリーを後から変更する
+
+
+ ### Artifacts 管理
+
+
+* バージョンまたはエイリアスで Artifacts を検索する
+* モデルのチェックポイントをプログラムからダウンロードする
+* Artifacts の履歴と依存関係を追跡する
+
+
+ ### sweep の分析
+
+
+* sweep の結果と最も性能の良い run にアクセスする
+* ハイパーパラメーター探索結果をエクスポートする
+* パラメーターの重要度を分析する
+
+
+ ## 認証
+
+
+Public API は Python SDK と同じ認証メカニズムを使用します。認証を行う方法はいくつかあります。
+
+`WANDB_API_KEY` 環境変数を使用して API キーを設定します:
```bash
export WANDB_API_KEY=your_api_key
```
-`Api` クラスを初期化する際に直接 APIキー を渡します。
+`Api` クラスを初期化するときに API キーを直接指定します。
```python
api = Api(api_key="your_api_key")
```
-または、`wandb.login()` を使用して現在のセッションを認証します。
+または、現在のセッションを認証するには `wandb.login()` を使用します：
+
```python
import wandb
@@ -74,26 +93,29 @@ wandb.login()
api = Api()
```
+
+ ## 使用例
+
-## 使用例
-
-
-### 名前とエイリアスによる Artifact のダウンロード
+
+ ### 名前とエイリアスを使って Artifact をダウンロードする
+
-次の例は、W&Bに ログ 記録された Artifact をその名前と エイリアス で取得し、その内容をダウンロードする方法を示しています。
+次の例では、W&B にログされた Artifacts を、その名前とエイリアスを指定して取得し、その内容をダウンロードする方法を示します。
```python
import wandb
api = wandb.Api()
-# entity/project/artifact:alias を指定して取得
artifact = api.artifact("entity/project/artifact:alias")
artifact.download()
```
-### レジストリからの Artifact のダウンロード
+
+ ### レジストリから Artifacts をダウンロードする
+
-次の例は、W&B Registry からリンクされた Artifact を取得する方法を示しています。
+次の例では、W&B Registry からリンクされた Artifacts を取得する方法を示します。
```python
import wandb
@@ -105,31 +127,33 @@ VERSION = ""
api = wandb.Api()
artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
-# Artifact を取得
+# Artifacts を取得する
fetched_artifact = api.artifact(name = artifact_name)
-# Artifact をダウンロード。ダウンロードされたコンテンツへのパスを返します。
+# Artifacts をダウンロードする。ダウンロードされたコンテンツへのパスを返す
downloaded_path = fetched_artifact.download()
```
-### W&B Registry の照会
+
+ ### W&B Registry をクエリする
+
-Mongo形式のフィルタを使用して、W&B Registries、Collections、および Artifacts を照会します。次の例では、正規表現を使用してコレクションを名前でフィルタリングする方法を示します。
+Mongo 風のフィルタを使用して、W&B Registry、Collection、および Artifacts をクエリします。次の例では、正規表現を使用してコレクション名でフィルタリングする方法を示します。
```python
import wandb
-# wandb API を初期化
+# wandb API を初期化する
api = wandb.Api()
-# レジストリに関わらず、コレクション名に `yolo` という文字列を含む
-# すべてのコレクションをフィルタリング
+# registry に関係なく、コレクション名に文字列 `yolo` を
+# 含むすべてのコレクションをフィルタリングする
collection_filters = {
"name": {"$regex": "yolo"}
}
-# フィルタに一致するすべてのコレクションのイテラブルを返します
+# フィルターに一致するすべてのコレクションのイテラブルを返す
collections = api.registries().collections(filter=collection_filters)
```
-レジストリ、コレクション、または Artifact の照会方法の詳細については、[レジストリアイテムの検索](/models/registry/search_registry) を参照してください。
\ No newline at end of file
+レジストリ、コレクション、または Artifacts をクエリする方法の詳細については、[Find registry items](/ja/models/registry/search_registry) を参照してください。
diff --git a/ja/models/ref/python/public-api/api.mdx b/ja/models/ref/python/public-api/api.mdx
index 69202ce9bd..3fb5b89c95 100644
--- a/ja/models/ref/python/public-api/api.mdx
+++ b/ja/models/ref/python/public-api/api.mdx
@@ -1,21 +1,26 @@
---
-title: API
+title: Api
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Api`
-W&B サーバーへのクエリ実行に使用されます。
-**Examples:**
- ```python
+W&B サーバーに対してクエリを実行するために使用します。
+
+**例:**
+
+```python
import wandb
wandb.Api()
-```
+```
+
### method `Api.__init__`
@@ -30,49 +35,59 @@ __init__(
API を初期化します。
**Args:**
-
- - `overrides`: `https://api.wandb.ai` 以外の W&B サーバーを使用している場合に `base_url` を設定できます。また、 `entity` 、 `project` 、 `run` のデフォルト値を設定することも可能です。
- - `timeout`: API リクエストの HTTP タイムアウト（秒）。指定しない場合はデフォルトのタイムアウトが使用されます。
- - `api_key`: 認証に使用する APIキー。提供されない場合は、現在の環境または設定からの APIキー が使用されます。環境に設定されていない場合は、 APIキー の入力を求めるプロンプトが表示されます。
----
+* `overrides`: `base_url` を設定できます。
+* `using a W&B server other than `https`: //api.wandb.ai`. また、`entity`、`project`、`run` のデフォルト値も設定できます。
+* `timeout`: API リクエストの HTTP タイムアウト (秒) 。指定しない場合はデフォルトのタイムアウトが使用されます。
+* `api_key`: 認証に使用する API キー。指定しない場合は、現在の環境または設定にある API キーが使用されます。環境にも設定にも API キーがない場合は、API キーの入力を求めます。
+
+***
+
### property Api.client
-クライアントオブジェクトを返します。
+クライアント オブジェクトを返します。
-**Returns:**
- - `RetryingClient`: クライアントプロパティの値。
----
+**戻り値:**
+
+* `RetryingClient`: client プロパティの値。
+
+***
### property Api.default_entity
-デフォルトの W&B entity を返します。
+デフォルトの W&B entity を返します。
-**Returns:**
- - `str | None`: default_entity プロパティの値。
----
+**戻り値:**
+
+* `str | None`: default_entity プロパティの値。
+
+***
### property Api.user_agent
-W&B 公開ユーザーエージェントを返します。
+W&B の公開用ユーザーエージェントを返します。
-**Returns:**
- - `str`: user_agent プロパティの値。
----
+**戻り値:**
+
+* `str`: `user_agent` プロパティの値。
+
+***
### property Api.viewer
viewer オブジェクトを返します。
**Raises:**
-
- - `ValueError`: W&B から viewer データを取得できない場合。
- - `requests.RequestException`: graphql リクエストの実行中にエラーが発生した場合。
+
+* `ValueError`: viewer データを W&B から取得できない場合。
+* `requests.RequestException`: GraphQL リクエストの実行中にエラーが発生した場合。
**Returns:**
- - `User`: viewer プロパティの値。
----
+
+* `User`: viewer プロパティの値。
+
+***
### method `Api.artifact`
@@ -80,45 +95,46 @@ viewer オブジェクトを返します。
artifact(name: 'str', type: 'str | None' = None)
```
-単一の Artifact を返します。
+単一のアーティファクトを返します。
**Args:**
-
- - `name`: Artifact の名前。Artifact の名前はファイルパスに似ており、最小構成として、Artifact がログ記録された Projects の名前、Artifact の名前、および Artifact のバージョンまたはエイリアスが含まれます。オプションとして、Artifact をログ記録した entity をプレフィックスとして追加し、その後にスラッシュを続けることができます。名前に entity が指定されていない場合は、 Runs または API 設定の entity が使用されます。
- - `type`: 取得する Artifact のタイプ。
+
+* `name`: アーティファクトの名前。アーティファクトの名前はファイルパスに似た形式で、少なくとも、そのアーティファクトがログされたプロジェクト名、アーティファクト名、アーティファクトのバージョンまたはエイリアスで構成されます。任意で、そのアーティファクトをログした entity 名を先頭に付け、その後にスラッシュを続けることもできます。name に entity が指定されていない場合は、Run または API 設定の entity が使用されます。
+* `type`: 取得するアーティファクトの種類。
**Returns:**
- `Artifact` オブジェクト。
+`Artifact` オブジェクト。
**Raises:**
-
- - `ValueError`: Artifact 名が指定されていない場合。
- - `ValueError`: Artifact タイプが指定されているが、取得された Artifact のタイプと一致しない場合。
+
+* `ValueError`: アーティファクト名が指定されていない場合。
+* `ValueError`: アーティファクトの種類が指定されているが、取得したアーティファクトの種類と一致しない場合。
**Examples:**
- 以下のコードスニペットにおいて、"entity"、"project"、"artifact"、"version"、および "alias" は、それぞれあなたの W&B entity、Artifact が属する Projects の名前、Artifact の名前、および Artifact のバージョンを表すプレースホルダーです。
+次のコードスニペットにおける "entity"、"project"、"artifact"、"version"、および "alias" は、それぞれ、あなたの W&B entity、アーティファクトが含まれているプロジェクトの名前、アーティファクトの名前、およびアーティファクトのバージョンまたはエイリアスを表すプレースホルダーです。
```python
import wandb
-# プロジェクト、アーティファクト名、アーティファクトのエイリアスを指定
+# プロジェクト、アーティファクトの名前、およびアーティファクトのエイリアスを指定する
wandb.Api().artifact(name="project/artifact:alias")
-# プロジェクト、アーティファクト名、特定のアーティファクトバージョンを指定
+# プロジェクト、アーティファクトの名前、および特定のアーティファクトのバージョンを指定する
wandb.Api().artifact(name="project/artifact:version")
-# entity、プロジェクト、アーティファクト名、アーティファクトのエイリアスを指定
+# entity、プロジェクト、アーティファクトの名前、およびアーティファクトのエイリアスを指定する
wandb.Api().artifact(name="entity/project/artifact:alias")
-# entity、プロジェクト、アーティファクト名、特定のアーティファクトバージョンを指定
+# entity、プロジェクト、アーティファクトの名前、および特定のアーティファクトのバージョンを指定する
wandb.Api().artifact(name="entity/project/artifact:version")
-```
+```
-**Note:**
+**注意:**
-> このメソッドは外部利用のみを目的としています。wandb リポジトリのコード内で `api.artifact()` を呼び出さないでください。
+> このメソッドは外部からの利用のみを想定しています。wandb リポジトリのコード内で `api.artifact()` を呼び出さないでください。
+
+***
----
### method `Api.artifact_collection`
@@ -126,20 +142,20 @@ wandb.Api().artifact(name="entity/project/artifact:version")
artifact_collection(type_name: 'str', name: 'str') → ArtifactCollection
```
-タイプ別に単一の Artifact コレクションを返します。
+指定した type のアーティファクトコレクションを 1 つ返します。
-返された `ArtifactCollection` オブジェクトを使用して、そのコレクション内の特定の Artifact に関する情報の取得などを行うことができます。
+返された `ArtifactCollection` オブジェクトを使って、そのコレクション内の特定のアーティファクトに関する情報を取得したり、その他の操作を行ったりできます。
**Args:**
-
- - `type_name`: 取得する Artifact コレクションのタイプ。
- - `name`: Artifact コレクションの名前。オプションとして、Artifact をログ記録した entity をプレフィックスとして追加し、その後にスラッシュを続けることができます。
+
+* `type_name`: 取得するアーティファクトコレクションの type。
+* `name`: アーティファクトコレクション名。任意で、アーティファクトをログした entity を、スラッシュ区切りのプレフィックスとして付与できます。
**Returns:**
- `ArtifactCollection` オブジェクト。
+`ArtifactCollection` オブジェクト。
**Examples:**
- 以下のコードスニペットにおいて、"type"、"entity"、"project"、および "artifact_name" は、それぞれコレクションのタイプ、あなたの W&B entity、Artifact が属する Projects の名前、および Artifact の名前を表すプレースホルダーです。
+以下のコードスニペット中の "type"、"entity"、"project"、および "artifact_name" は、それぞれコレクションの type、あなたの W&B entity、アーティファクトが属するプロジェクト名、アーティファクト名を表すプレースホルダーです。
```python
import wandb
@@ -148,14 +164,15 @@ collections = wandb.Api().artifact_collection(
type_name="type", name="entity/project/artifact_name"
)
-# コレクション内の最初のアーティファクトを取得
+# コレクション内の最初のアーティファクトを取得する
artifact_example = collections.artifacts()[0]
-# アーティファクトの内容を指定したルートディレクトリにダウンロード
+# アーティファクトの内容を指定したルートディレクトリにダウンロードする
artifact_example.download()
-```
+```
+
+***
----
### method `Api.artifact_collection_exists`
@@ -163,28 +180,29 @@ artifact_example.download()
artifact_collection_exists(name: 'str', type: 'str') → bool
```
-指定された Projects および entity 内に Artifact コレクションが存在するかどうかを確認します。
+指定された プロジェクト と entity 内にアーティファクトコレクションが存在するかどうか。
**Args:**
-
- - `name`: Artifact コレクションの名前。オプションとして、Artifact をログ記録した entity をプレフィックスとして追加し、その後にスラッシュを続けることができます。entity または project が指定されていない場合、オーバーライドパラメータが存在すればそれらからコレクションを推測します。それ以外の場合、entity はユーザー設定から取得され、project はデフォルトで "uncategorized" になります。
- - `type`: Artifact コレクションのタイプ。
+
+* `name`: アーティファクトコレクション名。任意で、そのアーティファクトをログした entity をプレフィックスとして付け、その後にスラッシュを続けて指定できます。entity または project が指定されていない場合、存在すれば override パラメーターからコレクションを推論します。それ以外の場合、entity はユーザー設定から取得され、project はデフォルトで「uncategorized」になります。
+* `type`: アーティファクトコレクションの種類。
**Returns:**
- Artifact コレクションが存在する場合は True、そうでない場合は False。
+アーティファクトコレクションが存在する場合は True、存在しない場合は False。
**Examples:**
- 以下のコードスニペットにおいて、"type" および "collection_name" は、それぞれ Artifact コレクションのタイプおよびコレクションの名前を指します。
+以下のコードスニペットでは、「type」と「collection_name」は、それぞれアーティファクトコレクションの種類とコレクション名を表します。
```python
import wandb
wandb.Api.artifact_collection_exists(type="type", name="collection_name")
-```
+```
----
+***
-### method `Api.artifact_collections`
+
+### メソッド `Api.artifact_collections`
```python
artifact_collections(
@@ -194,18 +212,19 @@ artifact_collections(
) → ArtifactCollections
```
-一致する Artifact コレクションの集合を返します。
+条件に一致する artifact collection の一覧を返します。
**Args:**
-
- - `project_name`: フィルタリングする Projects の名前。
- - `type_name`: フィルタリングする Artifact タイプの名前。
- - `per_page`: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する理由はありません。
+
+* `project_name`: フィルター対象のプロジェクト名。
+* `type_name`: フィルター対象のアーティファクトタイプ名。
+* `per_page`: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する必要はありません。
**Returns:**
- イテラブルな `ArtifactCollections` オブジェクト。
+イテラブルな `ArtifactCollections` オブジェクトを返します。
+
+***
----
### method `Api.artifact_exists`
@@ -213,29 +232,30 @@ artifact_collections(
artifact_exists(name: 'str', type: 'str | None' = None) → bool
```
-指定された Projects および entity 内に Artifact バージョンが存在するかどうかを確認します。
+指定したプロジェクトと entity 内に、アーティファクト バージョンが存在するかどうか。
**Args:**
-
- - `name`: Artifact の名前。Artifact の entity と project をプレフィックスとして追加します。Artifact のバージョンまたはエイリアスをコロンで末尾に付けます。entity または project が指定されていない場合、設定されているオーバーライドパラメータを使用します。それ以外の場合、entity はユーザー設定から取得され、project は "Uncategorized" に設定されます。
- - `type`: Artifact のタイプ。
+
+* `name`: アーティファクトの名前。先頭にそのアーティファクトの entity とプロジェクトをプレフィックスとして付ける。末尾に、コロン区切りでバージョンまたはアーティファクトのエイリアスを付ける。entity またはプロジェクトが指定されていない場合、設定されていれば override パラメーターが使用される。そうでない場合、entity はユーザー設定から取得され、プロジェクトは "Uncategorized" に設定される。
+* `type`: アーティファクトの種類。
**Returns:**
- Artifact バージョンが存在する場合は True、そうでない場合は False。
+アーティファクト バージョンが存在する場合は True、そうでない場合は False。
**Examples:**
- 以下のコードスニペットにおいて、"entity"、"project"、"artifact"、"version"、および "alias" は、それぞれあなたの W&B entity、Artifact が属する Projects の名前、Artifact の名前、および Artifact のバージョンを表すプレースホルダーです。
+以下のコードスニペットでは、「entity」「project」「artifact」「version」「alias」は、それぞれあなたの W&B entity、アーティファクトが属するプロジェクト名、アーティファクト名、およびアーティファクトのバージョンを表すプレースホルダーである。
```python
import wandb
wandb.Api().artifact_exists("entity/project/artifact:version")
wandb.Api().artifact_exists("entity/project/artifact:alias")
-```
+```
----
+***
-### method `Api.artifact_type`
+
+### メソッド `Api.artifact_type`
```python
artifact_type(type_name: 'str', project: 'str | None' = None) → ArtifactType
@@ -244,14 +264,15 @@ artifact_type(type_name: 'str', project: 'str | None' = None) → ArtifactType
一致する `ArtifactType` を返します。
**Args:**
-
- - `type_name`: 取得する Artifact タイプの名前。
- - `project`: 指定された場合、フィルタリングする Projects 名またはパス。
+
+* `type_name`: 取得するアーティファクトタイプの名前。
+* `project`: 指定された場合、フィルタリングに使用するプロジェクト名またはパス。
**Returns:**
- `ArtifactType` オブジェクト。
+`ArtifactType` オブジェクトを返します。
+
+***
----
### method `Api.artifact_types`
@@ -259,16 +280,17 @@ artifact_type(type_name: 'str', project: 'str | None' = None) → ArtifactType
artifact_types(project: 'str | None' = None) → ArtifactTypes
```
-一致する Artifact タイプの集合を返します。
+一致するアーティファクトタイプのコレクションを返します。
-**Args:**
-
- - `project`: フィルタリングする Projects 名またはパス。
+**引数:**
-**Returns:**
- イテラブルな `ArtifactTypes` オブジェクト。
+* `project`: フィルタリング対象のプロジェクト名またはパス。
+
+**返り値:**
+イテラブルな `ArtifactTypes` オブジェクト。
+
+***
----
### method `Api.artifact_versions`
@@ -276,9 +298,10 @@ artifact_types(project: 'str | None' = None) → ArtifactTypes
artifact_versions(type_name, name, per_page=50)
```
-非推奨。代わりに `Api.artifacts(type_name, name)` メソッドを使用してください。
+このメソッドは非推奨です。代わりに `Api.artifacts(type_name, name)` メソッドを使用してください。
+
+***
----
### method `Api.artifacts`
@@ -294,21 +317,26 @@ artifacts(
`Artifacts` コレクションを返します。
**Args:**
- type_name: 取得する Artifact のタイプ。 name: Artifact のコレクション名。オプションとして、Artifact をログ記録した entity をプレフィックスとして追加し、その後にスラッシュを続けることができます。 per_page: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する理由はありません。 tags: これらのタグをすべて持つ Artifact のみを返します。
+
+* `type_name`: 取得するアーティファクトの種類。
+* `name`: アーティファクトのコレクション名。オプションで、アーティファクトをログした entity を先頭に付け、その後にスラッシュを続けて指定できます。
+* `per_page`: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する必要はありません。
+* `tags`: これらすべてのタグを持つアーティファクトのみを返します。
**Returns:**
- イテラブルな `Artifacts` オブジェクト。
+反復可能な `Artifacts` オブジェクト。
**Examples:**
- 以下のコードスニペットにおいて、"type"、"entity"、"project"、および "artifact_name" は、それぞれ Artifact タイプ、W&B entity、Artifact がログ記録された Projects の名前、および Artifact の名前を表すプレースホルダーです。
+次のコードスニペットでは、"type"、"entity"、"project"、および "artifact_name" は、それぞれアーティファクトの種類、W&B entity、アーティファクトがログされたプロジェクト名、およびアーティファクト名を表すプレースホルダーです。
```python
import wandb
wandb.Api().artifacts(type_name="type", name="entity/project/artifact_name")
-```
+```
+
+***
----
### method `Api.automation`
@@ -316,36 +344,37 @@ wandb.Api().artifacts(type_name="type", name="entity/project/artifact_name")
automation(name: 'str', entity: 'str | None' = None) → Automation
```
-パラメータに一致する唯一の Automation を返します。
+指定したパラメーターに一致するただ 1 つの Automation を返します。
**Args:**
-
- - `name`: 取得するオートメーションの名前。
- - `entity`: オートメーションを取得する対象の entity。
+
+* `name`: 取得する Automation の名前。
+* `entity`: Automation を取得する対象のエンティティ。
**Raises:**
-
- - `ValueError`: 検索条件に一致する Automation が 0 個または複数存在する場合。
+
+* `ValueError`: 検索条件に一致する Automation が 0 件、または複数件ある場合。
**Examples:**
- "my-automation" という名前の既存のオートメーションを取得します：
+名前が "my-automation" の既存の Automation を取得します:
```python
import wandb
api = wandb.Api()
automation = api.automation(name="my-automation")
-```
+```
-entity "my-team" から "other-automation" という名前の既存のオートメーションを取得します：
+エンティティ "my-team" にある、名前が "other-automation" の既存の automation を取得します。
```python
automation = api.automation(name="other-automation", entity="my-team")
-```
+```
----
+***
-### method `Api.automations`
+
+### メソッド `Api.automations`
```python
automations(
@@ -355,32 +384,33 @@ automations(
) → Iterator[Automation]
```
-指定されたパラメータに一致するすべての Automations に対するイテレータを返します。
+指定されたパラメーターに一致するすべての Automation を走査するイテレーターを返します。
-パラメータが指定されない場合、返されるイテレータにはユーザーがアクセス権を持つすべての Automations が含まれます。
+パラメーターが指定されていない場合、返されるイテレーターには、そのユーザーがアクセス権を持つすべての Automation が含まれます。
**Args:**
-
- - `entity`: オートメーションを取得する対象の entity。
- - `name`: 取得するオートメーションの名前。
- - `per_page`: 1ページあたりに取得するオートメーションの数。デフォルトは 50 です。通常、これを変更する理由はありません。
+
+* `entity`: Automation を取得する対象の entity。
+* `name`: 取得する Automation の名前。
+* `per_page`: 1 ページあたりに取得する Automation の数。デフォルトは 50。通常、これを変更する必要はありません。
**Returns:**
- オートメーションのリスト。
+Automation のリスト。
**Examples:**
- entity "my-team" のすべての既存のオートメーションを取得します：
+Entity "my-team" に対する既存のすべての Automation を取得する:
```python
import wandb
api = wandb.Api()
automations = api.automations(entity="my-team")
-```
+```
----
+***
-### method `Api.create_automation`
+
+### メソッド `Api.create_automation`
```python
create_automation(
@@ -393,19 +423,22 @@ create_automation(
新しい Automation を作成します。
**Args:**
- obj: 作成するオートメーション。 fetch_existing: True の場合、競合するオートメーションが既に存在すると、エラーを発生させる代わりに既存のオートメーションの取得を試みます。 **kwargs: 作成前にオートメーションに割り当てる追加の値。指定された場合、これらはオートメーションに既に設定されている値を上書きします：
- - `name`: オートメーションの名前。
- - `description`: オートメーションの説明。
- - `enabled`: オートメーションが有効かどうか。
- - `scope`: オートメーションのスコープ。
- - `event`: オートメーションをトリガーするイベント。
- - `action`: オートメーションによってトリガーされるアクション。
+obj: 作成する Automation。
+fetch_existing: True の場合、競合する Automation がすでに存在するときに、エラーを発生させずに既存の Automation を取得しようとします。
+**kwargs: 作成前に Automation に割り当てる追加の値。指定された場合、すでに Automation に設定されている可能性のある値を上書きします:
+
+* `name`: Automation の名前。
+ * `description`: Automation の説明。
+ * `enabled`: Automation が有効かどうか。
+ * `scope`: Automation のスコープ。
+ * `event`: Automation をトリガーするイベント。
+ * `action`: Automation によってトリガーされるアクション。
**Returns:**
- 保存された Automation。
+保存された Automation。
**Examples:**
- 特定のプロジェクト内の Run がカスタムしきい値を超えるメトリクスをログに記録したときに Slack 通知を送信する、"my-automation" という名前の新しいオートメーションを作成します：
+特定のプロジェクト内の run が、カスタムしきい値を超えるメトリクスをログしたときに Slack 通知を送信する、名前が "my-automation" の新しい Automation を作成します:
```python
import wandb
@@ -415,7 +448,7 @@ api = wandb.Api()
project = api.project("my-project", entity="my-team")
-# チームの最初の Slack インテグレーションを使用
+# チームの最初の Slack インテグレーションを使用する
slack_hook = next(api.slack_integrations(entity="my-team"))
event = OnRunMetric(
@@ -427,13 +460,14 @@ action = SendNotification.from_integration(slack_hook)
automation = api.create_automation(
event >> action,
name="my-automation",
- description="'custom-metric' が 10 を超えるたびに Slack メッセージを送信します。",
+ description="Send a Slack message whenever 'custom-metric' exceeds 10.",
)
-```
+```
+
+***
----
-### method `Api.create_custom_chart`
+### メソッド `Api.create_custom_chart`
```python
create_custom_chart(
@@ -446,34 +480,35 @@ create_custom_chart(
) → str
```
-カスタムチャートのプリセットを作成し、その ID を返します。
+カスタムチャートプリセットを作成し、その ID を返します。
-**Args:**
-
- - `entity`: チャートを所有する entity (ユーザーまたはチーム)。
- - `name`: チャートプリセットの一意の識別子。
- - `display_name`: UI に表示される人間が読める名前。
- - `spec_type`: 仕様のタイプ。Vega-Lite v2 仕様の場合は "vega2" である必要があります。
- - `access`: チャートのアクセスレベル：
- - "private": 作成した entity のみがチャートにアクセス可能。
- - "public": チャートが一般公開される。
- - `spec`: 辞書または JSON 文字列としての Vega/Vega-Lite 仕様。
+**引数:**
-**Returns:**
- 作成されたチャートプリセットの ID。形式は "entity/name" です。
+* `entity`: チャートを所有するエンティティ (ユーザーまたはチーム)
+* `name`: チャートプリセットの一意の識別子
+* `display_name`: UI に表示されるわかりやすい名前
+* `spec_type`: 仕様の種類。Vega-Lite v2 の仕様では "vega2" でなければなりません。
+* `access`: チャートのアクセスレベル:
+ * "private": そのチャートを作成したエンティティのみがアクセス可能
+ * "public": 誰でもアクセス可能
+* `spec`: 辞書または JSON 文字列として指定された Vega/Vega-Lite 仕様
-**Raises:**
-
- - `wandb.Error`: チャートの作成に失敗した場合。
- - `UnsupportedError`: サーバーがカスタムチャートをサポートしていない場合。
+**戻り値:**
+作成されたチャートプリセットの ID (形式は "entity/name")
+
+**送出:**
+
+* `wandb.Error`: チャートの作成に失敗した場合
+* `UnsupportedError`: サーバーがカスタムチャートをサポートしていない場合
-**Example:**
- ```python
+**例:**
+
+```python
import wandb
api = wandb.Api()
- # シンプルな棒グラフの仕様を定義
+ # シンプルな棒グラフの仕様を定義する
vega_spec = {
"$schema": "https://vega.github.io/schema/vega-lite/v6.json",
"mark": "bar",
@@ -484,7 +519,7 @@ create_custom_chart(
},
}
- # カスタムチャートを作成
+ # カスタムチャートを作成する
chart_id = api.create_custom_chart(
entity="my-team",
name="my-bar-chart",
@@ -494,15 +529,16 @@ create_custom_chart(
spec=vega_spec,
)
- # wandb.plot_table() で使用
+ # wandb.plot_table() と組み合わせて使用する
chart = wandb.plot_table(
vega_spec_name=chart_id,
data_table=my_table,
fields={"x": "category", "y": "value"},
)
- ```
+```
+
+***
----
### method `Api.create_project`
@@ -512,14 +548,15 @@ create_project(name: 'str', entity: 'str') → None
新しいプロジェクトを作成します。
-**Args:**
-
- - `name`: 新しいプロジェクトの名前。
- - `entity`: 新しいプロジェクトの entity。
+**引数:**
----
+* `name`: 新しいプロジェクトの名前。
+* `entity`: 新しいプロジェクトの entity。
-### method `Api.create_registry`
+***
+
+
+### メソッド `Api.create_registry`
```python
create_registry(
@@ -534,20 +571,22 @@ create_registry(
新しいレジストリを作成します。
**Args:**
-
- - `name`: レジストリの名前。名前は組織内で一意である必要があります。
- - `visibility`: レジストリの公開範囲。
- - `organization`: 組織内の誰でもこのレジストリを閲覧できます。役割は後で UI の設定から編集可能です。
- - `restricted`: UI 経由で招待されたメンバーのみがこのレジストリにアクセスできます。公開共有は無効になります。
- - `organization`: レジストリの組織。設定に組織が設定されていない場合、entity が1つの組織にのみ属しているなら、その entity から組織が取得されます。
- - `description`: レジストリの説明。
- - `artifact_types`: レジストリで受け入れられる Artifact タイプ。タイプは 128 文字以内で、`/` または `:` 文字を含めることはできません。指定しない場合、すべてのタイプが受け入れられます。レジストリに追加された許可タイプは後で削除することはできません。
+
+* `name`: レジストリの名前。名前は組織内で一意である必要があります。
+* `visibility`: レジストリの公開範囲。
+* `organization`: 組織内の誰でもこのレジストリを閲覧できます。UI の設定から、後でロールを編集できます。
+* `restricted`: UI を通じて招待されたメンバーのみがこのレジストリにアクセスできます。公開共有は無効になります。
+* `organization`: レジストリの所属組織。設定で組織が指定されていない場合、エンティティが 1 つの組織にのみ属しているときは、そのエンティティから組織が取得されます。
+* `description`: レジストリの説明。
+* `artifact_types`: レジストリで受け付けるアーティファクトの型。型名は 128 文字以内で、`/` および `:` 文字を含めてはいけません。指定しない場合、すべての型が許可されます。レジストリに追加された許可済みの型は、後から削除できません。
+* `more`: 上記の説明が 128 文字を超えないこと、および特定の記号を含めないことを示す追加情報。
**Returns:**
- レジストリオブジェクト。
+レジストリ オブジェクトが返されます。
**Examples:**
- ```python
+
+```python
import wandb
api = wandb.Api()
@@ -555,12 +594,13 @@ registry = api.create_registry(
name="my-registry",
visibility="restricted",
organization="my-org",
- description="これはテストレジストリです",
+ description="This is a test registry",
artifact_types=["model"],
)
-```
+```
+
+***
----
### method `Api.create_run`
@@ -572,18 +612,19 @@ create_run(
) → public.Run
```
-新しい Run を作成します。
+新しい run を作成します。
**Args:**
-
- - `run_id`: Run に割り当てる ID。指定しない場合、W&B はランダムな ID を作成します。
- - `project`: Run をログに記録する Projects。プロジェクトが指定されていない場合、"Uncategorized" という名前のプロジェクトにログを記録します。
- - `entity`: プロジェクトを所有する entity。entity が指定されていない場合、デフォルトの entity に Run をログ記録します。
+
+* `run_id`: run に割り当てる ID。指定しない場合、W&B がランダムな ID を作成します。
+* `project`: run を記録するプロジェクト。プロジェクトを指定しない場合は、"Uncategorized" という名前のプロジェクトに run を記録します。
+* `entity`: プロジェクトを所有するエンティティ。エンティティを指定しない場合は、デフォルトのエンティティに run を記録します。
**Returns:**
- 新しく作成された `Run`。
+新しく作成された `Run`。
+
+***
----
### method `Api.create_run_queue`
@@ -598,24 +639,25 @@ create_run_queue(
) → public.RunQueue
```
-W&B Launch で新しい Run キューを作成します。
+W&B Launch で新しい run キューを作成します。
-**Args:**
-
- - `name`: 作成するキューの名前
- - `type`: キューに使用されるリソースのタイプ。"local-container"、"local-process"、"kubernetes"、"sagemaker"、または "gcp-vertex" のいずれか。
- - `entity`: キューを作成する entity の名前。 `None` の場合、設定された entity またはデフォルトの entity を使用します。
- - `prioritization_mode`: 使用する優先順位付けのバージョン。"V0" または `None`。
- - `config`: キューに使用されるデフォルトのリソース設定。テンプレート変数を指定するにはハンドルバー（例： `{{var}}`）を使用します。
- - `template_variables`: 設定で使用するテンプレート変数スキーマの辞書。
+**引数:**
-**Returns:**
- 新しく作成された `RunQueue`。
+* `name`: 作成するキューの名前
+* `type`: キューで使用されるリソースのタイプ。"local-container"、"local-process"、"kubernetes"、"sagemaker"、または "gcp-vertex" のいずれか。
+* `entity`: キューを作成する entity の名前。`None` の場合は、設定済みまたはデフォルトの entity を使用します。
+* `prioritization_mode`: 使用する優先度付けのバージョン。"V0" または `None` のいずれか。
+* `config`: キューで使用されるデフォルトのリソース設定。テンプレート変数を指定するには handlebars (例: `{{var}}`) を使用します。
+* `template_variables`: config と共に使用するテンプレート変数スキーマを格納した 辞書。
-**Raises:**
- パラメータのいずれかが無効な場合は `ValueError` 、W&B API エラーの場合は `wandb.Error`。
+**戻り値:**
+新しく作成された `RunQueue`。
+
+**例外:**
+パラメーターが不正な場合は `ValueError` を、wandb API エラー時には `wandb.Error` を送出します。
+
+***
----
### method `Api.create_team`
@@ -625,17 +667,18 @@ create_team(team: 'str', admin_username: 'str | None' = None) → Team
新しいチームを作成します。
-**Args:**
-
- - `team`: チームの名前
- - `admin_username`: チームの管理者ユーザーのユーザー名。デフォルトは現在のユーザーです。
+**引数:**
-**Returns:**
- `Team` オブジェクト。
+* `team`: チーム名
+* `admin_username`: チームの管理者ユーザーのユーザー名。指定しない場合は現在のユーザーが管理者になります。
+
+**戻り値:**
+`Team` オブジェクト。
+
+***
----
-### method `Api.create_user`
+### メソッド `Api.create_user`
```python
create_user(email: 'str', admin: 'bool | None' = False) → User
@@ -643,17 +686,18 @@ create_user(email: 'str', admin: 'bool | None' = False) → User
新しいユーザーを作成します。
-**Args:**
-
- - `email`: ユーザーのメールアドレス。
- - `admin`: ユーザーをグローバルインスタンス管理者として設定します。
+**引数:**
-**Returns:**
- `User` オブジェクト。
+* `email`: ユーザーの email アドレス。
+* `admin`: ユーザーをグローバルインスタンスの管理者として設定します。
----
+**戻り値:**
+`User` オブジェクト。
+
+***
-### method `Api.delete_automation`
+
+### メソッド `Api.delete_automation`
```python
delete_automation(obj: 'Automation | str') → Literal[True]
@@ -662,25 +706,27 @@ delete_automation(obj: 'Automation | str') → Literal[True]
オートメーションを削除します。
**Args:**
-
- - `obj`: 削除するオートメーション、またはその ID。
+
+* `obj`: 削除するオートメーション、またはその ID。
**Returns:**
- オートメーションが正常に削除された場合は True。
+オートメーションが正常に削除された場合は True を返します。
----
+***
-### method `Api.flush`
+
+### メソッド `Api.flush`
```python
flush()
```
-ローカルキャッシュをフラッシュ（消去）します。
+ローカルキャッシュをクリアします。
-API オブジェクトは Runs のローカルキャッシュを保持しているため、スクリプトの実行中に Run の状態が変化する可能性がある場合は、 `api.flush()` を使用してローカルキャッシュをクリアし、Run に関連付けられた最新の値を取得する必要があります。
+`api` オブジェクトは run のローカルキャッシュを保持しているため、スクリプトの実行中に run の状態が変化する可能性がある場合は、`api.flush()` を使ってローカルキャッシュをクリアし、その run に関連付けられた最新の値を取得する必要があります。
+
+***
----
### method `Api.from_path`
@@ -688,20 +734,20 @@ API オブジェクトは Runs のローカルキャッシュを保持してい
from_path(path: 'str')
```
-パスから Run、Sweep、Projects、または Report を返します。
+パスから run、sweep、プロジェクト、またはレポートを返します。
-**Args:**
-
- - `path`: プロジェクト、Run、Sweep、または Report へのパス。
+**引数:**
-**Returns:**
- `Project`、`Run`、`Sweep`、または `BetaReport` のインスタンス。
+* `path`: プロジェクト、run、sweep、またはレポートへのパス
-**Raises:**
- パスが無効であるか、オブジェクトが存在しない場合は `wandb.Error`。
+**戻り値:**
+`Project`、`Run`、`Sweep`、または `BetaReport` のインスタンス。
-**Examples:**
- 以下のコードスニペットにおいて、"project"、"team"、"run_id"、"sweep_id"、および "report_name" は、それぞれプロジェクト、チーム、Run ID、Sweep ID、および特定の Report の名前を表すプレースホルダーです。
+**送出される例外:**
+パスが無効な場合、またはオブジェクトが存在しない場合に `wandb.Error` が送出されます。
+
+**使用例:**
+以下のコードスニペットに登場する "project"、"team"、"run_id"、"sweep_id"、および "report_name" は、それぞれプロジェクト、チーム、run ID、sweep ID、特定のレポート名を表すプレースホルダーです。
```python
import wandb
@@ -713,11 +759,12 @@ team_project = api.from_path("team/project")
run = api.from_path("team/project/runs/run_id")
sweep = api.from_path("team/project/sweeps/sweep_id")
report = api.from_path("team/project/reports/report_name")
-```
+```
----
+***
-### method `Api.integrations`
+
+### メソッド `Api.integrations`
```python
integrations(
@@ -726,18 +773,19 @@ integrations(
) → Iterator[Integration]
```
-entity のすべてのインテグレーションのイテレータを返します。
+エンティティに対するすべてのインテグレーションのイテレータを返します。
-**Args:**
-
- - `entity`: インテグレーションを取得する entity (チーム名など)。提供されない場合、ユーザーのデフォルト entity が使用されます。
- - `per_page`: 1ページあたりに取得するインテグレーションの数。デフォルトは 50 です。通常、これを変更する理由はありません。
+**引数:**
+
+* `entity`: インテグレーションを取得する対象のエンティティ (例: チーム名)。指定しない場合は、そのユーザーのデフォルトエンティティが使用されます。
+* `per_page`: 1 ページあたりに取得するインテグレーション数。デフォルトは 50 です。通常、これを変更する必要はありません。
**Yields:**
-
- - `Iterator[SlackIntegration | WebhookIntegration]`: サポートされているインテグレーションのイテレータ。
----
+* `Iterator[SlackIntegration | WebhookIntegration]`: サポートされているインテグレーションのイテレータ。
+
+***
+
### method `Api.job`
@@ -747,33 +795,35 @@ job(name: 'str | None', path: 'str | None' = None) → public.Job
`Job` オブジェクトを返します。
-**Args:**
-
- - `name`: ジョブの名前。
- - `path`: ジョブ Artifact をダウンロードするためのルートパス。
+**引数:**
-**Returns:**
- `Job` オブジェクト。
+* `name`: ジョブの名前。
+* `path`: ジョブのアーティファクトをダウンロードするルートパス。
----
+**戻り値:**
+`Job` オブジェクト。
-### method `Api.list_jobs`
+***
+
+
+### メソッド `Api.list_jobs`
```python
list_jobs(entity: 'str', project: 'str') → list[dict[str, Any]]
```
-指定された entity と Projects に対してジョブがある場合、そのリストを返します。
+指定された entity とプロジェクトに対して、該当する job があれば、その一覧を返します。
-**Args:**
-
- - `entity`: リストされるジョブの entity。
- - `project`: リストされるジョブの Projects。
+**引数:**
-**Returns:**
- 一致するジョブのリスト。
+* `entity`: 一覧に含める job の対象となる entity。
+* `project`: 一覧に含める job の対象となるプロジェクト。
+
+**戻り値:**
+条件に一致する job のリスト。
+
+***
----
### method `Api.project`
@@ -781,35 +831,37 @@ list_jobs(entity: 'str', project: 'str') → list[dict[str, Any]]
project(name: 'str', entity: 'str | None' = None) → public.Project
```
-指定された名前（および指定されていれば entity）を持つ `Project` を返します。
+指定された名前 (および指定されていれば entity) を持つ `Project` を返します。
-**Args:**
-
- - `name`: プロジェクト名。
- - `entity`: 要求された entity の名前。 `None` の場合、 `Api` に渡されたデフォルトの entity にフォールバックします。デフォルトの entity がない場合は `ValueError` を発生させます。
+**引数:**
-**Returns:**
- `Project` オブジェクト。
+* `name`: プロジェクト名。
+* `entity`: リクエストされた entity の名前。`None` の場合は、`Api` に渡されたデフォルトの entity を使用します。デフォルトの entity がない場合は `ValueError` を送出します。
----
+**戻り値:**
+`Project` オブジェクト。
-### method `Api.projects`
+***
+
+
+### メソッド `Api.projects`
```python
projects(entity: 'str | None' = None, per_page: 'int' = 200) → public.Projects
```
-指定された entity の Projects を取得します。
+指定した entity のプロジェクトを取得します。
**Args:**
-
- - `entity`: 要求された entity の名前。 `None` の場合、 `Api` に渡されたデフォルトの entity にフォールバックします。デフォルトの entity がない場合は `ValueError` を発生させます。
- - `per_page`: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する理由はありません。
+
+* `entity`: リクエスト対象の entity 名。`None` の場合は、`Api` に渡されたデフォルトの entity が使用されます。デフォルトの entity がない場合は `ValueError` をスローします。
+* `per_page`: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する必要はありません。
**Returns:**
- `Project` オブジェクトのイテラブルなコレクションである `Projects` オブジェクト。
+`Project` オブジェクトの反復可能なコレクションである `Projects` オブジェクト。
+
+***
----
### method `Api.queued_run`
@@ -824,11 +876,12 @@ queued_run(
)
```
-パスに基づいて、単一のキューに入れられた Run を返します。
+パスに基づいてキュー内の単一の run を返します。
-`entity/project/queue_id/run_queue_item_id` 形式のパスを解析します。
+`entity/project/queue_id/run_queue_item_id` という形式のパスを解析します。
+
+***
----
### method `Api.registries`
@@ -840,52 +893,53 @@ registries(
) → Registries
```
-`Registry` オブジェクトのレイジーイテレータを返します。
+`Registry` オブジェクトの遅延イテレーターを返します。
-イテレータを使用して、組織のレジストリ全体でレジストリ、コレクション、または Artifact バージョンを検索およびフィルタリングします。
+このイテレーターを使って、組織内の registry 全体にわたって registry、collection、または アーティファクト バージョンを検索およびフィルタリングします。
**Args:**
-
- - `organization`: (str, オプション) 取得するレジストリの組織。指定しない場合、ユーザー設定で指定された組織が使用されます。
- - `filter`: (dict, オプション) レイジーレジストリイテレータの各オブジェクトに適用する MongoDB スタイルのフィルター。レジストリのフィルタリングに使用できるフィールドは `name`、`description`、`created_at`、`updated_at` です。コレクションのフィルタリングに使用できるフィールドは `name`、`tag`、`description`、`created_at`、`updated_at` です。バージョンのフィルタリングに使用できるフィールドは `tag`、`alias`、`created_at`、`updated_at`、`metadata` です。
- - `per_page`: クエリのページネーションにおけるページサイズを設定します。
+
+* `organization`: (str, optional) 取得する registry の所属組織。指定されていない場合は、ユーザーの設定で指定されている組織を使用します。
+* `filter`: (dict, optional) 遅延 registry イテレーター内の各オブジェクトに適用される MongoDB 形式のフィルター。registry でフィルターに使用できるフィールドは `name`、`description`、`created_at`、`updated_at` です。collection でフィルターに使用できるフィールドは `name`、`tag`、`description`、`created_at`、`updated_at` です。version でフィルターに使用できるフィールドは `tag`、`alias`、`created_at`、`updated_at`、`metadata` です。
+* `per_page`: クエリのページネーションにおけるページサイズを設定します。
**Returns:**
- `Registry` オブジェクトのレイジーイテレータ。
+`Registry` オブジェクトの遅延イテレーター。
**Examples:**
- 名前が "model" を含むすべてのレジストリを検索します。
+名前に "model" を含むすべての registry を検索します。
```python
import wandb
-api = wandb.Api() # 自分の entity が複数の組織に属している場合は、組織を指定してください
+api = wandb.Api() # エンティティが複数の組織に属している場合は org を指定してください
api.registries(filter={"name": {"$regex": "model"}})
-```
+```
-名前が "my_collection" でタグが "my_tag" のレジストリ内のすべてのコレクションを検索します。
+名前が "my_collection" で、タグが "my_tag" のすべてのコレクションをレジストリ内で検索します
```python
api.registries().collections(filter={"name": "my_collection", "tag": "my_tag"})
-```
+```
-コレクション名に "my_collection" を含み、エイリアスが "best" であるバージョンを持つレジストリ内のすべての Artifact バージョンを検索します。
+レジストリ内で、コレクション名に "my_collection" を含み、バージョンにエイリアス "best" が付いているすべてのアーティファクト バージョンを検索します
```python
api.registries().collections(
filter={"name": {"$regex": "my_collection"}}
).versions(filter={"alias": "best"})
-```
+```
-名前が "model" を含み、タグが "prod" またはエイリアスが "best" である、レジストリ内のすべての Artifact バージョンを検索します。
+レジストリ内で名前に "model" を含み、タグ "prod" またはエイリアス "best" を持つすべてのアーティファクト バージョンを検索します
```python
api.registries(filter={"name": {"$regex": "model"}}).versions(
filter={"$or": [{"tag": "prod"}, {"alias": "best"}]}
)
-```
+```
+
+***
----
### method `Api.registry`
@@ -893,29 +947,30 @@ api.registries(filter={"name": {"$regex": "model"}}).versions(
registry(name: 'str', organization: 'str | None' = None) → Registry
```
-レジストリ名を指定してレジストリを返します。
+レジストリ名を指定して registry を返します。
-**Args:**
-
- - `name`: レジストリの名前。これには `wandb-registry-` プレフィックスは含まれません。
- - `organization`: レジストリの組織。設定に組織が設定されていない場合、entity が1つの組織にのみ属しているなら、その entity から組織が取得されます。
+**引数:**
-**Returns:**
- レジストリオブジェクト。
+* `name`: レジストリの名前。`wandb-registry-` プレフィックスを含まない名前です。
+* `organization`: レジストリの organization。設定で organization が指定されていない場合、entity が 1 つの organization にのみ属している場合は、その entity から organization が取得されます。
-**Examples:**
- レジストリを取得して更新する
+**戻り値:**
+registry オブジェクト。
+
+**例:**
+registry を取得して更新する
```python
import wandb
api = wandb.Api()
registry = api.registry(name="my-registry", organization="my-org")
-registry.description = "これは更新された説明です"
+registry.description = "This is an updated description"
registry.save()
-```
+```
+
+***
----
### method `Api.reports`
@@ -927,27 +982,29 @@ reports(
) → public.Reports
```
-指定されたプロジェクトパスの Reports を取得します。
+指定したプロジェクトパスのレポートを取得します。
-注意: `wandb.Api.reports()` API はベータ版であり、将来のリリースで変更される可能性があります。
+Note: `wandb.Api.reports()` API はベータ版であり、今後のリリースで変更される可能性があります。
**Args:**
-
- - `path`: Report が存在する Projects へのパス。プロジェクトを作成した entity をプレフィックスとして追加し、その後にスラッシュを続けます。
- - `name`: 要求された Report の名前。
- - `per_page`: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する理由はありません。
+
+* `path`: レポートが存在するプロジェクトへのパス。接頭辞として、そのプロジェクトを作成したエンティティを指定し、その後にスラッシュを続けて指定します。
+* `name`: 取得するレポートの名前。
+* `per_page`: クエリのページネーションにおけるページサイズを設定します。通常、これを変更する必要はありません。
**Returns:**
- `BetaReport` オブジェクトのイテラブルなコレクションである `Reports` オブジェクト。
+`BetaReport` オブジェクトの反復可能なコレクションである `Reports` オブジェクトを返します。
**Examples:**
- ```python
+
+```python
import wandb
wandb.Api.reports("entity/project")
-```
+```
+
+***
----
### method `Api.run`
@@ -955,30 +1012,32 @@ wandb.Api.reports("entity/project")
run(path='')
```
-`entity/project/run_id` 形式のパスを解析して、単一の Run を返します。
+`entity/project/run_id` の形式のパスを解釈して、1 つの run を返します。
-**Args:**
-
- - `path`: `entity/project/run_id` 形式の Run へのパス。 `api.entity` が設定されている場合は `project/run_id` 形式に、 `api.project` が設定されている場合は単に `run_id` にすることができます。
+**引数:**
-**Returns:**
- `Run` オブジェクト。
+* `path`: `entity/project/run_id` 形式の run へのパス。`api.entity` が設定されている場合は `project/run_id` 形式を指定でき、`api.project` が設定されている場合は `run_id` だけを指定できます。
----
+**戻り値:**
+`Run` オブジェクト。
+
+***
-### method `Api.run_queue`
+
+### メソッド `Api.run_queue`
```python
run_queue(entity: 'str', name: 'str')
```
-entity の指定された名前の `RunQueue` を返します。
+指定した entity の、指定された名前の `RunQueue` を返します。
-Run キューの作成方法の詳細については、 `Api.create_run_queue` を参照してください。
+run queue の作成方法の詳細については、`Api.create_run_queue` を参照してください。
----
+***
-### method `Api.runs`
+
+### メソッド `Api.runs`
```python
runs(
@@ -991,61 +1050,64 @@ runs(
)
```
-`Run` オブジェクトをレイジーに反復する `Runs` オブジェクトを返します。
-
-フィルタリングに使用できるフィールドには、以下が含まれます：
-- `createdAt`: Run が作成されたタイムスタンプ（ISO 8601 形式、例: "2023-01-01T12:00:00Z"）。
-- `displayName`: Run の人間が読める表示名（例: "eager-fox-1"）。
-- `duration`: Run の総実行時間（秒）。
-- `group`: 関連する Runs をまとめて整理するために使用されるグループ名。
-- `host`: Run が実行されたホスト名。
-- `jobType`: ジョブのタイプまたは Run の目的。
-- `name`: Run の一意識別子（例: "a1b2cdef"）。
-- `state`: Run の現在の状態。
-- `tags`: Run に関連付けられたタグ。
-- `username`: Run を開始したユーザーのユーザー名。
-
-さらに、Run 設定（config）やサマリーメトリクス内の項目でフィルタリングすることもできます（ `config.experiment_name`、`summary_metrics.loss` など）。
-
-より複雑なフィルタリングには、MongoDB クエリ演算子を使用できます。詳細については、https://docs.mongodb.com/manual/reference/operator/query を参照してください。以下の操作がサポートされています：
-- `$and`
-- `$or`
-- `$nor`
-- `$eq`
-- `$ne`
-- `$gt`
-- `$gte`
-- `$lt`
-- `$lte`
-- `$in`
-- `$nin`
-- `$exists`
-- `$regex`
+`Run` オブジェクトを遅延的に反復処理する `Runs` オブジェクトを返します。
+
+フィルタ可能なフィールドには次のものがあります:
+
+* `createdAt`: run が作成されたタイムスタンプ (ISO 8601 形式、例: "2023-01-01T12:00:00Z")。
+* `displayName`: run の、人間が読める表示名 (例: "eager-fox-1")。
+* `duration`: run の合計実行時間 (秒)。
+* `group`: 関連する run をまとめるために使用されるグループ名。
+* `host`: run が実行されたホスト名。
+* `jobType`: run のジョブの種類または目的。
+* `name`: run の一意の識別子 (例: "a1b2cdef")。
+* `state`: run の現在の状態。
+* `tags`: run に関連付けられたタグ。
+* `username`: run を開始したユーザーのユーザー名。
+
+さらに、run の config や summary メトリクス内の項目でフィルタできます。たとえば `config.experiment_name`、`summary_metrics.loss` などです。
+
+より複雑なフィルタリングのために、MongoDB のクエリ演算子を使用できます。詳細については https://docs.mongodb.com/manual/reference/operator/query を参照してください。次の演算子がサポートされています:
+
+* `$and`
+* `$or`
+* `$nor`
+* `$eq`
+* `$ne`
+* `$gt`
+* `$gte`
+* `$lt`
+* `$lte`
+* `$in`
+* `$nin`
+* `$exists`
+* `$regex`
**Args:**
-
- - `path`: (str) プロジェクトへのパス。"entity/project" の形式である必要があります。
- - `filters`: (dict) MongoDB クエリ言語を使用した特定の Runs のクエリ。config.key、summary_metrics.key、state、entity、createdAt などの Run プロパティでフィルタリングできます。
- - `例`: `{"config.experiment_name": "foo"}` は、設定項目の experiment name が "foo" に設定されている Runs を検索します。
- - `order`: (str) 並び順は `created_at`、`heartbeat_at`、`config.*.value`、または `summary_metrics.*` を指定できます。 `+` を先頭に付けると昇順（デフォルト）、 `-` を先頭に付けると降順になります。デフォルトの順序は run.created_at の古い順です。
- - `per_page`: (int) クエリのページネーションにおけるページサイズを設定します。
- - `include_sweeps`: (bool) 結果に Sweep の Runs を含めるかどうか。
- - `lazy`: (bool) 高速化のためにレイジーローディングを使用するかどうか。True（デフォルト）の場合、最初は必須の Run メタデータのみが読み込まれます。config、summaryMetrics、systemMetrics などの重いフィールドは、アクセスされたときにオンデマンドで読み込まれます。最初からすべてのデータを取得するには False に設定します。
+
+* `path`: (str) プロジェクトへのパスで、"entity/project" の形式で指定します。
+* `filters`: (dict) MongoDB クエリ言語を使って特定の run を検索するためのクエリ。config.key、summary_metrics.key、state、entity、createdAt などの run プロパティでフィルタできます。
+* `For example`: `{"config.experiment_name": "foo"}` は、experiment name の config エントリが "foo" に設定されている run を検索します。
+* `order`: (str) 並び順は `created_at`、`heartbeat_at`、`config.*.value`、または `summary_metrics.*` を指定できます。order の前に + を付けると昇順 (デフォルト)、- を付けると降順になります。デフォルトの並び順は、最も古いものから新しいものへの run.created_at です。
+* `per_page`: (int) クエリのページネーションにおけるページサイズを設定します。
+* `include_sweeps`: (bool) 結果に sweep run を含めるかどうか。
+* `lazy`: (bool) 高速化のために遅延ロードを使用するかどうか。True (デフォルト) の場合、最初に読み込まれるのは必須の run メタデータのみです。config、summaryMetrics、systemMetrics のような重いフィールドは、アクセス時にオンデマンドで読み込まれます。すべてのデータを事前に読み込むには False を指定します。
**Returns:**
- `Run` オブジェクトのイテラブルなコレクションである `Runs` オブジェクト。
+`Run` オブジェクトのイテラブルなコレクションである `Runs` オブジェクト。
**Examples:**
- ```python
+
+```python
import wandb
from wandb.apis.public import Api
-# config.experiment_name が "foo" に設定されているプロジェクト内の Runs を検索
+# config.experiment_name が "foo" に設定されているプロジェクト内の runs を検索する
Api.runs(path="my_entity/project", filters={"config.experiment_name": "foo"})
-```
+```
```python
-# config.experiment_name が "foo" または "bar" に設定されているプロジェクト内の Runs を検索
+# プロジェクト内で config.experiment_name が "foo" または "bar" に設定されている run を検索する
Api.runs(
path="my_entity/project",
filters={
@@ -1055,33 +1117,34 @@ Api.runs(
]
},
)
-```
+```
```python
-# config.experiment_name が正規表現に一致するプロジェクト内の Runs を検索
+# プロジェクト内で config.experiment_name が正規表現に一致する run を検索する
# (アンカーはサポートされていません)
Api.runs(
path="my_entity/project",
filters={"config.experiment_name": {"$regex": "b.*"}},
)
-```
+```
```python
-# Run の表示名が正規表現に一致するプロジェクト内の Runs を検索
+# プロジェクト内で run 名が正規表現に一致する run を検索する
# (アンカーはサポートされていません)
Api.runs(
path="my_entity/project", filters={"display_name": {"$regex": "^foo.*"}}
)
-```
+```
```python
-# loss の昇順でソートされたプロジェクト内の Runs を検索
+# プロジェクト内の runs を loss の昇順で検索する
Api.runs(path="my_entity/project", order="+summary_metrics.loss")
-```
+```
+
+***
----
-### method `Api.slack_integrations`
+### メソッド `Api.slack_integrations`
```python
slack_integrations(
@@ -1090,28 +1153,28 @@ slack_integrations(
) → Iterator[SlackIntegration]
```
-entity の Slack インテグレーションのイテレータを返します。
+エンティティに対する Slack インテグレーションのイテレータを返します。
**Args:**
-
- - `entity`: インテグレーションを取得する entity (チーム名など)。提供されない場合、ユーザーのデフォルト entity が使用されます。
- - `per_page`: 1ページあたりに取得するインテグレーションの数。デフォルトは 50 です。通常、これを変更する理由はありません。
+
+* `entity`: インテグレーションを取得する対象のエンティティ (例: チーム名) 。指定しない場合、ユーザーのデフォルトエンティティが使用されます。
+* `per_page`: 1 ページあたりに取得するインテグレーション数。デフォルトは 50 です。通常、この値を変更する必要はありません。
**Yields:**
-
- - `Iterator[SlackIntegration]`: Slack インテグレーションのイテレータ。
+
+* `Iterator[SlackIntegration]`: Slack インテグレーションのイテレータ。
**Examples:**
- チーム "my-team" に登録されているすべての Slack インテグレーションを取得します：
+チーム「my-team」向けの、登録済み Slack インテグレーションをすべて取得する:
```python
import wandb
api = wandb.Api()
slack_integrations = api.slack_integrations(entity="my-team")
-```
+```
-"team-alerts-" で始まるチャンネル名に投稿する Slack インテグレーションのみを検索します：
+"team-alerts-" で始まるチャンネル名に投稿する Slack インテグレーションだけを検索します:
```python
slack_integrations = api.slack_integrations(entity="my-team")
@@ -1120,9 +1183,10 @@ team_alert_integrations = [
for ig in slack_integrations
if ig.channel_name.startswith("team-alerts-")
]
-```
+```
+
+***
----
### method `Api.sweep`
@@ -1130,16 +1194,17 @@ team_alert_integrations = [
sweep(path='')
```
-`entity/project/sweep_id` 形式のパスを解析して Sweep を返します。
+`entity/project/sweep_id` 形式のパスを解析し、該当する sweep を返します。
-**Args:**
-
- - `path`: entity/project/sweep_id 形式の Sweep へのパス。 `api.entity` が設定されている場合は project/sweep_id 形式に、 `api.project` が設定されている場合は単に sweep_id にすることができます。
+**引数:**
-**Returns:**
- `Sweep` オブジェクト。
+* `path`: `entity/project/sweep_id` 形式の sweep へのパス。`api.entity` が設定されている場合は `project/sweep_id` 形式を指定でき、`api.project` が設定されている場合は `sweep_id` のみを指定できます。
+
+**戻り値:**
+`Sweep` オブジェクト。
+
+***
----
### method `Api.sync_tensorboard`
@@ -1147,9 +1212,10 @@ sweep(path='')
sync_tensorboard(root_dir, run_id=None, project=None, entity=None)
```
-tfevent ファイルを含むローカルディレクトリを wandb に同期します。
+tfevent ファイルを含むローカル ディレクトリを wandb と同期します。
+
+***
----
### method `Api.team`
@@ -1157,16 +1223,17 @@ tfevent ファイルを含むローカルディレクトリを wandb に同期
team(team: 'str') → Team
```
-指定された名前を持つ一致する `Team` を返します。
+指定した名前に一致する `Team` を返します。
-**Args:**
-
- - `team`: チームの名前。
+**引数:**
-**Returns:**
- `Team` オブジェクト。
+* `team`: Team の名前。
+
+**戻り値:**
+`Team` オブジェクト。
+
+***
----
### method `Api.update_automation`
@@ -1178,23 +1245,23 @@ update_automation(
) → Automation
```
-既存のオートメーションを更新します。
+既存の automation を更新します。
**Args:**
-
- - `obj`: 更新するオートメーション。既存のオートメーションである必要があります。 create_missing (bool): True の場合、オートメーションが存在しないときは作成します。 **kwargs: 更新前にオートメーションに割り当てる追加の値。指定された場合、これらはオートメーションに既に設定されている値を上書きします：
- - `name`: オートメーションの名前。
- - `description`: オートメーションの説明。
- - `enabled`: オートメーションが有効かどうか。
- - `scope`: オートメーションのスコープ。
- - `event`: オートメーションをトリガーするイベント。
- - `action`: オートメーションによってトリガーされるアクション。
+
+* `obj`: 更新する automation。既存の automation である必要があります。 create_missing (bool): True の場合、automation が存在しなければ作成します。 **kwargs: 更新前に automation に割り当てる追加の値。指定された場合、automation に既に設定されている値を上書きします:
+ * `name`: automation の名前。
+ * `description`: automation の説明。
+ * `enabled`: automation が有効かどうか。
+ * `scope`: automation のスコープ。
+ * `event`: automation をトリガーするイベント。
+ * `action`: automation によってトリガーされるアクション。
**Returns:**
- 更新されたオートメーション。
+更新された automation。
**Examples:**
- 既存のオートメーション ("my-automation") を無効にし、説明を編集します：
+既存の automation ("my-automation") を無効化し、説明を編集する例:
```python
import wandb
@@ -1203,10 +1270,10 @@ api = wandb.Api()
automation = api.automation(name="my-automation")
automation.enabled = False
-automation.description = "参照用に保持しますが、現在は使用されていません。"
+automation.description = "Kept for reference, but no longer used."
updated_automation = api.update_automation(automation)
-```
+```
または
@@ -1220,11 +1287,12 @@ automation = api.automation(name="my-automation")
updated_automation = api.update_automation(
automation,
enabled=False,
- description="参照用に保持しますが、現在は使用されていません。",
+ description="Kept for reference, but no longer used.",
)
-```
+```
+
+***
----
### method `Api.upsert_run_queue`
@@ -1240,25 +1308,26 @@ upsert_run_queue(
)
```
-W&B Launch で Run キューをアップサート（更新または挿入）します。
+W&B Launch で run キューを作成または更新 (upsert) します。
**Args:**
-
- - `name`: 作成するキューの名前
- - `entity`: オプション。キューを作成する entity の名前。 `None` の場合、設定された entity またはデフォルトの entity を使用します。
- - `resource_config`: オプション。キューに使用されるデフォルトのリソース設定。テンプレート変数を指定するにはハンドルバー（例： `{{var}}`）を使用します。
- - `resource_type`: キューに使用されるリソースのタイプ。"local-container"、"local-process"、"kubernetes"、"sagemaker"、または "gcp-vertex" のいずれか。
- - `template_variables`: 設定で使用するテンプレート変数スキーマの辞書。
- - `external_links`: オプション。キューで使用する外部リンクの辞書。
- - `prioritization_mode`: オプション。使用する優先順位付けのバージョン。"V0" または None。
+
+* `name`: 作成するキューの名前
+* `entity`: キューを作成する entity の任意の名前。`None` の場合、設定済みまたはデフォルトの entity を使用します。
+* `resource_config`: キューで使用する任意のデフォルトリソース設定。テンプレート変数を指定するには handlebars (例: `{{var}}`) を使用します。
+* `resource_type`: キューで使用するリソースの種類。"local-container"、"local-process"、"kubernetes"、"sagemaker"、または "gcp-vertex" のいずれか。
+* `template_variables`: 設定とともに使用するテンプレート変数スキーマの辞書。
+* `external_links`: キューとともに使用する外部リンクの辞書。
+* `prioritization_mode`: 使用する任意の優先順位付けバージョン。"V0" または None のいずれか。
**Returns:**
- アップサートされた `RunQueue`。
+アップサートされた `RunQueue`。
**Raises:**
- パラメータのいずれかが無効な場合は ValueError、W&B API エラーの場合は wandb.Error。
+いずれかのパラメーターが無効な場合は ValueError を、wandb API エラー時には wandb.Error を送出します。
+
+***
----
### method `Api.user`
@@ -1268,35 +1337,37 @@ user(username_or_email: 'str') → User | None
ユーザー名またはメールアドレスからユーザーを返します。
-この関数は、ローカル管理者に対してのみ機能します。自身のユーザーオブジェクトを取得するには、 `api.viewer` を使用してください。
+この関数はローカル管理者にのみ利用できます。自分自身の `User` オブジェクトを取得するには `api.viewer` を使用してください。
-**Args:**
-
- - `username_or_email`: ユーザーのユーザー名またはメールアドレス。
+**引数:**
-**Returns:**
- `User` オブジェクト。ユーザーが見つからない場合は None。
+* `username_or_email`: ユーザー名またはユーザーのメールアドレス。
----
+**戻り値:**
+`User` オブジェクト。ユーザーが見つからない場合は `None`。
-### method `Api.users`
+***
+
+
+### メソッド `Api.users`
```python
users(username_or_email: 'str') → list[User]
```
-部分的なユーザー名またはメールアドレスのクエリからすべてのユーザーを返します。
+部分一致するユーザー名またはメールアドレスで検索し、一致するすべてのユーザーを返します。
-この関数は、ローカル管理者に対してのみ機能します。自身のユーザーオブジェクトを取得するには、 `api.viewer` を使用してください。
+この関数はローカル管理者でのみ使用できます。自分自身のユーザーオブジェクトを取得するには `api.viewer` を使用してください。
-**Args:**
-
- - `username_or_email`: 検索したいユーザーのプレフィックスまたはサフィックス。
+**引数:**
-**Returns:**
- `User` オブジェクトの配列。
+* `username_or_email`: 検索したいユーザー名またはメールアドレスのプレフィックスまたはサフィックス。
+
+**戻り値:**
+`User` オブジェクトの配列。
+
+***
----
### method `Api.webhook_integrations`
@@ -1307,28 +1378,28 @@ webhook_integrations(
) → Iterator[WebhookIntegration]
```
-entity の Webhook インテグレーションのイテレータを返します。
+エンティティの webhook インテグレーションのイテレータを返します。
-**Args:**
-
- - `entity`: インテグレーションを取得する entity (チーム名など)。提供されない場合、ユーザーのデフォルト entity が使用されます。
- - `per_page`: 1ページあたりに取得するインテグレーションの数。デフォルトは 50 です。通常、これを変更する理由はありません。
+**引数:**
-**Yields:**
-
- - `Iterator[WebhookIntegration]`: Webhook インテグレーションのイテレータ。
+* `entity`: インテグレーションを取得する対象のエンティティ (例: チーム名) 。指定されていない場合は、ユーザーのデフォルトのエンティティが使用されます。
+* `per_page`: 1 ページあたりに取得するインテグレーションの数。デフォルトは 50。通常、この値を変更する必要はありません。
-**Examples:**
- チーム "my-team" に登録されているすべての Webhook インテグレーションを取得します：
+**戻り値:**
+
+* `Iterator[WebhookIntegration]`: webhook インテグレーションのイテレータ。
+
+**使用例:**
+チーム "my-team" に登録されている webhook インテグレーションをすべて取得します:
```python
import wandb
api = wandb.Api()
webhook_integrations = api.webhook_integrations(entity="my-team")
-```
+```
-"https://my-fake-url.com" にリクエストを送信する Webhook インテグレーションのみを検索します：
+"https://my-fake-url.com" に POST リクエストを送信する webhook インテグレーションだけを検索します:
```python
webhook_integrations = api.webhook_integrations(entity="my-team")
@@ -1337,4 +1408,4 @@ my_webhooks = [
for ig in webhook_integrations
if ig.url_endpoint.startswith("https://my-fake-url.com")
]
-```
\ No newline at end of file
+```
diff --git a/ja/models/ref/python/public-api/artifactcollection.mdx b/ja/models/ref/python/public-api/artifactcollection.mdx
index e0e42b28b0..cd85fdb875 100644
--- a/ja/models/ref/python/public-api/artifactcollection.mdx
+++ b/ja/models/ref/python/public-api/artifactcollection.mdx
@@ -3,132 +3,149 @@ title: ArtifactCollection
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `ArtifactCollection`
-関連する アーティファクト のグループを表す アーティファクト コレクションです。
-**Args:**
+関連する Artifacts のグループを表す Artifacts コレクション。
+
+**引数:**
- - `client`: W&B へのクエリに使用するクライアントインスタンス。
- - `entity`: プロジェクト を所有する エンティティ (ユーザー または チーム)。
- - `project`: アーティファクト コレクションを照会する プロジェクト の名前。
- - `name`: アーティファクト コレクションの名前。
- - `type`: アーティファクト コレクションのタイプ (例: "dataset"、"model")。
- - `organization`: 該当する場合、オプションの組織名。
- - `attrs`: アーティファクト コレクションを初期化するためのオプションの属性マッピング。指定しない場合、オブジェクト は初期化時に W&B から属性をロードします。
+- `client`: W&B をクエリするために使用するクライアントインスタンス。
+ - `entity`: プロジェクトの所有者であるエンティティ（ユーザーまたはチーム）。
+ - `project`: Artifacts コレクションをクエリする対象のプロジェクト名。
+ - `name`: Artifacts コレクションの名前。
+ - `type`: Artifacts コレクションの種別（例: "dataset"、"model"）。
+ - `organization`: 該当する場合のオプションの organization 名。
+ - `attrs`: Artifacts コレクションを初期化するためのオプションの属性マッピング。指定されていない場合、オブジェクトは初期化時に W&B から属性を読み込みます。
### property ArtifactCollection.aliases
-このコレクションに含まれるすべての アーティファクト バージョン の エイリアス。
+このコレクションに含まれるすべての Artifacts バージョンに対するエイリアス。
-**Returns:**
- - `list[str]`: aliases プロパティの 値。
+**戻り値:**
+
+- `list[str]`: aliases プロパティの値。
---
### property ArtifactCollection.created_at
-アーティファクト コレクションの作成日。
+Artifacts コレクションの作成日時。
+
+**戻り値:**
+
+- `str`: created_at プロパティの値。
-**Returns:**
- - `str`: created_at プロパティの 値。
---
### property ArtifactCollection.description
-アーティファクト コレクションの説明。
+Artifacts コレクションの説明です。
**Returns:**
- - `str | None`: description プロパティの 値。
+
+- `str | None`: description プロパティの値。
+
---
### property ArtifactCollection.entity
-プロジェクト を所有する エンティティ (ユーザー または チーム)。
+プロジェクトの所有者である entity（ユーザーまたはチーム）。
**Returns:**
- - `str`: entity プロパティの 値。
+
+- `str`: entity プロパティの値。
+
---
### property ArtifactCollection.id
-アーティファクト コレクションの一意識別子。
+Artifacts コレクションの一意の識別子。
**Returns:**
- - `str`: id プロパティの 値。
+
+- `str`: id プロパティの値。
+
---
### property ArtifactCollection.name
-アーティファクト コレクションの名前。
+Artifacts コレクションの名前。
+
+**戻り値:**
+
+- `str`: name プロパティの値。
-**Returns:**
- - `str`: name プロパティの 値。
---
### property ArtifactCollection.project
-アーティファクト コレクションが含まれる プロジェクト。
+Artifacts コレクションを含むプロジェクト。
**Returns:**
- - `str`: project プロパティの 値。
+
+- `str`: `project` プロパティの値。
+
---
### property ArtifactCollection.tags
-アーティファクト コレクションに関連付けられたタグ。
+この Artifacts コレクションに関連付けられているタグ。
+
+**戻り値:**
+
+- `list[str]`: `tags` プロパティの値。
-**Returns:**
- - `list[str]`: tags プロパティの 値。
---
### property ArtifactCollection.type
-アーティファクト コレクションのタイプを返します。
+この Artifacts コレクションのタイプを返します。
---
-### method `ArtifactCollection.artifacts`
+### メソッド `ArtifactCollection.artifacts`
```python
artifacts(per_page: 'int' = 50) → Artifacts
```
-コレクション内のすべての アーティファクト を取得します。
+コレクション内のすべての Artifacts を取得します。
----
+***
-### method `ArtifactCollection.change_type`
+### メソッド `ArtifactCollection.change_type`
```python
change_type(new_type: 'str') → None
```
-非推奨です。代わりに `save` を使用して直接タイプを変更してください。
+非推奨です。代わりに `save` を使って型を直接変更してください。
----
+***
-### method `ArtifactCollection.delete`
+### メソッド `ArtifactCollection.delete`
```python
delete() → None
```
-アーティファクト コレクション全体を削除します。
+Artifacts コレクション全体を削除します。
----
+***
-### method `ArtifactCollection.is_sequence`
+### メソッド `ArtifactCollection.is_sequence`
```python
is_sequence() → bool
```
-アーティファクト コレクションがシーケンスであるかどうかを返します。
+Artifacts コレクションがシーケンスであるかどうかを返します。
----
+***
### method `ArtifactCollection.save`
@@ -136,4 +153,4 @@ is_sequence() → bool
save() → None
```
-アーティファクト コレクションに加えられた変更を保存します。
\ No newline at end of file
+Artifacts コレクションへの変更を保存します。
diff --git a/ja/models/ref/python/public-api/artifactcollections.mdx b/ja/models/ref/python/public-api/artifactcollections.mdx
index 2cfa5c38f7..2c10b06889 100644
--- a/ja/models/ref/python/public-api/artifactcollections.mdx
+++ b/ja/models/ref/python/public-api/artifactcollections.mdx
@@ -3,20 +3,22 @@ title: ArtifactCollections
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `ArtifactCollections`
-Projects 内の特定のタイプを持つ Artifact コレクション。
-**Args:**
+プロジェクト内の特定の種類の Artifacts コレクションを表します。
+
+**引数:**
- - `client`: W&B へのクエリに使用するクライアントインスタンス。
- - `entity`: Projects を所有する Entity (Users または Teams)。
- - `project`: Artifact コレクションを照会する Projects の名前。
- - `type_name`: コレクションを取得する Artifact タイプの名前。
- - `per_page`: 1ページあたりに取得する Artifact コレクションの数。デフォルトは 50。
+- `client`: W&B へのクエリに使用するクライアント インスタンス。
+ - `entity`: プロジェクトを所有する entity（ユーザーまたはチーム）。
+ - `project`: Artifacts コレクションをクエリする対象のプロジェクト名。
+ - `type_name`: コレクションを取得する対象の Artifacts タイプ名。
+ - `per_page`: 1 ページあたりに取得する Artifacts コレクション数。デフォルトは 50。
### property ArtifactCollections.cursor
diff --git a/ja/models/ref/python/public-api/artifactfiles.mdx b/ja/models/ref/python/public-api/artifactfiles.mdx
index a310f8d7d4..5f673d8834 100644
--- a/ja/models/ref/python/public-api/artifactfiles.mdx
+++ b/ja/models/ref/python/public-api/artifactfiles.mdx
@@ -3,25 +3,27 @@ title: ArtifactFiles
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `ArtifactFiles`
-Artifact 内のファイルを操作するためのページネーターです。
+Artifacts 内のファイルを扱うページネーターです。
-### property ArtifactFiles.cursor
+### プロパティ ArtifactFiles.cursor
---
-### property ArtifactFiles.more
+### プロパティ ArtifactFiles.more
---
### property ArtifactFiles.path
-Artifact のパスを返します。
+Artifacts のパスを返します。
+
+**戻り値:**
-**Returns:**
- - `list[str]`: path プロパティの値。
\ No newline at end of file
+- `list[str]`: path プロパティの値。
\ No newline at end of file
diff --git a/ja/models/ref/python/public-api/artifacts.mdx b/ja/models/ref/python/public-api/artifacts.mdx
index 34e2da1ba1..3db0f050c8 100644
--- a/ja/models/ref/python/public-api/artifacts.mdx
+++ b/ja/models/ref/python/public-api/artifacts.mdx
@@ -1,30 +1,32 @@
---
-title: アーティファクト
+title: Artifacts
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Artifacts`
-Project に関連付けられた Artifact バージョンのイテラブルなコレクションです。
-オプションでフィルタを渡すことで、特定の条件に基づいて結果を絞り込むことができます。
+あるプロジェクトに関連付けられた Artifacts バージョンのイテラブルなコレクションです。
+
+特定の条件に基づいて結果を絞り込むために、オプションでフィルターを渡すことができます。
**Args:**
-
- - `client`: W&B へのクエリに使用するクライアントインスタンス。
- - `entity`: Project を所有する Entity（Users または Teams）。
- - `project`: Artifact を検索する Projects の名前。
- - `collection_name`: クエリ対象の Artifact コレクションの名前。
- - `type`: クエリ対象の Artifact のタイプ。一般的な例として "dataset" や "model" があります。
- - `filters`: クエリに適用するフィルタのオプションのマッピング。
- - `order`: 結果の順序を指定するオプションの文字列。
- - `per_page`: 1ページあたりに取得する Artifact バージョンの数。デフォルトは 50。
- - `tags`: Artifact をタグでフィルタリングするためのオプションの文字列または文字列のリスト。
-
-### property Artifacts.cursor
+
+- `client`: W&B に対してクエリを実行するために使用するクライアントインスタンス。
+ - `entity`: プロジェクトを所有するエンティティ（ユーザーまたはチーム）。
+ - `project`: Artifacts をクエリする対象のプロジェクト名。
+ - `collection_name`: クエリ対象の Artifacts コレクション名。
+ - `type`: クエリ対象の Artifacts の種類。一般的な例としては "dataset" や "model" などがあります。
+ - `filters`: クエリに適用するフィルターのマッピング（省略可能）。
+ - `order`: 結果の並び順を指定する文字列（省略可能）。
+ - `per_page`: 1 ページあたりに取得する Artifacts バージョン数。デフォルトは 50。
+ - `tags`: タグで Artifacts をフィルタリングするための文字列、または文字列のリスト（省略可能）。
+
+### プロパティ Artifacts.cursor
---
diff --git a/ja/models/ref/python/public-api/artifacttype.mdx b/ja/models/ref/python/public-api/artifacttype.mdx
index 9a920fe529..0bb74ec740 100644
--- a/ja/models/ref/python/public-api/artifacttype.mdx
+++ b/ja/models/ref/python/public-api/artifacttype.mdx
@@ -3,35 +3,41 @@ title: ArtifactType
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `ArtifactType`
-指定されたタイプに基づいてクエリ条件を満たす Artifacts オブジェクト。
+
+指定されたタイプに基づくクエリ条件を満たす Artifacts オブジェクト。
**Args:**
- - `client`: W&B へのクエリに使用するクライアントインスタンス。
- - `entity`: Projects を所有する Entity（Users または Teams）。
- - `project`: アーティファクトタイプをクエリする Projects の名前。
- - `type_name`: アーティファクトタイプの名前。
- - `attrs`: ArtifactType を初期化するためのオプションの属性。省略された場合、オブジェクトは初期化時に W&B から属性を読み込みます。
+- `client`: W&B に対するクエリに使用するクライアント インスタンス。
+ - `entity`: プロジェクトの所有者であるエンティティ（ユーザーまたはチーム）。
+ - `project`: Artifacts タイプをクエリする対象のプロジェクト名。
+ - `type_name`: Artifacts タイプの名前。
+ - `attrs`: ArtifactType を初期化するための任意の属性。省略された場合、オブジェクトは初期化時に W&B から属性を読み込みます。
### property ArtifactType.id
-アーティファクトタイプのユニークな識別子。
+Artifacts タイプの一意の識別子。
+
+**戻り値:**
+
+- `str`: id プロパティの値。
-**Returns:**
- - `str`: id プロパティの値。
---
### property ArtifactType.name
-アーティファクトタイプの名前。
+Artifacts タイプの名前。
+
+**戻り値:**
+
+- `str`: `name` プロパティの値。
-**Returns:**
- - `str`: name プロパティの値。
---
### method `ArtifactType.collection`
@@ -40,13 +46,13 @@ import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
collection(name: 'str') → ArtifactCollection
```
-名前を指定して特定のアーティファクトコレクションを取得します。
+指定した名前の Artifacts コレクションを取得します。
-**Args:**
+**引数:**
- - `name` (str): 取得するアーティファクトコレクションの名前。
+* `name` (str): 取得する Artifacts コレクションの名前。
----
+***
### method `ArtifactType.collections`
@@ -54,10 +60,10 @@ collection(name: 'str') → ArtifactCollection
collections(per_page: 'int' = 50) → ArtifactCollections
```
-このアーティファクトタイプに関連付けられているすべてのアーティファクトコレクションを取得します。
+この Artifacts タイプに関連付けられているすべての Artifacts コレクションを取得します。
-**Args:**
+**引数:**
- - `per_page` (int): 1ページあたりに取得するアーティファクトコレクションの数。デフォルトは 50 です。
+* `per_page` (int): 1 ページあたりに取得する Artifacts コレクションの数。既定値は 50。
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/public-api/artifacttypes.mdx b/ja/models/ref/python/public-api/artifacttypes.mdx
index 355b29c635..0387d40818 100644
--- a/ja/models/ref/python/public-api/artifacttypes.mdx
+++ b/ja/models/ref/python/public-api/artifacttypes.mdx
@@ -3,15 +3,18 @@ title: ArtifactTypes
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `ArtifactTypes`
-特定の Projects における `ArtifactType` オブジェクトのレイジーイテレータです。
+
+特定のプロジェクト用の `ArtifactType` オブジェクトに対する遅延イテレーター。
### property ArtifactTypes.cursor
---
-### property ArtifactTypes.more
\ No newline at end of file
+### プロパティ ArtifactTypes.more
\ No newline at end of file
diff --git a/ja/models/ref/python/public-api/automations.mdx b/ja/models/ref/python/public-api/automations.mdx
index b4e03abe79..d2c0b26ee1 100644
--- a/ja/models/ref/python/public-api/automations.mdx
+++ b/ja/models/ref/python/public-api/automations.mdx
@@ -1,8 +1,9 @@
---
-title: オートメーション
+title: 自動化
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-class `BetaReport`
-BetaReport は、 W&B で作成された Reports に関連付けられたクラスです。
-レポートの属性（名前、説明、ユーザー、 spec 、タイムスタンプ）へのアクセスや、関連する Runs やセクションの取得、レポートを HTML としてレンダリングするためのメソッドを提供します。
+BetaReport は、W&B で作成されたレポートに関連付けられたクラスです。
+
+レポートの属性（name、description、user、spec、timestamps）へのアクセスや、関連する run やセクションの取得、レポートを HTML としてレンダリングするためのメソッドを提供します。
**Attributes:**
- - `id` (string): レポートの一意識別子。
- - `display_name` (string): 人間が読みやすいレポートの表示名。
- - `name` (string): レポートの名前。よりユーザーフレンドリーな名前が必要な場合は `display_name` を使用してください。
- - `description` (string): レポートの説明。
- - `user` (User): レポートを作成した Users 情報（ユーザー名、メールアドレス）を含む辞書。
- - `spec` (dict): レポートの spec 。
- - `url` (string): レポートの URL 。
- - `updated_at` (string): 最終更新時のタイムスタンプ。
- - `created_at` (string): レポート作成時のタイムスタンプ。
+- `id` (string): レポートの一意の識別子。
+ - `display_name` (string): レポートの人間が読める表示名。
+ - `name` (string): レポートの名前。よりユーザーフレンドリーな名前には `display_name` を使用します。
+ - `description` (string): レポートの説明。
+ - `user` (User): レポートを作成したユーザー情報（username、email）を含む辞書。
+ - `spec` (dict): レポートの spec。
+ - `url` (string): レポートの URL。
+ - `updated_at` (string): 最終更新時刻のタイムスタンプ。
+ - `created_at` (string): レポートの作成時刻のタイムスタンプ。
### method `BetaReport.__init__`
```python
-__init__(client, attrs, entity=None, project=None)
+__init__(
+ client: 'RetryingClient',
+ attrs: 'dict',
+ entity: 'str | None' = None,
+ project: 'str | None' = None
+)
```
----
+***
+
### property BetaReport.created_at
@@ -54,7 +63,7 @@ __init__(client, attrs, entity=None, project=None)
### property BetaReport.sections
-レポートからパネルセクション（グループ）を取得します。
+レポートのパネルセクション（グループ）を取得します。
---
@@ -62,7 +71,7 @@ __init__(client, attrs, entity=None, project=None)
---
-### property BetaReport.updated_at
+### プロパティ BetaReport.updated_at
---
@@ -77,17 +86,22 @@ __init__(client, attrs, entity=None, project=None)
### method `BetaReport.runs`
```python
-runs(section, per_page=50, only_selected=True)
+runs(
+ section: 'dict[str, Any]',
+ per_page: 'int' = 50,
+ only_selected: 'bool' = True
+) → public.Runs
```
-レポートのセクションに関連付けられた Runs を取得します。
+レポート内の特定のセクションに関連付けられている run を取得します。
+
+***
----
### method `BetaReport.to_html`
```python
-to_html(height=1024, hidden=False)
+to_html(height: 'int' = 1024, hidden: 'bool' = False) → str
```
-このレポートを表示する iframe を含む HTML を生成します。
\ No newline at end of file
+このレポートを表示する iframe を埋め込んだ HTML を生成します。
diff --git a/ja/models/ref/python/public-api/downloadhistoryresult.mdx b/ja/models/ref/python/public-api/downloadhistoryresult.mdx
new file mode 100644
index 0000000000..bfcb2dcb97
--- /dev/null
+++ b/ja/models/ref/python/public-api/downloadhistoryresult.mdx
@@ -0,0 +1,30 @@
+---
+title: DownloadHistoryResult
+namespace: public_apis_namespace
+python_object_type: class
+---
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
+
+class `DownloadHistoryResult`
+
+run の履歴エクスポートをダウンロードした結果。
+
+**属性:**
+
+* `paths`: ダウンロードされた履歴ファイルへのパス。
+* `errors`: ダウンロードに失敗したファイルについて、ファイルパスからエラーメッセージへのマッピングを保持する辞書。すべてのダウンロードが成功した場合は None。
+* `contains_live_data`: run が、まだ parquet ファイルにエクスポートされていないライブデータを含んでいるかどうか。
+
+### メソッド `DownloadHistoryResult.__init__`
+
+```python
+__init__(
+ paths: 'list[pathlib.Path]',
+ contains_live_data: 'bool',
+ errors: 'dict[pathlib.Path, str] | None' = None
+) → None
+```
diff --git a/ja/models/ref/python/public-api/file.mdx b/ja/models/ref/python/public-api/file.mdx
index 46efc256ca..c9ae021864 100644
--- a/ja/models/ref/python/public-api/file.mdx
+++ b/ja/models/ref/python/public-api/file.mdx
@@ -1,64 +1,72 @@
---
-title: File
+title: File クラス
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `File`
+
W&B に保存されたファイル。
-W&B に格納されている単一のファイルを表します。ファイルの メタデータ への アクセス が含まれます。ファイルは特定の Run に関連付けられており、テキストファイル、 モデル の重み、 Datasets 、 可視化 、その他の Artifacts を含めることができます。ファイルのダウンロード、ファイルの削除、およびファイルプロパティへの アクセス が可能です。
+W&B に保存されている 1 つのファイルを表します。ファイルのメタデータへのアクセスが含まれます。ファイルは特定の run に関連付けられ、テキストファイル、モデルの重み、データセット、可視化結果、およびその他の Artifacts を含むことができます。ファイルのダウンロード、削除、ファイルプロパティへのアクセスが可能です。
-特定の Run に ログ 記録された特定のファイルを特定するために、 辞書 で1つ以上の属性を指定します。以下の キー を使用して検索できます：
+特定の run にログされた特定のファイルを絞り込むには、辞書で 1 つ以上の属性を指定します。次のキーを使って検索できます。
-- id (str): ファイルを含む Run の ID
+- id (str): ファイルを含む run の ID
- name (str): ファイル名
- url (str): ファイルへのパス
-- direct_url (str): バケット 内のファイルへのパス
-- sizeBytes (int): バイト単位のファイルサイズ
-- md5 (str): ファイルの md5
+- direct_url (str): バケット内のファイルへのパス
+- sizeBytes (int): ファイルサイズ（バイト単位）
+- md5 (str): ファイルの md5 ハッシュ値
- mimetype (str): ファイルの mimetype
- updated_at (str): 最終更新のタイムスタンプ
-- path_uri (str): バケット 内のファイルへのパス。現在は S3 オブジェクト とリファレンスファイルのみ利用可能です。
+- path_uri (str): バケット内のファイルへのパス。現在は S3 オブジェクトと参照ファイルでのみ利用可能
**Args:**
- - `client`: ファイルを含む Run オブジェクト
- - `attrs` (dict): ファイルを定義する属性の 辞書
- - `run`: ファイルを含む Run オブジェクト
+- `client`: ファイルを含む run オブジェクト
+ - `attrs` (dict): ファイルを定義する属性の辞書
+ - `run`: ファイルを含む run オブジェクト
### property File.path_uri
-ストレージ バケット 内のファイルへの URI パスを返します。
+ストレージバケット内のファイルへの URI パスを返します。
**Returns:**
- - `str`: ファイルが S3 に保存されている場合は S3 URI (例: 's3://bucket/path/to/file')、リファレンスファイルの場合は直接 URL、利用不可の場合は空の文字列。
+- `str`: ファイルが S3 に保存されている場合は S3 URI（例: 's3://bucket/path/to/file'）、参照ファイルの場合は直接アクセス可能な URL、取得できない場合は空文字列を返します。
**Returns:**
- - `str`: path_uri プロパティの 値 。
+
+- `str`: `path_uri` プロパティの値。
+
---
### property File.size
-バイト単位のファイルサイズを返します。
+ファイルのサイズをバイト単位で返します。
+
+**戻り値:**
+
+- `int`: size プロパティの値。
---
### method `File.delete`
```python
-delete()
+delete() → None
```
-W&B サーバー からファイルを削除します。
+W&B サーバー上からファイルを削除します。
----
+***
-### method `File.download`
+### メソッド `File.download`
```python
download(
@@ -69,14 +77,14 @@ download(
) → io.TextIOWrapper
```
-以前に Run によって保存されたファイルを wandb サーバー からダウンロードします。
+wandb サーバーから、run によって以前に保存されたファイルをダウンロードします。
-**Args:**
+**引数:**
- - `root`: ファイルを保存するローカル ディレクトリー 。デフォルトはカレントワーキング ディレクトリー (".") です。
- - `replace`: `True` の場合、ローカルファイルが存在すればダウンロードで上書きします。デフォルトは `False` です。
- - `exist_ok`: `True` の場合、ファイルが既に存在しても ValueError を発生させず、 `replace=True` でない限り再ダウンロードもしません。デフォルトは `False` です。
- - `api`: 指定された場合、ファイルのダウンロードに使用される `Api` インスタンス。
+* `root`: ファイルを保存するローカルディレクトリ。デフォルトは現在の作業ディレクトリ（"."）。
+* `replace`: `True` の場合、同名のローカルファイルが存在するときにそのファイルを上書きしてダウンロードします。デフォルトは `False`。
+* `exist_ok`: `True` の場合、ファイルがすでに存在していても ValueError を発生させず、replace=True の場合を除き再ダウンロードしません。デフォルトは `False`。
+* `api`: 指定された場合、その `Api` インスタンスを使ってファイルをダウンロードします。
-**Raises:**
- ファイルが既に存在し、 `replace=False` かつ `exist_ok=False` の場合に `ValueError` を発生させます。
\ No newline at end of file
+**例外:**
+ファイルがすでに存在し、`replace=False` かつ `exist_ok=False` の場合に `ValueError` を送出します。
diff --git a/ja/models/ref/python/public-api/files.mdx b/ja/models/ref/python/public-api/files.mdx
index 4eaae6905d..55b9e207d1 100644
--- a/ja/models/ref/python/public-api/files.mdx
+++ b/ja/models/ref/python/public-api/files.mdx
@@ -1,37 +1,42 @@
---
-title: ファイル
+title: Files
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Files`
-`File` オブジェクトのコレクションに対するレイジーイテレーター（遅延イテレーター）です。
-Runs の実行中に W&B にアップロードされたファイルへのアクセスと管理を行います。大量のファイルコレクションを反復処理する際、ページネーションを自動的に処理します。
+`File` オブジェクトのコレクションに対する遅延イテレーターです。
+
+run 中に W&B にアップロードされたファイルへのアクセスと管理を行います。多数のファイルを含むコレクションを反復処理する際も、自動的にページネーションを処理します。
-**Example:**
- ```python
+**例:**
+
+```python
from wandb.apis.public.files import Files
from wandb.apis.public.api import Api
-# Run オブジェクトの例
+# run オブジェクトの例
run = Api().run("entity/project/run-id")
-# Run 内のファイルを反復処理するための Files オブジェクトを作成
+# run 内のファイルを反復処理するための Files オブジェクトを作成する
files = Files(api.client, run)
-# ファイルを反復処理
+# ファイルを反復処理する
for file in files:
print(file.name)
print(file.url)
print(file.size)
- # ファイルをダウンロード
+ # ファイルをダウンロードする
file.download(root="download_directory", replace=True)
-```
+```
+
### method `Files.__init__`
@@ -46,20 +51,23 @@ __init__(
)
```
-`File` オブジェクトのコレクションに対するレイジーイテレーターを初期化します。
+`File` オブジェクトのコレクションに対する遅延評価イテレーターを初期化します。
-ファイルは必要に応じて W&B サーバー からページ単位で取得されます。
+必要に応じて、ファイルは W&B サーバーからページ単位で取得されます。
-**Args:**
-
- - `client`: ファイルを含む Run オブジェクト
- - `run`: ファイルを含む Run オブジェクト
- - `names` (list, optional): ファイルをフィルタリングするためのファイル名のリスト
- - `per_page` (int, optional): 1ページあたりに取得するファイル数
- - `upload` (bool, optional): `True` の場合、各ファイルのアップロード URL を取得します
- - `pattern` (str, optional): W&B からファイルを返す際に一致させるパターン。このパターンは MySQL の LIKE 構文を使用するため、たとえば ".json" で終わるすべてのファイルに一致させるには "%.json" となります。`names` と `pattern` の両方が指定された場合、ValueError が発生します。
+**引数:**
+
+* `client`: ファイルを含む run オブジェクト
+* `run`: ファイルを含む run オブジェクト
+* `names` (list, optional): ファイルをフィルタリングするためのファイル名のリスト
+* `per_page` (int, optional): 1 ページあたりに取得するファイル数
+* `upload` (bool, optional): `True` の場合、各ファイルのアップロード URL を取得する
+* `pattern` (str, optional): W&B からファイルを取得する際にマッチさせるパターン。
+ このパターンは MySQL の LIKE 構文を使用します。たとえば、拡張子が .json で終わるすべてのファイルにマッチさせるには "%.json" となります。
+ `names` と `pattern` の両方が指定された場合、ValueError が発生します。
+
+***
----
### property Files.length
diff --git a/ja/models/ref/python/public-api/incompleterunhistoryerror.mdx b/ja/models/ref/python/public-api/incompleterunhistoryerror.mdx
new file mode 100644
index 0000000000..938e1b0b12
--- /dev/null
+++ b/ja/models/ref/python/public-api/incompleterunhistoryerror.mdx
@@ -0,0 +1,16 @@
+---
+title: IncompleteRunHistoryError
+namespace: public_apis_namespace
+python_object_type: class
+---
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
+
+class `IncompleteRunHistoryError`
+
+run の履歴が不完全な場合に発生します。
+
+不完全な履歴とは、まだ parquet ファイルにエクスポートされていないデータがあり、通常は進行中の run が原因で発生する状態です。
\ No newline at end of file
diff --git a/ja/models/ref/python/public-api/job.mdx b/ja/models/ref/python/public-api/job.mdx
deleted file mode 100644
index 2e6b312c5a..0000000000
--- a/ja/models/ref/python/public-api/job.mdx
+++ /dev/null
@@ -1,39 +0,0 @@
----
-title: ジョブ
----
-
-class `Member`
-Team のメンバーです。
-### method `Member.__init__`
+チーム メンバーを表します。
+
+### メソッド `Member.__init__`
```python
__init__(client: 'RetryingClient', team: 'str', attrs: 'Mapping[str, Any]')
```
-**Args:**
+**引数:**
- - `client` (`wandb.apis.internal.Api`): 使用するクライアントインスタンス
- - `team` (str): このメンバーが所属する Team の名前
- - `attrs` (dict): メンバーの属性
+* `client` (`wandb.apis.internal.Api`): 使用するクライアントインスタンス
+* `team` (str): このメンバーが所属するチーム名
+* `attrs` (dict): メンバーの属性
+
+***
----
### method `Member.delete`
@@ -30,7 +34,7 @@ __init__(client: 'RetryingClient', team: 'str', attrs: 'Mapping[str, Any]')
delete()
```
-Team からメンバーを削除します。
+チームからメンバーを削除します。
-**Returns:**
- 成功したかどうかを示すブール値
\ No newline at end of file
+**戻り値:**
+成功したかどうかを示すブール値
diff --git a/ja/models/ref/python/public-api/project.mdx b/ja/models/ref/python/public-api/project.mdx
index 5866bcc09d..f76d7967d6 100644
--- a/ja/models/ref/python/public-api/project.mdx
+++ b/ja/models/ref/python/public-api/project.mdx
@@ -3,12 +3,14 @@ title: プロジェクト
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Project`
-Project は Runs のネームスペースです。
+
+プロジェクトは run の名前空間です。
### method `Project.__init__`
@@ -21,55 +23,59 @@ __init__(
) → Project
```
-**Args:**
-
- - `client`: W&B API クライアントのインスタンス。
- - `name` (str): プロジェクト名。
- - `entity` (str): プロジェクトを所有する Entity 名。
+**引数:**
+* `client`: W&B API クライアント インスタンス。
+* `name` (str): プロジェクトの名前。
+* `entity` (str): プロジェクトを所有するエンティティ名。
-Entity に関連付けられた単一のプロジェクト。
+エンティティに関連付けられた単一のプロジェクト。
+**引数:**
+* `client`: W&B をクエリするために使用される API クライアント。
+* `entity`: プロジェクトを所有するエンティティ。
+* `project`: クエリ対象のプロジェクトの名前。
+* `attrs`: プロジェクトの属性。
-**Args:**
-
- - `client`: W&B へのクエリに使用される API クライアント。
- - `entity`: プロジェクトを所有する Entity。
- - `project`: クエリ対象のプロジェクト名。
- - `attrs`: プロジェクトの属性。
+***
+### プロパティ Project.id
----
+***
-### property Project.id
+### property Project.owner
+プロジェクトの所有者を User オブジェクトとして返します。
+**例外:**
+* `ValueError`: プロジェクトのユーザー情報が見つからない場合に送出されます。
+**戻り値:**
----
+* `public.User`: owner プロパティの値。
+
+***
### property Project.path
-プロジェクトのパスを返します。パスは Entity とプロジェクト名を含むリストです。
+プロジェクトのパスを返します。パスは entity 名とプロジェクト名からなるリストです。
+**Returns:**
+- `list[str]`: path プロパティの値。
-**Returns:**
- - `list[str]`: path プロパティの値。
---
### property Project.url
-プロジェクトの URL を返します。
-
+プロジェクトの URL を返します。
+**戻り値:**
+- `str`: URL プロパティの値。
-
-**Returns:**
- - `str`: url プロパティの値。
---
### method `Project.artifacts_types`
@@ -78,9 +84,9 @@ Entity に関連付けられた単一のプロジェクト。
artifacts_types(per_page: 'int' = 50) → public.ArtifactTypes
```
-このプロジェクトに関連付けられているすべての Artifacts タイプを返します。
+このプロジェクトに関連するすべての Artifacts タイプを返します。
----
+***
### method `Project.sweeps`
@@ -88,17 +94,13 @@ artifacts_types(per_page: 'int' = 50) → public.ArtifactTypes
sweeps(per_page: 'int' = 50) → Sweeps
```
-このプロジェクト内の Sweeps のページネーションされたコレクションを返します。
-
+このプロジェクト内の sweep のページネーションされたコレクションを返します。
+**引数:**
-**Args:**
-
- - `per_page`: API へのリクエストごとに取得する Sweeps の数。
+* `per_page`: API へのリクエストごとに取得する sweep の数。
+**戻り値:**
+`Sweep` オブジェクトからなるイテラブルなコレクションである `Sweeps` オブジェクト。
-
-**Returns:**
- `Sweeps` オブジェクト。これは `Sweep` オブジェクトの反復可能なコレクションです。
-
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/public-api/projects.mdx b/ja/models/ref/python/public-api/projects.mdx
index 3413c94b17..d72fb4f26d 100644
--- a/ja/models/ref/python/public-api/projects.mdx
+++ b/ja/models/ref/python/public-api/projects.mdx
@@ -1,16 +1,19 @@
---
-title: プロジェクト
+title: Projects
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Projects`
-`Project` オブジェクトのレイジーイテレータです。
-特定の Entity によって作成・保存された Projects にアクセスするためのイテレータインターフェースを提供します。
+`Project` オブジェクトの遅延イテレーターです。
+
+entity によって作成および保存されたプロジェクトにアクセスするための、反復可能なインターフェースです。
### method `Projects.__init__`
@@ -22,39 +25,41 @@ __init__(
) → Projects
```
-**Args:**
+**引数:**
+
+* `client` (`wandb.apis.internal.Api`): 使用する API クライアント インスタンス。
+* `entity` (str): プロジェクトを取得する対象の entity 名（ユーザー名またはチーム名）。
+* `per_page` (int): リクエストごとに取得するプロジェクト数（デフォルトは 50）。
- - `client` (`wandb.apis.internal.Api`): 使用する API クライアントインスタンス。
- - `entity` (str): Projects を取得する Entity 名（ユーザー名または Team 名）。
- - `per_page` (int): 1リクエストあたりに取得する Projects の数（デフォルトは 50）。
+**例:**
-**Example:**
- ```python
+```python
from wandb.apis.public.api import Api
-# この Entity に属する Projects を検索する
+# このエンティティに属するプロジェクトを検索する
projects = Api().projects(entity="entity")
-# 各プロジェクトを反復処理する
+# プロジェクトを反復処理する
for project in projects:
print(f"Project: {project.name}")
print(f"- URL: {project.url}")
print(f"- Created at: {project.created_at}")
print(f"- Is benchmark: {project.is_benchmark}")
-```
+```
-`Project` オブジェクトのイテラブルなコレクションです。
+`Project` オブジェクトのイテラブルなコレクション。
-**Args:**
+**引数:**
- - `client`: W&B へのクエリに使用される API クライアント。
- - `entity`: Projects を所有する Entity。
- - `per_page`: API への1リクエストあたりに取得する Projects の数。
+* `client`: W&B に対してクエリを実行するために使用される API クライアント。
+* `entity`: プロジェクトを所有する Entity。
+* `per_page`: 一度の API リクエストで取得するプロジェクト数。
+
+***
----
### property Projects.cursor
---
-### property Projects.more
\ No newline at end of file
+### プロパティ Projects.more
\ No newline at end of file
diff --git a/ja/models/ref/python/public-api/queuedrun.mdx b/ja/models/ref/python/public-api/queuedrun.mdx
deleted file mode 100644
index 7ded81a68e..0000000000
--- a/ja/models/ref/python/public-api/queuedrun.mdx
+++ /dev/null
@@ -1,47 +0,0 @@
----
-title: QueuedRun
----
-
-class `Registry`
-Registry 内の単一の registry オブジェクトです。
+
+Registry 内の単一の registry を表します。
### method `Registry.__init__`
@@ -22,100 +24,118 @@ __init__(
)
```
----
+***
### property Registry.allow_all_artifact_types
-Registry 内ですべての Artifacts タイプが許可されているかどうかを返します。
+Registry であらゆる種類のアーティファクトが許可されているかどうかを返します。
-`True` の場合、任意のタイプの Artifacts を追加できます。`False` の場合、Artifacts は `artifact_types` にリストされているタイプに制限されます。
+`True` の場合、任意の種類のアーティファクトを追加できます。`False` の場合、アーティファクトは `artifact_types` に列挙された型に制限されます。
**Returns:**
- - `bool`: allow_all_artifact_types プロパティの 値。
----
+
+* `bool`: allow_all_artifact_types プロパティの値。
+
+***
### property Registry.artifact_types
-Registry で許可されている Artifacts タイプを返します。
+レジストリで許可されている Artifacts の種類を返します。
-`allow_all_artifact_types` が `True` の場合、`artifact_types` は以前に保存された、または現在 Registry で使用されているタイプを反映します。`allow_all_artifact_types` が `False` の場合、Artifacts は `artifact_types` 内のタイプに制限されます。
+`allow_all_artifact_types` が `True` の場合、`artifact_types` は、これまでに保存された、または現在レジストリで使用されている種類を反映します。`allow_all_artifact_types` が `False` の場合、 Artifacts は `artifact_types` に含まれる種類に制限されます。
-**Note:**
+**注:**
-> 以前に保存された Artifacts タイプは削除できません。
->
+> これまでに保存された Artifacts の種類は削除できません。
-**Example:**
- ```python
+**例:**
+
+```python
import wandb
registry = wandb.Api().create_registry()
registry.artifact_types.append("model")
-registry.save() # 一度保存されると、artifact type `model` は削除できません
+registry.save() # 一度保存すると、 Artifacts タイプ `model` は削除できなくなります
registry.artifact_types.append("accidentally_added")
registry.artifact_types.remove(
"accidentally_added"
-) # 保存される前であればタイプを削除できます
-```
+) # タイプは保存前であれば削除できます
+```
-**Returns:**
- - `AddOnlyArtifactTypesList`: artifact_types プロパティの 値。
----
+**戻り値:**
+
+* `AddOnlyArtifactTypesList`: `artifact_types` プロパティの値。
+
+***
### property Registry.created_at
Registry が作成された日時のタイムスタンプ。
-**Returns:**
- - `str`: created_at プロパティの 値。
----
+**戻り値:**
+
+* `str`: created_at プロパティの値。
+
+***
### property Registry.description
-Registry の説明。
+Registry の説明。
+
+**戻り値:**
+
+- `str | None`: description プロパティの値。
-**Returns:**
- - `str | None`: description プロパティの 値。
---
### property Registry.entity
-Registry の組織（Entity）。
+レジストリが属する Organization の entity。
+
+**戻り値:**
+
+- `str`: entity プロパティの値。
-**Returns:**
- - `str`: entity プロパティの 値。
---
### property Registry.full_name
-`wandb-registry-` プレフィックスを含む Registry のフルネーム。
+`wandb-registry-` プレフィックスを含むレジストリのフルネーム。
+
+**戻り値:**
+
+- `str`: `full_name` プロパティの値。
-**Returns:**
- - `str`: full_name プロパティの 値。
---
### property Registry.id
-この Registry の一意な ID。
+この Registry の一意の ID。
+
+**戻り値:**
+
+- `str`: id プロパティの値。
-**Returns:**
- - `str`: id プロパティの 値。
---
### property Registry.name
-`wandb-registry-` プレフィックスを除いた Registry の名前。
+`wandb-registry-` プレフィックスを除いたレジストリの名前。
+
+**戻り値:**
+
+- `str`: `name` プロパティの値。
-**Returns:**
- - `str`: name プロパティの 値。
---
### property Registry.organization
-Registry の組織名。
+レジストリの organization 名。
+
+**戻り値:**
+
+- `str`: organization プロパティの値。
-**Returns:**
- - `str`: organization プロパティの 値。
---
### property Registry.path
@@ -124,24 +144,27 @@ Registry の組織名。
### property Registry.updated_at
-Registry が最後に更新された日時のタイムスタンプ。
+レジストリが最後に更新された日時。
+
+**戻り値:**
+
+- `str`: updated_at プロパティの値。
-**Returns:**
- - `str`: updated_at プロパティの 値。
---
### property Registry.visibility
-Registry の 公開範囲（visibility）。
+Registry の公開範囲。
**Returns:**
-
- - `Literal["organization", "restricted"]`: 公開レベル。
- - "organization": 組織内の誰でもこの Registry を閲覧できます。ロールは後で UI の 設定 から編集可能です。
- - "restricted": UI を通じて招待されたメンバーのみがこの Registry に アクセス できます。パブリック共有は無効です。
+
+- `Literal["organization", "restricted"]`: 公開範囲のレベル。
+ - "organization": 組織内の誰でもこの Registry を閲覧できます。後から UI の設定画面でロールを編集できます。
+ - "restricted": UI 経由で招待されたメンバーのみがこの Registry にアクセスできます。公開共有は無効です。
**Returns:**
- - `Literal['organization', 'restricted']`: visibility プロパティの 値。
+
+- `Literal['organization', 'restricted']`: 公開範囲プロパティの値。
---
### method `Registry.add_members`
@@ -150,27 +173,28 @@ Registry の 公開範囲（visibility）。
add_members(*members: 'User | UserMember | Team | TeamMember | str') → Self
```
-この Registry に Users または Teams を追加します。
+このレジストリにユーザーまたはチームを追加します。
-**Args:**
-
- - `members`: Registry に追加する Users または Teams。`User` オブジェクト、`Team` オブジェクト、またはそれらの文字列 ID を受け入れます。
+**引数:**
-**Returns:**
- 必要に応じてメソッドチェーンを行うための、この Registry オブジェクト。
+* `members`: レジストリに追加するユーザーまたはチーム。`User` オブジェクト、`Team` オブジェクト、またはそれらの文字列 ID を受け取ります。
-**Raises:**
-
- - `TypeError`: 引数 としてメンバーが渡されなかった場合。
- - `ValueError`: User または Team の ID を推論または解析できなかった場合。
+**戻り値:**
+必要に応じてメソッドチェーンを続けるための、このレジストリ。
-**Examples:**
- ```python
+**例外:**
+
+* `TypeError`: メンバーが引数として一つも渡されなかった場合。
+* `ValueError`: ユーザーまたはチームの ID を推論または解析できなかった場合。
+
+**使用例:**
+
+```python
import wandb
api = wandb.Api()
-# 既存の Registry を取得
+# 既存のレジストリを取得する
registry = api.registry(name="my-registry", organization="my-org")
user1 = api.user(username="some-user")
@@ -179,9 +203,9 @@ registry.add_members(user1, user2)
my_team = api.team(name="my-team")
registry.add_members(my_team)
-```
+```
----
+***
### method `Registry.collections`
@@ -192,9 +216,10 @@ collections(
) → Collections
```
-Registry に属するコレクションを返します。
+レジストリに属するコレクションを返します。
+
+***
----
### classmethod `Registry.create`
@@ -209,38 +234,40 @@ create(
) → Self
```
-新しい Registry を作成します。
+新しい registry を作成します。
-Registry 名は組織内で一意である必要があります。この関数は `api.create_registry()` を使用して呼び出す必要があります。
+registry 名は組織内で一意である必要があります。この関数は `api.create_registry()` を使用して呼び出します。
-**Args:**
-
- - `client`: GraphQL クライアント。
- - `organization`: 組織の名前。
- - `name`: Registry の名前（`wandb-registry-` プレフィックスなし）。
- - `visibility`: 公開レベル ('organization' または 'restricted')。
- - `description`: Registry のオプションの説明。
- - `artifact_types`: 許可される Artifacts タイプのオプションリスト。
+**引数:**
-**Returns:**
-
- - `Registry`: 新しく作成された Registry オブジェクト。
+* `client`: GraphQL クライアント。
+* `organization`: 組織名。
+* `name`: registry の名前 (`wandb-registry-` プレフィックスを含まない) 。
+* `visibility`: 公開範囲 ('organization' または 'restricted') 。
+* `description`: registry の任意の説明文。
+* `artifact_types`: 許可されるアーティファクト種別の任意のリスト。
-**Raises:**
-
- - `ValueError`: 同じ名前の Registry が組織内に既に存在する場合、または作成に失敗した場合。
+**戻り値:**
----
+* `Registry`: 新しく作成された Registry オブジェクト。
+
+**発生しうる例外:**
+
+* `ValueError`: 同名の registry がその組織内にすでに存在する場合、または作成に失敗した場合。
-### method `Registry.delete`
+***
+
+
+### メソッド `Registry.delete`
```python
delete() → None
```
-Registry を削除します。この操作は取り消せません。
+この registry を削除します。この操作は元に戻せません。
+
+***
----
### method `Registry.load`
@@ -248,47 +275,53 @@ Registry を削除します。この操作は取り消せません。
load() → None
```
-バックエンドから Registry の属性を読み込みます。
+バックエンドから registry の属性を読み込みます。
+
+***
----
-### method `Registry.members`
+### メソッド `Registry.members`
```python
members() → list[UserMember | TeamMember]
```
-この Registry の現在のメンバー（Users および Teams）を返します。
+この Registry の現在のメンバーである ユーザーおよび Teams を返します。
+
+***
----
-### method `Registry.remove_members`
+### メソッド `Registry.remove_members`
```python
remove_members(*members: 'User | UserMember | Team | TeamMember | str') → Self
```
-この Registry から Users または Teams を削除します。
+このレジストリからユーザーまたはチームを削除します。
-**Args:**
-
- - `members`: Registry から削除する Users または Teams。`User` オブジェクト、`Team` オブジェクト、またはそれらの文字列 ID を受け入れます。
+**引数:**
-**Returns:**
- 必要に応じてメソッドチェーンを行うための、この Registry オブジェクト。
+* `members`: レジストリから削除するユーザーまたはチーム。`User` オブジェクト、`Team` オブジェクト、またはそれらの文字列 ID を指定できます。
-**Raises:**
-
- - `TypeError`: 引数 としてメンバーが渡されなかった場合。
- - `ValueError`: User または Team の ID を推論または解析できなかった場合。
+**戻り値:**
+必要に応じてメソッドチェーンを行うための、このレジストリ自身。
-**Examples:**
- ```python
+**例外:**
+
+* `TypeError`: members 引数が 1 つも渡されなかった場合。
+* `ValueError`: ユーザーまたはチームの ID を推論または解析できなかった場合。
+
+**使用例:**
+
+```python
import wandb
api = wandb.Api()
-# 既存の Registry を取得
+
+ # 既存の registry を取得する
+
+
registry = api.registry(name="my-registry", organization="my-org")
user1 = api.user(username="some-user")
@@ -297,9 +330,10 @@ registry.remove_members(user1, user2)
old_team = api.team(name="old-team")
registry.remove_members(old_team)
-```
+```
+
+***
----
### method `Registry.save`
@@ -307,11 +341,12 @@ registry.remove_members(old_team)
save() → None
```
-Registry の属性をバックエンドに保存します。
+この registry の属性をバックエンドに保存します。
+
+***
----
-### method `Registry.team_members`
+### メソッド `Registry.team_members`
```python
team_members() → list[TeamMember]
@@ -319,7 +354,8 @@ team_members() → list[TeamMember]
この Registry の現在のメンバーである Teams を返します。
----
+***
+
### method `Registry.update_member`
@@ -330,36 +366,41 @@ update_member(
) → Self
```
-この Registry 内のメンバー（User または Team）のロールを更新します。
+この registry 内のメンバー (ユーザーまたはチーム) のロールを更新します。
**Args:**
-
- - `member`: ロールを更新する User または Team。`User` オブジェクト、`Team` オブジェクト、またはそれらの文字列 ID を受け入れます。
- - `role`: メンバーに割り当てる新しいロール。以下のいずれかです：
- - "admin"
- - "member"
- - "viewer"
- - "restricted_viewer" (W&B サーバー でサポートされている場合)
+
+* `member`: ロールを更新する対象のユーザーまたはチーム。`User` オブジェクト、`Team` オブジェクト、またはそれらの文字列 ID を指定できます。
+* `role`: メンバーに割り当てる新しいロール。次のいずれかを指定します:
+ * "admin"
+ * "member"
+ * "viewer"
+ * "restricted_viewer" (W&B サーバーがサポートしている場合)
**Returns:**
- 必要に応じてメソッドチェーンを行うための、この Registry オブジェクト。
+必要に応じてメソッドチェーンを続けるための、この registry 自身。
**Raises:**
-
- - `ValueError`: User または Team の ID を推論できなかった場合。
+
+* `ValueError`: ユーザーまたはチームの ID を推論できない場合。
**Examples:**
- Registry 内のすべての Users を admin に設定します： ```python
+registry 内のすべてのユーザーを admin にする ```python
import wandb
api = wandb.Api()
-# 既存の Registry を取得
-registry = api.registry(name="my-registry", organization="my-org")
-for member in registry.user_members():
- registry.update_member(member.user, role="admin")
-```
+
+ # 既存の registry を取得する
+
+
+registry = api.registry(name="my-registry", organization="my-org")
+
+for member in registry.user_members():
+registry.update_member(member.user, role="admin")
+
+````
---
@@ -367,11 +408,12 @@ for member in registry.user_members():
```python
user_members() → list[UserMember]
-```
+````
-この Registry の現在のメンバーである Users を返します。
+この registry の現在のユーザー メンバーを返します。
+
+***
----
### method `Registry.versions`
@@ -382,4 +424,4 @@ versions(
) → Versions
```
-Registry に属するバージョンを返します。
\ No newline at end of file
+レジストリに含まれるバージョンを返します。
diff --git a/ja/models/ref/python/public-api/reports.mdx b/ja/models/ref/python/public-api/reports.mdx
index 1f2994b0fd..1cef4ecbe8 100644
--- a/ja/models/ref/python/public-api/reports.mdx
+++ b/ja/models/ref/python/public-api/reports.mdx
@@ -3,28 +3,38 @@ title: Reports
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Reports`
-Reports は、 `BetaReport` オブジェクト のレイジーイテレータ（遅延イテレータ）です。
+
+Reports は `BetaReport` オブジェクトの遅延イテレータです。
### method `Reports.__init__`
```python
-__init__(client, project, name=None, entity=None, per_page=50)
+__init__(
+ client: 'RetryingClient',
+ project: 'Project',
+ name: 'str | None' = None,
+ entity: 'str | None' = None,
+ per_page: 'int' = 50
+)
```
-**Args:**
+**引数:**
- - `client` (`wandb.apis.internal.Api`): 使用する API クライアントインスタンス。
- - `project` (`wandb.sdk.internal.Project`): レポートを取得する Projects 。
- - `name` (str, optional): フィルタリングに使用するレポート名。 `None` の場合、すべてのレポートを取得します。
- - `entity` (str, optional): プロジェクトの Entities 名。デフォルトはプロジェクトのエンティティです。
- - `per_page` (int): 1ページあたりに取得するレポート数（デフォルトは50）。
+* `client` (`wandb.apis.internal.Api`): 使用する API クライアント インスタンス。
+* `project` (`wandb.sdk.internal.Project`): レポートを取得するプロジェクト。
+* `name` (str, optional): フィルタリングに使用するレポート名。`None` の場合、すべてのレポートを取得する。
+* `entity` (str, optional): プロジェクトのエンティティ名。デフォルトはプロジェクトのエンティティ。
+* `per_page` (int): 1 ページあたり取得するレポート数（デフォルトは 50）。
+
+***
----
### property Reports.length
@@ -33,17 +43,18 @@ __init__(client, project, name=None, entity=None, per_page=50)
### method `Reports.convert_objects`
```python
-convert_objects()
+convert_objects() → list[BetaReport]
```
-GraphQL の edge を File オブジェクト に変換します。
+GraphQL の edge を File オブジェクトに変換します。
+
+***
----
### method `Reports.update_variables`
```python
-update_variables()
+update_variables() → None
```
-ページネーションのための GraphQL クエリ変数を更新します。
\ No newline at end of file
+ページネーション用の GraphQL クエリ変数を更新します。
diff --git a/ja/models/ref/python/public-api/run.mdx b/ja/models/ref/python/public-api/run.mdx
index b62db0b064..76f3ee1002 100644
--- a/ja/models/ref/python/public-api/run.mdx
+++ b/ja/models/ref/python/public-api/run.mdx
@@ -3,12 +3,14 @@ title: Run
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Run`
-Entity および Project に関連付けられた単一の Run です。
+
+entity と プロジェクト に関連付けられた 1 つの run を表します。
### method `Run.__init__`
@@ -27,170 +29,197 @@ __init__(
**引数:**
- - `client`: W&B API クライアント。
- - `entity`: Run に関連付けられた Entity。
- - `project`: Run に関連付けられた Project。
- - `run_id`: Run の一意識別子。
- - `attrs`: Run の属性。
- - `include_sweeps`: Run に Sweeps を含めるかどうか。
-
-**Attributes:**
-
- - `tags` ([str]): Run に関連付けられたタグのリスト
- - `url` (str): この Run の URL
- - `id` (str): Run の一意識別子（デフォルトは8文字）
- - `name` (str): Run の名前
- - `state` (str): 状態。running, finished, crashed, killed, preempting, preempted のいずれか
- - `config` (dict): Run に関連付けられたハイパーパラメーターの辞書
- - `created_at` (str): Run が開始されたときの ISO タイムスタンプ
- - `system_metrics` (dict): Run に対して記録された最新のシステムメトリクス
- - `summary` (dict): 現在のサマリーを保持する、変更可能な辞書形式のプロパティ。update を呼び出すと変更が保存されます。
- - `project` (str): Run に関連付けられた Project
- - `entity` (str): Run に関連付けられた Entity の名前
- - `project_internal_id` (int): Project の内部 ID
- - `user` (str): Run を作成した User の名前
- - `path` (str): 一意識別子 [entity]/[project]/[run_id]
- - `notes` (str): Run に関するノート
- - `read_only` (boolean): Run が編集可能かどうか
- - `history_keys` (str): `wandb.Run.log({"key": "value"})` でログ記録された履歴メトリクスキー
- - `metadata` (str): wandb-metadata.json からの Run に関するメタデータ
+* `client`: W&B API クライアント。
+* `entity`: run に関連付けられた entity。
+* `project`: run に関連付けられた project。
+* `run_id`: run の一意な識別子。
+* `attrs`: run の属性。
+* `include_sweeps`: run に sweep を含めるかどうか。
+
+**属性:**
+
+* `tags` ([str]): run に関連付けられたタグのリスト
+* `url` (str): この run の URL
+* `id` (str): run の一意な識別子（デフォルトは 8 文字）
+* `name` (str): run の名前
+* `state` (str): 次のいずれか: running, finished, crashed, killed, preempting, preempted
+* `config` (dict): run に関連付けられたハイパーパラメーターの dict
+* `created_at` (str): run が開始されたときの ISO タイムスタンプ
+* `system_metrics` (dict): run について記録された最新のシステム メトリクス
+* `summary` (dict): 現在のサマリーを保持する、dict のような変更可能なプロパティ。update を呼び出すと変更が永続化されます。
+* `project` (str): run に関連付けられた project
+* `entity` (str): run に関連付けられた entity の名前
+* `project_internal_id` (int): project の内部 ID
+* `user` (str): run を作成したユーザーの名前
+* `path` (str): 一意な識別子 [entity]/[project]/[run_id]
+* `notes` (str): run に関するメモ
+* `read_only` (boolean): run が編集可能かどうか
+* `history_keys` (str): `wandb.Run.log({"key": "value"})` で記録された履歴メトリクスキー
+* `metadata` (str): wandb-metadata.json からの run に関するメタデータ
Run オブジェクトを初期化します。
-Run は常に、wandb.Api のインスタンスである api から api.runs() を呼び出すことによって初期化されます。
+Run は常に、wandb.Api のインスタンスである api から api.runs() を呼び出すことで初期化されます。
----
+***
### property Run.config
-Run の config を取得します。レイジーモード（lazy mode）の場合は、自動的に全データをロードします。
+run の config を取得します。lazy モードの場合は、完全なデータを自動的に読み込みます。
**戻り値:**
- - `dict[str, Any]`: config プロパティの値。
----
+
+* `dict[str, Any]`: config プロパティの値。
+
+***
### property Run.entity
-Run に関連付けられた Entity。
+この run に関連付けられている entity。
**戻り値:**
- - `str`: entity プロパティの値。
+
+- `str`: entity プロパティの値。
+
---
### property Run.id
-Run の一意識別子。
+run を一意に識別する ID。
**戻り値:**
- - `str`: id プロパティの値。
+
+- `str`: id プロパティの値。
+
---
### property Run.lastHistoryStep
-Run の履歴に記録された最後のステップを返します。
+run の history に記録された最後の step を返します。
+
+**Returns:**
+
+- `int`: lastHistoryStep プロパティの値。
-**戻り値:**
- - `int`: lastHistoryStep プロパティの値。
---
### property Run.metadata
-wandb-metadata.json から取得した Run に関するメタデータ。
+wandb-metadata.json から取得される run に関するメタデータです。
-メタデータには、Run の説明、タグ、開始時間、メモリ使用量などが含まれます。
+メタデータには、run の説明、タグ、開始時刻、メモリ使用量などが含まれます。
**戻り値:**
- - `dict[str, Any] | None`: metadata プロパティの値。
+
+- `dict[str, Any] | None`: メタデータ プロパティの値。
---
### property Run.name
-Run の名前。
+run の名前。
+
+**Returns:**
+
+- `str | None`: name プロパティの値。
-**戻り値:**
- - `str | None`: name プロパティの値。
---
### property Run.path
-Run のパス。パスは entity、project、run_id を含むリストです。
+run のパスです。パスは entity、project、run_id を含むリストです。
**戻り値:**
- - `list[str]`: path プロパティの値。
+
+- `list[str]`: path プロパティの値。
+
---
### property Run.rawconfig
-内部キーを含む生の Run config を取得します。レイジーモードの場合は、自動的に全データをロードします。
+内部キーを含む生の run 設定を取得します。lazy モードの場合は自動的にすべてのデータを読み込みます。
**戻り値:**
- - `dict[str, Any]`: rawconfig プロパティの値。
+
+- `dict[str, Any]`: rawconfig プロパティの値。
+
---
### property Run.state
-Run の状態。Finished, Failed, Crashed, Running のいずれかになります。
+run の状態です。Finished、Failed、Crashed、Running のいずれかになります。
**戻り値:**
- - `str`: state プロパティの値。
+
+- `str`: state プロパティの値。
---
### property Run.storage_id
-Run の一意のストレージ識別子。
+run オブジェクトの一意のストレージ識別子。
**戻り値:**
- - `str`: storage_id プロパティの値。
+
+- `str`: storage_id プロパティの値。
+
---
### property Run.summary
-Run のサマリーメトリクスを取得します。レイジーモードの場合は、自動的に全データをロードします。
+run のサマリーメトリクスを取得します。lazy モードの場合は、自動的にすべてのデータを読み込みます。
**戻り値:**
- - `HTTPSummary`: summary プロパティの値。
----
+
+- `HTTPSummary`: summary プロパティの値。
### property Run.summary_metrics
-Run のサマリーメトリクスを取得します。レイジーモードの場合は、自動的に全データをロードします。
+run のサマリーメトリクスを取得します。lazy モードの場合は、完全なデータを自動的に読み込みます。
**戻り値:**
- - `dict[str, Any]`: summary_metrics プロパティの値。
+
+- `dict[str, Any]`: `summary_metrics` プロパティの値。
+
---
### property Run.sweep_name
-Sweep 名を取得します。sweepName は軽量なフラグメントに含まれているため、常に利用可能です。
+sweep の名前を取得します。`sweepName` は lightweight フラグメントに含まれているため、常に取得可能です。
**戻り値:**
- - `str | None`: sweep_name プロパティの値。
+
+- `str | None`: `sweep_name` プロパティの値。
---
### property Run.system_metrics
-Run のシステムメトリクスを取得します。レイジーモードの場合は、自動的に全データをロードします。
+run のシステム メトリクスを取得します。lazy モードの場合は、自動的にすべてのデータを読み込みます。
**戻り値:**
- - `dict[str, Any]`: system_metrics プロパティの値。
+
+- `dict[str, Any]`: system_metrics プロパティの値。
+
---
### property Run.url
-Run の URL。
+run の URL。
-Run の URL は、entity、project、run_id から生成されます。SaaS ユーザーの場合、`https://wandb.ai/entity/project/run_id` という形式になります。
+run の URL は entity、project、および run_id から生成されます。SaaS ユーザーの場合、`https://wandb.ai/entity/project/run_id` の形式になります。
**戻り値:**
- - `str`: url プロパティの値。
+
+- `str`: URL プロパティの値。
+
---
### property Run.username
-この API は非推奨です。代わりに `entity` を使用してください。
+この API は非推奨です。代わりに `entity` を使用してください。
**戻り値:**
- - `str`: username プロパティの値。
+
+- `str`: `username` プロパティの値。
+
---
### method `Run.beta_scan_history`
@@ -205,22 +234,22 @@ beta_scan_history(
) → public.BetaHistoryScan
```
-Run のすべての履歴レコードのイテラブルなコレクションを返します。
+run のすべての履歴レコードからなるイテラブルなコレクションを返します。
-この関数はまだ開発中であり、期待通りに動作しない可能性があります。wandb-core を使用して、ローカルにエクスポートされた Run の parquet 履歴から履歴を読み取ります。
+この関数はまだ開発中であり、期待どおりに動作しない可能性があります。ローカルにエクスポートされた run の parquet 形式の履歴を読み取るために wandb-core を使用します。
-**引数:**
+**Args:**
- - `keys`: Run の履歴から読み取るメトリクスのリスト。キーが指定されない場合、すべてのメトリクスが返されます。
- - `page_size`: 一度に読み取る履歴レコードの数。
- - `min_step`: 履歴の読み取りを開始する最小ステップ（含む）。
- - `max_step`: 履歴を読み取る最大ステップ（含まない）。
- - `use_cache`: True に設定すると、WANDB_CACHE_DIR に Run の履歴があるか確認します。キャッシュに履歴が見つからない場合は、サーバーからダウンロードされます。False に設定すると、履歴は毎回ダウンロードされます。
+* `keys`: run の履歴から読み取るメトリクスのリスト。keys が指定されていない場合は、すべてのメトリクスが返されます。
+* `page_size`: 一度に読み取る履歴レコード数。
+* `min_step`: 履歴の読み取りを開始する最小の step（含む）。
+* `max_step`: 履歴の読み取りを行う最大の step（含まない）。
+* `use_cache`: True に設定すると、WANDB_CACHE_DIR に run history があるかチェックします。run history がキャッシュ内に存在しない場合は、サーバーからダウンロードされます。False に設定すると、毎回 run history がダウンロードされます。
-**戻り値:**
- 履歴レコードを取得するために反復処理可能な BetaHistoryScan オブジェクト。
+**Returns:**
+BetaHistoryScan オブジェクトを返します。これはイテレーターとして使用でき、履歴レコードを反復処理しながら取得できます。
----
+***
### classmethod `Run.create`
@@ -234,9 +263,44 @@ create(
) → Self
```
-指定された Project に対して Run を作成します。
+指定したプロジェクトに対して run を作成します。
+
+ほとんどのユースケースでは `wandb.init()` を使用してください。`wandb.init()` は run の作成および更新のための、より堅牢なロジックを提供します。`wandb.apis.public.Run.create` は、たとえばスケジューリングできない可能性のあるジョブ向けに「pending」状態の run を作成する、といった特定のシナリオを想定しています (例: GPU が不足している、または競合が激しい Kubernetes クラスター内のジョブ) 。これらの pending の run は後で再開して、W&B によって追跡できます。
+
+このメソッドで作成された Runs は機能が制限されています。この方法で作成された run に対して `update()` を呼び出すと、期待どおりに動作しない場合があります。
+
+**Args:**
+
+* `api`: W&B API インスタンス。
+* `run_id`: オプションの run ID。指定しない場合はランダムな ID が生成されます。
+* `project`: オプションのプロジェクト名。指定しない場合は API 設定のプロジェクト、または「uncategorized」が使用されます。
+* `entity`: オプションの entity (ユーザーまたはチーム) 名。
+* `state`: run の初期状態。後で再開する run には「pending」、すぐに実行する場合は「running」を使用します。
+
+**Returns:**
+作成された run を表す Run オブジェクト。
+
+**Example:**
+後で実行するための pending run の作成
+
+```python
+import wandb
+
+api = wandb.Api()
+
+run_name = "my-pending-run"
+
+run = Run.create(
+ api=api,
+ project="project",
+ entity="entity",
+ state="pending",
+ run_id=run_name,
+)
+```
+
+***
----
### method `Run.delete`
@@ -244,30 +308,59 @@ create(
delete(delete_artifacts: 'bool' = False) → None
```
-wandb バックエンドから指定された Run を削除します。
+指定された run を wandb バックエンドから削除します。
**引数:**
- - `delete_artifacts` (bool, オプション): Run に関連付けられた Artifacts も削除するかどうか。
+* `delete_artifacts` (bool, optional): run に関連付けられたアーティファクトを削除するかどうかを指定します。
----
+***
-### method `Run.file`
+
+### method `Run.download_history_exports`
```python
-file(name: 'str') → public.File
+download_history_exports(
+ download_dir: 'pathlib.Path | str',
+ require_complete_history: 'bool' = True
+) → runhistory.DownloadHistoryResult
```
-Artifact 内の指定された名前を持つファイルのパスを返します。
+指定されたディレクトリに、その run の parquet 形式の履歴ファイルをすべてダウンロードします。
**引数:**
- - `name` (str): 要求されたファイルの名前。
+* `download_dir`: 履歴ファイルをダウンロードするディレクトリ。
+* `require_complete_history`: 完全な履歴のダウンロードを必須とするかどうか。`true` の場合に、run にまだ parquet ファイルとしてエクスポートされていないデータが含まれていると、`IncompleteRunHistoryError` がスローされます。
**戻り値:**
- name 引数に一致する `File`。
+`DownloadHistoryResult` を返します。
+
+**例外:**
+
+* `IncompleteRunHistoryError`: `require_complete_history` が `True` で、run にまだ parquet ファイルとしてエクスポートされていないデータが含まれている場合にスローされます。
+* `WandbApiFailedError`: 不完全な履歴以外の理由で API リクエストが失敗した場合。
+
+***
+
+
+### method `Run.file`
+
+```python
+file(name: 'str') → public.File
+```
+
+アーティファクト内で指定された名前のファイルのパスを返します。
+
+**Args:**
+
+* `name` (str): 取得したいファイルの名前。
+
+**Returns:**
+name 引数に一致する `File` を返します。
+
+***
----
### method `Run.files`
@@ -279,20 +372,21 @@ files(
) → public.Files
```
-指定された条件に一致する Run 内のすべてのファイルに対して `Files` オブジェクトを返します。
+指定された条件に一致する run 内のすべてのファイルを表す `Files` オブジェクトを返します。
-一致させる正確なファイル名のリスト、または照合するパターンを指定できます。両方が指定された場合、パターンは無視されます。
+一致させるファイル名のリスト、またはマッチングパターンを指定できます。両方が指定された場合、パターンは無視されます。
**引数:**
- - `names` (list): 要求されたファイルの名前。空の場合はすべてのファイルを返します。
- - `pattern` (str, オプション): W&B からファイルを返す際に一致させるパターン。このパターンは MySQL の LIKE 構文を使用するため、.json で終わるすべてのファイルに一致させるには "%.json" となります。names と pattern の両方が指定された場合、ValueError が発生します。
- - `per_page` (int): 1ページあたりの結果数。
+* `names` (list): 取得するファイル名のリスト。空の場合はすべてのファイルを返します
+* `pattern` (str, optional): W&B からファイルを返す際に使用するマッチングパターン。MySQL の LIKE 構文を使用するため、すべてのファイルのうち .json で終わるものにマッチさせるには "%.json" のように指定します。`names` と `pattern` の両方が指定された場合は ValueError が送出されます。
+* `per_page` (int): 1 ページあたりの結果数。
**戻り値:**
- `File` オブジェクトを反復処理するイテレータである `Files` オブジェクト。
+`File` オブジェクトを順に反復処理できるイテレーターである `Files` オブジェクト。
+
+***
----
### method `Run.history`
@@ -306,24 +400,25 @@ history(
) → list[dict[str, Any]] | pd.DataFrame
```
-Run のサンプリングされた履歴メトリクスを返します。
+run のサンプリングされた履歴メトリクスを返します。
-履歴レコードがサンプリングされても問題ない場合は、この方法がよりシンプルで高速です。
+履歴レコードがサンプリングされることを許容できる場合は、このほうがシンプルかつ高速です。
-**引数:**
+**Args:**
- - `samples `: (int, オプション) 返すサンプルの数
- - `pandas `: (bool, オプション) pandas dataframe を返すかどうか
- - `keys `: (list, オプション) 特定のキーのメトリクスのみを返す
- - `x_axis `: (str, オプション) xAxis として使用するメトリクス。デフォルトは _step
- - `stream `: (str, オプション) メトリクスには "default"、マシンメトリクスには "system" を指定
+* `samples `: (int, optional) 返すサンプル数
+* `pandas `: (bool, optional) pandas DataFrame を返すかどうか
+* `keys `: (list, optional) 特定のキーのメトリクスのみを返します
+* `x_axis `: (str, optional) このメトリクスを x 軸として使用します。デフォルトは _step です
+* `stream `: (str, optional) メトリクスには "default"、マシンメトリクスには "system" を指定します
-**戻り値:**
+**Returns:**
- - `pandas.DataFrame`: pandas=True の場合、履歴メトリクスの `pandas.DataFrame` を返します。
- - `list of dicts`: pandas=False の場合、履歴メトリクスの辞書のリストを返します。
+* `pandas.DataFrame`: pandas=True の場合、履歴メトリクスの `pandas.DataFrame` を返します。
+* `list of dicts`: pandas=False の場合、履歴メトリクスの dict のリストを返します。
+
+***
----
### method `Run.load`
@@ -331,9 +426,10 @@ Run のサンプリングされた履歴メトリクスを返します。
load(force: 'bool' = False) → dict[str, Any]
```
-レイジーモードに基づいた適切なフラグメントを使用して Run データをロードします。
+lazy モードに応じて適切なフラグメントを使用して run データを読み込みます。
+
+***
----
### method `Run.load_full_data`
@@ -341,20 +437,21 @@ load(force: 'bool' = False) → dict[str, Any]
load_full_data(force: 'bool' = False) → dict[str, Any]
```
-config, systemMetrics, summaryMetrics などの重いフィールドを含む、すべての Run データをロードします。
+`config`、`systemMetrics`、`summaryMetrics` のようなサイズの大きいフィールドを含む run の完全なデータを読み込みます。
-このメソッドは、最初に lazy=True を使用して Run をリストしたが、特定の Run の全データにアクセスする必要がある場合に便利です。
+このメソッドは、最初に run の一覧取得に `lazy=True` を使用したものの、特定の run の完全なデータにアクセスする必要がある場合に有用です。
-**引数:**
+**Args:**
- - `force`: データが既にロードされている場合でも強制的に再ロードします
+* `force`: データがすでに読み込まれていても、強制的に再読み込みします
-**戻り値:**
- ロードされた Run 属性
+**Returns:**
+読み込まれた run の属性
----
+***
-### method `Run.log_artifact`
+
+### メソッド `Run.log_artifact`
```python
log_artifact(
@@ -364,38 +461,40 @@ log_artifact(
) → wandb.Artifact
```
-Artifact を Run の出力として宣言します。
+run の出力としてアーティファクトを宣言します。
**引数:**
- - `artifact` (`Artifact`): `wandb.Api().artifact(name)` から返された Artifact。
- - `aliases` (list, オプション): この Artifact に適用するエイリアス。
- - `tags`: (list, オプション) この Artifact に適用するタグ（ある場合）。
+* `artifact` (`Artifact`): `wandb.Api().artifact(name)` から返されるアーティファクト。
+* `aliases` (list, optional): このアーティファクトに適用するエイリアス。
+* `tags`: (list, optional) このアーティファクトに適用するタグ (存在する場合) 。
-**戻り値:**
- `Artifact` オブジェクト。
+**返り値:**
+`Artifact` オブジェクト。
+
+***
----
-### method `Run.logged_artifacts`
+### メソッド `Run.logged_artifacts`
```python
logged_artifacts(per_page: 'int' = 100) → public.RunArtifacts
```
-この Run によってログ記録されたすべての Artifacts を取得します。
+この run でログされたすべてのアーティファクトを取得します。
-Run 中にログ記録されたすべての出力 Artifacts を取得します。反復処理したり、単一のリストに収集したりできるページ分割された結果を返します。
+run の実行中に出力としてログされたすべてのアーティファクトを取得します。結果はページネーションされた形式で返され、反復処理したり、単一のリストにまとめたりできます。
**引数:**
- - `per_page`: 1回の API リクエストで取得する Artifact の数。
+* `per_page`: 1 回の API リクエストで取得するアーティファクト数。
**戻り値:**
- この Run 中に出力としてログ記録されたすべての Artifact オブジェクトのイテラブルなコレクション。
+この run で出力としてログされたすべての Artifact オブジェクトからなるイテラブルなコレクション。
-**例:**
- ```python
+**使用例:**
+
+```python
import wandb
import tempfile
@@ -414,9 +513,10 @@ finished_run = api.run(f"{run.entity}/{run.project}/{run.id}")
for logged_artifact in finished_run.logged_artifacts():
print(logged_artifact.name)
-```
+```
+
+***
----
### method `Run.save`
@@ -424,9 +524,10 @@ for logged_artifact in finished_run.logged_artifacts():
save() → None
```
-Run オブジェクトへの変更を W&B バックエンドに保存します。
+run オブジェクトへの変更内容を W&B バックエンドに永続化します。
+
+***
----
### method `Run.scan_history`
@@ -439,28 +540,29 @@ scan_history(
) → Iterator[dict[str, Any]]
```
-Run のすべての履歴レコードのイテラブルなコレクションを返します。
+run のすべての履歴レコードを対象とする反復可能なコレクションを返します。
**引数:**
- - `keys` ([str], オプション): これらのキーのみを取得し、すべてのキーが定義されている行のみを取得します。
- - `page_size` (int, オプション): API から取得するページのサイズ。
- - `min_step` (int, オプション): 一度にスキャンする最小ページ数。
- - `max_step` (int, オプション): 一度にスキャンする最大ページ数。
+* `keys` ([str], optional): 指定したこれらのキーのみを取得し、かつそれらすべてのキーが定義されている行のみを取得します。
+* `page_size` (int, optional): API から取得するページのサイズ。
+* `min_step` (int, optional): 一度にスキャンするページ数の最小値。
+* `max_step` (int, optional): 一度にスキャンするページ数の最大値。
**戻り値:**
- 履歴レコード（dict）を反復処理するイテラブルなコレクション。
+履歴レコード (dict) を反復処理できるコレクション。
**例:**
- サンプル Run のすべての loss 値をエクスポートする
+サンプルの run からすべての loss 値をエクスポートする
```python
run = api.run("entity/project-name/run-id")
history = run.scan_history(keys=["Loss"])
losses = [row["Loss"] for row in history]
-```
+```
+
+***
----
### method `Run.to_html`
@@ -468,9 +570,10 @@ losses = [row["Loss"] for row in history]
to_html(height: 'int' = 420, hidden: 'bool' = False) → str
```
-この Run を表示する iframe を含む HTML を生成します。
+この run を表示する iframe を埋め込んだ HTML を生成します。
+
+***
----
### method `Run.update`
@@ -478,27 +581,53 @@ to_html(height: 'int' = 420, hidden: 'bool' = False) → str
update() → None
```
-Run オブジェクトへの変更を wandb バックエンドに保存します。
+run オブジェクトへの変更内容を wandb バックエンドに保存します。
----
+***
+
+
+### method `Run.update_state`
+
+```python
+update_state(state: "Literal['pending']") → bool
+```
+
+run の状態を更新します。
+
+run を 'failed' または 'crashed' から 'pending' に遷移させることができます。
+
+**引数:**
+
+* `state`: 変更先の run の状態。`"pending"` のみサポートされます。
-### method `Run.upload_file`
+**戻り値:**
+状態が正常に更新された場合は `True`。
+
+**例外:**
+
+* `wandb.Error`: 要求された状態遷移が許可されていない場合、またはサーバーがこの操作をサポートしていない場合に送出されます。
+
+***
+
+
+### メソッド `Run.upload_file`
```python
upload_file(path: 'str', root: 'str' = '.') → public.File
```
-ローカルファイルを W&B にアップロードし、この Run に関連付けます。
+ローカルファイルを W&B にアップロードし、この run に関連付けます。
**引数:**
- - `path` (str): アップロードするファイルへのパス。絶対パスまたは相対パスを指定できます。
- - `root` (str): ファイルを保存する際の基準となるルートパス。例えば、ファイルを Run 内で "my_dir/file.txt" として保存したく、現在 "my_dir" にいる場合は、root を "../" に設定します。デフォルトはカレントディレクトリ (".") です。
+* `path` (str): アップロードするファイルへのパス。絶対パスまたは相対パスを指定できます。
+* `root` (str): ファイルを保存する際の基準となるパス。たとえば、run 内でファイルを「my_dir/file.txt」として保存したく、現在のディレクトリが「my_dir」の場合、root を「../」に設定します。デフォルトはカレントディレクトリ (「.」) です。
**戻り値:**
- アップロードされたファイルを表す `File` オブジェクト。
+アップロードされたファイルを表す `File` オブジェクト。
+
+***
----
### method `Run.use_artifact`
@@ -509,17 +638,18 @@ use_artifact(
) → wandb.Artifact
```
-Artifact を Run の入力として宣言します。
+run の入力としてアーティファクトを宣言します。
**引数:**
- - `artifact` (`Artifact`): `wandb.Api().artifact(name)` から返された Artifact
- - `use_as` (string, オプション): スクリプト内で Artifact がどのように使用されるかを識別する文字列。ベータ版の wandb launch 機能の Artifact 入れ替え機能を使用する際に、Run で使用される Artifact を簡単に区別するために使用されます。
+* `artifact` (`Artifact`): `wandb.Api().artifact(name)` から返されるアーティファクト
+* `use_as` (string, optional): スクリプト内でアーティファクトがどのように使われるかを識別するための文字列です。beta の wandb Launch 機能のアーティファクト スワップ機能を使用している場合に、run で使用されるアーティファクトを簡単に区別できます。
**戻り値:**
- `Artifact` オブジェクト。
+`Artifact` オブジェクト。
+
+***
----
### method `Run.used_artifacts`
@@ -527,19 +657,20 @@ Artifact を Run の入力として宣言します。
used_artifacts(per_page: 'int' = 100) → public.RunArtifacts
```
-この Run で明示的に使用された Artifacts を取得します。
+この run で明示的に使用されたアーティファクトを取得します。
-Run 中に明示的に使用が宣言された入力 Artifacts（通常は `run.use_artifact()` 経由）のみを取得します。反復処理したり、単一のリストに収集したりできるページ分割された結果を返します。
+通常は `run.use_artifact()` を通じて、この run 中に使用されたものとして明示的に宣言された入力アーティファクトのみを取得します。返り値はページネーションされた結果で、イテレートするか単一のリストにまとめることができます。
**引数:**
- - `per_page`: 1回の API リクエストで取得する Artifact の数。
+* `per_page`: API リクエストごとに取得するアーティファクト数。
-**戻り値:**
- この Run で入力として明示的に使用された Artifact オブジェクトのイテラブルなコレクション。
+**返り値:**
+この run で入力として明示的に使用された Artifact オブジェクトのイテラブルなコレクション。
**例:**
- ```python
+
+```python
import wandb
run = wandb.init(project="artifact-example")
@@ -551,9 +682,10 @@ finished_run = api.run(f"{run.entity}/{run.project}/{run.id}")
for used_artifact in finished_run.used_artifacts():
print(used_artifact.name)
test_artifact
-```
+```
+
+***
----
### method `Run.wait_until_finished`
@@ -561,4 +693,4 @@ test_artifact
wait_until_finished() → None
```
-Run が終了するまでその状態を確認します。
\ No newline at end of file
+run が完了するまで、その状態を確認します。
diff --git a/ja/models/ref/python/public-api/runartifacts.mdx b/ja/models/ref/python/public-api/runartifacts.mdx
index dae0050089..5c2f42e1b7 100644
--- a/ja/models/ref/python/public-api/runartifacts.mdx
+++ b/ja/models/ref/python/public-api/runartifacts.mdx
@@ -3,23 +3,17 @@ title: RunArtifacts
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
-
-class `RunArtifacts`
-特定の Run に関連付けられた Artifacts のイテレーション可能なコレクションです。
+特定の run に関連付けられた Artifacts のイテラブルなコレクションです。
### property RunArtifacts.cursor
-
-
-
-
---
### property RunArtifacts.more
\ No newline at end of file
diff --git a/ja/models/ref/python/public-api/runqueue.mdx b/ja/models/ref/python/public-api/runqueue.mdx
deleted file mode 100644
index 0b2723374f..0000000000
--- a/ja/models/ref/python/public-api/runqueue.mdx
+++ /dev/null
@@ -1,49 +0,0 @@
----
-title: RunQueue
----
-
-class `Runs`
-プロジェクトに関連付けられ、オプションでフィルタリングされた `Run` オブジェクトのレイジーイテレータです。
-Runs は、必要に応じて W&B サーバーからページ単位で取得されます。
+特定のプロジェクトおよび任意のフィルターに関連付けられた `Run` オブジェクトの遅延評価イテレーターです。
-通常、これは `Api.runs` ネームスペースを介して間接的に使用されます。
+Runs は必要に応じて W&B サーバーからページごとに取得されます。
+
+通常は `Api.runs` 名前空間経由で間接的に使用されます。
### method `Runs.__init__`
@@ -30,23 +33,24 @@ __init__(
)
```
-**Args:**
+**引数:**
- - `client`: (`wandb.apis.public.RetryingClient`) リクエストに使用する API クライアント。
- - `entity`: (str) プロジェクトを所有する Entities（ユーザー名またはチーム）。
- - `project`: (str) Runs を取得する Projects の名前。
- - `filters`: (Optional[Dict[str, Any]]) Runs クエリに適用するフィルタの辞書。
- - `order`: (str) ソート順。`created_at`、`heartbeat_at`、`config.*.value`、または `summary_metrics.*` が指定可能です。先頭に `+` を付けると昇順（デフォルト）、`-` を付けると降順になります。デフォルトの順序は `run.created_at` で、古いものから新しい順です。
- - `per_page`: (int) 1回のリクエストで取得する Runs の数（デフォルトは 50）。
- - `include_sweeps`: (bool) Runs に Sweeps の情報を含めるかどうか。デフォルトは True です。
+* `client`: (`wandb.apis.public.RetryingClient`) リクエストに使用する API クライアント。
+* `entity`: (str) プロジェクトを所有する entity（ユーザー名またはチーム）。
+* `project`: (str) run を取得する対象のプロジェクト名。
+* `filters`: (Optional[Dict[str, Any]]) run のクエリに適用するフィルターの辞書。
+* `order`: (str) 並び順。`created_at`、`heartbeat_at`、`config.*.value`、または `summary_metrics.*` を指定できる。order の前に `+` を付けると昇順（デフォルト）、`-` を付けると降順になる。デフォルトの並び順は、最も古いものから新しいものへの `run.created_at`。
+* `per_page`: (int) リクエストごとに取得する run の数（デフォルトは 50）。
+* `include_sweeps`: (bool) run に sweep 情報を含めるかどうか。デフォルトは True。
+
+***
----
### property Runs.length
---
-### method `Runs.histories`
+### メソッド `Runs.histories`
```python
histories(
@@ -58,23 +62,24 @@ histories(
) → list[dict[str, Any]] | pd.DataFrame | pl.DataFrame
```
-フィルタ条件に一致するすべての Runs について、サンプリングされた履歴メトリクスを返します。
+フィルター条件を満たすすべての run のサンプリングされた履歴メトリクスを返します。
-**Args:**
+**引数:**
- - `samples`: 各 Run ごとに返されるサンプル数。
- - `keys`: 特定のキーのメトリクスのみを返します。
- - `x_axis`: X軸として使用するメトリクス。デフォルトは `_step` です。
- - `format`: データを返す形式。オプションは "default"、"pandas"、"polars" です。
- - `stream`: メトリクスの場合は "default"、マシンメトリクスの場合は "system" を指定します。
+* `samples`: run ごとに返すサンプル数
+* `keys`: 特定のキーに対するメトリクスのみを返します
+* `x_axis`: このメトリクスを x 軸として使用します。デフォルトは _step です
+* `format`: 返却データの形式。オプションは "default"、"pandas"、"polars" です
+* `stream`: メトリクスには "default"、マシンメトリクスには "system" を指定します
-**Returns:**
+**戻り値:**
- - `pandas.DataFrame`: `format="pandas"` の場合、履歴メトリクスの `pandas.DataFrame` を返します。
- - `polars.DataFrame`: `format="polars"` の場合、履歴メトリクスの `polars.DataFrame` を返します。
- - `list of dicts`: `format="default"` の場合、`run_id` キーを含む履歴メトリクスの辞書のリストを返します。
+* `pandas.DataFrame`: `format="pandas"` の場合、履歴メトリクスを含む `pandas.DataFrame` を返します。
+* `polars.DataFrame`: `format="polars"` の場合、履歴メトリクスを含む `polars.DataFrame` を返します。
+* `list of dicts`: `format="default"` の場合、`run_id` キーを含む履歴メトリクスの dict のリストを返します。
+
+***
----
### method `Runs.upgrade_to_full`
@@ -84,4 +89,4 @@ upgrade_to_full() → None
この Runs コレクションを lazy モードから full モードにアップグレードします。
-これにより、完全な Run データの取得に切り替わり、すでにロードされている Run オブジェクトも完全なデータを持つようにアップグレードされます。複数の Runs をアップグレードする際のパフォーマンスを向上させるために、並列ロードを使用します。
\ No newline at end of file
+これにより、完全な run データの取得に切り替え、すでに読み込まれている Run オブジェクトも完全なデータを持つようにアップグレードします。複数の run をアップグレードする場合は、パフォーマンス向上のために並列でロードします。
diff --git a/ja/models/ref/python/public-api/sweep.mdx b/ja/models/ref/python/public-api/sweep.mdx
index f4ed4cf728..46dfd5b4f0 100644
--- a/ja/models/ref/python/public-api/sweep.mdx
+++ b/ja/models/ref/python/public-api/sweep.mdx
@@ -1,23 +1,26 @@
---
-title: Sweep
+title: Sweep クラス
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Sweep`
-Sweep に関連付けられた Runs のセットです。
-**Attributes:**
+sweep に関連付けられた run の集合。
- - `runs` (Runs): Runs のリスト
- - `id` (str): Sweep ID
- - `project` (str): Sweep が属する Project の名前
- - `config` (dict): sweep configuration を含む辞書
- - `state` (str): Sweep の状態。"Finished"、"Failed"、"Crashed"、または "Running" のいずれかです。
- - `expected_run_count` (int): Sweep で期待される想定 Run 数
+**属性:**
+
+- `runs` (Runs): run のリスト
+ - `id` (str): Sweep ID
+ - `project` (str): sweep が属するプロジェクトの名前
+ - `config` (dict): sweep の設定を含む辞書
+ - `state` (str): sweep の状態。"Finished"、"Failed"、"Crashed"、"Running" のいずれか
+ - `expected_run_count` (int): sweep に対して想定される run の数
### method `Sweep.__init__`
@@ -31,70 +34,73 @@ __init__(
)
```
----
+***
+
### property Sweep.config
-Sweep に使用される sweep configuration です。
+この sweep に対して使用される設定。
---
### property Sweep.entity
-Sweep に関連付けられた Entity です。
+この sweep に関連付けられている entity。
**Returns:**
- - `str`: entity プロパティの値。
+
+- `str`: entity プロパティの値。
---
### property Sweep.expected_run_count
-Sweep で期待される Run 数を返します。無限の場合は None を返します。
+sweep 内で想定される run の数を返します。run が無限に実行される場合は None を返します。
-**Returns:**
- - `int | None`: expected_run_count プロパティの値。
+**戻り値:**
+- `int | None`: expected_run_count プロパティの値。
---
### property Sweep.name
-Sweep の名前です。
+sweep の名前。
-以下の優先順位で最初に存在する名前を返します：
+以下の優先順位で、存在するもののうち最初の名前を返します:
-1. ユーザーが編集した表示名 2. 作成時に設定された名前 3. Sweep ID
+1. ユーザーが編集した表示名 2. 作成時に設定された名前 3. sweep ID
---
### property Sweep.order
-Sweep の順序（order）キーを返します。
+sweep の順序キーを返します。
---
### property Sweep.path
-Project のパスを返します。
+プロジェクトのパスを返します。
-パスは、Entity、Project 名、および Sweep ID を含むリストです。
+このパスは entity、プロジェクト名、および sweep ID から成るリストです。
---
### property Sweep.url
-Sweep の URL です。
+sweep の URL。
-Sweep の URL は、Entity、Project、"sweeps" という用語、および Sweep ID から生成されます。 SaaS Users の場合、`https://wandb.ai/entity/project/sweeps/sweeps_ID` という形式になります。
+sweep の URL は、entity、プロジェクト、"sweeps" という語、および sweep ID.run_id から生成されます。SaaS ユーザーの場合は、形式は `https://wandb.ai/entity/project/sweeps/sweeps_ID` となります。
---
### property Sweep.username
-非推奨です。代わりに `Sweep.entity` を使用してください。
+非推奨です。代わりに `Sweep.entity` を使用してください。
-**Returns:**
- - `str`: username プロパティの値。
+**戻り値:**
+
+- `str`: username プロパティの値。
---
@@ -104,9 +110,10 @@ Sweep の URL は、Entity、Project、"sweeps" という用語、および Swee
best_run(order=None)
```
-config で定義されたメトリクス、または渡された order に基づいてソートされた最高の Run を返します。
+config で定義されたメトリクス、または引数で指定された並び順でソートした結果から、最良の run を返します。
+
+***
----
### classmethod `Sweep.get`
@@ -122,19 +129,20 @@ get(
)
```
-クラウドのバックエンドに対してクエリを実行します。
+クラウドバックエンドに対してクエリを実行します。
-**Args:**
+**引数:**
- - `client`: クエリの実行に使用するクライアント。
- - `entity`: Project を所有する Entity (Users 名または Teams)。
- - `project`: Sweep を取得する Project の名前。
- - `sid`: クエリ対象の Sweep ID。
- - `order`: Sweep の Runs が返される順序。
- - `query`: 実行に使用するクエリ。
- - `**kwargs`: クエリに渡す追加のキーワード引数。
+* `client`: クエリを実行する際に使用するクライアント。
+* `entity`: プロジェクトの所有者である entity （ユーザー名またはチーム）。
+* `project`: sweep を取得するプロジェクト名。
+* `sid`: クエリ対象の sweep ID。
+* `order`: sweep に含まれる runs が返される順序。
+* `query`: クエリを実行するために使用するクエリ。
+* `**kwargs`: クエリに渡す追加のキーワード引数。
+
+***
----
### method `Sweep.to_html`
@@ -142,4 +150,4 @@ get(
to_html(height: 'int' = 420, hidden: 'bool' = False) → str
```
-この Sweep を表示する iframe を含む HTML を生成します。
\ No newline at end of file
+この sweep を表示する iframe を埋め込んだ HTML を生成します。
diff --git a/ja/models/ref/python/public-api/sweeps.mdx b/ja/models/ref/python/public-api/sweeps.mdx
index aff8a409ba..9f1f1dbc6c 100644
--- a/ja/models/ref/python/public-api/sweeps.mdx
+++ b/ja/models/ref/python/public-api/sweeps.mdx
@@ -3,27 +3,31 @@ title: Sweeps
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Sweeps`
-`Sweep` オブジェクトのコレクションに対するレイジーイテレータです。
-**Examples:**
- ```python
+`Sweep` オブジェクトのコレクションに対する遅延評価イテレーター。
+
+**使用例:**
+
+```python
from wandb.apis.public import Api
-# 指定したプロジェクトとエンティティから sweeps を取得
sweeps = Api().project(name="project_name", entity="entity").sweeps()
-# sweep をループして詳細を表示
+# sweep を反復処理して詳細を表示する
for sweep in sweeps:
print(f"Sweep name: {sweep.name}")
print(f"Sweep ID: {sweep.id}")
print(f"Sweep URL: {sweep.url}")
print("----------")
-```
+```
+
### method `Sweeps.__init__`
@@ -38,14 +42,15 @@ __init__(
`Sweep` オブジェクトの反復可能なコレクション。
-**Args:**
-
- - `client`: W&B へのクエリに使用される API クライアント。
- - `entity`: Sweeps を所有する Entities 。
- - `project`: Sweeps を含む Projects 。
- - `per_page`: API への 1 回のリクエストで取得する Sweeps の数。
+**引数:**
+
+* `client`: W&B にクエリを送信するために使用する API クライアント。
+* `entity`: sweep を所有している entity。
+* `project`: sweep を含むプロジェクト。
+* `per_page`: API への 1 回のリクエストごとに取得する sweep の数。
+
+***
----
### property Sweeps.length
diff --git a/ja/models/ref/python/public-api/team.mdx b/ja/models/ref/python/public-api/team.mdx
index 41ef2a2527..b0233699df 100644
--- a/ja/models/ref/python/public-api/team.mdx
+++ b/ja/models/ref/python/public-api/team.mdx
@@ -1,16 +1,19 @@
---
-title: チーム
+title: Team クラス
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `Team`
-W&B Teams を表すクラスです。
-このクラスは、 Teams の作成、メンバーの招待、サービスアカウントの管理など、W&B Teams を管理するための メソッド を提供します。チーム属性を処理するために Attrs を継承しています。
+W&B のチームを表すクラス。
+
+このクラスは、チームの作成、メンバーの招待、サービスアカウントの管理など、W&B のチームを管理するためのメソッドを提供します。チーム属性を扱うために Attrs を継承しています。
### method `Team.__init__`
@@ -22,28 +25,19 @@ __init__(
)
```
-**Args:**
-
- - `client` (`wandb.apis.public.Api`): 使用する API インスタンス
- - `name` (str): チームの名前
- - `attrs` (dict): チーム属性のオプション 辞書
-
-
-
-**Note:**
+**引数:**
-> Teams の管理には適切な権限が必要です。
+* `client` (`wandb.apis.public.Api`): 使用する API インスタンス
+* `name` (str): チーム名
+* `attrs` (dict): チーム属性を表す省略可能な辞書
+**注:**
+> チームの管理には、適切な権限が必要です。
+***
-
-
-
-
----
-
### classmethod `Team.create`
```python
@@ -52,41 +46,35 @@ create(api: 'Api', team: 'str', admin_username: 'str | None' = None) → Self
新しいチームを作成します。
+**引数:**
+* `api`: (`Api`) 使用する API インスタンス
+* `team`: (str) チーム名
+* `admin_username`: (str) チーム管理者ユーザーのユーザー名（任意）。指定しない場合は現在のユーザーが使用されます。
-**Args:**
-
- - `api`: (`Api`) 使用する API インスタンス
- - `team`: (str) チームの名前
- - `admin_username`: (str) チームの管理者 ユーザー のオプションのユーザー名。デフォルトは現在の ユーザー です。
-
+**戻り値:**
+`Team` オブジェクト
+***
-**Returns:**
- `Team` オブジェクト
----
-
-### method `Team.create_service_account`
+### メソッド `Team.create_service_account`
```python
create_service_account(description: 'str') → Member | None
```
-チームのサービスアカウントを作成します。
-
+チーム用のサービスアカウントを作成します。
+**引数:**
-**Args:**
-
- - `description`: (str) このサービスアカウントの説明
+* `description`: (str) このサービスアカウントの説明
+**戻り値:**
+サービスアカウントの `Member` オブジェクト、または失敗時は `None`
+***
-**Returns:**
- サービスアカウントの `Member` オブジェクト 、失敗した場合は None
-
----
### method `Team.invite`
@@ -94,18 +82,14 @@ create_service_account(description: 'str') → Member | None
invite(username_or_email: 'str', admin: 'bool' = False) → bool
```
-ユーザー をチームに招待します。
-
-
-
-**Args:**
-
- - `username_or_email`: (str) 招待したい ユーザー のユーザー名またはメール アドレス
- - `admin`: (bool) この ユーザー をチーム管理者に設定するかどうか。デフォルトは `False` です。
+チームにユーザーを招待します。
+**引数:**
+* `username_or_email`: (str) 招待するユーザーのユーザー名またはメールアドレス。
+* `admin`: (bool) このユーザーをチーム管理者にするかどうか。既定値は `False`。
-**Returns:**
- 成功した場合は `True` 、 ユーザー が既に招待されているか存在しない場合は `False`
+**戻り値:**
+成功時は `True`。ユーザーがすでに招待されているか、存在しなかった場合は `False`。
----
\ No newline at end of file
+***
diff --git a/ja/models/ref/python/public-api/user.mdx b/ja/models/ref/python/public-api/user.mdx
index b2be58dde1..c2a2e15d2a 100644
--- a/ja/models/ref/python/public-api/user.mdx
+++ b/ja/models/ref/python/public-api/user.mdx
@@ -1,108 +1,61 @@
---
-title: Users
+title: User
namespace: public_apis_namespace
python_object_type: class
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
class `User`
-認証および管理機能を備えた W&B Users を表すクラスです。
-
-このクラスは、ユーザーの作成、API キーの管理、チーム メンバーシップへのアクセスなど、W&B Users を管理するためのメソッドを提供します。ユーザー属性を処理するために Attrs から継承しています。
-
-### method `User.__init__`
-
-```python
-__init__(client: 'RetryingClient', attrs: 'MutableMapping[str, Any]')
-```
-
-**Args:**
-
- - `client`: (`wandb.apis.internal.Api`) 使用するクライアントインスタンス
- - `attrs`: (dict) ユーザー属性
-
-
-
-**Note:**
-
-> 一部の操作には管理者権限が必要です。
-
+W&B インスタンス上のユーザー。
+このクラスを使うと、ユーザーの APIキー を管理したり、チームへの所属情報などにアクセスしたりできます。`create` クラスメソッドを使って新しいユーザーを作成できます。
+**引数:**
-
-
----
+* `client`: ネットワーク処理に使用する GraphQL クライアント。
+* `attrs`: GraphQL スキーマ内の User 型のサブセット。
### property User.api_keys
-ユーザーに関連付けられている API キー名のリスト。
+ユーザーの APIキー 名のリスト。
+このプロパティが返すのは APIキー に関連付けられたシークレットでは *なく*、APIキー の名前です。キー名そのものを APIキー として使用することはできません。
+ユーザーが APIキー を持っていない場合、または APIキー が読み込まれていない場合、このリストは空になります。
**Returns:**
- ユーザーに関連付けられている API キーの名前。ユーザーが API キーを持っていない場合、または API キー データが読み込まれていない場合は空のリストを返します。
+* `list[str]`: api_keys プロパティの値。
-
-**Returns:**
- - `list[str]`: api_keys プロパティの値。
----
+***
### property User.teams
-ユーザーがメンバーとして所属している Teams 名のリスト。
-
+ユーザーの Teams 名。
+ユーザーに Teams メンバーシップがない場合、または Teams データが読み込まれていない場合は空のリスト。
**Returns:**
- ユーザーが所属する Teams の名前。ユーザーがチームメンバーシップを持っていない場合、またはチームデータが読み込まれていない場合は空のリストを返します。
-
+* `list[str]`: teams プロパティの値。
-**Returns:**
- - `list[str]`: teams プロパティの値。
----
+***
### property User.user_api
-ユーザーの資格情報を使用した API のインスタンス。
-
-
+このユーザーの認証情報を使用する `wandb.Api` インスタンス。
+**戻り値:**
+* `Api | None`: user_api プロパティの値。
-**Returns:**
- - `Api | None`: user_api プロパティの値。
----
+***
-### classmethod `User.create`
-
-```python
-create(api: 'Api', email: 'str', admin: 'bool' = False) → Self
-```
-
-新しいユーザーを作成します。
-
-
-
-**Args:**
-
- - `api` (`Api`): 使用する API インスタンス
- - `email` (str): チームの名前
- - `admin` (bool): このユーザーをグローバルなインスタンス管理者にするかどうか
-
-
-
-**Returns:**
- `User` オブジェクト
-
----
-
-### method `User.delete_api_key`
+### メソッド `User.delete_api_key`
```python
delete_api_key(api_key: 'str') → bool
@@ -110,25 +63,19 @@ delete_api_key(api_key: 'str') → bool
ユーザーの API キーを削除します。
-
+キーの所有者または管理者のみが削除できます。
**Args:**
-
- - `api_key` (str): 削除する API キーの名前。これは `api_keys` プロパティによって返される名前のいずれかである必要があります。
-
+* `api_key`: 削除する API キーの名前。`api_keys` プロパティが返す名前のいずれかを使用します。
**Returns:**
- 成功したかどうかを示すブール値
+成功時は True、失敗時は False を返します。
+***
-**Raises:**
- api_key が見つからない場合は ValueError
-
----
-
-### method `User.generate_api_key`
+### メソッド `User.generate_api_key`
```python
generate_api_key(description: 'str | None' = None) → str | None
@@ -136,13 +83,9 @@ generate_api_key(description: 'str | None' = None) → str | None
新しい API キーを生成します。
-
-
**Args:**
-
- - `description` (str, optional): 新しい API キーの説明。これは API キーの目的を特定するために使用できます。
-
+* `description`: 新しい API キーの説明です。API キーの用途を識別するために使用できます。
**Returns:**
- 新しい API キー。失敗した場合は None
\ No newline at end of file
+生成された API キー (名前だけでなくシークレット全体) 、または失敗時は None。
diff --git a/ja/models/ref/python/run.mdx b/ja/models/ref/python/run.mdx
deleted file mode 100644
index e6ff39a354..0000000000
--- a/ja/models/ref/python/run.mdx
+++ /dev/null
@@ -1,1011 +0,0 @@
----
-title: run
----
-
-/.wandb/`および`/wandb/`ディレクトリ内のすべてのファイルを除外する関数です。 |
-
-#### 例:
-
-基本的な使用法
-
-```python
-run.log_code()
-```
-
-高度な使用法
-
-```python
-run.log_code(
- "../",
- include_fn=lambda path: path.endswith(".py") or path.endswith(".ipynb"),
- exclude_fn=lambda path, root: os.path.relpath(path, root).startswith(
- "cache/"
- ),
-)
-```
-
-| 戻り値 | Description |
-| :--- | :--- |
-| コードがログされた場合のアーティファクトオブジェクト |
-
-### `log_model`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L3358-L3407)
-
-```python
-log_model(
- path: StrPath,
- name: (str | None) = None,
- aliases: (list[str] | None) = None
-) -> None
-```
-
-'path'内の内容をrunに含むモデルアーティファクトをログに記録し、runの出力としてマークします。
-
-| 引数 | Description |
-| :--- | :--- |
-| `path` | (str) モデルの内容へのパスは、次の形式で可能です： - `/local/directory` - `/local/directory/file.txt` - `s3://bucket/path` |
-| `name` | (str, オプション） ファイル内容が追加されるモデルアーティファクトに割り当てられる名前。文字列には、次のアルファベットと数字の文字のみ含めることができます：ダッシュ、アンダースコア、およびドット。指定されていない場合、デフォルトでパスのベース名に現在のrun idが追加されます。 |
-| `aliases` | (list, オプション） 作成されたモデルアーティファクトに適用するエイリアスのデフォルトは「latest」です。 |
-
-#### 例:
-
-```python
-run.log_model(
- path="/local/directory",
- name="my_model_artifact",
- aliases=["production"],
-)
-```
-
-無効な使用法
-
-```python
-run.log_model(
- path="/local/directory",
- name="my_entity/my_project/my_model_artifact",
- aliases=["production"],
-)
-```
-
-| 発生する可能性のあるエラー | Description |
-| :--- | :--- |
-| `ValueError` | nameに無効な特殊文字が含まれている場合 |
-
-| 戻り値 | Description |
-| :--- | :--- |
-| None |
-
-### `mark_preempting`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L3618-L3626)
-
-```python
-mark_preempting() -> None
-```
-
-このrunを中断しているとマークします。
-
-また、内部プロセスに即座にサーバーに報告するよう指示します。
-
-### `project_name`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L994-L996)
-
-```python
-project_name() -> str
-```
-
-### `restore`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L2060-L2073)
-
-```python
-restore(
- name: str,
- run_path: (str | None) = None,
- replace: bool = (False),
- root: (str | None) = None
-) -> (None | TextIO)
-```
-
-クラウドストレージから指定されたファイルをダウンロードします。
-
-ファイルは現在のディレクトリまたはrunディレクトリに配置されます。
-デフォルトでは、ローカルにまだ存在しない場合にのみファイルをダウンロードします。
-
-| 引数 | Description |
-| :--- | :--- |
-| `name` | ファイルの名前 |
-| `run_path` | ファイルをプルするrunへのオプションのパス、例：`username/project_name/run_id`。wandb.initが呼び出されていない場合、これは必須です。 |
-| `replace` | ファイルがローカルに既に存在する場合でもダウンロードするかどうか |
-| `root` | ファイルをダウンロードするディレクトリ。デフォルトは現在のディレクトリまたはwandb.initが呼び出された場合のrunディレクトリ。 |
-
-| 戻り値 | Description |
-| :--- | :--- |
-| ファイルが見つからない場合はNone、見つかった場合は読み取り用に開かれたファイルオブジェクト。 |
-
-| 発生する可能性のあるエラー | Description |
-| :--- | :--- |
-| `wandb.CommError` | wandbバックエンドに接続できない場合 |
-| `ValueError` | ファイルが見つからない場合、またはrun_pathが見つからない場合 |
-
-### `save`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L1875-L1979)
-
-```python
-save(
- glob_str: (str | os.PathLike | None) = None,
- base_path: (str | os.PathLike | None) = None,
- policy: PolicyName = "live"
-) -> (bool | list[str])
-```
-
-1つ以上のファイルをW&Bに同期させます。
-
-相対的なパスは現在の作業ディレクトリに相対的です。
-
-`save`が呼び出された時点でUnix glob（例えば「myfiles/*」）が展開され、`policy`に関係なく新しいファイルは自動的にピックアップされることはありません。
-
-`save`を呼び出した時点でUnix glob（例えば"myfiles/*"）は、`policy`に関係なく展開されます。特に、新しいファイルは自動的に取得されません。
-
-アップロードされるファイルのディレクトリ構造を制御するために`base_path`を指定できます。これは`glob_str`の接頭辞であり、その下のディレクトリ構造は保持されます。例を通じて最適に理解できます：
-
-```
-wandb.save("these/are/myfiles/*")
-# => run内の"these/are/myfiles/"フォルダにファイルを保存します。
-
-wandb.save("these/are/myfiles/*", base_path="these")
-# => run内の"are/myfiles/"フォルダにファイルを保存します。
-
-wandb.save("/User/username/Documents/run123/*.txt")
-# => run内の"run123/"フォルダにファイルを保存します。以下の注意を参照してください。
-
-wandb.save("/User/username/Documents/run123/*.txt", base_path="/User")
-# => run内の"username/Documents/run123/"フォルダにファイルを保存します。
-
-wandb.save("files/*/saveme.txt")
-# => 各 "saveme.txt" ファイルを "files/" の適切なサブディレクトリに保存します。
-```
-
-注意：絶対パスまたはglobが指定され`base_path`がない場合は、上記の例のように1つのディレクトリレベルが保持されます。
-
-| 引数 | Description |
-| :--- | :--- |
-| `glob_str` | 相対または絶対のパスまたはUnix glob。 |
-| `base_path` | ディレクトリ構造を推定するためのパス；例を参照。 |
-| `policy` | `live`、`now`、または`end`のいずれか。 * live: ファイルを変更すると新しいバージョンで上書きしてアップロードします。 * now: 現在アップロードされているファイルを一度だけアップロードします。 * end: runが終了したときにファイルをアップロードします。 |
-
-| 戻り値 | Description |
-| :--- | :--- |
-| 発生した場合、ファイルのリンクシステムとして作成されたパス。歴史的な理由から、これが古いコードでブール値を返す場合もあります。 |
-
-### `status`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L2161-L2183)
-
-```python
-status() -> RunStatus
-```
-
-内部バックエンドからの現在のrunの同期状態についての情報を取得します。
-
-### `to_html`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L1238-L1247)
-
-```python
-to_html(
- height: int = 420,
- hidden: bool = (False)
-) -> str
-```
-
-現在のrunを表示するiframeを含むHTMLを生成します。
-
-### `unwatch`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L2838-L2848)
-
-```python
-unwatch(
- models: (torch.nn.Module | Sequence[torch.nn.Module] | None) = None
-) -> None
-```
-
-PyTorchモデルのトポロジー、勾配、およびパラメータフックを削除します。
-
-| 引数 | Description |
-| :--- | :--- |
-| models (torch.nn.Module | Sequence[torch.nn.Module]): 呼び出し済みのwatchがあり、そのリストであるオプションのPyTorchモデル。 |
-
-### `upsert_artifact`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L3109-L3161)
-
-```python
-upsert_artifact(
- artifact_or_path: (Artifact | str),
- name: (str | None) = None,
- type: (str | None) = None,
- aliases: (list[str] | None) = None,
- distributed_id: (str | None) = None
-) -> Artifact
-```
-
-runの出力として、非最終化されたアーティファクトを宣言する（または追加）します。
-
-注意：アーティファクトを最終化するためには、 `run.finish_artifact()`を呼び出す必要があります。
-これは分散ジョブが同じアーティファクトにすべて貢献する必要がある場合に役立ちます。
-
-| 引数 | Description |
-| :--- | :--- |
-| `artifact_or_path` | (strまたはArtifact） このアーティファクトの内容へのパス、次の形式で可能： - `/local/directory` - `/local/directory/file.txt` - `s3://bucket/path` また、`wandb.Artifact`を呼び出すことによって作成されたArtifactオブジェクトを渡すこともできます。 |
-| `name` | (str, オプション) アーティファクト名。entity/projectで接頭辞を付ける場合もあります。次の形式で有効な名前にできます： - name:version - name:alias - digest 指定されていない場合、デフォルトでパスのベース名に現在のrun idが追加されます。 |
-| `type` | (str) ログを記録するアーティファクトのタイプ、例：`dataset`、`model` |
-| `aliases` | (list, オプション) このアーティファクトに適用するエイリアス。デフォルトは`["latest"]`。 |
-| `distributed_id` | (文字列, オプション) すべての分散ジョブが共有する一意の文字列。Noneの場合、runのグループ名がデフォルトです。 |
-
-| 戻り値 | Description |
-| :--- | :--- |
-| アーティファクトオブジェクト。 |
-
-### `use_artifact`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L2953-L3065)
-
-```python
-use_artifact(
- artifact_or_name: (str | Artifact),
- type: (str | None) = None,
- aliases: (list[str] | None) = None,
- use_as: (str | None) = None
-) -> Artifact
-```
-
-runの入力としてアーティファクトを宣言します。
-
-返されたオブジェクトで`download`または`file`を呼び出して、コンテンツをローカルに取得します。
-
-| 引数 | Description |
-| :--- | :--- |
-| `artifact_or_name` | (strまたはArtifact） アーティファクト名。project/またはentity/project/で接頭辞を付ける場合もあります。名前にentityが指定されていない場合、RunまたはAPIのエンティティ設定が使用されます。次の形式で有効な名前にできます： - name:version - name:alias または、`wandb.Artifact`の呼び出しで作成されたArtifactオブジェクトを渡すこともできます。 |
-| `type` | (str, オプション) 使用するアーティファクトのタイプ。 |
-| `aliases` | (list, オプション) このアーティファクトに適用するエイリアス。 |
-| `use_as` | (文字列, オプション) オプショナル文字列で、そのアーティファクトがどんな目的で使用されたかを示します。UIで表示されます。 |
-
-| 戻り値 | Description |
-| :--- | :--- |
-| アーティファクトオブジェクト。 |
-
-### `use_model`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L3409-L3464)
-
-```python
-use_model(
- name: str
-) -> FilePathStr
-```
-
-モデルアーティファクト'name'にログされたファイルをダウンロードします。
-
-| 引数 | Description |
-| :--- | :--- |
-| `name` | (str） モデルアーティファクト名。'name'は既存のログされたモデルアーティファクトの名前と一致する必要があります。entity/project/で接頭辞を付ける場合もあります。次の形式で有効な名前にできます： - model_artifact_name:version - model_artifact_name:alias |
-
-#### 例:
-
-```python
-run.use_model(
- name="my_model_artifact:latest",
-)
-
-run.use_model(
- name="my_project/my_model_artifact:v0",
-)
-
-run.use_model(
- name="my_entity/my_project/my_model_artifact:",
-)
-```
-
-無効な使用法
-
-```python
-run.use_model(
- name="my_entity/my_project/my_model_artifact",
-)
-```
-
-| 発生する可能性のあるエラー | Description |
-| :--- | :--- |
-| `AssertionError` | モデルアーティファクト'name'が「model」の部分文字列を含むタイプではない場合。 |
-
-| 戻り値 | Description |
-| :--- | :--- |
-| `path` | (str） ダウンロードされたモデルアーティファクトファイルのパス。 |
-
-### `watch`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L2801-L2836)
-
-```python
-watch(
- models: (torch.nn.Module | Sequence[torch.nn.Module]),
- criterion: (torch.F | None) = None,
- log: (Literal['gradients', 'parameters', 'all'] | None) = "gradients",
- log_freq: int = 1000,
- idx: (int | None) = None,
- log_graph: bool = (False)
-) -> None
-```
-
-与えられたPyTorchのモデルにフックを設定して、勾配とモデルの計算グラフを監視します。
-
-この関数は、トレーニング中にパラメータ、勾配、または両方を追跡することができます。
-将来的には任意の機械学習モデルに対応するよう拡張されるべきです。
-
-| 引数 | Description |
-| :--- | :--- |
-| models (Union[torch.nn.Module, Sequence[torch.nn.Module]]): モニタリングされるモデルまたはモデルのシーケンス。 criterion (Optional[torch.F]): 最適化される損失関数 (オプション)。 log (Optional[Literal["gradients", "parameters", "all"]]): "gradients"、"parameters"、または"all" をどれをログするか指定します。ログを無効にするにはNoneを設定します (デフォルトは"gradients")。 log_freq (int): 勾配とパラメータをログする頻度 (バッチ単位）。 (デフォルトは1000）。 idx (Optional[int]): `wandb.watch`を使用して複数のモデルを追跡する時に使用されるインデックス (デフォルトはNone）。 log_graph (bool): モデルの計算グラフをログするかどうか。 (デフォルトはFalse） |
-
-| 発生する可能性のあるエラー | Description |
-| :--- | :--- |
-| `ValueError` | `wandb.init`が呼び出されていない場合や、モデルのいずれかが`torch.nn.Module`のインスタンスでない場合。 |
-
-### `__enter__`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L3602-L3603)
-
-```python
-__enter__() -> Run
-```
-
-### `__exit__`
-
-[ソースを見る](https://www.github.com/wandb/wandb/tree/637bddf198525810add5804059001b1b319d6ad1/wandb/sdk/wandb_run.py#L3605-L3616)
-
-```python
-__exit__(
- exc_type: type[BaseException],
- exc_val: BaseException,
- exc_tb: TracebackType
-) -> bool
-```
\ No newline at end of file
diff --git a/ja/models/ref/python/save.mdx b/ja/models/ref/python/save.mdx
deleted file mode 100644
index 2694b23fe0..0000000000
--- a/ja/models/ref/python/save.mdx
+++ /dev/null
@@ -1,50 +0,0 @@
----
-title: 保存
----
-
-module `wandb_workspaces.reports.v2`
-プログラムで W&B レポート API を操作するための Python ライブラリ。
-
-```python
-import wandb_workspaces.reports.v2 as wr
-
-report = wr.Report(
- entity="entity",
- project="project",
- title="An amazing title",
- description="A descriptive description.",
-)
-
-blocks = [
- wr.PanelGrid(
- panels=[
- wr.LinePlot(x="time", y="velocity"),
- wr.ScatterPlot(x="time", y="acceleration"),
- ]
- )
-]
-
-report.blocks = blocks
-report.save()
-```
-
----
-
-## class `BarPlot`
-2Dバープロットを表示するパネルオブジェクト。
-
-**Attributes:**
-
-- `title` (Optional[str]): プロットの上部に表示されるテキスト。
-- `metrics` (LList[MetricType]): orientation Literal["v", "h"]: バープロットの向き。垂直 ("v") または水平 ("h") を選択します。デフォルトは水平 ("h")。
-- `range_x` (Tuple[float | None, float | None]): x軸の範囲を指定するタプル。
-- `title_x` (Optional[str]): x軸のラベル。
-- `title_y` (Optional[str]): y軸のラベル。
-- `groupby` (Optional[str]): W&Bプロジェクトにログされたメトリクスに基づいて run をグループ化します。このレポートは情報を取得します。
-- `groupby_aggfunc` (Optional[GroupAgg]): 指定された関数で run を集計します。オプションには `mean`, `min`, `max`, `median`, `sum`, `samples`, または `None` が含まれます。
-- `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。オプションには `minmax`, `stddev`, `stderr`, `none`, `samples`, または `None` が含まれます。
-- `max_runs_to_show` (Optional[int]): プロットに表示する最大 run 数。
-- `max_bars_to_show` (Optional[int]): バープロットに表示する最大バー数。
-- `custom_expressions` (Optional[LList[str]]): バープロットで使用されるカスタム式のリスト。
-- `legend_template` (Optional[str]): 凡例のテンプレート。
-- `font_size` (Optional[FontSize]): ラインプロットのフォントサイズ。オプションには `small`, `medium`, `large`, `auto`, または `None` が含まれます。
-- `line_titles` (Optional[dict]): ラインのタイトル。キーがライン名で、値がタイトルです。
-- `line_colors` (Optional[dict]): ラインの色。キーがライン名で、値が色です。
-
----
-
-## class `BlockQuote`
-引用されたテキストのブロック。
-
-**Attributes:**
-
-- `text` (str): 引用ブロックのテキスト。
-
----
-
-## class `CalloutBlock`
-強調されたテキストのブロック。
-
-**Attributes:**
-
-- `text` (str): 強調テキスト。
-
----
-
-## class `CheckedList`
-チェックボックス付きの項目リスト。`CheckedListItem` を `CheckedList` 内に1つ以上追加します。
-
-**Attributes:**
-
-- `items` (LList[CheckedListItem]): `CheckedListItem` オブジェクトのリスト。
-
----
-
-## class `CheckedListItem`
-チェックボックス付きのリストアイテム。`CheckedList` 内に1つ以上の `CheckedListItem` を追加します。
-
-**Attributes:**
-
-- `text` (str): リストアイテムのテキスト。
-- `checked` (bool): チェックボックスがチェックされているかどうか。デフォルトは `False`。
-
----
-
-## class `CodeBlock`
-コードのブロック。
-
-**Attributes:**
-
-- `code` (str): ブロック内のコード。
-- `language` (Optional[Language]): コードの言語。指定された言語は構文強調表示に使われます。デフォルトは `python`。オプションには `javascript`, `python`, `css`, `json`, `html`, `markdown`, `yaml` が含まれます。
-
----
-
-## class `CodeComparer`
-異なる2つの run 間のコードを比較するパネルオブジェクト。
-
-**Attributes:**
-
-- `diff` (Literal['split', 'unified']): コードの差異を表示する方法。オプションには `split` と `unified` が含まれます。
-
----
-
-## class `Config`
-run の設定オブジェクトにログされたメトリクス。設定オブジェクトは通常、`run.config[name] = ...` を使用するか、キーと値のペアを持つ設定として渡されてログされます。ここでキーがメトリクスの名前、値がメトリクスの値です。
-
-**Attributes:**
-
-- `name` (str): メトリクスの名前。
-
----
-
-## class `CustomChart`
-カスタムチャートを表示するパネル。チャートは Weave クエリによって定義されます。
-
-**Attributes:**
-
-- `query` (dict): カスタムチャートを定義するクエリ。キーがフィールドの名前で、値がクエリです。
-- `chart_name` (str): カスタムチャートのタイトル。
-- `chart_fields` (dict): プロットの軸を定義するキーと値のペア。ここでキーはラベル、値はメトリクスです。
-- `chart_strings` (dict): チャート内の文字列を定義するキーと値のペア。
-
----
-
-### classmethod `from_table`
-
-```python
-from_table(
- table_name: str,
- chart_fields: dict = None,
- chart_strings: dict = None
-)
-```
-
-テーブルからカスタムチャートを作成します。
-
-**Arguments:**
-
-- `table_name` (str): テーブルの名前。
-- `chart_fields` (dict): チャートに表示するフィールド。
-- `chart_strings` (dict): チャートに表示する文字列。
-
----
-
-## class `Gallery`
-レポートと URL のギャラリーをレンダリングするブロック。
-
-**Attributes:**
-
-- `items` (List[Union[`GalleryReport`, `GalleryURL`]]): `GalleryReport` と `GalleryURL` オブジェクトのリスト。
-
----
-
-## class `GalleryReport`
-ギャラリー内のレポートへの参照。
-
-**Attributes:**
-
-- `report_id` (str): レポートの ID。
-
----
-
-## class `GalleryURL`
-外部リソースへの URL。
-
-**Attributes:**
-
-- `url` (str): リソースの URL。
-- `title` (Optional[str]): リソースのタイトル。
-- `description` (Optional[str]): リソースの説明。
-- `image_url` (Optional[str]): 表示する画像の URL。
-
----
-
-## class `GradientPoint`
-勾配内の点。
-
-**Attributes:**
-
-- `color`: 点の色。
-- `offset`: 勾配内の点の位置。値は 0 から 100 の範囲であるべきです。
-
----
-
-## class `H1`
-指定されたテキストを持つ H1 ヘッディング。
-
-**Attributes:**
-
-- `text` (str): ヘッディングのテキスト。
-- `collapsed_blocks` (Optional[LList["BlockTypes"]]): ヘッディングを折りたたんだときに表示されるブロック。
-
----
-
-## class `H2`
-指定されたテキストを持つ H2 ヘッディング。
-
-**Attributes:**
-
-- `text` (str): ヘッディングのテキスト。
-- `collapsed_blocks` (Optional[LList["BlockTypes"]]): ヘッディングを折りたたんだときに表示される1つ以上のブロック。
-
----
-
-## class `H3`
-指定されたテキストを持つ H3 ヘッディング。
-
-**Attributes:**
-
-- `text` (str): ヘッディングのテキスト。
-- `collapsed_blocks` (Optional[LList["BlockTypes"]]): ヘッディングを折りたたんだときに表示される1つ以上のブロック。
-
----
-
-## class `Heading`
-
----
-
-## class `HorizontalRule`
-HTML の水平ライン。
-
----
-
-## class `Image`
-画像をレンダリングするブロック。
-
-**Attributes:**
-
-- `url` (str): 画像の URL。
-- `caption` (str): 画像のキャプション。キャプションは画像の下に表示されます。
-
----
-
-## class `InlineCode`
-インラインコード。コードの後に改行文字を加えません。
-
-**Attributes:**
-
-- `text` (str): レポートに表示したいコード。
-
----
-
-## class `InlineLatex`
-インライン LaTeX マークダウン。LaTeX マークダウンの後に改行文字を加えません。
-
-**Attributes:**
-
-- `text` (str): レポートに表示したい LaTeX マークダウン。
-
----
-
-## class `LatexBlock`
-LaTeX テキストのブロック。
-
-**Attributes:**
-
-- `text` (str): LaTeX テキスト。
-
----
-
-## class `Layout`
-レポート内のパネルのレイアウト。パネルのサイズと位置を調整します。
-
-**Attributes:**
-
-- `x` (int): パネルの x 位置。
-- `y` (int): パネルの y 位置。
-- `w` (int): パネルの幅。
-- `h` (int): パネルの高さ。
-
----
-
-## class `LinePlot`
-2D ラインプロットを持つパネルオブジェクト。
-
-**Attributes:**
-
-- `title` (Optional[str]): プロットの上部に表示されるテキスト。
-- `x` (Optional[MetricType]): W&B プロジェクトにログされたメトリクスの名前。このレポートは情報を取得します。指定されたメトリクスは x 軸に使用されます。
-- `y` (LList[MetricType]): W&B プロジェクトにログされた1つ以上のメトリクス。このレポートは情報を取得します。指定されたメトリクスは y 軸に使用されます。
-- `range_x` (Tuple[float | None, float | None]): x軸の範囲を指定するタプル。
-- `range_y` (Tuple[float | None, float | None]): y軸の範囲を指定するタプル。
-- `log_x` (Optional[bool]): x 座標を底 10 の対数スケールでプロットします。
-- `log_y` (Optional[bool]): y 座標を底 10 の対数スケールでプロットします。
-- `title_x` (Optional[str]): x軸のラベル。
-- `title_y` (Optional[str]): y軸のラベル。
-- `ignore_outliers` (Optional[bool]): `True` に設定すると、外れ値をプロットしません。
-- `groupby` (Optional[str]): W&B プロジェクトにログされたメトリクスに基づいて run をグループ化します。このレポートは情報を取得します。
-- `groupby_aggfunc` (Optional[GroupAgg]): 指定された関数で run を集計します。オプションには `mean`, `min`, `max`, `median`, `sum`, `samples`, または `None` が含まれます。
-- `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。オプションには `minmax`, `stddev`, `stderr`, `none`, `samples`, または `None` が含まれます。
-- `smoothing_factor` (Optional[float]): 平滑化タイプに適用する平滑化係数。許容する値は 0 から 1 の範囲です。
-- `smoothing_type` (Optional[SmoothingType]): 指定された分布に基づいてフィルターを適用します。オプションには `exponentialTimeWeighted`, `exponential`, `gaussian`, `average`, または `none` が含まれます。
-- `smoothing_show_original` (Optional[bool]): `True` に設定すると、元のデータを表示します。
-- `max_runs_to_show` (Optional[int]): ラインプロットに表示する最大 run 数。
-- `custom_expressions` (Optional[LList[str]]): データに適用するカスタム式。
-- `plot_type` (Optional[LinePlotStyle]): 生成するラインプロットのタイプ。オプションには `line`, `stacked-area`, または `pct-area` が含まれます。
-- `font_size` (Optional[FontSize]): ラインプロットのフォントサイズ。オプションには `small`, `medium`, `large`, `auto`, または `None` が含まれます。
-- `legend_position` (Optional[LegendPosition]): 凡例を配置する場所。オプションには `north`, `south`, `east`, `west`, または `None` が含まれます。
-- `legend_template` (Optional[str]): 凡例のテンプレート。
-- `aggregate` (Optional[bool]): `True` に設定すると、データを集計します。
-- `xaxis_expression` (Optional[str]): x軸の表現。
-- `legend_fields` (Optional[LList[str]]): 凡例に含めるフィールド。
-
----
-
-## class `Link`
-URL へのリンク。
-
-**Attributes:**
-
-- `text` (Union[str, TextWithInlineComments]): リンクのテキスト。
-- `url` (str): リンクが指す URL。
-
----
-
-## class `MarkdownBlock`
-マークダウンテキストのブロック。一般的なマークダウンサクジを使用してテキストを書くのに便利です。
-
-**Attributes:**
-
-- `text` (str): マークダウンテキスト。
-
----
-
-## class `MarkdownPanel`
-マークダウンをレンダリングするパネル。
-
-**Attributes:**
-
-- `markdown` (str): マークダウンパネルに表示したいテキスト。
-
----
-
-## class `MediaBrowser`
-メディアファイルをグリッドレイアウトで表示するパネル。
-
-**Attributes:**
-
-- `num_columns` (Optional[int]): グリッドの列数。
-- `media_keys` (LList[str]): メディアファイルに対応するメディアキーのリスト。
-
----
-
-## class `Metric`
-プロジェクトにログされたメトリクスをレポートに表示する。
-
-**Attributes:**
-
-- `name` (str): メトリクスの名前。
-
----
-
-## class `OrderBy`
-並び替えに使用するメトリクス。
-
-**Attributes:**
-
-- `name` (str): メトリクスの名前。
-- `ascending` (bool): 昇順にソートするかどうか。デフォルトは `False` に設定されています。
-
----
-
-## class `OrderedList`
-番号付きリストの項目リスト。
-
-**Attributes:**
-
-- `items` (LList[str]): `OrderedListItem` オブジェクトのリスト。
-
----
-
-## class `OrderedListItem`
-順序付きリストの項目。
-
-**Attributes:**
-
-- `text` (str): リストアイテムのテキスト。
-
----
-
-## class `P`
-テキストの段落。
-
-**Attributes:**
-
-- `text` (str): 段落のテキスト。
-
----
-
-## class `Panel`
-パネルグリッドで可視化を表示するパネル。
-
-**Attributes:**
-
-- `layout` (Layout): `Layout` オブジェクト。
-
----
-
-## class `PanelGrid`
-runset とパネルで構成されるグリッド。runset とパネルはそれぞれ `Runset` と `Panel` オブジェクトで追加します。
-
-**利用可能なパネル:**
-
-- `LinePlot`, `ScatterPlot`, `BarPlot`, `ScalarChart`, `CodeComparer`, `ParallelCoordinatesPlot`, `ParameterImportancePlot`, `RunComparer`, `MediaBrowser`, `MarkdownPanel`, `CustomChart`, `WeavePanel`, `WeavePanelSummaryTable`, `WeavePanelArtifactVersionedFile`
-
-**Attributes:**
-
-- `runsets` (LList["Runset"]): `Runset` オブジェクトのリスト。
-- `panels` (LList["PanelTypes"]): `Panel` オブジェクトのリスト。
-- `active_runset` (int): runset 内で表示したい run の数。デフォルトは 0 に設定されています。
-- `custom_run_colors` (dict): run の名前をキーに指定し、16進値の色を値として指定するキーと値のペア。
-
----
-
-## class `ParallelCoordinatesPlot`
-並列座標プロットを表示するパネルオブジェクト。
-
-**Attributes:**
-
-- `columns` (LList[ParallelCoordinatesPlotColumn]): `ParallelCoordinatesPlotColumn` オブジェクトのリスト。
-- `title` (Optional[str]): プロットの上部に表示されるテキスト。
-- `gradient` (Optional[LList[GradientPoint]]): 勾配ポイントのリスト。
-- `font_size` (Optional[FontSize]): ラインプロットのフォントサイズ。オプションには `small`, `medium`, `large`, `auto`, または `None` が含まれます。
-
----
-
-## class `ParallelCoordinatesPlotColumn`
-並列座標プロット内の列。指定された `metric` の順序が並列軸 (x軸) の順序を決定します。
-
-**Attributes:**
-
-- `metric` (str | Config | SummaryMetric): W&B プロジェクトにログされたメトリクスの名前。このレポートは情報を取得します。
-- `display_name` (Optional[str]): メトリクスの表示名。
-- `inverted` (Optional[bool]): メトリクスを反転するかどうか。
-- `log` (Optional[bool]): メトリクスに対数変換を適用するかどうか。
-
----
-
-## class `ParameterImportancePlot`
-各ハイパーパラメーターが選択されたメトリクスの予測にどれほど重要かを示すパネル。
-
-**Attributes:**
-
-- `with_respect_to` (str): パラメータの重要度を比較したいメトリクス。一般的なメトリクスにはロス、精度などが含まれます。指定されたメトリクスはプロジェクト内でログされる必要があります。このレポートは情報を取得します。
-
----
-
-## class `Report`
-W&B レポートを表すオブジェクト。返されたオブジェクトの `blocks` 属性を使用してレポートをカスタマイズします。レポートオブジェクトは自動的に保存されません。`save()` メソッドを使用して変更を保存してください。
-
-**Attributes:**
-
-- `project` (str): 読み込む W&B プロジェクトの名前。指定されたプロジェクトはレポートの URL に表示されます。
-- `entity` (str): レポートを所有する W&B エンティティ。エンティティはレポートの URL に表示されます。
-- `title` (str): レポートのタイトル。タイトルはレポートのトップに H1 ヘッディングとして表示されます。
-- `description` (str): レポートの説明。説明はレポートのタイトルの下に表示されます。
-- `blocks` (LList[BlockTypes]): HTML タグ、プロット、グリッド、runset などのリスト。
-- `width` (Literal['readable', 'fixed', 'fluid']): レポートの幅。オプションには 'readable', 'fixed', 'fluid' が含まれます。
-
----
-
-#### property url
-
-レポートがホストされている URL。レポート URL は `https://wandb.ai/{entity}/{project_name}/reports/` で構成されます。ここで `{entity}` と `{project_name}` はそれぞれレポートが所属するエンティティとプロジェクトの名前です。
-
----
-
-### classmethod `from_url`
-
-```python
-from_url(url: str, as_model: bool = False)
-```
-
-現在の環境にレポートを読み込みます。レポートがホストされている URL を渡します。
-
-**Arguments:**
-
-- `url` (str): レポートがホストされている URL。
-- `as_model` (bool): `True` に設定すると、レポートオブジェクトの代わりにモデルオブジェクトが返されます。デフォルトは `False` に設定されています。
-
----
-
-### method `save`
-
-```python
-save(draft: bool = False, clone: bool = False)
-```
-
-レポートオブジェクトに加えた変更を保存します。
-
----
-
-### method `to_html`
-
-```python
-to_html(height: int = 1024, hidden: bool = False) → str
-```
-
-このレポートを表示する iframe を含む HTML を生成します。通常、Python ノートブック内で使用されます。
-
-**Arguments:**
-
-- `height` (int): iframe の高さ。
-- `hidden` (bool): `True` に設定すると、iframe を非表示にします。デフォルトは `False` に設定されています。
-
----
-
-## class `RunComparer`
-プロジェクトから引き出された情報で、異なる run 間のメトリクスを比較するパネル。
-
-**Attributes:**
-
-- `diff_only` (Optional[Literal["split", True]]): プロジェクト内の run 間の差異のみを表示します。W&B レポート UI ではこの機能のオン/オフを切り替えることができます。
-
----
-
-## class `Runset`
-パネルグリッドに表示する run のセット。
-
-**Attributes:**
-
-- `entity` (str): run が保存されているプロジェクトを所有したり、正しい権限を持つエンティティ。
-- `project` (str): run が保存されているプロジェクトの名前。
-- `name` (str): run セットの名前。デフォルトで `Run set` に設定されています。
-- `query` (str): run をフィルタリングするためのクエリ文字列。
-- `filters` (Optional[str]): run をフィルタリングするためのフィルタ文字列。
-- `groupby` (LList[str]): グループ化するメトリクス名のリスト。
-- `order` (LList[OrderBy]): ソートするための `OrderBy` オブジェクトのリスト。
-- `custom_run_colors` (LList[OrderBy]): run ID を色にマッピングする辞書。
-
----
-
-## class `RunsetGroup`
-runset のグループを表示する UI エレメント。
-
-**Attributes:**
-
-- `runset_name` (str): runset の名前。
-- `keys` (Tuple[RunsetGroupKey, ...]): グループ化するためのキー。グループ化するために1つ以上の `RunsetGroupKey` オブジェクトを渡します。
-
----
-
-## class `RunsetGroupKey`
-メトリクスタイプと値によって runset をグループ化します。`RunsetGroup` の一部として動作します。メトリクスタイプとグループ化する値をキーと値のペアとして指定します。
-
-**Attributes:**
-
-- `key` (Type[str] | Type[Config] | Type[SummaryMetric] | Type[Metric]): グループ化するメトリクスタイプ。
-- `value` (str): グループ化するメトリクスの値。
-
----
-
-## class `ScalarChart`
-スカラーグラフを表示するパネルオブジェクト。
-
-**Attributes:**
-
-- `title` (Optional[str]): プロットの上部に表示されるテキスト。
-- `metric` (MetricType): W&B プロジェクトにログされたメトリクスの名前。このレポートは情報を取得します。
-- `groupby_aggfunc` (Optional[GroupAgg]): 指定された関数で run を集計します。オプションには `mean`, `min`, `max`, `median`, `sum`, `samples`, または `None` が含まれます。
-- `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。オプションには `minmax`, `stddev`, `stderr`, `none`, `samples`, または `None` が含まれます。
-- `custom_expressions` (Optional[LList[str]]): スカラーチャートで使用されるカスタム式のリスト。
-- `legend_template` (Optional[str]): 凡例のテンプレート。
-- `font_size` (Optional[FontSize]): ラインプロットのフォントサイズ。オプションには `small`, `medium`, `large`, `auto`, または `None` が含まれます。
-
----
-
-## class `ScatterPlot`
-2D または 3D 散布図を表示するパネルオブジェクト。
-
-**Arguments:**
-
-- `title` (Optional[str]): プロットの上部に表示されるテキスト。
-- `x` (Optional[SummaryOrConfigOnlyMetric]): W&B プロジェクトにログされたメトリクスの名前。このレポートは情報を取得します。指定されたメトリクスは x 軸に使用されます。
-- `y` (Optional[SummaryOrConfigOnlyMetric]): W&B プロジェクトにログされた1つ以上のメトリクス。このレポートは情報を取得します。指定されたメトリクスは y 軸にプロットされます。
-- `range_x` (Tuple[float | None, float | None]): x軸の範囲を指定するタプル。
-- `range_y` (Tuple[float | None, float | None]): y軸の範囲を指定するタプル。
-- `log_x` (Optional[bool]): x 座標を底 10 の対数スケールでプロットします。
-- `log_y` (Optional[bool]): y 座標を底 10 の対数スケールでプロットします。
-- `legend_template` (Optional[str]): 凡例の形式を指定する文字列。
-- `gradient` (Optional[LList[GradientPoint]]): プロットの色勾配を指定する勾配ポイントのリスト。
-- `font_size` (Optional[FontSize]): ラインプロットのフォントサイズ。オプションには `small`, `medium`, `large`, `auto`, または `None` が含まれます。
-- `regression` (Optional[bool]): `True` に設定すると、散布図に回帰直線をプロットします。
-
----
-
-## class `SoundCloud`
-SoundCloud プレーヤーをレンダリングするブロック。
-
-**Attributes:**
-
-- `html` (str): SoundCloud プレーヤーを埋め込むための HTML コード。
-
----
-
-## class `Spotify`
-Spotify プレーヤーをレンダリングするブロック。
-
-**Attributes:**
-
-- `spotify_id` (str): トラックまたはプレイリストの Spotify ID。
-
----
-
-## class `SummaryMetric`
-レポート内に表示するサマリメトリクス。
-
-**Attributes:**
-
-- `name` (str): メトリクスの名前。
-
----
-
-## class `TableOfContents`
-H1, H2, H3 の HTML ブロックを使用して指定されたセクションとサブセクションのリストを含むブロック。
-
----
-
-## class `TextWithInlineComments`
-インラインコメント付きのテキストブロック。
-
-**Attributes:**
-
-- `text` (str): テキストブロックのテキスト。
-
----
-
-## class `Twitter`
-Twitter フィードを表示するブロック。
-
-**Attributes:**
-
-- `html` (str): Twitter フィードを表示するための HTML コード。
-
----
-
-## class `UnorderedList`
-箇条書きリストの項目リスト。
-
-**Attributes:**
-
-- `items` (LList[str]): `UnorderedListItem` オブジェクトのリスト。
-
----
-
-## class `UnorderedListItem`
-順序のないリストの項目。
-
-**Attributes:**
-
-- `text` (str): リストアイテムのテキスト。
-
----
-
-## class `Video`
-ビデオをレンダリングするブロック。
-
-**Attributes:**
-
-- `url` (str): ビデオの URL。
-
----
-
-## class `WeaveBlockArtifact`
-W&B にログされたアーティファクトを示すブロック。クエリは次の形式を取ります。
-
-```python
-project('entity', 'project').artifact('artifact-name')
-```
-
-API 名内の "Weave" の用語は、LLM を追跡および評価するために使用される W&B Weave ツールキットを指していません。
-
-**Attributes:**
-
-- `entity` (str): アーティファクトが保存されているプロジェクトを所有するか、適切な権限を持つエンティティ。
-- `project` (str): アーティファクトが保存されているプロジェクト。
-- `artifact` (str): 取得するアーティファクトの名前。
-- `tab` (Literal["overview", "metadata", "usage", "files", "lineage"]): アーティファクトパネルに表示するタブ。
-
----
-
-## class `WeaveBlockArtifactVersionedFile`
-バージョン化されたファイルを W&B アーティファクトにログしたことを示すブロック。クエリは次の形式を取ります。
-
-```python
-project('entity', 'project').artifactVersion('name', 'version').file('file-name')
-```
-
-API 名内の "Weave" の用語は、LLM を追跡および評価するために使用される W&B Weave ツールキットを指していません。
-
-**Attributes:**
-
-- `entity` (str): アーティファクトが保存されているプロジェクトを所有するか、適切な権限を持つエンティティ。
-- `project` (str): アーティファクトが保存されているプロジェクト。
-- `artifact` (str): 取得するアーティファクトの名前。
-- `version` (str): 取得するアーティファクトのバージョン。
-- `file` (str): 取得するアーティファクト内に保存されているファイルの名前。
-
----
-
-## class `WeaveBlockSummaryTable`
-W&B にログされた W&B テーブル、pandas DataFrame、プロット、またはその他の値を表示するブロック。クエリは次の形式を取ります。
-
-```python
-project('entity', 'project').runs.summary['value']
-```
-
-API 名内の "Weave" の用語は、LLM を追跡および評価するために使用される W&B Weave ツールキットを指していません。
-
-**Attributes:**
-
-- `entity` (str): 値がログされたプロジェクトを所有するか、適切な権限を持つエンティティ。
-- `project` (str): 値がログされたプロジェクト。
-- `table_name` (str): テーブル、DataFrame、プロット、または値の名前。
-
----
-
-## class `WeavePanel`
-クエリを使用してカスタムコンテンツを表示するための空のクエリパネル。
-
-API 名内の "Weave" の用語は、LLM を追跡および評価するために使用される W&B Weave ツールキットを指していません。
-
----
-
-## class `WeavePanelArtifact`
-W&B にログされたアーティファクトを示すパネル。
-
-API 名内の "Weave" の用語は、LLM を追跡および評価するために使用される W&B Weave ツールキットを指していません。
-
-**Attributes:**
-
-- `artifact` (str): 取得するアーティファクトの名前。
-- `tab` (Literal["overview", "metadata", "usage", "files", "lineage"]): アーティファクトパネルに表示するタブ。
-
----
-
-## class `WeavePanelArtifactVersionedFile`
-バージョンのあるファイルを W&B アーティファクトにログしたことを示すパネル。
-
-```python
-project('entity', 'project').artifactVersion('name', 'version').file('file-name')
-```
-
-API 名内の "Weave" の用語は、LLM を追跡および評価するために使用される W&B Weave ツールキットを指していません。
-
-**Attributes:**
-
-- `artifact` (str): 取得するアーティファクトの名前。
-- `version` (str): 取得するアーティファクトのバージョン。
-- `file` (str): 取得するアーティファクト内に保存されているファイルの名前。
-
----
-
-## class `WeavePanelSummaryTable`
-W&B にログされた W&B テーブル、pandas DataFrame、プロット、またはその他の値を表示するパネル。クエリは次の形式を取ります。
-
-```python
-runs.summary['value']
-```
-
-API 名内の "Weave" の用語は、LLM を追跡および評価するために使用される W&B Weave ツールキットを指していません。
-
-**Attributes:**
-
-- `table_name` (str): テーブル、DataFrame、プロット、または値の名前。
\ No newline at end of file
diff --git a/ja/models/ref/python/wandb_workspaces/workspaces.mdx b/ja/models/ref/python/wandb_workspaces/workspaces.mdx
deleted file mode 100644
index 8f9f3f50c5..0000000000
--- a/ja/models/ref/python/wandb_workspaces/workspaces.mdx
+++ /dev/null
@@ -1,180 +0,0 @@
----
-title: ワークスペース
----
-
-module `wandb_workspaces.workspaces`
-プログラムで W&B Workspace API を操作するための Python ライブラリ。
-
-```python
-# インポート方法
-import wandb_workspaces.workspaces as ws
-
-# ワークスペースを作成する例
-ws.Workspace(
- name="Example W&B Workspace",
- entity="entity", # ワークスペースを所有する entity
- project="project", # ワークスペースが関連付けられている project
- sections=[
- ws.Section(
- name="Validation Metrics",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.BarPlot(metrics=["val_accuracy"]),
- wr.ScalarChart(metric="f1_score", groupby_aggfunc="mean"),
- ],
- is_open=True,
- ),
- ],
-)
-workspace.save()
-```
-
----
-
-## class `RunSettings`
-runset （左側のバー）内の run の設定。
-
-**属性:**
-
- - `color` (str): UI での run の色。hex (#ff0000), css color (red), または rgb (rgb(255, 0, 0)) を指定できる。
- - `disabled` (bool): run が非アクティブであるかどうか（UI で目が閉じている）。デフォルトは `False` に設定されている。
-
----
-
-## class `RunsetSettings`
-ワークスペース内の runset（run を含む左側のバー）の設定。
-
-**属性:**
-
- - `query` (str): runset をフィルターするためのクエリ（regex 式である可能性あり、次のパラメータを参照）。
- - `regex_query` (bool): 上記のクエリが regex 式であるかどうかを制御する。デフォルトは `False` に設定されている。
- - `filters` `(LList[expr.FilterExpr])`: runset に適用するフィルターのリスト。フィルターは AND で結合される。フィルターの作成については FilterExpr を参照。
- - `groupby` `(LList[expr.MetricType])`: runset でグループ化するメトリクスのリスト。 `Metric`, `Summary`, `Config`, `Tags`, または `KeysInfo` に設定。
- - `order` `(LList[expr.Ordering])`: runset に適用するメトリクスと順序のリスト。
- - `run_settings` `(Dict[str, RunSettings])`: run の設定の辞書。キーは run の ID で、値は RunSettings オブジェクト。
-
----
-
-## class `Section`
-ワークスペース内のセクションを表す。
-
-**属性:**
-
- - `name` (str): セクションの名前またはタイトル。
- - `panels` `(LList[PanelTypes])`: セクション内のパネルの順序付きリスト。デフォルトでは、最初が左上で最後が右下。
- - `is_open` (bool): セクションが開いているか閉じているか。デフォルトは閉じている。
- - `layout_settings` `(Literal[`standard`, `custom`])`: セクション内のパネルレイアウトの設定。
- - `panel_settings`: セクション内のすべてのパネルに適用されるパネルレベルの設定。 `WorkspaceSettings` の `Section` に似ている。
-
----
-
-## class `SectionLayoutSettings`
-セクションのパネルレイアウト設定。通常、W&B App Workspace UI のセクションの右上に表示される。
-
-**属性:**
-
- - `layout` `(Literal[`standard`, `custom`])`: セクション内のパネルのレイアウト。 `standard` はデフォルトのグリッドレイアウトに従い、`custom` は個々のパネル設定で制御されるカスタムレイアウトを許可する。
- - `columns` (int): 標準レイアウトの場合、レイアウト内の列数。デフォルトは 3。
- - `rows` (int): 標準レイアウトの場合、レイアウト内の行数。デフォルトは 2。
-
----
-
-## class `SectionPanelSettings`
-セクションのパネル設定。セクションの `WorkspaceSettings` に似ている。
-
-ここで適用される設定は、より詳細なパネル設定で上書きされることがある。優先順位は: Section < Panel。
-
-**属性:**
-
- - `x_axis` (str): X 軸メトリック名の設定。デフォルトでは `Step` に設定。
- - `x_min Optional[float]`: X 軸の最小値。
- - `x_max Optional[float]`: X 軸の最大値。
- - `smoothing_type` (Literal['exponentialTimeWeighted', 'exponential', 'gaussian', 'average', 'none']): すべてのパネルに適用されるスムージングタイプ。
- - `smoothing_weight` (int): すべてのパネルに適用されるスムージングウエイト。
-
----
-
-## class `Workspace`
-W&B ワークスペースを表し、セクション、設定、run セットの構成を含む。
-
-**属性:**
-
- - `entity` (str): このワークスペースが保存される entity（通常、ユーザーまたはチーム名）。
- - `project` (str): このワークスペースが保存されるプロジェクト。
- - `name`: ワークスペースの名前。
- - `sections` `(LList[Section])`: ワークスペース内のセクションの順序付きリスト。最初のセクションはワークスペースの上部にある。
- - `settings` `(WorkspaceSettings)`: ワークスペースの設定。通常、UI のワークスペースの上部に表示される。
- - `runset_settings` `(RunsetSettings)`: ワークスペース内の run セット（run を含む左側のバー）の設定。
-
----
-
-#### property url
-
-W&B アプリ内のワークスペースへの URL。
-
----
-
-### classmethod `from_url`
-
-```python
-from_url(url: str)
-```
-
-URL からワークスペースを取得。
-
----
-
-### method `save`
-
-```python
-save()
-```
-
-現在のワークスペースを W&B に保存。
-
-**戻り値:**
-
- - `Workspace`: 保存された内部名と ID を持つ更新されたワークスペース。
-
----
-
-### method `save_as_new_view`
-
-```python
-save_as_new_view()
-```
-
-現在のワークスペースを W&B に新しいビューとして保存。
-
-**戻り値:**
-
- - `Workspace`: 保存された内部名と ID を持つ更新されたワークスペース。
-
----
-
-## class `WorkspaceSettings`
-ワークスペースの設定。通常、UI のワークスペースの上部に表示される。
-
-このオブジェクトには、x 軸、スムージング、外れ値、パネル、ツールチップ、run、パネルクエリバーの設定が含まれる。
-
-ここで適用される設定は、より詳細なセクションおよびパネル設定で上書きされることがある。優先順位は: Workspace < Section < Panel。
-
-**属性:**
-
- - `x_axis` (str): X 軸メトリック名の設定。
- - `x_min` `(Optional[float])`: X 軸の最小値。
- - `x_max` `(Optional[float])`: X 軸の最大値。
- - `smoothing_type` `(Literal['exponentialTimeWeighted', 'exponential', 'gaussian', 'average', 'none'])`: すべてのパネルに適用されるスムージングタイプ。
- - `smoothing_weight` (int): すべてのパネルに適用されるスムージングウエイト。
- - `ignore_outliers` (bool): すべてのパネルで外れ値を無視する。
- - `sort_panels_alphabetically` (bool): すべてのセクションでパネルをアルファベット順にソート。
- - `group_by_prefix` `(Literal[`first`, `last`])`: 最初または最大最後までのプレフィックスでパネルをグループ化する（first または last）。デフォルトは last に設定。
- - `remove_legends_from_panels` (bool): すべてのパネルから凡例を削除。
- - `tooltip_number_of_runs` `(Literal[`default`, `all`, `none`])`: ツールチップに表示する run の数。
- - `tooltip_color_run_names` (bool): ツールチップで run 名を run セットに合わせて色付けするかどうか（True）あるいはしないか（False）。デフォルトは True に設定。
- - `max_runs` (int): パネルごとに表示される run の最大数（run セットの最初の 10 件の run になる）。
- - `point_visualization_method` `(Literal[`line`, `point`, `line_point`])`: 点の可視化メソッド。
- - `panel_search_query` (str): パネル検索バーのクエリ（正規表現式である可能性あり）。
- - `auto_expand_panel_search_results` (bool): パネル検索結果を自動拡張するかどうか。
\ No newline at end of file
diff --git a/ja/models/ref/python/watch.mdx b/ja/models/ref/python/watch.mdx
deleted file mode 100644
index c138f73252..0000000000
--- a/ja/models/ref/python/watch.mdx
+++ /dev/null
@@ -1,28 +0,0 @@
----
-title: watch
----
-
-
+ インタラクティブな例については、[Query Panel](https://wandb.ai/luis_team_test/weave_example_queries/reports/Query-Panel-Examples---Vmlldzo1NzIxOTY2?accessToken=bvzq5hwooare9zy790yfl3oitutbvno2i6c2s81gk91750m53m2hdclj0jvryhcr) の W&B Report を参照してください。
+
+
+
+ ## データ型
+
* [artifact](./query-panel/artifact)
* [artifactType](./query-panel/artifact-type)
diff --git a/ja/models/ref/query-panel/artifact-type.mdx b/ja/models/ref/query-panel/artifact-type.mdx
index 6e4b81dd65..985abe3185 100644
--- a/ja/models/ref/query-panel/artifact-type.mdx
+++ b/ja/models/ref/query-panel/artifact-type.mdx
@@ -2,71 +2,94 @@
title: artifactType
---
-## Chainable Ops
-###
+ ## チェーン可能な Ops
+
-[artifactType](/models/ref/query-panel/artifact-type) に属するすべての [artifacts](/models/ref/query-panel/artifact) の [artifactVersions](/models/ref/query-panel/artifact-version) を返します。
+###
+ #### 戻り値
+
-#### 返り値
-[artifactType](/models/ref/query-panel/artifact-type/) に属するすべての [artifacts](/models/ref/query-panel/artifact/) の [artifactVersions](/models/ref/query-panel/artifact-version/)
+[artifactType](/ja/models/ref/query-panel/artifact-type/) に属するすべての [artifacts](/ja/models/ref/query-panel/artifact/) の [artifactVersions](/ja/models/ref/query-panel/artifact-version/)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+[artifactType](/ja/models/ref/query-panel/artifact-type) の名前
-## List Ops
-###
+ ## リスト操作
+
-[artifactType](/models/ref/query-panel/artifact-type) に属するすべての [artifacts](/models/ref/query-panel/artifact) の [artifactVersions](/models/ref/query-panel/artifact-version) を返します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-[artifactType](/models/ref/query-panel/artifact-type) の名前
\ No newline at end of file
+[artifactType](/ja/models/ref/query-panel/artifact-type) の名前
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/artifact-version.mdx b/ja/models/ref/query-panel/artifact-version.mdx
index 3620ed79b2..47248af139 100644
--- a/ja/models/ref/query-panel/artifact-version.mdx
+++ b/ja/models/ref/query-panel/artifact-version.mdx
@@ -2,227 +2,292 @@
title: artifactVersion
---
-## Chainable Ops
-###
+ ## チェーン可能な Ops
+
-[artifactVersion](/models/ref/query-panel/artifact-version/) の エイリアス を返します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-[artifactVersion](/models/ref/query-panel/artifact-version/) の メタデータ 辞書
+[artifactVersion](/ja/models/ref/query-panel/artifact-version/) のメタデータの辞書
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+[artifactVersion](/ja/models/ref/query-panel/artifact-version/) の versionId
-## List Ops
-###
+ ## List Ops (一覧操作)
+
-[artifactVersion](/models/ref/query-panel/artifact-version/) の エイリアス を返します。
+###
+ #### 戻り値
+
-#### 返り値
-[artifactVersion](/models/ref/query-panel/artifact-version/) の エイリアス
+[artifactVersion](/ja/models/ref/query-panel/artifact-version/) のエイリアス
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-[artifactVersion](/models/ref/query-panel/artifact-version/) の _ファイル一覧_
+[artifactVersion](/ja/models/ref/query-panel/artifact-version/) の *files* の *list*
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-[artifactVersion](/models/ref/query-panel/artifact-version/) の versionId
\ No newline at end of file
+[artifactVersion](/ja/models/ref/query-panel/artifact-version/) の versionId。
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/artifact.mdx b/ja/models/ref/query-panel/artifact.mdx
index fb36f62c20..4c3dfb05f0 100644
--- a/ja/models/ref/query-panel/artifact.mdx
+++ b/ja/models/ref/query-panel/artifact.mdx
@@ -1,72 +1,95 @@
---
-title: アーティファクト
+title: Artifacts
---
-## Chainable Ops
-###
+ ## チェーン可能な Ops
+
-[Artifact](/models/ref/query-panel/artifact/) の URL を返します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+その [Artifacts](/ja/models/ref/query-panel/artifact/) のバージョン一覧
-## List Ops
-###
+ ## リストの操作
+
-[Artifact](/models/ref/query-panel/artifact/) の URL を返します。
+###
+ #### 戻り値
+
-#### 返り値
-[Artifact](/models/ref/query-panel/artifact/) の URL
+[Artifacts](/ja/models/ref/query-panel/artifact/) を指す URL
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-[Artifact](/models/ref/query-panel/artifact/) のバージョン一覧
\ No newline at end of file
+[artifact](/ja/models/ref/query-panel/artifact/) のバージョンの一覧
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/audio-file.mdx b/ja/models/ref/query-panel/audio-file.mdx
index f25569fc6b..366f6e4b90 100644
--- a/ja/models/ref/query-panel/audio-file.mdx
+++ b/ja/models/ref/query-panel/audio-file.mdx
@@ -2,27 +2,38 @@
title: オーディオファイル
---
-## Chainable Ops
+
+ ## チェイン可能な Ops
+
+
###
+ #### 戻り値
+
+
+アセットの _file_。
+
+ ## リスト操作
+
-## List Ops
###
+ #### 戻り値
+
-#### 返り値
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/bokeh-file.mdx b/ja/models/ref/query-panel/bokeh-file.mdx
index 7f9c1e2d78..224f2ae3ef 100644
--- a/ja/models/ref/query-panel/bokeh-file.mdx
+++ b/ja/models/ref/query-panel/bokeh-file.mdx
@@ -2,27 +2,38 @@
title: bokeh-file
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### 戻り値
+
+
アセットの _file_
+
+ ## リスト操作
+
-## List Ops
###
+ #### 戻り値
+
+
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/boolean.mdx b/ja/models/ref/query-panel/boolean.mdx
index c9564cdad2..a9d721323c 100644
--- a/ja/models/ref/query-panel/boolean.mdx
+++ b/ja/models/ref/query-panel/boolean.mdx
@@ -1,98 +1,113 @@
---
-title: boolean
+title: ブール値
---
-## Chainable Ops
+
+ ## チェーン可能な演算
+
+
###
+ ## リスト演算
+
-## List Ops
###
+ #### Return Value
+
+
+元の値の論理否定
###
+ ## チェーン可能な Ops
+
-[Entities](/models/ref/query-panel/entity/) のリンクを返します。
+###
+ #### 戻り値
+
+[entity](/ja/models/ref/query-panel/entity/) へのリンク
-###
+ #### 戻り値
+
-#### 返り値
-[Entities](/models/ref/query-panel/entity/) の名前
+[entity](/ja/models/ref/query-panel/entity/) の名前
+
+ ## リスト操作
+
-## List Ops
-###
+ #### 戻り値
+
+[entity](/ja/models/ref/query-panel/entity/) へのリンク
-###
+ #### 戻り値
+
-#### 返り値
-[Entities](/models/ref/query-panel/entity/) の名前
\ No newline at end of file
+[entity](/ja/models/ref/query-panel/entity/) の名前
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/file.mdx b/ja/models/ref/query-panel/file.mdx
index 389699ef56..bc7a8c9fd2 100644
--- a/ja/models/ref/query-panel/file.mdx
+++ b/ja/models/ref/query-panel/file.mdx
@@ -1,94 +1,109 @@
---
-title: file
+title: ファイル
---
-## Chainable Ops
+
+ ## チェーン可能なオペレーション
+
+
###
+ #### Return Value
+
+_file_ の内容を _table_ として返します。
+
+
+ ## リスト操作
+
-## List Ops
###
+ ## チェーン可能な Ops
+
-2つの値が等しくないかどうかを判定します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-2つの [numbers](/models/ref/query-panel/number/) の積
+2 つの [number](/ja/models/ref/query-panel/number/) の積
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-2つの [numbers](/models/ref/query-panel/number/) の商
+2 つの[数値](/ja/models/ref/query-panel/number/)の商
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-符号が反転した [number](/models/ref/query-panel/number/)
+[数値](/ja/models/ref/query-panel/number/)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-Timestamp
+タイムスタンプ
-###
+ #### 戻り値
+
+[number](/ja/models/ref/query-panel/number/) の絶対値を返します
-## List Ops
-###
+ ## リスト操作
+
-2つの値が等しくないかどうかを判定します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-2つの [numbers](/models/ref/query-panel/number/) の差
+2 つの [numbers](/ja/models/ref/query-panel/number/) の差
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-符号が反転した [number](/models/ref/query-panel/number/)
+[数値](/ja/models/ref/query-panel/number/)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-最小の [number](/models/ref/query-panel/number/)
+最小値の [number](/ja/models/ref/query-panel/number/)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-その [number](/models/ref/query-panel/number/) の絶対値
\ No newline at end of file
+[number](/ja/models/ref/query-panel/number/) の絶対値
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/html-file.mdx b/ja/models/ref/query-panel/html-file.mdx
index 4dc152f4ac..31042ac8e2 100644
--- a/ja/models/ref/query-panel/html-file.mdx
+++ b/ja/models/ref/query-panel/html-file.mdx
@@ -2,27 +2,38 @@
title: html-file
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### 戻り値
+
+
アセットの _file_
+
+ ## リスト操作
+
-## List Ops
###
+ #### 戻り値
+
-#### 返り値
-アセットの _file_
\ No newline at end of file
+アセットの _file_。
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/image-file.mdx b/ja/models/ref/query-panel/image-file.mdx
index 1208190424..12e27e1061 100644
--- a/ja/models/ref/query-panel/image-file.mdx
+++ b/ja/models/ref/query-panel/image-file.mdx
@@ -1,28 +1,39 @@
---
-title: image-file
+title: 画像ファイル
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### 戻り値
+
+
+アセットに対応する _file_
+
+ ## リスト操作
+
-## List Ops
###
+ #### 戻り値
+
+
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/int.mdx b/ja/models/ref/query-panel/int.mdx
index 8a8e603a2a..6ebd53bdf6 100644
--- a/ja/models/ref/query-panel/int.mdx
+++ b/ja/models/ref/query-panel/int.mdx
@@ -2,458 +2,578 @@
title: int
---
-## Chainable Ops
-###
+ ## チェーン可能な Ops
+
-2つの 値 の不等性を判定します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+
+最初の [number](/ja/models/ref/query-panel/number/) が 2 番目の値以下かどうか
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
タイムスタンプ
-###
+ #### 戻り値
+
+[number](/ja/models/ref/query-panel/number/) の絶対値
-## List Ops
-###
+ ## リスト演算
+
-2つの 値 の不等性を判定します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+
+底となる [numbers](/ja/models/ref/query-panel/number/) を n 乗した値
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
タイムスタンプ
-###
+ #### 戻り値
+
+
+[number](/ja/models/ref/query-panel/number/) の絶対値
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/joined-table.mdx b/ja/models/ref/query-panel/joined-table.mdx
index fffa4d012d..340388e6c9 100644
--- a/ja/models/ref/query-panel/joined-table.mdx
+++ b/ja/models/ref/query-panel/joined-table.mdx
@@ -1,52 +1,69 @@
---
-title: joined-table
+title: 結合テーブル
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### 戻り値
+
+
+アセットの _file_
###
+ #### 戻り値
+
+
+_joined-table_ の _file_
###
+ #### 戻り値
+
-#### 返り値
-_joined-table_ の行
+_結合テーブル_ の各行
+
+ ## リスト操作
+
-## List Ops
###
+ #### 戻り値
+
+
+アセットの _file_。
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/molecule-file.mdx b/ja/models/ref/query-panel/molecule-file.mdx
index 6c6105a5aa..cab84c1beb 100644
--- a/ja/models/ref/query-panel/molecule-file.mdx
+++ b/ja/models/ref/query-panel/molecule-file.mdx
@@ -2,27 +2,38 @@
title: molecule-file
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### 戻り値
+
+
アセットの _file_
+
+ ## List Ops（リスト操作）
+
-## List Ops
###
+ #### 戻り値
+
+
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/number.mdx b/ja/models/ref/query-panel/number.mdx
index dda083e880..b58bbd4304 100644
--- a/ja/models/ref/query-panel/number.mdx
+++ b/ja/models/ref/query-panel/number.mdx
@@ -1,459 +1,581 @@
---
-title: number
+title: "数値"
---
-## Chainable Ops
-###
+ ## チェーン可能な演算
+
-2つの値が等しくないかどうかを判定します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-その [number](/models/ref/query-panel/number/) の絶対値
+指定された [number](/ja/models/ref/query-panel/number/) の絶対値
+
+ ## リスト演算
+
-## List Ops
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-底となる [numbers](/models/ref/query-panel/number/) をn乗した値
+基数となる [numbers](/ja/models/ref/query-panel/number/) を n 乗した値
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-最初の [number](/models/ref/query-panel/number/) が2番目の数より小さいかどうか
+最初の [number](/ja/models/ref/query-panel/number/) が 2 つ目のものより小さいかどうか
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-2つの値が等しいかどうか。
+2 つの値が等しいかどうかを示す値。
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-その [number](/models/ref/query-panel/number/) の絶対値
\ No newline at end of file
+[number](/ja/models/ref/query-panel/number/) の絶対値
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/object-3-d-file.mdx b/ja/models/ref/query-panel/object-3-d-file.mdx
index ba5225d1f9..e823406e64 100644
--- a/ja/models/ref/query-panel/object-3-d-file.mdx
+++ b/ja/models/ref/query-panel/object-3-d-file.mdx
@@ -1,28 +1,39 @@
---
-title: 3D オブジェクトファイル
+title: object3D-file
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### 戻り値
+
+
+アセットの _file_ を返します。
+
+ ## List Ops（リスト操作）
+
-## List Ops
###
+ #### 戻り値
+
+
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/partitioned-table.mdx b/ja/models/ref/query-panel/partitioned-table.mdx
index 3c3ed6220c..d300bbefd1 100644
--- a/ja/models/ref/query-panel/partitioned-table.mdx
+++ b/ja/models/ref/query-panel/partitioned-table.mdx
@@ -1,50 +1,67 @@
---
-title: パーティション化されたテーブル
+title: パーティションテーブル
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### 戻り値
+
+
+アセットに対応する _file_
###
+ #### 戻り値
+
-#### 返り値
_partitioned-table_ の _file_
###
+ #### 戻り値
+
-#### 返り値
_partitioned-table_ の行
+
+ ## リスト操作
+
-## List Ops
###
+ #### 戻り値
+
+
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/project.mdx b/ja/models/ref/query-panel/project.mdx
index 64b4c21f44..a642db5d75 100644
--- a/ja/models/ref/query-panel/project.mdx
+++ b/ja/models/ref/query-panel/project.mdx
@@ -2,167 +2,214 @@
title: プロジェクト
---
-## Chainable Ops
-###
+ ## チェーン可能な Ops
+
-指定された [project](/models/ref/query-panel/project/) 内の、指定された名前の [artifact](/models/ref/query-panel/artifact/) を返します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+ある [プロジェクト](/ja/models/ref/query-panel/project/) の [runs](/ja/models/ref/query-panel/run/)
-## List Ops
-###
+ ## リスト操作
+
-指定された [project](/models/ref/query-panel/project/) 内の、指定された名前の [artifact](/models/ref/query-panel/artifact/) を返します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### 返り値
-[project](/models/ref/query-panel/project/) の名前
+[プロジェクト](/ja/models/ref/query-panel/project/) の名前
-###
+ #### 戻り値
+
-#### 返り値
-[project](/models/ref/query-panel/project/) の [runs](/models/ref/query-panel/run/)
\ No newline at end of file
+指定した [プロジェクト](/ja/models/ref/query-panel/project/) 内の [runs](/ja/models/ref/query-panel/run/)
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/pytorch-model-file.mdx b/ja/models/ref/query-panel/pytorch-model-file.mdx
index ad0be376e1..031b762e21 100644
--- a/ja/models/ref/query-panel/pytorch-model-file.mdx
+++ b/ja/models/ref/query-panel/pytorch-model-file.mdx
@@ -2,27 +2,38 @@
title: pytorch-model-file
---
-## Chainable Ops
+
+ ## チェーン可能な操作
+
+
###
+ #### 戻り値
+
+
アセットの _file_
+
+ ## List の操作
+
-## List Ops
###
+ #### 戻り値
+
+
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/run.mdx b/ja/models/ref/query-panel/run.mdx
index a225f2ffb5..c7a0651781 100644
--- a/ja/models/ref/query-panel/run.mdx
+++ b/ja/models/ref/query-panel/run.mdx
@@ -2,260 +2,332 @@
title: run
---
-## Chainable Ops
-###
+ ## 連鎖可能な Ops
+
-[run](/models/ref/query-panel/run) の config _typedDict_ を返します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+[run](/ja/models/ref/query-panel/run) の [ユーザー](/ja/models/ref/query-panel/user/)
-## List Ops
-###
+ ## リスト操作
+
-[run](/models/ref/query-panel/run) の config _typedDict_ を返します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+
+[run](/ja/models/ref/query-panel/run) が使用する [artifactVersions](/ja/models/ref/query-panel/artifact-version/)
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/string.mdx b/ja/models/ref/query-panel/string.mdx
index 80fc70f6a4..5a5ebe6aad 100644
--- a/ja/models/ref/query-panel/string.mdx
+++ b/ja/models/ref/query-panel/string.mdx
@@ -2,543 +2,684 @@
title: string
---
-## Chainable Ops
-###
+ ## チェーン可能な Op
+
-2つの値が等しくないかどうかを判定します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-連結された [string](/models/ref/query-panel/string)
+連結された [string](/ja/models/ref/query-panel/string)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
+
+サフィックスが付加された [string](/ja/models/ref/query-panel/string)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-[string](/models/ref/query-panel/string) がサフィックスで終わるかどうか。
+[string](/ja/models/ref/query-panel/string) が指定されたサフィックスで終わっているかどうか
-###
+ #### 戻り値
+
-#### Return Value
-[string](/models/ref/query-panel/string) が英数字かどうか。
+[string](/ja/models/ref/query-panel/string) が英数字かどうか
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-小文字の [string](/models/ref/query-panel/string)
+小文字の [string](/ja/models/ref/query-panel/string)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-プレフィックスが追加された [string](/models/ref/query-panel/string)
+接頭辞が付加された [string](/ja/models/ref/query-panel/string)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-スライスされたサブストリング。
+部分文字列
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-大文字の [string](/models/ref/query-panel/string)
+大文字の [string](/ja/models/ref/query-panel/string)
-###
+ #### 戻り値
+
+2 つの [文字列](/ja/models/ref/query-panel/string/) 間の Levenshtein 距離。
-## List Ops
-###
+ ## リスト操作
+
-2つの値が等しくないかどうかを判定します。
+###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-[string](/models/ref/query-panel/string) にサブストリングが含まれているかどうか。
+[string](/ja/models/ref/query-panel/string) に指定した部分文字列が含まれているかどうか
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-[string](/models/ref/query-panel/string) が英数字かどうか。
+[string](/ja/models/ref/query-panel/string) が英数字かどうか
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-[string](/models/ref/query-panel/string) が数字かどうか。
+[string](/ja/models/ref/query-panel/string) が数値かどうかを返します
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-小文字の [string](/models/ref/query-panel/string)
+小文字の [string](/ja/models/ref/query-panel/string)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-プレフィックスが追加された [string](/models/ref/query-panel/string)
+先頭に接頭辞が付加された [string](/ja/models/ref/query-panel/string)
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-スライスされたサブストリング。
+部分文字列
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-[string](/models/ref/query-panel/string) がプレフィックスで始まるかどうか。
+[string](/ja/models/ref/query-panel/string) が接頭辞で始まるかどうか
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-###
+ #### 戻り値
+
-#### Return Value
-2つの [strings](/models/ref/query-panel/string/) 間のレーベンシュタイン距離。
+2 つの [文字列](/ja/models/ref/query-panel/string/) 間の Levenshtein 距離。
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/table.mdx b/ja/models/ref/query-panel/table.mdx
index 359db5f376..96dddb2285 100644
--- a/ja/models/ref/query-panel/table.mdx
+++ b/ja/models/ref/query-panel/table.mdx
@@ -2,51 +2,60 @@
title: table
---
-## Chainable Ops
+
+ ## チェーン可能な Ops
+
+
###
+ #### Return Value
+
+_table_ の行を返します。
+
+
+ ## リスト操作
+
-## List Ops
###
+ ## チェーン可能な Ops
+
-[User](/models/ref/query-panel/user/) のユーザー名を返します。
+###
+ #### 戻り値
+
-#### Return Value
-[User](/models/ref/query-panel/user/) のユーザー名
+[ユーザー](/ja/models/ref/query-panel/user/) のユーザー名
+
+ ## リスト操作
+
-## List Ops
-###
+ #### 戻り値
+
-#### Return Value
-[User](/models/ref/query-panel/user/) のユーザー名
\ No newline at end of file
+[ユーザー](/ja/models/ref/query-panel/user/) のユーザー名
\ No newline at end of file
diff --git a/ja/models/ref/query-panel/video-file.mdx b/ja/models/ref/query-panel/video-file.mdx
index f19bd9e150..797f789e19 100644
--- a/ja/models/ref/query-panel/video-file.mdx
+++ b/ja/models/ref/query-panel/video-file.mdx
@@ -1,28 +1,39 @@
---
-title: video-file
+title: 動画ファイル
---
-## Chainable Ops
+
+ ## チェーン可能なオペレーション
+
+
###
+ #### 戻り値
+
+
+アセットの _file_。
+
+ ## リスト操作
+
-## List Ops
###
+ #### 戻り値
+
-#### 返り値
アセットの _file_
\ No newline at end of file
diff --git a/ja/models/ref/sdk-coding-cheat-sheet.mdx b/ja/models/ref/sdk-coding-cheat-sheet.mdx
index 061c7edb7e..b4bba98775 100644
--- a/ja/models/ref/sdk-coding-cheat-sheet.mdx
+++ b/ja/models/ref/sdk-coding-cheat-sheet.mdx
@@ -1,24 +1,27 @@
---
-title: W&B SDK Python コーディング・チートシート
+title: W&B SDK Python コーディングチートシート
+sidebarTitle: 概要
description: 一般的な W&B Python SDK のパターンとコード例のクイックリファレンス
-sidebarTitle: Overview
---
-このチートシートでは、W&B の一般的なタスクに対する Python コード例をクイックリファレンス形式で提供し、推奨されるプラクティスを紹介します。例の中で使用されている `` などのプレースホルダー構文は、ご自身の値に置き換えてください。各サンプルは、ニーズに合わせて調整可能な独立したスニペットになっています。
+このチートシートでは、一般的な W&B タスク向けの Python コード例をクイックリファレンス形式で示し、推奨される実装方法を紹介します。例では `` のようなプレースホルダー構文を使用しているので、ご自身の値に置き換えてください。各例は単体で動作するスニペットで、必要に応じてアレンジできます。
-カテゴリを選択して、各コード例を表示してください。
+カテゴリごとのカードを選択して、そのカテゴリのコード例を表示してください。
-
- W&B Runs の初期化、管理、フォークのためのコード例
+
+ W&B run を初期化、管理、およびフォークするためのコード例
-
- メトリクス、ハイパーパラメーター、テーブル、およびカスタムデータを W&B にログ記録するためのコード例
+
+
+ メトリクス、ハイパーパラメーター、テーブル、カスタムデータを W&B にログとして記録するためのコード例
-
- データ バージョン管理のための W&B Artifacts の作成、更新、ダウンロード、管理のためのコード例
+
+
+ データバージョニングのために W&B Artifacts を作成、更新、ダウンロード、および管理するためのコード例
-
- W&B Registry でモデル バージョンを整理・管理するためのコード例
+
+
+ W&B Registry でモデルバージョンを整理および管理するためのコード例
\ No newline at end of file
diff --git a/ja/models/ref/sdk-coding-cheat-sheet/artifacts.mdx b/ja/models/ref/sdk-coding-cheat-sheet/artifacts.mdx
index 2d16b7b674..07758b8887 100644
--- a/ja/models/ref/sdk-coding-cheat-sheet/artifacts.mdx
+++ b/ja/models/ref/sdk-coding-cheat-sheet/artifacts.mdx
@@ -1,77 +1,105 @@
---
-title: アーティファクト
-description: データの バージョン管理 のための W&B Artifacts の作成、更新、ダウンロード、管理を行います。
+title: Artifacts
+description: データバージョニング用の W&B Artifacts の作成、更新、ダウンロード、および管理について説明します。
---
-import ArtifactCreate from '/snippets/en/_includes/code-examples/artifact_create.mdx';
-import ArtifactCreateTrackExternal from '/snippets/en/_includes/code-examples/artifact_create_track_external.mdx';
-import ArtifactDelete from '/snippets/en/_includes/code-examples/artifact_delete.mdx';
-import ArtifactDeleteCollection from '/snippets/en/_includes/code-examples/artifact_delete_collection.mdx';
-import ArtifactDownloadPartial from '/snippets/en/_includes/code-examples/artifact_download_partial.mdx';
-import ArtifactsDownload from '/snippets/en/_includes/code-examples/artifacts_download.mdx';
-import ArtifactAddAlias from '/snippets/en/_includes/code-examples/artifact_add_alias.mdx';
-import ArtifactAddAliasExisting from '/snippets/en/_includes/code-examples/artifact_add_alias_existing.mdx';
-import ArtifactAddTag from '/snippets/en/_includes/code-examples/artifact_add_tag.mdx';
-import ArtifactAddTagExisting from '/snippets/en/_includes/code-examples/artifact_add_tag_existing.mdx';
-import ArtifactTtl from '/snippets/en/_includes/code-examples/artifact_ttl.mdx';
-import ArtifactTtlExisting from '/snippets/en/_includes/code-examples/artifact_ttl_existing.mdx';
-import ArtifactUpdate from '/snippets/en/_includes/code-examples/artifact_update.mdx';
-import ArtifactUpdateExisting from '/snippets/en/_includes/code-examples/artifact_update_existing.mdx';
-
-データ バージョン管理 のための W&B Artifacts の作成、更新、ダウンロード、管理を行います。
-
-## アーティファクト の作成と ログ
+import ArtifactCreate from '/snippets/ja/_includes/code-examples/artifact_create.mdx';
+import ArtifactCreateTrackExternal from '/snippets/ja/_includes/code-examples/artifact_create_track_external.mdx';
+import ArtifactDelete from '/snippets/ja/_includes/code-examples/artifact_delete.mdx';
+import ArtifactDeleteCollection from '/snippets/ja/_includes/code-examples/artifact_delete_collection.mdx';
+import ArtifactDownloadPartial from '/snippets/ja/_includes/code-examples/artifact_download_partial.mdx';
+import ArtifactsDownload from '/snippets/ja/_includes/code-examples/artifacts_download.mdx';
+import ArtifactAddAlias from '/snippets/ja/_includes/code-examples/artifact_add_alias.mdx';
+import ArtifactAddAliasExisting from '/snippets/ja/_includes/code-examples/artifact_add_alias_existing.mdx';
+import ArtifactAddTag from '/snippets/ja/_includes/code-examples/artifact_add_tag.mdx';
+import ArtifactAddTagExisting from '/snippets/ja/_includes/code-examples/artifact_add_tag_existing.mdx';
+import ArtifactTtl from '/snippets/ja/_includes/code-examples/artifact_ttl.mdx';
+import ArtifactTtlExisting from '/snippets/ja/_includes/code-examples/artifact_ttl_existing.mdx';
+import ArtifactUpdate from '/snippets/ja/_includes/code-examples/artifact_update.mdx';
+import ArtifactUpdateExisting from '/snippets/ja/_includes/code-examples/artifact_update_existing.mdx';
+
+データのバージョニングのために W&B Artifacts を作成、更新、ダウンロード、管理できます。
+
+
+ ## Artifacts を作成して記録する
+
+ ## クラウドストレージバケットのパスへの参照を追加して、外部 Artifacts を追跡する
+
+ ## run から特定の Artifacts バージョンを削除する
+
+ ## Artifacts コレクションを削除する
+
+ ## Artifacts から特定のファイルやサブフォルダーをダウンロードする
+
+ ## ファイルまたは Artifacts 全体をダウンロードする
+
+ ## Artifacts のログ記録時にエイリアスを 1 つ以上追加する
+
+ ## 既存の Artifacts にエイリアスを追加する
+
+ ## Artifacts のログ記録時にタグを追加する
+
+ ## 既存の Artifacts にタグを追加
+
+ ## TTL ポリシー付き Artifacts を作成してログに記録する
+
+ ## 既存の Artifacts に対する TTL ポリシーを更新する
+
+ ## 既存の run 内で Artifacts の説明を更新する
+
+ ## 既存の Artifacts の説明、メタデータ、およびエイリアスを、新しい run を作成せずに更新する
+
+ ## カスタムサマリーメトリクスを記録する
+
+ ## レジストリ コレクションから既存の Artifacts をダウンロードしてログとして記録する
+
+ ## run を初期化し、ハイパーパラメーターをログに記録する
+
+ ## run を初期化し、メトリクスをログする
+
+ ## テーブルをログに記録する
+
+ ## レジストリのコレクションに説明を追加する
+
+ ## 新しいレジストリを作成する
+
+ ## レジストリを削除する
+
+ ## Artifacts を作成して、レジストリ内のコレクションにリンクする
+
+ ## レジストリ コレクションから Artifacts の特定のバージョンを取得する
+
+ ## レジストリ コレクションを作成し、 Artifacts を関連付ける
+
+ ## レジストリのコレクションにタグを追加する
+
+ ## レジストリのコレクションからタグを削除する
+
+ ## Experiments を作成する
+
+ ## 特定のステップ時点から既存の run をフォークする
+
+ ## run を初期化する
+
-`wandb` は、15秒ごとに自動的にシステムメトリクスをログに記録します。
-
-
-## CPU
-
-### プロセスCPUパーセント (CPU)
-プロセスによるCPU使用率を、利用可能なCPU数で正規化したものです。
-
-W&Bは、このメトリクスに `cpu` タグを割り当てます。
-
-### プロセスCPUスレッド
-プロセスによって利用されるスレッドの数です。
-
-W&Bは、このメトリクスに `proc.cpu.threads` タグを割り当てます。
-
-## ディスク
-
-デフォルトでは、`/` パスの使用状況メトリクスが収集されます。監視するパスを設定するには、次の設定を使用します：
-
-```python
-run = wandb.init(
- settings=wandb.Settings(
- x_stats_disk_paths=("/System/Volumes/Data", "/home", "/mnt/data"),
- ),
-)
-```
-
-### ディスク使用率パーセント
-指定されたパスに対するシステム全体のディスク使用率をパーセントで表します。
-
-W&Bは、このメトリクスに `disk.{path}.usagePercent` タグを割り当てます。
-
-### ディスク使用量
-指定されたパスに対するシステム全体のディスク使用量をギガバイト（GB）で表します。
-アクセス可能なパスがサンプリングされ、各パスのディスク使用量（GB）がサンプルに追加されます。
-
-W&Bは、このメトリクスに `disk.{path}.usageGB` タグを割り当てます。
-
-### ディスクイン
-システム全体のディスク読み込み量をメガバイト（MB）で示します。最初のサンプルが取られた時点で初期ディスク読み込みバイト数が記録されます。その後のサンプルは、現在の読み込みバイト数と初期値との差を計算します。
-
-W&Bは、このメトリクスに `disk.in` タグを割り当てます。
-
-### ディスクアウト
-システム全体のディスク書き込み量をメガバイト（MB）で示します。最初のサンプルが取られた時点で初期ディスク書き込みバイト数が記録されます。その後のサンプルは、現在の書き込みバイト数と初期値との差を計算します。
-
-W&Bは、このメトリクスに `disk.out` タグを割り当てます。
-
-## メモリ
-
-### プロセスメモリRSS
-プロセスのためのメモリResident Set Size (RSS)をメガバイト（MB）で表します。RSSは、プロセスによって占有されるメモリの一部であり、主記憶（RAM）に保持されるものです。
-
-W&Bは、このメトリクスに `proc.memory.rssMB` タグを割り当てます。
-
-### プロセスメモリパーセント
-プロセスのメモリ使用率を、利用可能なメモリ全体に対するパーセントで示します。
-
-W&Bは、このメトリクスに `proc.memory.percent` タグを割り当てます。
-
-### メモリパーセント
-システム全体のメモリ使用率を、利用可能なメモリ全体に対するパーセントで表します。
-
-W&Bは、このメトリクスに `memory_percent` タグを割り当てます。
-
-### メモリアベイラブル
-システム全体の利用可能なメモリをメガバイト（MB）で示します。
-
-W&Bは、このメトリクスに `proc.memory.availableMB` タグを割り当てます。
-
-## ネットワーク
-
-### ネットワーク送信
-ネットワーク上で送信されたバイトの合計を示します。
-最初にメトリクスが初期化された際に、送信されたバイトの初期値が記録されます。その後のサンプルでは、現在の送信バイト数と初期値との差を計算します。
-
-W&Bは、このメトリクスに `network.sent` タグを割り当てます。
-
-### ネットワーク受信
-
-ネットワーク上で受信されたバイトの合計を示します。
-[ネットワーク送信](#network-sent)と同様に、メトリクスが最初に初期化された際に、受信されたバイトの初期値が記録されます。後続のサンプルでは、現在の受信バイト数と初期値との差を計算します。
-
-W&Bは、このメトリクスに `network.recv` タグを割り当てます。
-
-## NVIDIA GPU
-
-以下に説明するメトリクスに加え、プロセスおよびその子孫が特定のGPUを使用する場合、W&Bは対応するメトリクスを `gpu.process.{gpu_index}.{metric_name}` としてキャプチャします。
-
-### GPUメモリ利用率
-各GPUのGPUメモリ利用率をパーセントで表します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.memory` タグを割り当てます。
-
-### GPUメモリアロケート
-各GPUの全利用可能メモリに対するGPUメモリの割り当てをパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.memoryAllocated` タグを割り当てます。
-
-### GPUメモリアロケートバイト
-各GPUのGPUメモリ割り当てをバイト単位で指定します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.memoryAllocatedBytes` タグを割り当てます。
-
-### GPU利用率
-各GPUのGPU利用率をパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.gpu` タグを割り当てます。
-
-### GPU温度
-各GPUの温度を摂氏で示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.temp` タグを割り当てます。
-
-### GPU電力使用ワット
-各GPUの電力使用量をワットで示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.powerWatts` タグを割り当てます。
-
-### GPU電力使用パーセント
-
-各GPUの電力容量に対する電力使用をパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.powerPercent` タグを割り当てます。
-
-### GPU SMクロックスピード
-GPUのストリーミングマルチプロセッサ (SM) のクロックスピードをMHzで表します。このメトリクスは、計算タスクを担当するGPUコア内のプロセッシング速度を示唆しています。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.smClock` タグを割り当てます。
-
-### GPUメモリクロックスピード
-GPUメモリのクロックスピードをMHzで表します。これは、GPUメモリと処理コア間のデータ転送速度に影響を与えます。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.memoryClock` タグを割り当てます。
-
-### GPUグラフィックスクロックスピード
-
-GPUでのグラフィックスレンダリング操作の基本クロックスピードをMHzで示します。このメトリクスは、可視化またはレンダリングタスク中のパフォーマンスを反映することが多いです。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.graphicsClock` タグを割り当てます。
-
-### GPU訂正されたメモリエラー
-
-W&Bが自動的にエラーチェックプロトコルを使用して訂正する、GPU上のメモリエラーのカウントを追跡します。これにより、回復可能なハードウェアの問題を示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.correctedMemoryErrors` タグを割り当てます。
-
-### GPU訂正されていないメモリエラー
-W&Bが訂正しない、GPU上のメモリエラーのカウントを追跡します。これにより、処理の信頼性に影響を与える可能性がある回復不可能なエラーを示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.unCorrectedMemoryErrors` タグを割り当てます。
-
-### GPUエンコーダ利用率
-
-GPUのビデオエンコーダの利用率をパーセントで表し、エンコーディングタスク（例えばビデオレンダリング）が実行されているときの負荷を示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.encoderUtilization` タグを割り当てます。
-
-## AMD GPU
-W&Bは、AMDが提供する `rocm-smi` ツールの出力からメトリクスを抽出します（`rocm-smi -a --json`）。
-
-ROCm [6.x (最新)](https://rocm.docs.amd.com/en/latest/) および [5.x](https://rocm.docs.amd.com/en/docs-5.6.0/) フォーマットがサポートされています。[AMD ROCm ドキュメンテーション](https://rocm.docs.amd.com/en/latest/compatibility/compatibility-matrix.html)でROCmフォーマットの詳細を確認できます。新しいフォーマットにはより詳細が含まれています。
-
-### AMD GPU利用率
-各AMD GPUデバイスのGPU利用率をパーセントで表します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.gpu` タグを割り当てます。
-
-### AMD GPUメモリアロケート
-各AMD GPUデバイスの全利用可能メモリに対するGPUメモリの割り当てをパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.memoryAllocated` タグを割り当てます。
-
-### AMD GPU温度
-各AMD GPUデバイスの温度を摂氏で示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.temp` タグを割り当てます。
-
-### AMD GPU電力使用ワット
-各AMD GPUデバイスの電力使用量をワットで示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.powerWatts` タグを割り当てます。
-
-### AMD GPU電力使用パーセント
-各AMD GPUデバイスの電力容量に対する電力使用をパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.{gpu_index}.powerPercent` をこのメトリクスに割り当てます。
-
-## Apple ARM Mac GPU
-
-### Apple GPU利用率
-特にARM Mac上のApple GPUデバイスにおけるGPU利用率をパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.0.gpu` タグを割り当てます。
-
-### Apple GPUメモリアロケート
-ARM Mac上のApple GPUデバイスにおける全利用可能メモリに対するGPUメモリの割り当てをパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.0.memoryAllocated` タグを割り当てます。
-
-### Apple GPU温度
-ARM Mac上のApple GPUデバイスの温度を摂氏で示します。
-
-W&Bは、このメトリクスに `gpu.0.temp` タグを割り当てます。
-
-### Apple GPU電力使用ワット
-ARM Mac上のApple GPUデバイスの電力使用量をワットで示します。
-
-W&Bは、このメトリクスに `gpu.0.powerWatts` タグを割り当てます。
-
-### Apple GPU電力使用パーセント
-ARM Mac上のApple GPUデバイスの電力容量に対する電力使用をパーセントで示します。
-
-W&Bは、このメトリクスに `gpu.0.powerPercent` タグを割り当てます。
-
-## Graphcore IPU
-Graphcore IPU（インテリジェンスポロセッシングユニット）は、機械知能タスクのために特別に設計されたユニークなハードウェアアクセラレータです。
-
-### IPUデバイスメトリクス
-これらのメトリクスは、特定のIPUデバイスのさまざまな統計を表します。各メトリクスには、デバイスID（`device_id`）とメトリクスキー（`metric_key`）があり、それを識別します。W&Bは、このメトリクスに `ipu.{device_id}.{metric_key}` タグを割り当てます。
-
-メトリクスは、Graphcore の `gcipuinfo` バイナリと相互作用する専用の `gcipuinfo` ライブラリを使用して抽出されます。`sample` メソッドは、プロセスID（`pid`）に関連する各IPUデバイスのこれらのメトリクスを取得します。時間の経過とともに変化するメトリクスまたはデバイスのメトリクスが最初に取得されたときにのみログに記録され、冗長なデータのログを回避します。
-
-各メトリクスに対して、メトリクスの値をその生の文字列表現から抽出するために `parse_metric` メソッドが使用されます。メトリクスは、複数のサンプルを通じて `aggregate` メソッドを使用して集計されます。
-
-利用可能なメトリクスとその単位は次のとおりです：
-
-- **平均ボード温度** (`average board temp (C)`): IPUボードの温度を摂氏で示します。
-- **平均ダイ温度** (`average die temp (C)`): IPUダイの温度を摂氏で示します。
-- **クロックスピード** (`clock (MHz)`): IPUのクロックスピードをMHzで示します。
-- **IPU電力** (`ipu power (W)`): IPUの電力消費量をワットで示します。
-- **IPU利用率** (`ipu utilisation (%)`): IPUの利用率をパーセントで示します。
-- **IPUセッション利用率** (`ipu utilisation (session) (%)`): 現在のセッションに特化したIPU利用率をパーセントで示します。
-- **データリンクスピード** (`speed (GT/s)`): データ転送速度をGiga-transfers毎秒で示します。
-
-## Google クラウド TPU
-テンソルプロセッシングユニット（TPU）は、Googleによって開発されたASIC（アプリケーション特定統合回路）で、機械学習のワークロードを加速するために使用されます。
-
-### TPUメモリ使用量
-各TPUコアあたりの現在の高帯域幅メモリ使用量をバイト単位で示します。
-
-W&Bは、このメトリクスに `tpu.{tpu_index}.memoryUsageBytes` タグを割り当てます。
-
-### TPUメモリ使用率
-各TPUコアあたりの現在の高帯域幅メモリ使用率をパーセントで示します。
-
-W&Bは、このメトリクスに `tpu.{tpu_index}.memoryUsageBytes` タグを割り当てます。
-
-### TPUデューティサイクル
-TPUデバイスごとのTensorCoreデューティサイクルのパーセントです。サンプル期間中、アクセラレータTensorCoreが積極的に処理していた時間の割合を追跡します。大きな値は、より良いTensorCoreの利用率を意味します。
-
-W&Bは、このメトリクスに `tpu.{tpu_index}.dutyCycle` タグを割り当てます。
-
-## AWS Trainium
-[AWS Trainium](https://aws.amazon.com/machine-learning/trainium/)は、機械学習ワークロードの高速化に焦点を当てた、AWSが提供する特殊なハードウェアプラットフォームです。AWSの `neuron-monitor` ツールを使用して、AWS Trainiumメトリクスをキャプチャします。
-
-### Trainiumニューロンコア利用率
-各ニューロンコアごとの利用率をパーセントで示します。
-
-W&Bは、このメトリクスに `trn.{core_index}.neuroncore_utilization` タグを割り当てます。
-
-### Trainiumホストメモリ使用量、合計
-ホストの総メモリ消費量をバイト単位で示します。
-
-W&Bは、このメトリクスに `trn.host_total_memory_usage` タグを割り当てます。
-
-### Trainiumニューロンデバイス総メモリ使用量
-ニューロンデバイス上の総メモリ使用量をバイト単位で示します。
-
-W&Bは、このメトリクスに `trn.neuron_device_total_memory_usage)` タグを割り当てます。
-
-### Trainiumホストメモリ使用量の内訳：
-
-以下はホストのメモリ使用量の内訳です：
-
-- **アプリケーションメモリ** (`trn.host_total_memory_usage.application_memory`): アプリケーションによって使用されるメモリ。
-- **定数** (`trn.host_total_memory_usage.constants`): 定数に使用されるメモリ。
-- **DMAバッファ** (`trn.host_total_memory_usage.dma_buffers`): ダイレクトメモリアクセスバッファに使用されるメモリ。
-- **テンソル** (`trn.host_total_memory_usage.tensors`): テンソルに使用されるメモリ。
-
-### Trainiumニューロンコアメモリ使用量の内訳
-各ニューロンコアのメモリ使用に関する詳細情報：
-
-- **定数** (`trn.{core_index}.neuroncore_memory_usage.constants`)
-- **モデルコード** (`trn.{core_index}.neuroncore_memory_usage.model_code`)
-- **モデル共有スクラッチパッド** (`trn.{core_index}.neuroncore_memory_usage.model_shared_scratchpad`)
-- **ランタイムメモリ** (`trn.{core_index}.neuroncore_memory_usage.runtime_memory`)
-- **テンソル** (`trn.{core_index}.neuroncore_memory_usage.tensors`)
-
-## OpenMetrics
-カスタム正規表現ベースのメトリックフィルタを適用できるOpenMetrics / Prometheus互換データをエクスポートする外部エンドポイントからメトリクスをキャプチャし、ログに記録します。
-
-特定のケースで [NVIDIA DCGM-Exporter](https://docs.nvidia.com/datacenter/cloud-native/gpu-telemetry/latest/dcgm-exporter.html) を使用してGPUクラスターのパフォーマンスを監視する方法の詳細な例については、[このレポート](https://wandb.ai/dimaduev/dcgm/reports/Monitoring-GPU-cluster-performance-with-NVIDIA-DCGM-Exporter-and-Weights-Biases--Vmlldzo0MDYxMTA1)を参照してください。
\ No newline at end of file
diff --git a/ja/models/ref/wandb_workspaces.mdx b/ja/models/ref/wandb_workspaces.mdx
index 88a9974fe5..178e74cd31 100644
--- a/ja/models/ref/wandb_workspaces.mdx
+++ b/ja/models/ref/wandb_workspaces.mdx
@@ -1,34 +1,41 @@
---
-title: Reports と Workspace API の概要
-description: W&B Reports と Workspaces API を使用して、 Reports と Workspace をプログラムで作成・管理します。
+title: Reports と Workspaces API の概要
+description: W&B Reports と Workspaces API を使用して、レポートとワークスペースをプログラムから作成および管理します
---
-`wandb_workspaces` からアクセスできる W&B Reports および Workspaces API を使用すると、 学び を Web 上で共有するための [Reports](/models/reports/) を作成したり、 トレーニング や ファインチューニング を行った [Workspace](/models/app/features/cascade-settings/) をカスタマイズしたりできます。
+`wandb_workspaces` から利用できる W&B Reports と Workspaces API を使用すると、調査結果を共有するために Web 上で公開できる [Reports](/ja/models/reports/) を作成したり、トレーニングやファインチューニングを行った [Workspace](/ja/models/app/features/cascade-settings/) をカスタマイズしたりできます。
-
-
-W&B Report および Workspace API はパブリックプレビュー版です。
+ W&B Report and Workspace API は Public Preview 版です。
-## インストールとセットアップ
+
+ ## インストールとセットアップ
+
-### サインアップと APIキー の作成
+
+ ### サインアップして API キーを作成する
+
-マシンを W&B で認証するには、まず [User Settings](https://wandb.ai/settings) で APIキー を生成する必要があります。
+マシンを W&B で認証するには、まず [User Settings](https://wandb.ai/settings) で API キーを生成する必要があります。
-### パッケージのインストールとインポート
+
+ ### パッケージのインストールとインポート
+
-W&B Report および Workspaces ライブラリ をインストールします。
+W&B Report and Workspaces ライブラリをインストールします。
```python
pip install wandb-workspaces
```
-### Report の作成
+
+ ### レポートを作成する
+
-Report を作成するには、 チーム の Entities を指定し、 Report の名前を入力します。括弧内のテキストを実際の 値 に置き換えてください。
+レポートを作成するには、チームの Entities を指定し、レポート名を入力します。角括弧で囲まれたテキストを自分の値に置き換えてください。
```python
import wandb_workspaces.reports.v2 as wr
@@ -44,7 +51,7 @@ report = wr.Report(
report.save()
```
-次に、 Report にブロックや パネル を追加します。例えば、以下の コード は目次、見出し、段落を含む Report を作成します。
+次に、レポートにブロックとパネルを追加します。たとえば、次のコードは目次、ヘッダー、段落を含むレポートを作成します。
```python
report.blocks = [
@@ -55,20 +62,22 @@ report.blocks = [
report.save()
```
-エンドツーエンドの例については、 [Reports API Quickstart](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/intro/Report_API_Quickstart.ipynb) Google Colab を参照してください。
+エンドツーエンドの例については、[Reports API クイックスタート](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/intro/Report_API_Quickstart.ipynb) の Google Colab ノートブックを参照してください。
-### Workspace の作成
+
+ ### ワークスペースを作成する
+
-以下の コード は、折れ線グラフ、棒グラフ、スカラーチャートの3つの パネル を含むセクションを持つ Workspace を作成する方法を示しています。括弧内のテキストを実際の 値 に置き換えてください。
+次のコードは、セクション内に折れ線グラフ、棒グラフ、スカラーチャートの 3 つのパネルを含むワークスペースを作成する方法を示しています。かっこで囲まれたテキストを自身の値に置き換えてください。
```python
# インポート方法
import wandb_workspaces.workspaces as ws
-# Workspace の作成
+# ワークスペースを作成する
ws.Workspace(
- entity="", # Workspace を所有する entity
- project="", # Workspace が関連付けられている project
+ entity="", # ワークスペースを所有する entity
+ project="", # ワークスペースに関連付けられたプロジェクト
sections=[
ws.Section(
name="",
@@ -84,4 +93,4 @@ ws.Workspace(
workspace.save()
```
-エンドツーエンドの例については、 [Workspace API Quickstart](https://colab.research.google.com/github/wandb/wandb-workspaces/blob/Update-wandb-workspaces-tuturial/Workspace_tutorial.ipynb#scrollTo=MmxL0wjvrNtQ) Google Colab を参照してください。
\ No newline at end of file
+エンドツーエンドの例については、[Workspace API クイックスタート](https://colab.research.google.com/github/wandb/wandb-workspaces/blob/Update-wandb-workspaces-tuturial/Workspace_tutorial.ipynb#scrollTo=MmxL0wjvrNtQ) の Google Colab ノートブックを参照してください。
diff --git a/ja/models/ref/wandb_workspaces/reports.mdx b/ja/models/ref/wandb_workspaces/reports.mdx
index 30b336c622..e390700494 100644
--- a/ja/models/ref/wandb_workspaces/reports.mdx
+++ b/ja/models/ref/wandb_workspaces/reports.mdx
@@ -1,15 +1,16 @@
---
title: Reports
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
-W&B Reports および Workspace API はパブリックプレビュー中です。
+ W&B Report と Workspace API は Public Preview です。
-W&B Reports API をプログラムから操作するための Python ライブラリです。
+W&B Reports API をプログラムから扱うための Python ライブラリです。
```python
import wandb_workspaces.reports.v2 as wr
@@ -35,103 +36,108 @@ report.save()
```
## class `BarPlot`
-2D 棒グラフを表示するパネルオブジェクトです。
-
-**Attributes:**
- - `title` (Optional[str]): プロットの上部に表示されるテキスト。
- - `metrics` (LList[MetricType]): orientation Literal["v", "h"]: 棒グラフの向き。垂直 ("v") または水平 ("h") のいずれかを設定します。デフォルトは水平 ("h") です。
- - `range_x` (Tuple[float | None, float | None]): x 軸の範囲を指定するタプル。
- - `title_x` (Optional[str]): x 軸のラベル。
- - `title_y` (Optional[str]): y 軸のラベル。
- - `groupby` (Optional[str]): Reports が情報を取得する W&B プロジェクトにログ記録されたメトリクスに基づいて、run をグループ化します。
- - `groupby_aggfunc` (Optional[GroupAgg]): 指定された関数で run を集計します。オプションには "mean"、"min"、"max"、"median"、"sum"、"samples"、または `None` があります。
- - `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。オプションには "minmax"、"stddev"、"stderr"、"none"、"samples"、または `None` があります。
- - `max_runs_to_show` (Optional[int]): プロットに表示する run の最大数。
- - `max_bars_to_show` (Optional[int]): 棒グラフに表示する棒の最大数。
- - `custom_expressions` (Optional[LList[str]]): 棒グラフで使用されるカスタム式のリスト。
- - `legend_template` (Optional[str]): 凡例のテンプレート。
- - `font_size` ( Optional[FontSize]): 折れ線グラフのフォントサイズ。オプションには "small"、"medium"、"large"、"auto"、または `None` があります。
- - `line_titles` (Optional[dict]): 線のタイトル。キーは線名、値はタイトルです。
- - `line_colors` (Optional[dict]): 線の色。キーは線名、値は色です。
- - `aggregate` (Optional[bool]): `True` に設定すると、データを集計します。
-
----
+2D の棒グラフを表示するパネルオブジェクト。
+
+**属性:**
+
+* `title` (Optional[str]): プロット上部に表示されるテキスト。
+* `metrics` (LList[MetricType]): orientation Literal["v", "h"]: 棒グラフの向き。垂直 ("v") または水平 ("h") のいずれかに設定します。デフォルトでは水平 ("h") です。
+* `range_x` (Tuple[float | None, float | None]): x 軸の範囲を指定するタプル。
+* `title_x` (Optional[str]): x 軸のラベル。
+* `title_y` (Optional[str]): y 軸のラベル。
+* `groupby` (Optional[str]): レポートが情報を取得する、W&B プロジェクトにログされたメトリクスに基づいて run をグループ化します。
+* `groupby_aggfunc` (Optional[GroupAgg]): 指定した関数で run を集約します。指定可能な値は "mean"、"min"、"max"、"median"、"sum"、"samples"、または `None` です。
+* `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。指定可能な値は "minmax"、"stddev"、"stderr"、"none"、"samples"、または `None` です。
+* `max_runs_to_show` (Optional[int]): プロットに表示する run の最大数。
+* `max_bars_to_show` (Optional[int]): 棒グラフに表示するバーの最大数。
+* `custom_expressions` (Optional[LList[str]]): 棒グラフで使用するカスタム式のリスト。
+* `legend_template` (Optional[str]): 凡例のテンプレート。
+* `font_size` ( Optional[FontSize]): 折れ線グラフのフォントサイズ。"small"、"medium"、"large"、"auto"、または `None` を指定できます。
+* `line_titles` (Optional[dict]): 線のタイトル。キーが線名で、値がタイトルです。
+* `line_colors` (Optional[dict]): 線の色。キーが線名で、値が色です。
+* `aggregate` (Optional[bool]): `True` に設定すると、データを集約します。
+
+***
## class `BlockQuote`
-引用テキストのブロック。
-**Attributes:**
+引用文のブロック。
- - `text` (str): 引用ブロックのテキスト。
+**属性:**
+- `text` (str): 引用ブロックのテキスト。
---
## class `CalloutBlock`
-コールアウトテキストのブロック。
-**Attributes:**
+コールアウトテキストのブロック。
- - `text` (str): コールアウトのテキスト。
+**属性:**
----
+- `text` (str): コールアウトテキスト。
## class `CheckedList`
-チェックボックス付きのアイテムリスト。`CheckedList` 内に 1 つ以上の `CheckedListItem` を追加します。
-**Attributes:**
+チェックボックス付き項目のリストです。`CheckedList` 内に 1 つ以上の `CheckedListItem` を追加します。
- - `items` (LList[CheckedListItem]): 1 つ以上の `CheckedListItem` オブジェクトのリスト。
+**属性:**
+- `items` (LList[CheckedListItem]): 1 つ以上の `CheckedListItem` オブジェクトからなるリスト。
---
## class `CheckedListItem`
-チェックボックス付きのリストアイテム。`CheckedList` 内に 1 つ以上の `CheckedListItem` を追加します。
-**Attributes:**
+チェックボックス付きのリスト項目です。`CheckedList` の中に 1 つ以上の `CheckedListItem` を追加します。
+
+**属性:**
- - `text` (str): リストアイテムのテキスト。
- - `checked` (bool): チェックボックスがチェックされているかどうか。デフォルトでは `False` に設定されています。
+- `text` (str): リスト項目のテキスト。
+ - `checked` (bool): チェックボックスがチェックされているかどうか。既定値は `False` です。
---
## class `CodeBlock`
+
コードブロック。
-**Attributes:**
+**属性:**
- - `code` (str): ブロック内のコード。
- - `language` (Optional[Language]): コードの言語。指定された言語はシンタックスハイライトに使用されます。デフォルトは "python" です。オプションには 'javascript', 'python', 'css', 'json', 'html', 'markdown', 'yaml' があります。
+- `code` (str): ブロック内のコード。
+ - `language` (Optional[Language]): コードの言語。指定した言語は構文ハイライトに使用されます。デフォルトは "python" です。指定可能なオプションには 'javascript'、'python'、'css'、'json'、'html'、'markdown'、'yaml' があります。
---
## class `CodeComparer`
-2 つの異なる run 間のコードを比較するパネルオブジェクト。
-**Attributes:**
+2 つの異なる run 間のコードを比較するパネルオブジェクトです。
+
+**属性:**
- - `diff` (Literal['split', 'unified']): コードの差分を表示する方法。"split" または "unified" を選択できます。
+- `diff` (Literal['split', 'unified']): コード差分の表示方法です。"split" と "unified" から選択します。
---
## class `Config`
-run の config オブジェクトにログ記録されたメトリクス。config オブジェクトは通常、`run.config[name] = ...` を使用するか、キーをメトリクス名、値をそのメトリクスの値とした辞書として config を渡すことでログ記録されます。
-**Attributes:**
+メトリクスは run の config オブジェクトに記録されます。Config オブジェクトは、一般的に `run.config[name] = ...` を使うか、config をキーと値のペアからなる辞書として渡して記録します。このときキーはメトリクス名で、値はそのメトリクスの値です。
- - `name` (str): メトリクスの名前。
+**属性:**
+
+- `name` (str): メトリクスの名前。
---
## class `CustomChart`
-カスタムチャートを表示するパネル。チャートは Weave クエリによって定義されます。
-**Attributes:**
+カスタムチャートを表示するパネルです。チャートは Weave クエリで定義されます。
- - `query` (dict): カスタムチャートを定義するクエリ。キーはフィールド名、値はクエリです。
- - `chart_name` (str): カスタムチャートのタイトル。
- - `chart_fields` (dict): プロットの軸を定義するキーと値のペア。キーはラベル、値はメトリクスです。
- - `chart_strings` (dict): チャート内の文字列を定義するキーと値のペア。
+**属性:**
+
+- `query` (dict): カスタムチャートを定義するクエリ。キーはフィールド名、値はクエリです。
+ - `chart_name` (str): カスタムチャートのタイトル。
+ - `chart_fields` (dict): プロットの軸を定義するキーと値のペア。キーがラベル、値がメトリクスです。
+ - `chart_strings` (dict): チャート内の文字列を定義するキーと値のペア。
---
@@ -149,79 +155,86 @@ from_table(
**引数:**
- - `table_name` (str): テーブルの名前。
- - `chart_fields` (dict): チャートに表示するフィールド。
- - `chart_strings` (dict): チャートに表示する文字列。
+* `table_name` (str): テーブルの名前。
+* `chart_fields` (dict): チャートに表示するフィールド。
+* `chart_strings` (dict): チャートに表示する文字列。
----
+***
## class `Gallery`
-Reports や URL のギャラリーをレンダリングするブロック。
-**Attributes:**
+レポートと URL のギャラリーを表示するブロックです。
- - `items` (List[Union[`GalleryReport`, `GalleryURL`]]): `GalleryReport` および `GalleryURL` オブジェクトのリスト。
+**属性:**
----
+* `items` (List[Union[`GalleryReport`, `GalleryURL`]]): `GalleryReport` オブジェクトと `GalleryURL` オブジェクトのリスト。
+
+***
## class `GalleryReport`
-ギャラリー内のレポートへの参照。
-**Attributes:**
+ギャラリー内のレポートを参照します。
+
+**属性:**
- - `report_id` (str): レポートの ID。
+- `report_id` (str): レポートの ID。
---
## class `GalleryURL`
-外部リソースへの URL。
-**Attributes:**
+外部リソースを指す URL。
- - `url` (str): リソースの URL。
- - `title` (Optional[str]): リソースのタイトル。
- - `description` (Optional[str]): リソースの説明。
- - `image_url` (Optional[str]): 表示する画像の URL。
+**属性:**
+
+- `url` (str): リソースの URL。
+ - `title` (Optional[str]): リソースのタイトル。
+ - `description` (Optional[str]): リソースの説明。
+ - `image_url` (Optional[str]): 表示する画像の URL。
---
## class `GradientPoint`
-グラデーション内のポイント。
-**Attributes:**
+グラデーション内の 1 点を表します。
- - `color`: ポイントの色。
- - `offset`: グラデーション内でのポイントの位置。値は 0 から 100 の間である必要があります。
+**属性:**
+
+- `color`: このポイントの色。
+ - `offset`: グラデーション内でのこのポイントの位置。値は 0 以上 100 以下である必要があります。
---
## class `H1`
+
指定されたテキストの H1 見出し。
-**Attributes:**
+**属性:**
- - `text` (str): 見出しのテキスト。
- - `collapsed_blocks` (Optional[LList["BlockTypes"]]): 見出しが折りたたまれているときに表示するブロック。
+- `text` (str): 見出しのテキスト。
+ - `collapsed_blocks` (Optional[LList["BlockTypes"]]): 見出しが折りたたまれているときに表示するブロック。
---
## class `H2`
-指定されたテキストの H2 見出し。
-**Attributes:**
+指定されたテキストを持つ H2 見出しです。
- - `text` (str): 見出しのテキスト。
- - `collapsed_blocks` (Optional[LList["BlockTypes"]]): 見出しが折りたたまれているときに表示する 1 つ以上のブロック。
+**属性:**
+- `text` (str): 見出しのテキスト。
+ - `collapsed_blocks` (Optional[LList["BlockTypes"]]): 見出しが折りたたまれているときに表示する 1 つ以上のブロック。
+
---
## class `H3`
-指定されたテキストの H3 見出し。
-**Attributes:**
+テキストを指定する H3 見出し。
- - `text` (str): 見出しのテキスト。
- - `collapsed_blocks` (Optional[LList["BlockTypes"]]): 見出しが折りたたまれているときに表示する 1 つ以上のブロック。
+**属性:**
+
+- `text` (str): 見出しのテキスト。
+ - `collapsed_blocks` (Optional[LList["BlockTypes"]]): 見出しが折りたたまれているときに表示される 1 つ以上のブロック。
---
@@ -230,256 +243,272 @@ Reports や URL のギャラリーをレンダリングするブロック。
---
## class `HorizontalRule`
-HTML の水平線。
+
+HTML の水平線を表します。
---
## class `Image`
-画像をレンダリングするブロック。
-**Attributes:**
+画像を表示するブロックです。
- - `url` (str): 画像の URL。
- - `caption` (str): 画像のキャプション。キャプションは画像の下に表示されます。
+**属性:**
+
+- `url` (str): 画像の URL。
+ - `caption` (str): 画像のキャプション。キャプションは画像の下に表示されます。
---
## class `InlineCode`
-インラインコード。コードの後に改行文字を追加しません。
-**Attributes:**
+インラインコードを表します。コードの後に改行文字を追加しません。
- - `text` (str): レポートに表示したいコード。
+**属性:**
+
+- `text` (str): レポートに表示するコード。
---
## class `InlineLatex`
-インライン LaTeX Markdown。LaTeX Markdown の後に改行文字を追加しません。
-**Attributes:**
+インライン LaTeX マークダウン。LaTeX マークダウンの後に改行文字を追加しません。
+
+**属性:**
- - `text` (str): レポートに表示したい LaTeX Markdown。
+- `text` (str): レポート内に表示したい LaTeX マークダウン。
---
## class `LatexBlock`
+
LaTeX テキストのブロック。
-**Attributes:**
+**属性:**
- - `text` (str): LaTeX テキスト。
+- `text` (str): LaTeX テキスト。
---
## class `Layout`
+
レポート内のパネルのレイアウト。パネルのサイズと位置を調整します。
-**Attributes:**
+**属性:**
- - `x` (int): パネルの x 位置。
- - `y` (int): パネルの y 位置。
- - `w` (int): パネルの幅。
- - `h` (int): パネルの高さ。
+- `x` (int): パネルの x 座標。
+- `y` (int): パネルの y 座標。
+- `w` (int): パネルの幅。
+- `h` (int): パネルの高さ。
---
## class `LinePlot`
-2D 折れ線グラフを持つパネルオブジェクト。
-
-**Attributes:**
-
- - `title` (Optional[str]): プロットの上部に表示されるテキスト。
- - `x` (Optional[MetricType]): Reports が情報を取得する W&B プロジェクトにログ記録されたメトリクスの名前。指定されたメトリクスは x 軸に使用されます。
- - `y` (LList[MetricType]): Reports が情報を取得する W&B プロジェクトにログ記録された 1 つ以上のメトリクス。指定されたメトリクスは y 軸に使用されます。
- - `range_x` (Tuple[float | `None`, float | `None`]): x 軸の範囲を指定するタプル。
- - `range_y` (Tuple[float | `None`, float | `None`]): y 軸の範囲を指定するタプル。
- - `log_x` (Optional[bool]): 10 を底とする対数スケールを使用して x 座標をプロットします。
- - `log_y` (Optional[bool]): 10 を底とする対数スケールを使用して y 座標をプロットします。
- - `title_x` (Optional[str]): x 軸のラベル。
- - `title_y` (Optional[str]): y 軸のラベル。
- - `ignore_outliers` (Optional[bool]): `True` に設定すると、外れ値をプロットしません。
- - `groupby` (Optional[str]): Reports が情報を取得する W&B プロジェクトにログ記録されたメトリクスに基づいて run をグループ化します。
- - `groupby_aggfunc` (Optional[GroupAgg]): 指定された関数で run を集計します。オプションには "mean"、"min"、"max"、"median"、"sum"、"samples"、または `None` があります。
- - `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。オプションには "minmax"、"stddev"、"stderr"、"none"、"samples"、または `None` があります。
- - `smoothing_factor` (Optional[float]): 平滑化タイプに適用する平滑化係数。許容される値は 0 から 1 の範囲です。
- - `smoothing_type Optional[SmoothingType]`: 指定された分布に基づいてフィルターを適用します。オプションには "exponentialTimeWeighted"、"exponential"、"gaussian"、"average"、または "none" があります。
- - `smoothing_show_original` (Optional[bool]): `True` に設定すると、元のデータを表示します。
- - `max_runs_to_show` (Optional[int]): 折れ線グラフに表示する run の最大数。
- - `custom_expressions` (Optional[LList[str]]): データに適用するカスタム式。
- - `plot_type Optional[LinePlotStyle]`: 生成する折れ線グラフのタイプ。オプションには "line"、"stacked-area"、または "pct-area" があります。
- - `font_size Optional[FontSize]`: 折れ線グラフのフォントサイズ。オプションには "small"、"medium"、"large"、"auto"、または `None` があります。
- - `legend_position Optional[LegendPosition]`: 凡例の配置場所。オプションには "north"、"south"、"east"、"west"、または `None` があります。
- - `legend_template` (Optional[str]): 凡例のテンプレート。
- - `aggregate` (Optional[bool]): `True` に設定すると、データを集計します。
- - `xaxis_expression` (Optional[str]): x 軸の式。
- - `legend_fields` (Optional[LList[str]]): 凡例に含めるフィールド。
- - `metric_regex` (Optional[str]): y 軸のメトリクスに一致する正規表現パターン。バックエンドはこのパターンを使用して、一致するメトリクスを選択します。
----
+2D の折れ線グラフを表示するパネルオブジェクト。
+
+**属性:**
+
+* `title` (Optional[str]): プロット上部に表示されるテキスト。
+* `x` (Optional[MetricType]): W&B プロジェクトにログされたメトリクスの名前で、レポートがそこから情報を取得します。指定したメトリクスは x 軸に使用されます。
+* `y` (LList[MetricType]): W&B プロジェクトにログされた 1 つ以上のメトリクスで、レポートがそこから情報を取得します。指定したメトリクスは y 軸に使用されます。
+* `range_x` (Tuple[float | `None`, float | `None`]): x 軸の範囲を指定するタプル。
+* `range_y` (Tuple[float | `None`, float | `None`]): y 軸の範囲を指定するタプル。
+* `log_x` (Optional[bool]): x 座標を底 10 の対数スケールでプロットします。
+* `log_y` (Optional[bool]): y 座標を底 10 の対数スケールでプロットします。
+* `title_x` (Optional[str]): x 軸のラベル。
+* `title_y` (Optional[str]): y 軸のラベル。
+* `ignore_outliers` (Optional[bool]): `True` に設定すると、外れ値をプロットしません。
+* `groupby` (Optional[str]): レポートが情報を取得する、W&B プロジェクトにログされたメトリクスに基づいて run をグループ化します。
+* `groupby_aggfunc` (Optional[GroupAgg]): 指定した関数で run を集約します。指定可能な値は "mean"、"min"、"max"、"median"、"sum"、"samples"、または `None` です。
+* `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。指定可能な値は "minmax"、"stddev"、"stderr"、"none"、"samples"、または `None` です。
+* `smoothing_factor` (Optional[float]): 平滑化タイプに適用する平滑化係数。指定可能な値は 0 から 1 までです。
+* `smoothing_type Optional[SmoothingType]`: 指定した分布に基づいてフィルターを適用します。指定可能な値は "exponentialTimeWeighted"、"exponential"、"gaussian"、"average"、または "none" です。
+* `smoothing_show_original` (Optional[bool]): `True` に設定すると、元のデータも表示します。
+* `max_runs_to_show` (Optional[int]): 折れ線グラフに表示する run の最大数。
+* `custom_expressions` (Optional[LList[str]]): データに適用するカスタム式。
+* `plot_type Optional[LinePlotStyle]`: 生成する折れ線グラフのタイプ。指定可能な値は "line"、"stacked-area"、または "pct-area" です。
+* `font_size Optional[FontSize]`: 折れ線グラフのフォントサイズ。"small"、"medium"、"large"、"auto"、または `None` を指定できます。
+* `legend_position Optional[LegendPosition]`: 凡例を配置する位置。"north"、"south"、"east"、"west"、または `None` を指定できます。
+* `legend_template` (Optional[str]): 凡例のテンプレート。
+* `aggregate` (Optional[bool]): `True` に設定すると、データを集約します。
+* `xaxis_expression` (Optional[str]): x 軸の式。
+* `xaxis_format` (Optional[str]): x 軸の形式。このオプションはカスタムメトリクスを定義した場合に表示されます。たとえば、x 軸を日付と時刻の形式で表示するには 'datetime' を指定できます。
+* `legend_fields` (Optional[LList[str]]): 凡例に含めるフィールド。
+* `metric_regex` (Optional[str]): y 軸メトリクスにマッチさせる正規表現パターン。バックエンドはこのパターンを使用して、該当するメトリクスを選択します。
+* `point_visualization_method` (Optional[PointVizMethod]): 表示しきれないほど点が多い場合に、点を集約するために使用する方法。指定可能な値は "bucketing-gorilla" (データポイントをバケット化し、外れ値やスパイクを保持するために各バケットの最小値、最大値、平均値を表示) または "sampling" (より高速にレンダリングするために点をランダムにサンプリングしますが、外れ値を見逃す可能性があります) です。
+
+***
## class `Link`
-URL へのリンク。
-**Attributes:**
+URL へのリンク。
- - `text` (Union[str, TextWithInlineComments]): リンクのテキスト。
- - `url` (str): リンク先。
+**属性:**
+- `text` (Union[str, TextWithInlineComments]): リンクに表示するテキスト。
+ - `url` (str): リンク先の URL。
---
## class `MarkdownBlock`
-Markdown テキストのブロック。一般的な Markdown 構文を使用するテキストを記述する場合に便利です。
-**Attributes:**
+Markdown テキストのブロック。共通の Markdown 構文を利用したテキストを記述したいときに便利です。
- - `text` (str): Markdown テキスト。
+**属性:**
----
+- `text` (str): Markdown テキスト。
## class `MarkdownPanel`
+
Markdown をレンダリングするパネル。
-**Attributes:**
+**属性:**
- - `markdown` (str): Markdown パネルに表示したいテキスト。
+- `markdown` (str): Markdown パネルに表示したいテキスト。
---
## class `MediaBrowser`
-ギャラリーまたはグリッドレイアウトでメディアファイルを表示するパネル。
-**Attributes:**
+ギャラリーまたはグリッド レイアウトでメディアファイルを表示するパネル。
+
+**属性:**
- - `title` (Optional[str]): パネルのタイトル。
- - `num_columns` (Optional[int]): グリッドの列数。
- - `media_keys` (LList[str]): メディアファイルに対応するメディアキーのリスト。
- - `mode` (Optional[Literal["gallery", "grid"]]): パネルの表示モード。指定されない場合、提供された軸から推測されます。gallery_axis と grid 軸の両方が指定されている場合に必要です。
- - `gallery_axis` (Optional[Literal["step", "index", "run"]]): ギャラリーモードで軸に使用するフィールド。
- - `grid_x_axis` (Optional[Literal["step", "index", "run"]]): グリッドモードで x 軸に使用するフィールド。
- - `grid_y_axis` (Optional[Literal["step", "index", "run"]]): グリッドモードで y 軸に使用するフィールド。
+- `title` (Optional[str]): パネルのタイトル。
+ - `num_columns` (Optional[int]): グリッド内の列数。
+ - `media_keys` (LList[str]): メディアファイルに対応するメディアキーのリスト。
+ - `mode` (Optional[Literal["gallery", "grid"]]): パネルの表示モード。指定しない場合は、指定された軸から自動的に推論されます。`gallery_axis` と `grid` の両方の軸が指定されている場合は必須です。
+ - `gallery_axis` (Optional[Literal["step", "index", "run"]]): ギャラリーモードで軸として使用するフィールド。
+ - `grid_x_axis` (Optional[Literal["step", "index", "run"]]): グリッドモードで x 軸として使用するフィールド。
+ - `grid_y_axis` (Optional[Literal["step", "index", "run"]]): グリッドモードで y 軸として使用するフィールド。
---
## class `Metric`
-プロジェクトにログ記録され、レポートに表示されるメトリクス。
-**Attributes:**
+プロジェクトでログしたメトリクスで、レポートに表示するものです。
- - `name` (str): メトリクスの名前。
+**属性:**
----
+- `name` (str): メトリクスの名前。
## class `OrderBy`
-順序付けの基準となるメトリクス。
-**Attributes:**
+並べ替えに使用するメトリクス。
- - `name` (str): メトリクスの名前。
- - `ascending` (bool): 昇順でソートするかどうか。デフォルトでは `False` に設定されています。
+**属性:**
+
+- `name` (str): メトリクスの名前。
+ - `ascending` (bool): 昇順でソートするかどうか。デフォルトは `False` です。
---
## class `OrderedList`
-番号付きリスト内のアイテムリスト。
-**Attributes:**
+番号付きリストの項目を表します。
- - `items` (LList[TextLikeField]): 1 つ以上の `OrderedListItem` オブジェクトのリスト。各アイテムは文字列または TextLike オブジェクトのリストにすることができます。
+**属性:**
+
+- `items` (LList[TextLikeField]): 1 つ以上の `OrderedListItem` オブジェクトからなるリスト。各項目は文字列、または TextLike オブジェクトのリストにできます。
---
## class `OrderedListItem`
-順序付きリスト内のリストアイテム。
-**Attributes:**
+順序付きリストの項目です。
- - `text` (str): リストアイテムのテキスト。
+**属性:**
----
+- `text` (str): リスト項目のテキスト。
## class `P`
-テキストのパラグラフ。
-**Attributes:**
+1つの段落テキスト。
+
+**属性:**
- - `text` (str): パラグラフのテキスト。
+- `text` (str): 段落のテキスト。
---
## class `Panel`
-パネルグリッド内で可視化を表示するパネル。
-**Attributes:**
+パネルグリッド上に可視化を表示するパネル。
- - `layout` (Layout): `Layout` オブジェクト。
+**属性:**
+- `layout` (Layout): `Layout` オブジェクト。
---
## class `PanelGrid`
-runset とパネルで構成されるグリッド。それぞれ `Runset` オブジェクトと `Panel` オブジェクトを使用して runset とパネルを追加します。
-利用可能なパネルには以下のものがあります： `LinePlot`, `ScatterPlot`, `BarPlot`, `ScalarChart`, `CodeComparer`, `ParallelCoordinatesPlot`, `ParameterImportancePlot`, `RunComparer`, `MediaBrowser`, `MarkdownPanel`, `CustomChart`, `WeavePanel`, `WeavePanelSummaryTable`, `WeavePanelArtifactVersionedFile`.
+runset とパネルから構成されるグリッドです。`Runset` オブジェクトと `Panel` オブジェクトを使って、それぞれ runset とパネルを追加します。
-**Attributes:**
+利用可能なパネルには次のものがあります: `LinePlot`, `ScatterPlot`, `BarPlot`, `ScalarChart`, `CodeComparer`, `ParallelCoordinatesPlot`, `ParameterImportancePlot`, `RunComparer`, `MediaBrowser`, `MarkdownPanel`, `CustomChart`, `WeavePanel`, `WeavePanelSummaryTable`, `WeavePanelArtifactVersionedFile`。
- - `runsets` (LList["Runset"]): 1 つ以上の `Runset` オブジェクトのリスト。
- - `hide_run_sets` (bool): レポート閲覧者に対してパネルグリッドの run set を非表示にするかどうか。
- - `panels` (LList["PanelTypes"]): 1 つ以上の `Panel` オブジェクトのリスト。
- - `active_runset` (int): runset 内に表示したい run の数。デフォルトでは 0 に設定されています。
- - `custom_run_colors` (dict): キーが run の名前、値が 16 進数値で指定された色であるキーと値のペア。
+**属性:**
----
+* `runsets` (LList["Runset"]): 1 つ以上の `Runset` オブジェクトからなるリスト。
+* `hide_run_sets` (bool): レポート閲覧者に対して panel grid の runset を非表示にするかどうか。
+* `panels` (LList["PanelTypes"]): 1 つ以上の `Panel` オブジェクトからなるリスト。
+* `active_runset` (Optional[int]): アクティブな runset タブのインデックス。デフォルトは 0 に設定されています。
+* `custom_run_colors` (dict): キーが run の名前、値が 16 進数で指定された色であるキーと値のペア。
+
+***
## class `ParallelCoordinatesPlot`
-並行座標プロットを表示するパネルオブジェクト。
-**Attributes:**
+平行座標プロットを表示するパネルオブジェクト。
- - `columns` (LList[ParallelCoordinatesPlotColumn]): 1 つ以上の `ParallelCoordinatesPlotColumn` オブジェクトのリスト。
- - `title` (Optional[str]): プロットの上部に表示されるテキスト。
- - `gradient` (Optional[LList[GradientPoint]]): グラデーションポイントのリスト。
- - `font_size` (Optional[FontSize]): 折れ線グラフのフォントサイズ。オプションには "small"、"medium"、"large"、"auto"、または `None` があります。
+**属性:**
+
+- `columns` (LList[ParallelCoordinatesPlotColumn]): 1 つ以上の `ParallelCoordinatesPlotColumn` オブジェクトのリスト。
+ - `title` (Optional[str]): プロットの上部に表示されるテキスト。
+ - `gradient` (Optional[LList[GradientPoint]]): グラデーションポイントのリスト。
+ - `font_size` (Optional[FontSize]): 折れ線グラフのフォントサイズ。使用可能な値は "small"、"medium"、"large"、"auto"、または `None`。
---
## class `ParallelCoordinatesPlotColumn`
-並行座標プロット内の列。指定された `metric` の順序によって、並行座標プロットの並行軸 (x 軸) の順序が決まります。
-**Attributes:**
+平行座標プロット内の 1 列を表します。指定された `metric` の順序によって、平行座標プロットにおける平行軸（x 軸）の順序が決まります。
+
+**属性:**
- - `metric` (str | Config | SummaryMetric): Reports が情報を取得する W&B プロジェクトにログ記録されたメトリクスの名前。
- - `display_name` (Optional[str]): メトリクスの表示名
- - `inverted` (Optional[bool]): メトリクスを反転させるかどうか。
- - `log` (Optional[bool]): メトリクスに対数変換を適用するかどうか。
+- `metric` (str | Config | SummaryMetric): レポートが情報を取得する対象として、W&B プロジェクトにログされた metric の名前。
+ - `display_name` (Optional[str]): metric の表示名。
+ - `inverted` (Optional[bool]): metric を反転するかどうか。
+ - `log` (Optional[bool]): metric に対して対数変換を適用するかどうか。
---
## class `ParameterImportancePlot`
-選択したメトリクスの予測において、各ハイパーパラメーターがどの程度重要であるかを示すパネル。
-**Attributes:**
+選択したメトリクスを予測する上で、各ハイパーパラメーターがどれだけ重要かを表示するパネル。
+
+**属性:**
- - `with_respect_to` (str): パラメータの重要度を比較する対象となるメトリクス。一般的なメトリクスには、loss や accuracy などがあります。指定するメトリクスは、Reports が情報を取得するプロジェクト内にログ記録されている必要があります。
+- `with_respect_to` (str): パラメーター重要度の基準とするメトリクス。一般的なメトリクスとしては loss や accuracy などがあります。指定したメトリクスは、そのレポートが情報を取得しているプロジェクト内でログされている必要があります。
---
## class `Report`
-W&B Report を表すオブジェクト。返されたオブジェクトの `blocks` 属性を使用してレポートをカスタマイズします。Report オブジェクトは自動的には保存されません。変更を永続化するには `save()` メソッドを使用してください。
+
+W&B Report を表すオブジェクトです。返されるオブジェクトの `blocks` 属性を使ってレポートをカスタマイズします。Report オブジェクトは自動的には保存されません。変更を永続化するには `save()` メソッドを使用します。
**Attributes:**
- - `project` (str): 読み込みたい W&B プロジェクトの名前。指定されたプロジェクトはレポートの URL に表示されます。
- - `entity` (str): レポートを所有する W&B entity。entity はレポートの URL に表示されます。
- - `title` (str): レポートのタイトル。タイトルはレポートの上部に H1 見出しとして表示されます。
- - `description` (str): レポートの説明。説明はレポートのタイトルの下に表示されます。
- - `blocks` (LList[BlockTypes]): 1 つ以上の HTML タグ、プロット、グリッド、runset などのリスト。
- - `width` (Literal['readable', 'fixed', 'fluid']): レポートの幅。オプションには 'readable'、'fixed'、'fluid' があります。
+- `project` (str): 読み込みたい W&B プロジェクトの名前。指定した project はレポートの URL に表示されます。
+ - `entity` (str): レポートを所有する W&B entity。entity はレポートの URL に表示されます。
+ - `title` (str): レポートのタイトル。タイトルはレポート上部に H1 見出しとして表示されます。
+ - `description` (str): レポートの説明。説明はレポートのタイトルの下に表示されます。
+ - `blocks` (LList[BlockTypes]): 1 つ以上の HTML タグ、プロット、グリッド、runset などから成るリスト。
+ - `width` (Literal['readable', 'fixed', 'fluid']): レポートの幅。指定できるオプションは 'readable'、'fixed'、'fluid' です。
---
### property url
-レポートがホストされている URL。レポートの URL は `https://wandb.ai/{entity}/{project_name}/reports/` で構成されます。ここで `{entity}` と `{project_name}` は、それぞれレポートが属する entity とプロジェクトの名前です。
+レポートがホストされている URL。レポートの URL は `https://wandb.ai/{entity}/{project_name}/reports/` の形式になります。ここで `{entity}` と `{project_name}` は、それぞれレポートが属する entity とプロジェクト名を表します。
---
@@ -489,15 +518,15 @@ W&B Report を表すオブジェクト。返されたオブジェクトの `bloc
delete() → bool
```
-このレポートを W&B から削除します。
+W&B からこの Report を削除します。
-これにより、このレポートを参照しているドラフトビューもすべて削除されます。
+この Report を参照しているすべての draft view も削除されます。
**戻り値:**
- - `bool`: 削除操作がバックエンドによって成功として認識された場合は `True`、そうでない場合は `False`。
+* `bool`: 削除操作がバックエンドによって成功したと確認された場合は `True`、それ以外の場合は `False` を返します。
----
+***
### classmethod `from_url`
@@ -505,14 +534,15 @@ delete() → bool
from_url(url: str, as_model: bool = False)
```
-現在の環境にレポートを読み込みます。レポートがホストされている URL を渡します。
+現在の環境にあるレポートを読み込みます。レポートがホストされている URL を指定します。
**引数:**
- - `url` (str): レポートがホストされている URL。
- - `as_model` (bool): True の場合、Report オブジェクトの代わりにモデルオブジェクトを返します。デフォルトでは `False` に設定されています。
+* `url` (str): レポートがホストされている URL。
+* `as_model` (bool): True の場合、Report オブジェクトではなくモデル オブジェクトを返します。デフォルトは `False` です。
+
+***
----
### method `save`
@@ -520,7 +550,7 @@ from_url(url: str, as_model: bool = False)
save(draft: bool = False, clone: bool = False)
```
-レポートオブジェクトに加えられた変更を保存します。
+レポート オブジェクトに加えた変更を保存します。
---
@@ -530,46 +560,63 @@ save(draft: bool = False, clone: bool = False)
to_html(height: int = 1024, hidden: bool = False) → str
```
-このレポートを表示する iframe を含む HTML を生成します。通常、Python ノートブック内で使用されます。
+このレポートを表示する `iframe` を含む HTML を生成します。通常は Python notebook 内で使用します。
**引数:**
- - `height` (int): iframe の高さ。
- - `hidden` (bool): True の場合、iframe を非表示にします。デフォルトは `False` です。
+- `height` (int): `iframe` の高さ。
+ - `hidden` (bool): `True` の場合、`iframe` を非表示にします。デフォルトは `False` です。
---
## class `RunComparer`
-Reports が情報を取得するプロジェクトの異なる run 間のメトリクスを比較するパネル。
-**Attributes:**
+レポートが情報の取得元とするプロジェクト内の異なる run 間でメトリクスを比較するパネル。
- - `diff_only` (Optional[Literal["split", `True`]]): プロジェクト内の run 間の差異のみを表示します。この機能は W&B Report UI でオンとオフを切り替えることができます。
+**属性:**
----
+* `diff_only` (Optional[Literal["split", `True`]]): プロジェクト内の run 間の差分のみを表示します。この機能は W&B Report UI でオンとオフを切り替えられます。
+
+***
+
+## class `RunSettings`
+
+レポート パネル グリッド内で、個々の run の表示設定と表示/非表示を設定します。
+
+`RunSettings` を使用すると、`Runset` 内で特定の run をどのように表示するかをカスタマイズできます。これには、線の色やチャートでの表示/非表示が含まれます。
+
+**属性:**
+
+* `color`: run の表示色。16 進形式 (`#ff0000`)、CSS の色名 (red)、または RGB 文字列 ("rgb(255,0,0)") を受け付けます。
+* `disabled`: True の場合、チャートから run を非表示にします。これは UI で閉じた目のアイコンをクリックするのと同じです。
+
+***
## class `Runset`
-パネルグリッドに表示する run のセット。
+
+パネル グリッドに表示する run の集合。
**Attributes:**
- - `entity` (str): run が保存されているプロジェクトを所有している、または適切な権限を持つ entity。
- - `project` (str): run が保存されているプロジェクトの名前。
- - `name` (str): run set の名前。デフォルトで `Run set` に設定されます。
- - `query` (str): run をフィルタリングするためのクエリ文字列。
- - `filters` (Union[str, LList[expr.FilterExpr]]): run に適用するフィルター。以下の形式が可能です：
- - 文字列式：例、"Config('lr') = 0.001 and State = 'finished'"
- - `サポートされている演算子`: `=`, `==`, `!=`, `<`, `>`, `<=`, `>=`, `in`, `not in`
- - FilterExpr オブジェクトのリスト：例、[expr.Config('lr') == 0.001]
- - `groupby` (LList[str]): グループ化の基準となるメトリクス名のリスト。サポートされている形式は以下の通りです：
- - "group" または "run.group": run 属性でグループ化
- - "config.param": config パラメータでグループ化
- - "summary.metric": サマリーメトリクスでグループ化
- - `order` (LList[OrderBy]): 順序付けのための `OrderBy` オブジェクトのリスト。
- - `custom_run_colors` (LList[OrderBy]): run ID を色にマッピングする辞書。
+* `entity` (str): run が保存されている プロジェクト を所有している、または適切な権限を持つ entity。
+* `project` (str): run が保存されている プロジェクト の名前。
+* `name` (str): run セットの名前。デフォルトでは `Run set` に設定されます。
+* `query` (str): run をフィルタリングするためのクエリ文字列。
+* `filters` (Union[str, LList[expr.FilterExpr]]): run に適用するフィルタ。次のいずれかです:
+ * 文字列表現。例: "Config('lr') = 0.001 and State = 'finished'"
+* `Supports operators`: 使用可能な演算子は `=` , `==` , `!=` , `<` , `>` , `<=` , `>=` , `in` , `not in`
+ * FilterExpr オブジェクトのリスト。例: [expr.Config('lr') == 0.001]
+* `groupby` (LList[str]): グループ化するメトリクス名のリスト。サポートされる形式は次のとおりです:
+ * "group" または "run.group" を指定して run 属性でグループ化
+ * "config.param" を指定して config パラメーターでグループ化
+ * "summary.metric" を指定して summary メトリクスでグループ化
+* `order` (LList[OrderBy]): 並べ替えに使用する `OrderBy` オブジェクトのリスト。
+* `custom_run_colors` (dict): run ID (またはグループ化された run の `RunsetGroup` キー) を色に対応付ける辞書。単純な run ごとの色設定には、`run_settings` の使用を推奨します。
+* `run_settings` (Dict[str, RunSettings]): run ID をキーとする run ごとの表示設定。これを使用して色を設定したり、個々の run を非表示にしたりできます。`RunSettings` を参照してください。
-**例:**
- ```python
+**Example:**
+
+```python
# 文字列フィルターを使用する場合
wr.Runset(
entity="my-entity",
@@ -583,9 +630,10 @@ Reports が情報を取得するプロジェクトの異なる run 間のメト
project="my-project",
filters=[expr.Config("learning_rate") == 0.001]
)
- ```
+```
+
+***
----
### method `convert_filterexpr_list_to_string`
@@ -597,241 +645,293 @@ convert_filterexpr_list_to_string()
---
-## class `RunsetGroup`
-runset のグループを表示する UI 要素。
+### method `merge_custom_run_colors_into_run_settings`
-**Attributes:**
+```python
+merge_custom_run_colors_into_run_settings()
+```
- - `runset_name` (str): runset の名前。
- - `keys` (Tuple[RunsetGroupKey, ...]): グループ化の基準となるキー。1 つ以上の `RunsetGroupKey` オブジェクトを渡してグループ化します。
+後方互換性のため、プレーンな文字列キーを持つ custom_run_colors を run_settings にマージします。
---
+## class `RunsetGroup`
+
+runset のグループを表示する UI 要素です。
+
+**属性:**
+
+* `runset_name` (str): runset の名前。
+* `keys` (Tuple[RunsetGroupKey, ...]): グループ化に使用するキーです。グループ化するには、1 つ以上の `RunsetGroupKey` オブジェクトを渡します。
+
+***
+
## class `RunsetGroupKey`
-メトリクスタイプと値によって runset をグループ化します。`RunsetGroup` の一部です。グループ化の基準となるメトリクスタイプと値をキーと値のペアとして指定します。
-**Attributes:**
+runset をメトリクスの種類と値ごとにグループ化します。`RunsetGroup` の一部です。グループ化に使うメトリクスの種類と値をキーと値のペアとして指定します。
+
+**属性:**
- - `key` (Type[str] | Type[Config] | Type[SummaryMetric] | Type[Metric]): グループ化の基準となるメトリクスタイプ。
- - `value` (str): グループ化の基準となるメトリクスの値。
+- `key` (Type[str] | Type[Config] | Type[SummaryMetric] | Type[Metric]): グループ化に使用するメトリクスの種類。
+ - `value` (str): グループ化に使用するメトリクスの値。
---
## class `ScalarChart`
-スカラーチャートを表示するパネルオブジェクト。
-**Attributes:**
+スカラー チャートを表示するパネルオブジェクトです。
- - `title` (Optional[str]): プロットの上部に表示されるテキスト。
- - `metric` (MetricType): Reports が情報を取得する W&B プロジェクトにログ記録されたメトリクスの名前。
- - `groupby_aggfunc` (Optional[GroupAgg]): 指定された関数で run を集計します。オプションには "mean"、"min"、"max"、"median"、"sum"、"samples"、または `None` があります。
- - `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。オプションには "minmax"、"stddev"、"stderr"、"none"、"samples"、または `None` があります。
- - `custom_expressions` (Optional[LList[str]]): スカラーチャートで使用されるカスタム式のリスト。
- - `legend_template` (Optional[str]): 凡例のテンプレート。
- - `font_size Optional[FontSize]`: 折れ線グラフのフォントサイズ。オプションには "small"、"medium"、"large"、"auto"、または `None` があります。
+**属性:**
+
+- `title` (Optional[str]): プロットの上部に表示されるテキスト。
+ - `metric` (MetricType): レポートが参照する、W&B プロジェクトにログされたメトリクスの名前。
+ - `groupby_aggfunc` (Optional[GroupAgg]): 指定された関数で run を集約します。指定可能な値は "mean"、"min"、"max"、"median"、"sum"、"samples"、`None` です。
+ - `groupby_rangefunc` (Optional[GroupArea]): 範囲に基づいて run をグループ化します。指定可能な値は "minmax"、"stddev"、"stderr"、"none"、"samples"、`None` です。
+ - `custom_expressions` (Optional[LList[str]]): スカラー チャートで使用するカスタム式のリスト。
+ - `legend_template` (Optional[str]): 凡例のテンプレート。
+ - `font_size Optional[FontSize]`: 線グラフで使用するフォントサイズ。指定可能な値は "small"、"medium"、"large"、"auto"、`None` です。
---
## class `ScatterPlot`
-2D または 3D 散布図を表示するパネルオブジェクト。
+
+2D または 3D の散布図を表示するパネルオブジェクト。
**引数:**
- - `title` (Optional[str]): プロットの上部に表示されるテキスト。
- - `x Optional[SummaryOrConfigOnlyMetric]`: Reports が情報を取得する W&B プロジェクトにログ記録されたメトリクスの名前。指定されたメトリクスは x 軸に使用されます。
- - `y Optional[SummaryOrConfigOnlyMetric]`: Reports が情報を取得する W&B プロジェクトにログ記録された 1 つ以上のメトリクス。指定されたメトリクスは y 軸内にプロットされます。 z Optional[SummaryOrConfigOnlyMetric]:
- - `range_x` (Tuple[float | `None`, float | `None`]): x 軸の範囲を指定するタプル。
- - `range_y` (Tuple[float | `None`, float | `None`]): y 軸の範囲を指定するタプル。
- - `range_z` (Tuple[float | `None`, float | `None`]): z 軸の範囲を指定するタプル。
- - `log_x` (Optional[bool]): 10 を底とする対数スケールを使用して x 座標をプロットします。
- - `log_y` (Optional[bool]): 10 を底とする対数スケールを使用して y 座標をプロットします。
- - `log_z` (Optional[bool]): 10 を底とする対数スケールを使用して z 座標をプロットします。
- - `running_ymin` (Optional[bool]): 移動平均または移動平均を適用します。
- - `running_ymax` (Optional[bool]): 移動平均または移動平均を適用します。
- - `running_ymean` (Optional[bool]): 移動平均または移動平均を適用します。
- - `legend_template` (Optional[str]): 凡例の形式を指定する文字列。
- - `gradient` (Optional[LList[GradientPoint]]): プロットの色のグラデーションを指定するグラデーションポイントのリスト。
- - `font_size` (Optional[FontSize]): 折れ線グラフのフォントサイズ。オプションには "small"、"medium"、"large"、"auto"、または `None` があります。
- - `regression` (Optional[bool]): `True` の場合、散布図に回帰線がプロットされます。
+- `title` (Optional[str]): プロット上部に表示されるテキスト。
+ - `x Optional[SummaryOrConfigOnlyMetric]`: レポートが情報を取得する、W&B プロジェクトにログされたメトリクスの名前。指定したメトリクスは x 軸に使用されます。
+ - `y Optional[SummaryOrConfigOnlyMetric]`: レポートが情報を取得する、W&B プロジェクトにログされた 1 つ以上のメトリクス。指定したメトリクスは y 軸にプロットされます。z Optional[SummaryOrConfigOnlyMetric]:
+ - `range_x` (Tuple[float | `None`, float | `None`]): x 軸の範囲を指定するタプル。
+ - `range_y` (Tuple[float | `None`, float | `None`]): y 軸の範囲を指定するタプル。
+ - `range_z` (Tuple[float | `None`, float | `None`]): z 軸の範囲を指定するタプル。
+ - `log_x` (Optional[bool]): x 座標を 10 を底とする対数スケールでプロットします。
+ - `log_y` (Optional[bool]): y 座標を 10 を底とする対数スケールでプロットします。
+ - `log_z` (Optional[bool]): z 座標を 10 を底とする対数スケールでプロットします。
+ - `running_ymin` (Optional[bool]): 移動平均またはローリング平均を適用します。
+ - `running_ymax` (Optional[bool]): 移動平均またはローリング平均を適用します。
+ - `running_ymean` (Optional[bool]): 移動平均またはローリング平均を適用します。
+ - `legend_template` (Optional[str]): 凡例のフォーマットを指定する文字列。
+ - `gradient` (Optional[LList[GradientPoint]]): プロットのカラ―グラデーションを指定するグラデーションポイントのリスト。
+ - `font_size` (Optional[FontSize]): 折れ線グラフのフォントサイズ。"small"、"medium"、"large"、"auto"、または `None` を指定できます。
+ - `regression` (Optional[bool]): `True` の場合、散布図に回帰直線をプロットします。
---
## class `SoundCloud`
-SoundCloud プレイヤーをレンダリングするブロック。
-**Attributes:**
+SoundCloud プレーヤーを表示するブロックです。
- - `html` (str): SoundCloud プレイヤーを埋め込むための HTML コード。
+**属性:**
----
+- `html` (str): SoundCloud プレーヤーを埋め込むための HTML コード。
## class `Spotify`
-Spotify プレイヤーをレンダリングするブロック。
-**Attributes:**
+Spotify プレーヤーを表示するブロックです。
- - `spotify_id` (str): トラックまたはプレイリストの Spotify ID。
+**Attributes:**
----
+- `spotify_id` (str): トラックまたはプレイリストの Spotify ID。
## class `SummaryMetric`
-レポートに表示されるサマリーメトリクス。
-**Attributes:**
+レポートに表示するためのサマリー メトリクス。
- - `name` (str): メトリクスの名前。
+**属性:**
----
+- `name` (str): メトリクスの名前。
## class `TableOfContents`
-レポートで指定された H1、H2、および H3 HTML ブロックを使用して、セクションとサブセクションのリストを含むブロック。
+
+レポート内で指定された H1、H2、H3 の HTML ブロックを使って、セクションおよびサブセクションを一覧表示するブロックです。
---
## class `TextWithInlineComments`
-インラインコメント付きのテキストブロック。
-**Attributes:**
+インラインコメント付きのテキストブロック。
- - `text` (str): ブロックのテキスト。
+**属性:**
----
+- `text` (str): ブロックのテキスト。
## class `Twitter`
+
Twitter フィードを表示するブロック。
-**Attributes:**
+**属性:**
- - `html` (str): Twitter フィードを表示するための HTML コード。
+- `html` (str): Twitter フィードを表示するための HTML コード。
---
## class `UnorderedList`
-箇条書きリスト内のアイテムリスト。
-**Attributes:**
+箇条書きリスト内の項目の一覧。
- - `items` (LList[TextLikeField]): 1 つ以上の `UnorderedListItem` オブジェクトのリスト。各アイテムは文字列または TextLike オブジェクトのリストにすることができます。
+**属性:**
+
+- `items` (LList[TextLikeField]): 1 つ以上の `UnorderedListItem` オブジェクトからなるリスト。各項目は文字列、または TextLike オブジェクトのリストです。
---
## class `UnorderedListItem`
-順序なしリスト内のリストアイテム。
-**Attributes:**
+順序なしリスト内のリスト項目です。
- - `text` (str): リストアイテムのテキスト。
+**属性:**
----
+- `text` (str): リスト項目のテキスト。
## class `Video`
-ビデオをレンダリングするブロック。
-**Attributes:**
+動画をレンダリングするブロック。
- - `url` (str): ビデオの URL。
+**属性:**
----
+- `url` (str): 動画の URL。
## class `WeaveBlockArtifact`
-W&B にログ記録されたアーティファクトを表示するブロック。クエリは次の形式を取ります。
+
+W&B にログされた Artifacts を表示するブロックです。クエリは次の形式になります。
```python
project('entity', 'project').artifact('artifact-name')
```
-API 名に含まれる "Weave" という用語は、LLM の追跡と評価に使用される W&B Weave ツールキットを指すものではありません。
+API 名に含まれる「Weave」という名称は、LLM をトラッキングおよび評価するために使用される W&B Weave ツールキットを指すものではありません。
-**Attributes:**
+**属性:**
- - `entity` (str): アーティファクトが保存されているプロジェクトを所有している、または適切な権限を持つ entity。
- - `project` (str): アーティファクトが保存されているプロジェクト。
- - `artifact` (str): 取得するアーティファクトの名前。
- - `tab Literal["overview", "metadata", "usage", "files", "lineage"]`: アーティファクトパネルに表示するタブ。
+* `entity` (str): Artifacts が保存されている プロジェクト の所有者、またはその プロジェクト に対して適切な権限を持つ entity。
+* `project` (str): Artifacts が保存されている プロジェクト。
+* `artifact` (str): 取得する Artifacts の名前。
+* `tab Literal["overview", "metadata", "usage", "files", "lineage"]`: Artifacts パネルで表示するタブ。
----
+***
## class `WeaveBlockArtifactVersionedFile`
-W&B アーティファクトにログ記録されたバージョン付きファイルを表示するブロック。クエリは次の形式を取ります。
+
+W&B アーティファクトにログされたバージョン付きファイルを表示するブロックです。クエリは次の形式になります
```python
project('entity', 'project').artifactVersion('name', 'version').file('file-name')
```
-API 名に含まれる "Weave" という用語は、LLM の追跡と評価に使用される W&B Weave ツールキットを指すものではありません。
+API 名に含まれる「Weave」という用語は、LLM をトラッキングおよび評価するために使用される W&B Weave ツールキットを指しているわけではありません。
**Attributes:**
- - `entity` (str): アーティファクトが保存されているプロジェクトを所有している、または適切な権限を持つ entity。
- - `project` (str): アーティファクトが保存されているプロジェクト。
- - `artifact` (str): 取得するアーティファクトの名前。
- - `version` (str): 取得するアーティファクトのバージョン。
- - `file` (str): 取得するアーティファクトに保存されているファイルの名前。
+- `entity` (str): アーティファクトが保存されているプロジェクトを所有している、またはそのプロジェクトに対する適切な権限を持つ entity。
+ - `project` (str): アーティファクトが保存されているプロジェクト。
+ - `artifact` (str): 取得するアーティファクトの名前。
+ - `version` (str): 取得するアーティファクトのバージョン。
+ - `file` (str): アーティファクトに保存されている、取得対象のファイル名。
---
## class `WeaveBlockSummaryTable`
-W&B Table、pandas DataFrame、プロット、または W&B にログ記録されたその他の値を表示するブロック。クエリは次の形式を取ります。
+
+W&B にログされた W&B Table、pandas DataFrame、プロット、その他の値を表示するブロックです。クエリは次の形式になります
```python
project('entity', 'project').runs.summary['value']
```
-API 名に含まれる "Weave" という用語は、LLM の追跡と評価に使用される W&B Weave ツールキットを指すものではありません。
+API 名に含まれる「Weave」という用語は、LLM をトラッキングおよび評価するために使用される W&B Weave ツールキットを指すものではありません。
**Attributes:**
- - `entity` (str): 値がログ記録されているプロジェクトを所有している、または適切な権限を持つ entity。
- - `project` (str): 値がログ記録されているプロジェクト。
- - `table_name` (str): テーブル、DataFrame、プロット、または値の名前。
+- `entity` (str): 値がログされるプロジェクトを所有している、またはそのプロジェクトに対する適切な権限を持つ entity。
+ - `project` (str): 値がログされるプロジェクト。
+ - `table_name` (str): テーブル、DataFrame、プロット、または値の名前。
---
## class `WeavePanel`
-クエリを使用してカスタムコンテンツを表示するために使用できる空のクエリパネル。
-API 名に含まれる "Weave" という用語は、LLM の追跡と評価に使用される W&B Weave ツールキットを指すものではありません。
+クエリを使用してカスタム コンテンツを表示できる空のクエリパネルです。
+
+API 名に含まれる「Weave」という用語は、LLM をトラッキングおよび評価するために使用される W&B Weave ツールキットを指すものではありません。
---
## class `WeavePanelArtifact`
-W&B にログ記録されたアーティファクトを表示するパネル。
-API 名に含まれる "Weave" という用語は、LLM の追跡と評価に使用される W&B Weave ツールキットを指すものではありません。
+W&B にログされた Artifacts を表示するパネルです。
-**Attributes:**
+API 名に含まれる "Weave" という用語は、LLM のトラッキングと評価に使用される W&B Weave ツールキットを意味するものではありません。
- - `artifact` (str): 取得するアーティファクトの名前。
- - `tab Literal["overview", "metadata", "usage", "files", "lineage"]`: アーティファクトパネルに表示するタブ。
+**属性:**
+- `artifact` (str): 取得する Artifacts の名前。
+ - `tab Literal["overview", "metadata", "usage", "files", "lineage"]`: Artifacts パネルに表示するタブ。
---
## class `WeavePanelArtifactVersionedFile`
-W&B アーティファクトにログ記録されたバージョン付きファイルを表示するパネル。
+
+W&B Artifacts に記録されたバージョン付きファイルを表示するパネル。
```python
project('entity', 'project').artifactVersion('name', 'version').file('file-name')
```
-API 名に含まれる "Weave" という用語は、LLM の追跡と評価に使用される W&B Weave ツールキットを指すものではありません。
+API 名の "Weave" という用語は、LLM のトラッキングおよび評価に使用される W&B Weave ツールキットを指すものではありません。
-**Attributes:**
+**属性:**
- - `artifact` (str): 取得するアーティファクトの名前。
- - `version` (str): 取得するアーティファクトのバージョン。
- - `file` (str): 取得するアーティファクトに保存されているファイルの名前。
+* `artifact` (str): 取得する Artifacts の名前。
+* `version` (str): 取得する Artifacts のバージョン。
+* `file` (str): 取得する Artifacts 内に保存されているファイルの名前。
----
+***
## class `WeavePanelSummaryTable`
-W&B Table、pandas DataFrame、プロット、または W&B にログ記録されたその他の値を表示するパネル。クエリは次の形式を取ります。
+
+W&B にログされた W&B Table、pandas DataFrame、プロット、その他の値を表示するパネルです。クエリは次の形式を取ります
```python
runs.summary['value']
```
-API 名に含まれる "Weave" という用語は、LLM の追跡と評価に使用される W&B Weave ツールキットを指すものではありません。
+API 名の「Weave」という用語は、LLM のトラッキングや評価に使用される W&B Weave ツールキットを指すものではありません。
-**Attributes:**
+**属性:**
+
+* `table_name` (str): テーブル、DataFrame、プロット、または値の名前。
+* `layout` (Layout): 位置とサイズを含むパネルのレイアウト設定。Panel 基底クラスから継承されます。幅 (`w`) と高さ (`h`) の調整に使用します。
+
+**例:**
+カスタム寸法のテーブルを表示する summary table panel を含むレポートを作成します:
+
+```python
+ import wandb_workspaces.reports as wr
+
+ report = wr.Report(
+ project="my-project",
+ entity="my-entity",
+ title="Summary Table Report"
+ )
+
+ report.blocks = [
+ wr.PanelGrid(
+ runsets=[wr.Runset(project="my-project")],
+ panels=[
+ wr.WeavePanelSummaryTable(
+ table_name="my-table-name",
+ layout=wr.Layout(w=24, h=20)
+ )
+ ]
+ )
+ ]
+
+ report.save()
+```
+
+レイアウトパラメーターはパネルの寸法を制御します:
- - `table_name` (str): テーブル、DataFrame、プロット、または値の名前。
\ No newline at end of file
+* w (width): グリッド単位での幅 (デフォルト: 8、最大: 24)
+ * h (height): グリッド単位での高さ (デフォルト: 6)
+ * x (x-position): グリッド内の水平位置 (デフォルト: 0)
+ * y (y-position): グリッド内の垂直位置 (デフォルト: 0)
diff --git a/ja/models/ref/wandb_workspaces/workspaces.mdx b/ja/models/ref/wandb_workspaces/workspaces.mdx
index de027fd6ee..31d266baf4 100644
--- a/ja/models/ref/wandb_workspaces/workspaces.mdx
+++ b/ja/models/ref/wandb_workspaces/workspaces.mdx
@@ -1,25 +1,26 @@
---
-title: ワークスペース
+title: Workspaces
---
-import { GitHubLink } from '/snippets/en/_includes/github-source-link.mdx';
+
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
-W&B Reports および Workspace API はパブリックプレビュー版です。
+ W&B Report と Workspace API は Public Preview の段階です。
-W&B Workspace API をプログラムから操作するための Python ライブラリです。
+W&B Workspace API をプログラムから操作するための Python ライブラリです。
```python
# インポート方法
import wandb_workspaces.workspaces as ws
-# ワークスペース作成の例
+# ワークスペースの作成例
ws.Workspace(
name="Example W&B Workspace",
entity="entity", # ワークスペースを所有する entity
- project="project", # ワークスペースが紐付く project
+ project="project", # ワークスペースに関連付けられたプロジェクト
sections=[
ws.Section(
name="Validation Metrics",
@@ -36,82 +37,64 @@ workspace.save()
```
-
## class `RunSettings`
-runset（左側のサイドバー）内の run に関する設定。
-
-
-
-**Attributes:**
-
- - `color` (str): UI 上での run の色。16進数（#ff0000）、CSS カラー名（red）、または RGB（rgb(255, 0, 0)）で指定可能。
- - `disabled` (bool): run が非アクティブ（UI 上で目のアイコンが閉じている状態）かどうか。デフォルトは `False`。
-
-
-
-
+runset 内の run の設定（左側のサイドバー）。
+**属性:**
+- `color` (str): UI 上での run の色。hex（#ff0000）、CSS カラー（red）、または rgb（rgb(255, 0, 0)) を指定できます。
+ - `disabled` (bool): run が無効化されているかどうか（UI 上で目のアイコンが閉じている状態）。デフォルトは `False`。
---
-
-
## class `RunsetSettings`
-Workspace 内の runset（run を含む左側のバー）の設定。
+ワークスペース内の runset (runs を含む左側のバー) の設定。
+**属性:**
-**Attributes:**
+* `query` (str): runset をフィルタリングするためのクエリ (正規表現 (`regex expr`) も使用できます。次のパラメータを参照) 。
+* `regex_query` (bool): 上記のクエリを正規表現 (`regex expr`) として解釈するかどうかを制御します。デフォルトは `False` に設定されています。
+* `filters` (Union[str, LList[expr.FilterExpr]]): runset に適用するフィルターのリスト、または文字列表現による式。
+ * リストとして: フィルターは AND 結合されます。フィルターの作成方法の詳細は FilterExpr を参照してください。
+ * 文字列として: Python 風の式を使用します。例: "Config('lr') = 0.001 and State = 'finished'"
+* `Supports operators`: `=`, `==`, `!=`, `<`, `>`, `<=`, `>=`, `in`, `not in` が使用可能です。
+* `groupby` (LList[expr.MetricType]): runset 内でグループ化に使用するメトリクスのリスト。`Metric`、`Summary`、`Config`、`Tags`、`KeysInfo` のいずれかを設定します。
+* `order` (LList[expr.Ordering]): runset に適用するメトリクスとその並び順のリスト。
+* `run_settings` (Dict[str, RunSettings]): run 設定の辞書。キーが run の ID、値が RunSettings オブジェクトです。
+* `pinned_columns` (LList[str]): ピン留めするカラム名のリスト。
+* `Column names use format`: "run:displayName"、"summary:metric"、"config:param" の形式を使用します。
+* `run`: displayName が存在しない場合は、自動的に追加されます。
+* `Example`: ["summary:accuracy", "summary:loss"]
- - `query` (str): runset をフィルタリングするためのクエリ（正規表現を使用可能、次のパラメータ参照）。
- - `regex_query` (bool): 上記のクエリを正規表現として扱うかどうか。デフォルトは `False`。
- - `filters` (Union[str, LList[expr.FilterExpr]]): runset に適用するフィルタのリスト、または文字列式。
- - リスト形式の場合: フィルタは AND 条件で結合されます。フィルタの作成方法については FilterExpr を参照してください。
- - 文字列表記の場合: Python 風の式を使用します。例: "Config('lr') = 0.001 and State = 'finished'"
- - `サポートされている演算子`: `=`, `==`, `!=`, `<`, `>`, `<=`, `>=`, `in`, `not in`
- - `groupby` (LList[expr.MetricType]): runset でグループ化に使用するメトリクスのリスト。`Metric`, `Summary`, `Config`, `Tags`, `KeysInfo` のいずれかを設定。
- - `order` (LList[expr.Ordering]): runset に適用するメトリクスとソート順のリスト。
- - `run_settings` (Dict[str, RunSettings]): run 設定の辞書。キーは run の ID、値は RunSettings オブジェクト。
- - `pinned_columns` (LList[str]): ピン留めする列名のリスト。
- - `列名のフォーマット`: "run:displayName", "summary:metric", "config:param"。
- - `run`: displayName が存在しない場合は自動的に追加されます。
- - `例`: ["summary:accuracy", "summary:loss"]
-
-
-
-**Example:**
- ```python
- # 文字列フィルタを使用する場合 (新しい方法)
+**例:**
+
+```python
+ # 文字列フィルターを使用する場合（新方式）
RunsetSettings(
filters="Config('learning_rate') = 0.001 and State = 'finished'",
pinned_columns=["summary:accuracy", "summary:loss"],
)
- # FilterExpr リストを使用する場合 (従来の方法)
+ # FilterExpr リストを使用する場合（従来の方式）
RunsetSettings(
filters=[expr.Config("learning_rate") == 0.001],
pinned_columns=["summary:accuracy", "summary:loss"],
)
- ```
-
-
-
-
----
+```
+***
-### method `convert_filterexpr_list_to_string`
+### メソッド `convert_filterexpr_list_to_string`
```python
convert_filterexpr_list_to_string()
```
-FilterExpr リストを文字列式（統一された内部フォーマット）に変換します。
-
----
+FilterExpr のリストを、文字列表現（統一的な内部形式）に変換します。
+***
### method `validate_and_setup_columns`
@@ -120,130 +103,88 @@ FilterExpr リストを文字列式（統一された内部フォーマット）
validate_and_setup_columns()
```
-run:displayName が存在することを確認し、内部の列フィールドをセットアップします。
-
-
-
-
----
+Ensure run:displayName が存在していることを確認し、内部列フィールドを設定します。
+***
## class `Section`
-Workspace 内のセクションを表します。
-
-
-
-**Attributes:**
-
- - `name` (str): セクションの名前/タイトル。
- - `panels` (LList[PanelTypes]): セクション内のパネルの順序付きリスト。デフォルトでは、最初が左上、最後が右下になります。
- - `is_open` (bool): セクションが開いているか閉じているか。デフォルトは「閉じている」状態。
- - `pinned` (bool): セクションがピン留めされているかどうか。ピン留めされたセクションは Workspace の上部に表示されます。デフォルトは False。
- - `layout_settings` (SectionLayoutSettings): セクション内のパネルレイアウトの設定。
- - `panel_settings`: セクション内のすべてのパネルに適用されるパネルレベルの設定。`Workspace` に対する `WorkspaceSettings` と同様、`Section` に対して機能します。
-
-
-
+Workspace 内のセクションを表します。
+**属性:**
+- `name` (str): セクションの名前／タイトル。
+ - `panels` (LList[PanelTypes]): セクション内のパネルの順序付きリスト。デフォルトでは、先頭が左上、末尾が右下です。
+ - `is_open` (bool): セクションが開いているか閉じているか。デフォルトは閉じています。
+ - `pinned` (bool): セクションがピン留めされているかどうか。ピン留めされたセクションは Workspace の上部に表示されます。デフォルトは False です。
+ - `layout_settings` (SectionLayoutSettings): セクション内のパネルレイアウトに関する設定。
+ - `panel_settings`: セクション内のすべてのパネルに適用されるパネルレベルの設定。`Section` に対する `WorkspaceSettings` に相当します。
---
-
-
## class `SectionLayoutSettings`
-セクションのパネルレイアウト設定。通常、W&B App の Workspace UI のセクション右上に表示されるものに対応します。
-
-
-
-**Attributes:**
-
- - `columns` (int): レイアウト内の列数。デフォルトは 3。
- - `rows` (int): レイアウト内の行数。デフォルトは 2。
-
-
-
+セクションのパネル レイアウト設定。通常、W&B App Workspace UI のセクション右上に表示されます。
+**属性:**
+- `columns` (int): レイアウトの列数。デフォルトは 3。
+ - `rows` (int): レイアウトの行数。デフォルトは 2。
---
-
-
## class `SectionPanelSettings`
-セクション用のパネル設定。`Workspace` における `WorkspaceSettings` に相当します。
-
-ここで適用された設定は、より詳細な Panel 設定によって上書きされる可能性があります。優先順位は Section < Panel です。
-
-
-
-**Attributes:**
-
- - `x_axis` (str): X 軸のメトリクス名。デフォルトは "Step"。
- - `x_min Optional[float]`: X 軸の最小値。
- - `x_max Optional[float]`: X 軸の最大値。
- - `smoothing_type` (Literal['exponentialTimeWeighted', 'exponential', 'gaussian', 'average', 'none']): すべてのパネルに適用される平滑化（スムージング）のタイプ。
- - `smoothing_weight` (int): すべてのパネルに適用される平滑化の重み。
-
-
+セクション用のパネル設定で、セクションに対する `WorkspaceSettings` と同様のものです。
+ここで適用した設定は、より細かいパネル設定によって上書きされる場合があります。優先度は次のとおりです: Section < Panel。
+**属性:**
+- `x_axis` (str): X 軸のメトリクス名の設定。デフォルトでは "Step" に設定されます。
+ - `x_min Optional[float]`: X 軸の最小値。
+ - `x_max Optional[float]`: X 軸の最大値。
+ - `smoothing_type` (Literal['exponentialTimeWeighted', 'exponential', 'gaussian', 'average', 'none']): すべてのパネルに適用されるスムージング タイプ。
+ - `smoothing_weight` (int): すべてのパネルに適用されるスムージングの重み。
---
-
-
## class `Workspace`
-セクション、設定、run セットの設定を含む W&B Workspace を表します。
-
+W&B ワークスペースを表し、セクション、設定、および run セット用のコンフィグを含みます。
**Attributes:**
- - `entity` (str): この Workspace が保存される entity（通常はユーザー名またはチーム名）。
- - `project` (str): この Workspace が保存される project。
- - `name`: Workspace の名前。
- - `sections` (LList[Section]): Workspace 内のセクションの順序付きリスト。最初のセクションが Workspace の最上部に表示されます。
- - `settings` (WorkspaceSettings): Workspace の設定。通常、UI 上の Workspace 上部で確認できる設定です。
- - `runset_settings` (RunsetSettings): Workspace 内の runset（run を含む左側のバー）の設定。
- - `auto_generate_panels` (bool): この project でログを記録したすべてのキーに対してパネルを自動生成するかどうか。デフォルトですべての利用可能なデータを可視化したい場合に推奨されます。これは Workspace 作成時にのみ設定可能で、後から変更することはできません。
-
+- `entity` (str): このワークスペースが保存される entity（通常は ユーザー または チーム名）。
+ - `project` (str): このワークスペースが保存されるプロジェクト。
+ - `name`: ワークスペースの名前。
+ - `sections` (LList[Section]): ワークスペース内のセクションの順序付きリスト。最初のセクションはワークスペースの一番上に表示されます。
+ - `settings` (WorkspaceSettings): ワークスペースの設定で、通常は UI のワークスペース上部に表示されます。
+ - `runset_settings` (RunsetSettings): ワークスペース内の runset（run を含む左側のバー）の設定。
+ - `auto_generate_panels` (bool): このプロジェクトでログされたすべてのキーに対してパネルを自動生成するかどうか。利用可能なすべてのデータをデフォルトで可視化したい場合に推奨されます。これはワークスペース作成時にのみ設定でき、その後は変更できません。
---
### property auto_generate_panels
-
-
-
-
---
### property url
-W&B アプリ内の Workspace への URL。
-
-
+W&B アプリの Workspace への URL。
---
-
-
### classmethod `from_url`
```python
from_url(url: str)
```
-URL から Workspace を取得します。
-
----
+URL からワークスペースを取得します。
+***
### method `save`
@@ -252,16 +193,13 @@ URL から Workspace を取得します。
save()
```
-現在の Workspace を W&B に保存します。
-
-
+現在の Workspace を W&B に保存します。
-**Returns:**
+**戻り値:**
- - `Workspace`: 保存された内部名と ID を持つ、更新された Workspace オブジェクト。
-
----
+* `Workspace`: 内部名と ID が保存された更新済みの Workspace。
+***
### method `save_as_new_view`
@@ -270,41 +208,37 @@ save()
save_as_new_view()
```
-現在の Workspace を新しいビューとして W&B に保存します。
+現在のワークスペースを W&B 上の新しい view として保存します。
+**戻り値:**
+* `Workspace`: 内部名と ID が保存された更新済みの Workspace。
-**Returns:**
-
- - `Workspace`: 保存された内部名と ID を持つ、更新された Workspace オブジェクト。
-
----
-
+***
## class `WorkspaceSettings`
-Workspace の設定。通常、UI 上の Workspace 上部で確認できる設定です。
-
-このオブジェクトには、X 軸、平滑化、外れ値、パネル、ツールチップ、run、およびパネルクエリバーの設定が含まれます。
-
-ここで適用された設定は、より詳細な Section や Panel の設定によって上書きされる可能性があります。優先順位は Workspace < Section < Panel です。
-
-
-
-**Attributes:**
- - `x_axis` (str): X 軸のメトリクス名。
- - `x_min` (Optional[float]): X 軸の最小値。
- - `x_max` (Optional[float]): X 軸の最大値。
- - `smoothing_type` (Literal['exponentialTimeWeighted', 'exponential', 'gaussian', 'average', 'none']): すべてのパネルに適用される平滑化のタイプ。
- - `smoothing_weight` (int): すべてのパネルに適用される平滑化の重み。
- - `ignore_outliers` (bool): すべてのパネルで外れ値を無視するかどうか。
- - `sort_panels_alphabetically` (bool): すべてのセクション内のパネルをアルファベット順にソートします。
- - `group_by_prefix` (Literal["first", "last"]): 最初または最後までのプレフィックスでパネルをグループ化します。デフォルトは `last`。
- - `remove_legends_from_panels` (bool): すべてのパネルから凡例を削除します。
- - `tooltip_number_of_runs` (Literal["default", "all", "none"]): ツールチップに表示する run の数。
- - `tooltip_color_run_names` (bool): ツールチップ内の run 名を runset の色と一致させるかどうか。デフォルトは `True`。
- - `max_runs` (int): パネルごとに表示する最大 run 数（runset 内の最初の N 個の run になります）。
- - `point_visualization_method` (Literal["line", "point", "line_point"]): ポイントの可視化方法。
- - `panel_search_query` (str): パネル検索バーのクエリ（正規表現を使用可能）。
- - `auto_expand_panel_search_results` (bool): パネル検索結果を自動的に展開するかどうか。
\ No newline at end of file
+ワークスペースに関する設定であり、通常は UI のワークスペース上部に表示されます。
+
+このオブジェクトには、x 軸、スムージング、外れ値、パネル、ツールチップ、run、パネルクエリバーに関する設定が含まれます。
+
+ここで適用された設定は、より詳細な Section および Panel の設定によって、次の優先度で上書きされる場合があります: Workspace < Section < Panel
+
+**属性:**
+
+- `x_axis` (str): x 軸のメトリクス名の設定。
+ - `x_min` (Optional[float]): x 軸の最小値。
+ - `x_max` (Optional[float]): x 軸の最大値。
+ - `smoothing_type` (Literal['exponentialTimeWeighted', 'exponential', 'gaussian', 'average', 'none']): すべてのパネルに適用されるスムージングの種類。
+ - `smoothing_weight` (int): すべてのパネルに適用されるスムージングの重み。
+ - `ignore_outliers` (bool): すべてのパネルで外れ値を無視するかどうか。
+ - `sort_panels_alphabetically` (bool): すべてのセクションでパネルをアルファベット順にソートするかどうか。
+ - `group_by_prefix` (Literal["first", "last"]): パネルを先頭または末尾までのプレフィックスでグループ化します。デフォルトは `last` に設定されています。
+ - `remove_legends_from_panels` (bool): すべてのパネルから凡例を削除するかどうか。
+ - `tooltip_number_of_runs` (Literal["default", "all", "none"]): ツールチップに表示する run の数。
+ - `tooltip_color_run_names` (bool): ツールチップ内の run 名を runset に合わせた色で表示するか (True)、しないか (False)。デフォルトは `True` に設定されています。
+ - `max_runs` (int): パネルごとに表示する run の最大数 (runset 内の先頭 10 件の run が対象)。
+ - `point_visualization_method` (Literal["line", "point", "line_point"]): データポイントの可視化方法。
+ - `panel_search_query` (str): パネル検索バー用のクエリ (正規表現を指定可能)。
+ - `auto_expand_panel_search_results` (bool): パネル検索結果を自動的に展開するかどうか。
\ No newline at end of file
diff --git a/ja/models/registry.mdx b/ja/models/registry.mdx
index f02af2cba3..00f16e4c3c 100644
--- a/ja/models/registry.mdx
+++ b/ja/models/registry.mdx
@@ -1,113 +1,121 @@
---
title: Registry の概要
-description: 組織全体で artifact バージョンを管理・共有するための W&B Registry
+description: W&B Registry を使用すると、組織全体で Artifacts のバージョンを管理し、共有できます
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+ ## 基本を学ぶ
+
+
+各組織にはあらかじめ 2 つのレジストリが用意されており、モデルおよびデータセットの Artifacts を整理するために使用できます。それぞれ **Models** および **Datasets** という名前です。[組織のニーズに応じて、他の種類の Artifacts を整理するためのレジストリを追加で作成することもできます](/ja/models/registry/create_registry)。
-各 [*Registry*](/models/registry/configure_registry/) は、1つまたは複数の [*コレクション*](/models/registry/create_collection/) で構成されます。各コレクションは、特定のタスクまたはユースケースを表します。
+各 [*registry*](/ja/models/registry/configure_registry/) は、1 つ以上の [*collection*](/ja/models/registry/create_collection/) で構成されます。各コレクションは、個別のタスクまたはユースケースを表します。
{/*
-「リンク」という用語は、W&B がアーティファクトを保存している場所と、Registry 内でアーティファクトにアクセスできる場所を繋ぐポインタを指します。アーティファクトをコレクションにリンクしても、W&B がアーティファクトを複製することはありません。
+ "link" という用語は、W&B が Artifacts を保存している場所と、その Artifacts がレジストリ内でアクセス可能な場所を結び付けるポインターを指します。 Artifacts をコレクションにリンクしても、W&B が Artifacts を複製することはありません。
-例として、次のコード例では、`"my_model.txt"` というモデルアーティファクトをログし、`"model"` という名前の Registry 内の `"first-collection"` というコレクションにリンクします。
+例として、次のコード例では、`"my_model.txt"` という名前のモデル Artifacts を、`"model"` という名前のレジストリ内の `"first-collection"` という名前のコレクションにログし、リンクします。
-1. `wandb.init()` で W&B Run を初期化します。
-2. `wandb.Run.log()` でアーティファクトを W&B にログします。
-3. リンク先のコレクション名と Registry 名を指定します。
-4. `wandb.Run.link_artifact()` を使用して、アーティファクトをコレクションにリンクします。
+1. `wandb.init()` で W&B Run を初期化します。
+2. `wandb.Run.log()` を使って Artifacts を W&B にログします。
+3. Artifacts バージョンをリンクするコレクション名とレジストリ名を指定します。
+4. `wandb.Run.link_artifact()` を使って Artifacts をコレクションにリンクします。
-この Python コードをスクリプトとして保存し、実行してください。W&B Python SDK バージョン 0.18.6 以降が必要です。
+この Python コードをスクリプトとして保存し、実行します。W&B Python SDK バージョン 0.18.6 以降が必要です。
```python title="hello_collection.py"
import wandb
import random
-# アーティファクトを追跡するために W&B Run を初期化
+# Artifacts を追跡するために W&B Run を初期化する
with wandb.init(project="registry_quickstart") as run:
- # ログするためのシミュレーション用モデルファイルを作成
+ # ログ用のモデルファイルをシミュレートして作成する
with open("my_model.txt", "w") as f:
f.write("Model: " + str(random.random()))
- # アーティファクトを W&B にログ
+ # Artifacts を W&B にログする
logged_artifact = run.log_artifact(
artifact_or_path="./my_model.txt",
name="gemma-finetuned",
- type="model" # アーティファクトタイプを指定
+ type="model" # Artifacts のタイプを指定する
)
- # 公開先のコレクション名と Registry 名を指定
+ # Artifacts の公開先となるコレクションと
+ # レジストリの名前を指定する
COLLECTION_NAME = "first-collection"
REGISTRY_NAME = "model"
- # アーティファクトを Registry にリンク
+ # Artifacts をレジストリにリンクする
run.link_artifact(
artifact=logged_artifact,
target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
)
```
-指定した Registry 内に、`wandb.Run.link_artifact(target_path = "")` メソッドで指定したコレクションが存在しない場合、W&B は自動的にコレクションを作成します。
+W&B は、返された run オブジェクトの `wandb.Run.link_artifact(target_path = "")` メソッドで指定したコレクションが、指定した Registry 内に存在しない場合、自動的にコレクションを作成します。
-前の例の続きとして、スクリプトを実行した後、W&B Registry に移動して、あなたや組織の他のメンバーが公開したアーティファクトバージョンを確認してください。左サイドバーの **Applications** の下にある **Registry** を選択します。`"Model"` Registry を選択します。Registry 内に、リンクされたアーティファクトバージョンを含む `"first-collection"` コレクションが表示されます。
+前の例から続けて、スクリプトを実行した後に W&B Registry にアクセスし、あなたや組織内の他のメンバーが公開した Artifacts バージョンを確認します。プロジェクトのサイドバーで **Applications** の下にある **Registry** を選択します。`"Model"` Registry を選択します。Registry 内に、リンクされた Artifacts バージョンを含む `"first-collection"` コレクションが表示されるはずです。
-アーティファクトバージョンを Registry 内のコレクションにリンクすると、適切な権限を持つ組織のメンバーは、アーティファクトバージョンの [表示](/models/registry/lineage)、[ダウンロード](/models/registry/search_registry)、[整理](/models/registry/organize-with-tags)、管理、およびダウンストリームのオートメーションの作成などを行うことができます。
+一度 Registry 内のコレクションに Artifacts バージョンをリンクすると、組織のメンバーは適切な権限を持っていれば、あなたの Artifacts バージョンを [表示](/ja/models/registry/lineage)、[ダウンロード](/ja/models/registry/search_registry)、[整理](/ja/models/registry/organize-with-tags) および管理したり、下流の自動化を作成したりすることができます。
-アーティファクトバージョンがメトリクスをログしている場合（`wandb.Run.log_artifact()` などを使用）、そのバージョンの詳細ページからメトリクスを確認したり、コレクションのページからアーティファクトバージョン間でメトリクスを比較したりできます。[Registry 内のリンクされたアーティファクトを表示する](/models/registry/link_version/#view-linked-artifacts-in-a-registry) を参照してください。
+ Artifacts バージョンがメトリクスをログしている場合（`wandb.Run.log_artifact()` を使用するなど）、そのバージョンの詳細ページからメトリクスを表示でき、コレクションのページから Artifacts バージョン間でメトリクスを比較できます。[レジストリでリンクされた Artifacts を表示する](/ja/models/registry/link_version/#view-linked-artifacts-in-a-registry) を参照してください。
-## W&B Registry を有効にする
+
+ ## W&B Registry を有効化する
+
-デプロイメントタイプに応じて、W&B Registry を有効にするために以下の条件を満たしてください：
+デプロイ タイプに応じて、以下の条件を満たして W&B Registry を有効化してください。
-| デプロイメントタイプ | 有効化の方法 |
+| Deployment type | How to enable |
| ----- | ----- |
-| マルチテナントクラウド | アクションは不要です。W&B App で W&B Registry を利用可能です。 |
-| 専用クラウド | デプロイメントで W&B Registry を有効にするには、担当チームにお問い合わせください。 |
-| セルフマネージド | Server v0.70.0 以降の場合、アクションは不要です。それ以前のサポート対象 Server バージョンの場合は、環境変数 `ENABLE_REGISTRY_UI` を `true` に設定してください。[環境変数の設定](/platform/hosting/env-vars) を参照してください。 |
-
-
-## はじめるためのリソース
-
-ユースケースに応じて、W&B Registry を使い始めるために以下のリソースを活用してください：
-
-* チュートリアルビデオを見る：
- * [W&B Registry 入門](https://www.youtube.com/watch?v=p4XkVOsjIeM)
-* W&B [Model CI/CD](https://www.wandb.courses/courses/enterprise-model-management) コースを受講して以下を学びます：
- * W&B Registry を使用してアーティファクトの管理とバージョニング、リネージの追跡、およびライフサイクルの各段階へのモデルのプロモートを行う方法。
- * Webhook を使用してモデル管理ワークフローをオートメーション化する方法。
- * モデルの評価、モニタリング、デプロイメントのために、Registry を外部の機械学習システムやツールと統合する方法。
\ No newline at end of file
+| Multi-tenant Cloud | 対応は不要です。W&B Registry は W&B App 上で利用できます。 |
+| Dedicated Cloud | アカウント チームに連絡し、デプロイメントで W&B Registry を有効化してもらってください。 |
+| Self-Managed | Server v0.70.0 以降の場合、対応は不要です。サポート対象のそれ以前の Server バージョンでは、環境変数 `ENABLE_REGISTRY_UI` を `true` に設定してください。[Configure environment variables](/ja/platform/hosting/env-vars) を参照してください。 |
+
+
+ ## はじめるためのリソース
+
+
+ユースケースに応じて、W&B Registry を使い始める際は、次のリソースを参照してください。
+
+* チュートリアル動画をご覧ください:
+ * [Getting started with Registry from W&B](https://www.youtube.com/watch?v=p4XkVOsjIeM)
+* W&B の [Model CI/CD](https://www.wandb.courses/courses/enterprise-model-management) コースを受講し、次の内容を学んでください:
+ * W&B Registry を使用して Artifacts を管理・バージョン管理し、リネージを追跡し、ライフサイクルの各段階でモデルを昇格させる方法。
+ * webhooks を使用してモデル管理ワークフローを自動化する方法。
+ * モデルの評価、監視、デプロイのために、W&B Registry を外部の ML システムやツールと統合する方法。
\ No newline at end of file
diff --git a/ja/models/registry/aliases.mdx b/ja/models/registry/aliases.mdx
index 18283bf08e..58d00b4616 100644
--- a/ja/models/registry/aliases.mdx
+++ b/ja/models/registry/aliases.mdx
@@ -1,161 +1,176 @@
---
-title: エイリアスを使用して Artifact の バージョン を参照する
+title: エイリアスで Artifacts バージョンを参照する
---
-1つ以上のエイリアスを使用して、特定の [artifact version](/models/artifacts/create-a-new-artifact-version/) を参照できます。[W&B は、同じ名前でリンクされた各 Artifacts に対してエイリアスを自動的に割り当てます](/models/registry/aliases/#default-aliases)。また、特定の artifact version を参照するために、1つ以上の [カスタムエイリアスを作成する](/models/registry/aliases/#custom-aliases) ことも可能です。
+1 つ以上のエイリアスを使って、特定の [artifact version](/ja/models/artifacts/create-a-new-artifact-version/) を参照できます。同じ名前でリンクした各 Artifacts には、[W&B が自動的にエイリアスを割り当て](/ja/models/registry/aliases/#default-aliases) ます。また、特定の Artifacts バージョンを参照するために、[カスタム エイリアスを 1 つ以上作成](/ja/models/registry/aliases/#custom-aliases) することもできます。
-エイリアスは、Registry UI 上でそのエイリアス名が書かれた長方形として表示されます。[エイリアスが保護されている](/models/registry/aliases/#protected-aliases) 場合、鍵アイコン付きのグレーの長方形で表示されます。それ以外の場合、エイリアスはオレンジ色の長方形で表示されます。エイリアスはレジストリ間で共有されません。
+エイリアスは Registry UI では、そのエイリアス名が書かれた四角形として表示されます。[エイリアスが保護されている](/ja/models/registry/aliases/#protected-aliases) 場合、鍵アイコン付きの灰色の四角形として表示されます。それ以外の場合、エイリアスはオレンジ色の四角形として表示されます。エイリアスはレジストリ間で共有されません。
-**エイリアスとタグの使い分け**
+ **エイリアスとタグの使い分け**
-特定の artifact version を参照するには、エイリアスを使用します。コレクション内の各エイリアスは一意です。一度に特定のエイリアスを持てる artifact version は1つだけです。
+ エイリアスは、特定の Artifacts バージョンを参照するために使用します。コレクション内の各エイリアスは一意であり、同じエイリアスを持てる Artifacts バージョンは同時に 1 つだけです。
-共通のテーマに基づいて artifact version やコレクションを整理・グループ化するには、タグを使用します。複数の artifact version やコレクションで同じタグを共有できます。
+ タグは、共通のテーマに基づいて Artifacts バージョンやコレクションを整理・グループ化するために使用します。複数の Artifacts バージョンやコレクションが同じタグを共有できます。
-artifact version にエイリアスを追加すると、任意で [Registry オートメーション](/models/automations/automation-events/#registry) を開始して、Slack チャンネルに通知したり、Webhook をトリガーしたりできます。
+Artifacts バージョンにエイリアスを追加するときに、オプションで Slack チャンネルへの通知や webhook のトリガーを行うための [Registry automation](/ja/models/automations/automation-events/#registry) を開始できます。
-## デフォルトエイリアス
+
+ ## デフォルトのエイリアス
+
-W&B は、同じ名前でリンクされた各 artifact version に対して、以下のエイリアスを自動的に割り当てます。
+W&B は、同じ名前でリンクされる各 Artifacts バージョンに対して、自動的に次のエイリアスを割り当てます。
-* `latest` エイリアス：コレクションにリンクされた最新の artifact version。
-* 一意のバージョン番号：W&B はリンクされた各 artifact version を（0から始まるインデックスで）カウントします。W&B はそのカウント数を使用して、その Artifacts に一意のバージョン番号を割り当てます。
+* コレクションにリンクされた最新の Artifacts バージョンには、`latest` エイリアスを割り当てます。
+* 一意のバージョン番号。W&B は、リンクされた各 Artifacts バージョンを 0 から順にカウントし、そのカウント番号を使って、その Artifacts に一意のバージョン番号を割り当てます。
-例えば、`zoo_model` という名前の Artifacts を3回リンクした場合、W&B はそれぞれ `v0`、`v1`、`v2` という3つのエイリアスを作成します。`v2` には `latest` エイリアスも付与されます。
+たとえば、`zoo_model` という名前の Artifacts を 3 回リンクすると、W&B はそれぞれ `v0`、`v1`、`v2` の 3 つのエイリアスを作成します。`v2` には `latest` エイリアスも付きます。
-## カスタムエイリアス
+
+ ## カスタムエイリアス
+
-独自の ユースケース に基づいて、特定の artifact version に対して1つ以上のカスタムエイリアスを作成できます。例えば：
+特定の Artifacts バージョンに対して、ユースケースに応じた1つ以上のカスタムエイリアスを作成できます。例えば：
-- モデルがどの データセット でトレーニングされたかを識別するために、`dataset_version_v0`、`dataset_version_v1`、`dataset_version_v2` といったエイリアスを使用できます。
-- 最もパフォーマンスの高い Artifacts モデルバージョンを追跡するために、`best_model` エイリアスを使用できます。
+* `dataset_version_v0`、`dataset_version_v1`、`dataset_version_v2` などのエイリアスを使用して、モデルがどのデータセットで学習されたかを識別できます。
+* `best_model` エイリアスを使用して、最もパフォーマンスの高い Artifacts モデルバージョンを追跡できます。
-レジストリに対して [**Member** または **Admin** のレジストリロール](/models/registry/configure_registry/#registry-roles) を持つ Users は、そのレジストリ内のリンクされた Artifacts に対してカスタムエイリアスを追加または削除できます。[**Restricted Viewer** または **Viewer** ロール](/models/registry/configure_registry/#registry-roles) を持つ Users は、エイリアスの追加や削除はできません。
+レジストリで [**Member** または **Admin** レジストリロール](/ja/models/registry/configure_registry/#registry-roles) を持つすべてのユーザーは、そのレジストリ内のリンクされた Artifacts に対してカスタムエイリアスを追加または削除できます。[**Restricted Viewer** または **Viewer** ロール](/ja/models/registry/configure_registry/#registry-roles) を持つ Users はエイリアスの追加または削除ができません。
-[保護されたエイリアス](/models/registry/aliases/#protected-aliases) は、変更や削除から保護すべき artifact version をラベル付けして識別する方法を提供します。
+ [保護されたエイリアス](/ja/models/registry/aliases/#protected-aliases) は、変更や削除から保護する Artifacts バージョンにラベルを付けて識別するための機能です。
-カスタムエイリアスは、W&B Registry または Python SDK で作成できます。ニーズに合わせて、以下のタブをクリックしてください。
+カスタムエイリアスは W&B Registry または Python SDK を使用して作成できます。ユースケースに応じて、以下のタブから最適なものを選択してください。
-
-1. W&B Registry に移動します。
-2. コレクション内の **View details** ボタンをクリックします。
-3. **Versions** セクション内で、特定の artifact version の **View** ボタンをクリックします。
-4. **Aliases** フィールドの隣にある **+** ボタンをクリックして、1つ以上のエイリアスを追加します。
-
-
-Python SDK を使用して artifact version をコレクションにリンクする場合、[`link_artifact()`](/models/ref/python/experiments/run.md/#link_artifact) の `alias` 引数に1つ以上のエイリアスのリストをオプションで渡すことができます。提供したエイリアスがまだ存在しない場合、W&B は新しいエイリアス（[保護されていないエイリアス](#カスタムエイリアス)）を作成します。
-
-以下の コードスニペット は、Python SDK を使用して artifact version をコレクションにリンクし、その artifact version にエイリアスを追加する方法を示しています。`<>` 内の 値 は適宜置き換えてください。
-
-```python
-import wandb
-
-# run を初期化
-with wandb.init(entity = "", project = "") as run:
-
- # Artifact オブジェクトを作成
- # type 引数は artifact オブジェクトのタイプと
- # コレクションのタイプの両方を指定します
- artifact = wandb.Artifact(name = "", type = "")
-
- # ファイルを artifact オブジェクトに追加
- # ローカルマシンのファイルへのパスを指定します
- artifact.add_file(local_path = "")
-
- # Artifact をリンクするコレクションとレジストリを指定
- REGISTRY_NAME = ""
- COLLECTION_NAME = ""
- target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
-
- # artifact version をコレクションにリンク
- # この artifact version に1つ以上のエイリアスを追加
- run.link_artifact(
- artifact = artifact,
- target_path = target_path,
- aliases = ["", ""]
- )
-```
-
+
+ 1. W&B Registry に移動します。
+ 2. コレクション内の **View details** ボタンをクリックします。
+ 3. **Versions** セクション内で、特定の Artifacts バージョンの **View** ボタンをクリックします。
+ 4. **Aliases** フィールドの横にある **+** ボタンをクリックして、1つ以上のエイリアスを追加します。
+
+
+
+ Python SDK を使用して Artifacts バージョンをコレクションにリンクする際、[`link_artifact()`](/ja/models/ref/python/experiments/run.md/#link_artifact) の `alias` パラメーターの引数として、オプションで1つ以上のエイリアスのリストを指定できます。指定したエイリアスがまだ存在しない場合、W&B はエイリアス（[保護されていないエイリアス](#custom-aliases)）を自動的に作成します。
+
+ 以下のコードスニペットは、Python SDK を使用して Artifacts バージョンをコレクションにリンクし、その Artifacts バージョンにエイリアスを追加する方法を示しています。`<>` 内の値はご自身のものに置き換えてください：
+
+ ```python
+ import wandb
+
+ # run を初期化する
+ with wandb.init(entity = "", project = "") as run:
+
+ # Artifacts オブジェクトを作成する
+ # type パラメーターは Artifacts オブジェクトの型と
+ # コレクションの型の両方を指定する
+ artifact = wandb.Artifact(name = "", type = "")
+
+ # Artifacts オブジェクトにファイルを追加する
+ # ローカルマシン上のファイルパスを指定する
+ artifact.add_file(local_path = "")
+
+ # Artifacts をリンクするコレクションとレジストリを指定する
+ REGISTRY_NAME = ""
+ COLLECTION_NAME = ""
+ target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
+
+ # Artifacts バージョンをコレクションにリンクする
+ # この Artifacts バージョンに1つ以上のエイリアスを追加する
+ run.link_artifact(
+ artifact = artifact,
+ target_path = target_path,
+ aliases = ["", ""]
+ )
+ ```
+
-### 保護されたエイリアス
-[保護されたエイリアス](/models/registry/aliases/#protected-aliases) を使用すると、変更や削除をすべきではない artifact version をラベル付けして識別できます。例えば、組織の機械学習 プロダクション パイプライン で使用されている artifact version を識別するために、`production` という保護されたエイリアスを使用することが考えられます。
+
+ ### 保護されたエイリアス
+
-[Registry admin](/models/registry/configure_registry/#registry-roles) ユーザーおよび **Admin** ロールを持つ [サービスアカウント](/models/support/service_account_useful/) は、保護されたエイリアスを作成したり、artifact version に対して保護されたエイリアスを追加・削除したりできます。**Member**、**Viewer**、**Restricted Viewer** ロールを持つ Users やサービスアカウントは、保護されたバージョンをアンリンクしたり、保護されたエイリアスを含むコレクションを削除したりすることはできません。詳細は [レジストリアクセスの設定](/models/registry/configure_registry/) を参照してください。
+[protected alias](/ja/models/registry/aliases/#protected-aliases) を使用すると、変更や削除してはならない Artifacts バージョンにラベルを付けて識別できます。たとえば、組織の機械学習本番パイプラインで使用されている Artifacts バージョンにラベルを付けて識別するために、`production` の protected alias を使用することを検討してください。
-一般的な保護されたエイリアスには以下が含まれます。
+[Registry admin](/ja/models/registry/configure_registry/#registry-roles) ユーザーおよび **Admin** ロールを持つ [service accounts](/ja/models/support/service_account_useful/) は、保護されたエイリアスを作成し、 Artifacts バージョンに対して保護されたエイリアスを追加または削除できます。**Member**、**Viewer**、**Restricted Viewer** ロールを持つユーザーと service accounts は、保護されたバージョンとのリンクを解除したり、保護されたエイリアスを含むコレクションを削除したりすることはできません。詳細については、[Configure registry access](/ja/models/registry/configure_registry/) を参照してください。
-- **Production**: artifact version が本番環境で使用可能な状態であること。
-- **Staging**: artifact version がテスト可能な状態であること。
+一般的な保護されたエイリアスには次のようなものがあります。
-#### 保護されたエイリアスの作成
+* **Production**: Artifacts バージョンは本番利用の準備ができています。
+* **Staging**: Artifacts バージョンはテストの準備ができています。
-以下の手順は、W&B Registry UI で保護されたエイリアスを作成する方法を説明したものです。
+
+ #### 保護されたエイリアスを作成する
+
-1. W&B Registry に移動します。
+以下の手順では、W&B Registry UI で保護されたエイリアスを作成する方法を説明します。
+
+1. W&B Registry に移動します。
2. レジストリを選択します。
-3. ページ右上の歯車ボタンをクリックして、レジストリの 設定 を表示します。
-4. **Protected Aliases** セクション内で、**+** ボタンをクリックして1つ以上の保護されたエイリアスを追加します。
+3. ページ右上のギアボタンをクリックして、そのレジストリの設定を表示します。
+4. **Protected Aliases** セクション内で **+** ボタンをクリックして、1 つ以上の保護されたエイリアスを追加します。
-作成後、各保護されたエイリアスは **Protected Aliases** セクションに鍵アイコン付きのグレーの長方形として表示されます。
+作成後、各保護されたエイリアスは **Protected Aliases** セクション内で、鍵アイコン付きの灰色の長方形として表示されます。
-保護されていないカスタムエイリアスとは異なり、保護されたエイリアスの作成は W&B Registry UI でのみ可能であり、Python SDK を使用してプログラムで行うことはできません。artifact version への保護されたエイリアスの追加は、W&B Registry UI または Python SDK の両方で行えます。
+ 保護されていないカスタムエイリアスとは異なり、保護されたエイリアスの作成は W&B Registry UI でのみ利用可能であり、Python SDK からプログラムで行うことはできません。 Artifacts バージョンに保護されたエイリアスを追加するには、W&B Registry UI か Python SDK を使用できます。
-以下の手順は、W&B Registry UI を使用して artifact version に保護されたエイリアスを追加する方法を説明したものです。
+以下の手順では、W&B Registry UI を使用して Artifacts バージョンに保護されたエイリアスを追加する方法を説明します。
-1. W&B Registry に移動します。
+1. W&B Registry に移動します。
2. コレクション内の **View details** ボタンをクリックします。
-3. **Versions** セクション内で、特定の artifact version の **View** ボタンを選択します。
-4. **Aliases** フィールドの隣にある **+** ボタンをクリックして、1つ以上の保護されたエイリアスを追加します。
+3. **Versions** セクション内で、特定の Artifacts バージョンの **View** ボタンを選択します。
+4. **Aliases** フィールドの横にある **+** ボタンをクリックして、1 つ以上の保護されたエイリアスを追加します。
+
+保護されたエイリアスが作成された後は、管理者が Python SDK を使ってプログラムからそのエイリアスを Artifacts バージョンに追加できます。 Artifacts バージョンに保護されたエイリアスを追加する方法の例については、上記の [Create a custom alias](#custom-aliases) セクション内の W&B Registry タブおよび Python SDK タブを参照してください。
-保護されたエイリアスが作成された後は、Admin が Python SDK を使用してプログラムから artifact version に追加できます。artifact version に保護されたエイリアスを追加する例については、上記の [カスタムエイリアスの作成](#カスタムエイリアス) セクションの W&B Registry および Python SDK タブを参照してください。
+
+ ## 既存のエイリアスを検索する
+
-## 既存のエイリアスの検索
-[W&B Registry のグローバル検索バー](/models/registry/search_registry/#search-for-registry-items) を使用して、既存のエイリアスを検索できます。保護されたエイリアスを検索するには：
+[W&B Registry のグローバル検索バー](/ja/models/registry/search_registry/#search-for-registry-items)を使って、既存のエイリアスを検索できます。保護されたエイリアスを見つけるには、次の手順を実行します。
-1. W&B Registry に移動します。
-2. ページ上部の検索バーに検索語を指定します。Enter キーを押して検索します。
+1. W&B Registry に移動します。
+2. ページ上部の検索バーに検索キーワードを指定します。Enter キーを押して検索します。
-指定した用語が既存のレジストリ名、コレクション名、artifact version タグ、コレクションタグ、またはエイリアスと一致する場合、検索バーの下に検索結果が表示されます。
+指定したキーワードが既存の Registry、コレクション名、 Artifacts のバージョンタグ、コレクションタグ、またはエイリアスと一致する場合、検索バーの下に検索結果が表示されます。
-## 例
+
+ ## 例
+
-以下のコード例は、こちらの [W&B Registry チュートリアルノートブック](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/wandb_registry/zoo_wandb.ipynb) の続きです。以下のコードを使用するには、まず [ノートブックの説明に従って Zoo データセットを取得して処理](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/wandb_registry/zoo_wandb.ipynb#scrollTo=87fecd29-8146-41e2-86fb-0bb4e3e3350a) する必要があります。Zoo データセットを取得したら、artifact version を作成してカスタムエイリアスを追加できます。
+ 次のコード例は、この [W&B Registry Tutorial notebook](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/wandb_registry/zoo_wandb.ipynb) の続きです。以下のコードを利用するには、まず [notebook で説明されている手順に従って Zoo データセットを取得・処理する必要があります](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/wandb_registry/zoo_wandb.ipynb#scrollTo=87fecd29-8146-41e2-86fb-0bb4e3e3350a)。Zoo データセットを用意できたら、 Artifacts バージョンを作成し、カスタム エイリアスを追加できます。
-以下の コードスニペット は、artifact version を作成し、それにカスタムエイリアスを追加する方法を示しています。この例では、[UCI Machine Learning Repository](https://archive.ics.uci.edu/dataset/111/zoo) の Zoo データセット と、`Zoo_Classifier_Models` レジストリ内の `Model` コレクションを使用します。
+次のコード スニペットは、 Artifacts バージョンを作成し、カスタム エイリアスを追加する方法を示しています。この例では、[UCI Machine Learning Repository](https://archive.ics.uci.edu/dataset/111/zoo) の Zoo データセットと、`Zoo_Classifier_Models` registry 内の `Model` コレクションを使用します。
```python
import wandb
-# run を初期化
+# run を初期化する
with wandb.init(entity = "smle-reg-team-2", project = "zoo_experiment") as run:
- # Artifact オブジェクトを作成
- # type 引数は artifact オブジェクトのタイプと
- # コレクションのタイプの両方を指定します
+ # Artifacts オブジェクトを作成する
+ # type パラメーターは Artifacts オブジェクトの種類と
+ # コレクションの種類の両方を指定する
artifact = wandb.Artifact(name = "zoo_dataset", type = "dataset")
- # ファイルを artifact オブジェクトに追加
- # ローカルマシンのファイルへのパスを指定します
+ # Artifacts オブジェクトにファイルを追加する
+ # ローカルマシン上のファイルパスを指定する
artifact.add_file(local_path="zoo_dataset.pt", name="zoo_dataset")
artifact.add_file(local_path="zoo_labels.pt", name="zoo_labels")
- # Artifact をリンクするコレクションとレジストリを指定
+ # Artifacts のリンク先となるコレクションとレジストリを指定する
REGISTRY_NAME = "Model"
COLLECTION_NAME = "Zoo_Classifier_Models"
target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
- # artifact version をコレクションにリンク
- # この artifact version に1つ以上のエイリアスを追加
+ # Artifacts のバージョンをコレクションにリンクする
+ # この Artifacts のバージョンに1つ以上のエイリアスを追加する
run.link_artifact(
artifact = artifact,
target_path = target_path,
@@ -163,6 +178,6 @@ with wandb.init(entity = "smle-reg-team-2", project = "zoo_experiment") as run:
)
```
-1. 最初に、Artifact オブジェクトを作成します (`wandb.Artifact()`)。
-2. 次に、`wandb.Artifact.add_file()` を使用して、2つの データセット PyTorch テンソルを Artifact オブジェクトに追加します。
-3. 最後に、`link_artifact()` を使用して、artifact version を `Zoo_Classifier_Models` レジストリ内の `Model` コレクションにリンクします。また、`aliases` 引数に `production-us` と `production-eu` を渡すことで、artifact version に2つのカスタムエイリアスを追加します。
\ No newline at end of file
+1. まず、 Artifacts オブジェクト（`wandb.Artifact()`）を作成します。
+2. 次に、`wandb.Artifact.add_file()` を使って、PyTorch のデータセット テンソルを 2 つ Artifacts オブジェクトに追加します。
+3. 最後に、`link_artifact()` を使って、その Artifacts バージョンを `Zoo_Classifier_Models` レジストリ内の `Model` コレクションにリンクします。また、`aliases` パラメーターに引数として `production-us` と `production-eu` を渡すことで、その Artifacts バージョンに 2 つのカスタム エイリアスを追加します。
diff --git a/ja/models/registry/configure_registry.mdx b/ja/models/registry/configure_registry.mdx
index bdfb212a7a..7c045672d8 100644
--- a/ja/models/registry/configure_registry.mdx
+++ b/ja/models/registry/configure_registry.mdx
@@ -1,172 +1,203 @@
---
-title: Registry へのアクセスを設定する
+title: レジストリへのアクセスを設定する
---
-レジストリ管理者は、レジストリの設定を構成することで、[レジストリロールの設定](/models/registry/configure_registry/#configure-registry-roles)、[ユーザーの追加](/models/registry/configure_registry/#add-a-user-or-a-team-to-a-registry)、またはレジストリからの [ユーザーの削除](/models/registry/configure_registry/#remove-a-user-or-team-from-a-registry) を行うことができます。
+レジストリ管理者は、レジストリの設定から [レジストリロールを設定](/ja/models/registry/configure_registry/#configure-registry-roles)したり、[ユーザーを追加](/ja/models/registry/configure_registry/#add-a-user-or-a-team-to-a-registry)したり、[ユーザーを削除](/ja/models/registry/configure_registry/#remove-a-user-or-team-from-a-registry)したりできます。
-## ユーザーの管理
+
+ ## ユーザー管理
+
-### ユーザーまたはチームの追加
+
+ ### ユーザーまたはチームを追加する
+
-レジストリ管理者は、個別の Users または Teams 全体をレジストリに追加できます。ユーザーまたはチームをレジストリに追加するには：
+Registry 管理者は、個々のユーザーまたはチーム全体を Registry に追加できます。Registry にユーザーまたはチームを追加するには、次の手順に従います。
-1. W&B Registry に移動します。
-2. ユーザーまたはチームを追加したいレジストリを選択します。
-3. 右上隅にあるギアアイコンをクリックして、レジストリ設定にアクセスします。
-4. **Registry access** セクションで、**Add access** をクリックします。
-5. **Include users and teams** フィールドに、1つ以上のユーザー名、メールアドレス、またはチーム名を指定します。
+1. W&B Registry に移動します。
+2. ユーザーまたはチームを追加する Registry を選択します。
+3. 右上隅の歯車アイコンをクリックして、Registry 設定にアクセスします。
+4. **Registry access** セクションで **Add access** をクリックします。
+5. **Include users and teams** フィールドに、1 人以上のユーザー名、メールアドレス、またはチーム名を指定します。
6. **Add access** をクリックします。
+ ### ユーザーまたはチームを削除する
+
-1. W&B Registry ( https://wandb.ai/registry/ ) に移動します。
-2. ユーザーを削除したいレジストリを選択します。
-3. 右上隅にあるギアアイコンをクリックして、レジストリ設定にアクセスします。
-4. **Registry access** セクションに移動し、削除したいユーザー名、メールアドレス、またはチーム名を入力します。
+Registry 管理者は、個々のユーザーまたはチーム全体を Registry から削除できます。ユーザーまたはチームを Registry から削除するには、次の手順に従います。
+
+1. https://wandb.ai/registry/ にある W&B Registry に移動します。
+2. ユーザーを削除したい Registry を選択します。
+3. 画面右上隅の歯車アイコンをクリックして、Registry 設定にアクセスします。
+4. **Registry access** セクションに移動し、削除したい username、メールアドレス、またはチーム名を入力します。
5. **Delete** ボタンをクリックします。
-チームからユーザーを削除すると、そのユーザーのレジストリへのアクセス権も削除されます。
+ チームからユーザーを削除すると、そのユーザーの Registry へのアクセス権も失われます。
-### レジストリのオーナーの変更
+
+ ### レジストリのオーナーを変更する
+
+
+レジストリ管理者は、**Restricted Viewer** や **Viewer** を含む任意のメンバーを、そのレジストリのオーナーとして指定できます。レジストリのオーナーシップは主に責任の所在を明確にするためのものであり、ユーザーに割り当てられているロールによって既に付与されているもの以上の権限が追加で与えられることはありません。
-レジストリ管理者は、**Restricted Viewer** や **Viewer** を含む、任意のメンバーをレジストリのオーナーとして指名できます。レジストリの所有権は主に責任の所在を明確にするためのものであり、ユーザーに割り当てられたロールによって付与される権限以上の追加権限を与えるものではありません。
+オーナーを変更するには:
-オーナーを変更するには：
-1. W&B Registry ( https://wandb.ai/registry/ ) に移動します。
+1. https://wandb.ai/registry/ にある W&B Registry に移動します。
2. 設定したいレジストリを選択します。
-3. 右上隅にあるギアアイコンをクリックします。
+3. 右上隅の歯車アイコンをクリックします。
4. **Registry members and roles** セクションまでスクロールします。
-5. メンバーの行にマウスを合わせます。
+5. メンバーの行の上にカーソルを置きます。
6. 行の末尾にある **...** アクションメニューをクリックし、**Make owner** をクリックします。
+
+ ## Registry ロールを設定する
+
-## レジストリロールの設定 (Configure Registry roles)
-
-このセクションでは、レジストリメンバーのロールを設定する方法を説明します。各ロールの機能、優先順位、デフォルト値など、レジストリロールの詳細については、[レジストリロールの詳細](#レジストリロールの詳細) を参照してください。
+このセクションでは、Registry メンバーのロールを設定する方法を説明します。各ロールの機能、優先順位、デフォルト設定などを含む Registry ロールの詳細については、[Registry ロールの詳細](#details-about-registry-roles) を参照してください。
-1. W&B Registry ( https://wandb.ai/registry/ ) に移動します。
-2. 設定したいレジストリを選択します。
-3. 右上隅にあるギアアイコンをクリックします。
+1. https://wandb.ai/registry/ にある W&B Registry に移動します。
+2. 設定したい Registry を選択します。
+3. 右上隅の歯車アイコンをクリックします。
4. **Registry members and roles** セクションまでスクロールします。
-5. **Member** フィールド内で、権限を編集したいユーザーまたはチームを検索します。
-6. **Registry role** カラムで、ユーザーの現在のロールをクリックします。
-7. ドロップダウンから、ユーザーに割り当てたいロールを選択します。
+5. **Member** フィールドで、権限を編集したいユーザーまたはチームを検索します。
+6. **Registry role** 列で、そのユーザーのロールをクリックします。
+7. ドロップダウンから、そのユーザーに割り当てたいロールを選択します。
-## レジストリロールの詳細
+
+ ## Registry ロールの詳細
+
-以下のセクションでは、レジストリロールの詳細について説明します。
+以下のセクションでは、Registry ロールについて詳しく説明します。
-[チーム内でのロール](/platform/app/settings-page/teams/#team-roles-and-permissions) は、レジストリ内でのロールとは一切関係がなく、影響も与えません。
+ Teams 内での [チーム内でのロール](/ja/platform/app/settings-page/teams/#team-roles-and-permissions)は、どの Registry におけるあなたのロールにも影響せず、関係もありません。
-### デフォルトロール
-W&B は、ユーザーまたはチームがレジストリに追加される際、自動的にデフォルトの **registry role** を割り当てます。このロールによって、そのレジストリ内で何ができるかが決まります。
+
+ ### デフォルトロール
+
+
+W&B は、ユーザーまたはチームが registry に追加された際に、自動的にデフォルトの **registry ロール** を割り当てます。このロールによって、その registry 内で実行できる操作が決まります。
-| Entity | デフォルトの registry role1 1 1 1
+ ### ロールの権限
+
-| 権限 | 権限グループ | Restricted Viewer
+ ### 継承された Registry ロール
+
+
+Registry のメンバーシップ一覧では、各ユーザーの継承された（有効な） Registry ロールが、その行のロール ドロップダウンの横に薄いグレーで表示されます。
+ ### Restricted Viewer ロールの詳細
+
-このロールは、レジストリアーティファクトへの読み取り専用アクセスを提供しますが、コレクション、オートメーション、またはその他のレジストリリソースを作成、更新、または削除することはできません。
+**Restricted Viewer** ロールは General Availability (GA) です。Dedicated Cloud と Self-Managed の場合、Server v0.75.0 以降が必要です。
-**Viewer** とは異なり、**Restricted Viewer** は以下のことができません：
-- アーティファクトファイルのダウンロードやファイル内容へのアクセス。
-- W&B SDK での `wandb.Run.use_artifact()` を使用したアーティファクトの利用。
+このロールでは、コレクション、オートメーション、その他の registry リソースの作成・更新・削除はできませんが、registry Artifacts への読み取り専用アクセス権が付与されます。
-#### SDK の互換性
+**Viewer** と異なり、**Restricted Viewer** は次の操作ができません:
-
+* Artifacts ファイルをダウンロードしたり、ファイルの内容にアクセスしたりすること。
+* W&B SDK で `wandb.Run.use_artifact()` を使って Artifacts を利用すること。
-**SDK バージョンの要件**
+
+ #### SDK の互換性
+
-**Restricted Viewer** として W&B SDK を使用してアーティファクトにアクセスするには、W&B SDK バージョン 0.19.9 以上を使用する必要があります。それ以前のバージョンでは、一部の SDK コマンドで権限エラーが発生します。
+
+ **SDK バージョン要件**
+ **Restricted Viewer** として W&B SDK を使用して Artifacts にアクセスするには、W&B SDK バージョン 0.19.9 以上を使用する必要があります。それより前のバージョンを使用している場合、一部の SDK コマンドで権限エラーが発生します。
-**Restricted Viewer** が SDK を使用する場合、特定の機能が利用できないか、動作が異なります。
+**Restricted Viewer** が SDK を使用する場合、一部の機能は利用できないか、動作が異なります。
+
+次のメソッドは利用できず、権限エラーとなります:
+
+* [`Run.use_artifact()`](/ja/models/ref/python/experiments/run/#method-runuse_artifact)
+* [`Artifact.download()`](/ja/models/ref/python/experiments/artifact/#method-artifactdownload)
+* [`Artifact.file()`](/ja/models/ref/python/experiments/artifact/#method-artifactfile)
+* [`Artifact.files()`](/ja/models/ref/python/experiments/artifact/#method-artifactfiles)
-以下のメソッドは利用できず、権限エラーが発生します：
-- [`Run.use_artifact()`](/models/ref/python/experiments/run/#method-runuse_artifact)
-- [`Artifact.download()`](/models/ref/python/experiments/artifact/#method-artifactdownload)
-- [`Artifact.file()`](/models/ref/python/experiments/artifact/#method-artifactfile)
-- [`Artifact.files()`](/models/ref/python/experiments/artifact/#method-artifactfiles)
+次のメソッドは Artifacts のメタデータにのみアクセスできます:
-以下のメソッドは、アーティファクトのメタデータへのアクセスに限定されます：
-- [`Artifact.get_entry()`](/models/ref/python/experiments/artifact/#method-artifactget_entry)
-- [`Artifact.get_path()`](/models/ref/python/experiments/artifact/#method-artifactget_path)
-- [`Artifact.get()`](/models/ref/python/experiments/artifact/#method-artifactget)
-- [`Artifact.verify()`](/models/ref/python/experiments/artifact/#method-artifactverify)
+* [`Artifact.get_entry()`](/ja/models/ref/python/experiments/artifact/#method-artifactget_entry)
+* [`Artifact.get_path()`](/ja/models/ref/python/experiments/artifact/#method-artifactget_path)
+* [`Artifact.get()`](/ja/models/ref/python/experiments/artifact/#method-artifactget)
+* [`Artifact.verify()`](/ja/models/ref/python/experiments/artifact/#method-artifactverify)
-### レジストリをまたぐ権限
+
+ ### レジストリ間の権限
+
-ユーザーはレジストリごとに異なるロールを持つことができます。例えば、Registry A では **Restricted Viewer** であっても、Registry B では **Viewer** であるといったことが可能です。この場合：
+1 人のユーザーは、レジストリごとに異なるロールを持つことができます。たとえば、ユーザーが Registry A では **Restricted Viewer**、Registry B では **Viewer** である場合があります。この場合は次のようになります:
-- 両方のレジストリにリンクされている同じアーティファクトであっても、アクセスレベルは異なります。
-- Registry A では、ユーザーは **Restricted Viewer** であり、ファイルをダウンロードしたりアーティファクトを使用したりすることはできません。
-- Registry B では、ユーザーは **Viewer** であり、ファイルをダウンロードしたりアーティファクトを使用したりすることができます。
-- つまり、アクセス権限は、そのアーティファクトが「どのレジストリ経由で」アクセスされているかによって決定されます。
\ No newline at end of file
+* 両方のレジストリにリンクされた同じ Artifacts でも、アクセスレベルは異なります
+* Registry A では、ユーザーは **Restricted Viewer** であり、ファイルのダウンロードや Artifacts の利用はできません
+* Registry B では、ユーザーは **Viewer** であり、ファイルのダウンロードや Artifacts の利用ができます
+* つまり、アクセス権は、どのレジストリからその Artifacts にアクセスするかによって決まります
\ No newline at end of file
diff --git a/ja/models/registry/create_collection.mdx b/ja/models/registry/create_collection.mdx
index 23567bc3fd..9abc48a4ba 100644
--- a/ja/models/registry/create_collection.mdx
+++ b/ja/models/registry/create_collection.mdx
@@ -1,31 +1,33 @@
---
-title: コレクションの作成
+title: コレクションを作成する
---
-*コレクション* とは、レジストリ内にある、リンクされた一連の Artifact バージョンの集合です。各コレクションは、特定のタスクやユースケースを表します。
+*collection* は、レジストリ内の関連する Artifacts バージョンの集合です。各 collection は個別のタスクやユースケースを表します。
-例えば、1つのレジストリ内に複数のコレクションを持つことができます。それぞれのコレクションには、MNIST、CIFAR-10、ImageNet などの異なるデータセットが含まれます。
+例えば、1 つのレジストリの中に複数の collection を作成できます。各 collection には、MNIST、CIFAR-10、ImageNet など、異なるデータセットを含めることができます。
-別の例として、「chatbot」という名前のレジストリがあり、その中にモデルの Artifact 用のコレクション、データセットの Artifact 用のコレクション、そして fine-tune されたモデルの Artifact 用のコレクションをそれぞれ持つこともできます。
+別の例として、"chatbot" という名前のレジストリを用意し、その中にモデル Artifacts 用の collection、データセット Artifacts 用の collection、ファインチューニング済みモデル Artifacts 用の collection を含めることもできます。
-レジストリとそのコレクションをどのように構成するかは、ユーザー次第です。
+レジストリとその collection をどのように構成するかは、あなた次第です。
-W&B モデルレジストリ（Model Registry）に慣れている方は、Registered Models についてご存知かもしれません。モデルレジストリにおける Registered Models は、W&B Registry ではコレクションと呼ばれるようになりました。
+W&B Model Registry に慣れている場合は、Registered Models という用語をご存じかもしれません。Model Registry における Registered Models は、現在の W&B Registry では collection と呼ばれるようになりました。
-## コレクションのタイプ
+
+ ## コレクションの種類
+
-各コレクションは、1つ、かつ1つだけの Artifact *タイプ* を受け入れます。指定したタイプによって、あなたや組織の他のメンバーがそのコレクションにリンクできる Artifact の種類が制限されます。
+各コレクションは、1 種類の *タイプ* の Artifacts のみを受け付けます。指定したタイプによって、あなたや組織内の他のメンバーがそのコレクションにリンクできる Artifacts の種類が制限されます。
-Artifact のタイプは、Python などのプログラミング言語におけるデータ型のようなものだと考えることができます。この例えでは、コレクションは文字列、整数、または浮動小数点を格納できますが、これらのデータ型を混ぜて格納することはできません。
+Artifacts のタイプは、Python などのプログラミング言語におけるデータ型と同様のものだと考えることができます。この例えでは、コレクションは文字列、整数、浮動小数点数を保存できますが、これらのデータ型を混在させることはできません。
-例えば、「dataset」という Artifact タイプを受け入れるコレクションを作成したとします。これは、今後このコレクションにリンクできるのは、タイプが「dataset」である Artifact バージョンのみであることを意味します。同様に、モデルの Artifact タイプのみを受け入れるコレクションには、タイプが「model」の Artifact のみをリンクできます。
+たとえば、「dataset」 Artifacts タイプを受け付けるコレクションを作成したとします。これは、今後そのコレクションにリンクできるのは、タイプが「dataset」の Artifacts バージョンだけであることを意味します。同様に、「model」 Artifacts タイプのみを受け付けるコレクションには、タイプが「model」の Artifacts だけをリンクできます。
-Artifact オブジェクトを作成する際に、Artifact のタイプを指定します。`wandb.Artifact()` 内の `type` フィールドに注目してください。
+Artifacts のタイプは、その Artifacts オブジェクトを作成するときに指定します。`wandb.Artifact()` 内の `type` フィールドに注目してください:
```python
import wandb
@@ -44,40 +46,43 @@ with wandb.init(
```
-コレクションを作成する際、事前定義された Artifact タイプのリストから選択できます。利用可能な Artifact タイプは、そのコレクションが属するレジストリによって異なります。
+コレクションを作成するときは、あらかじめ定義された Artifacts タイプの一覧から選択できます。利用できる Artifacts タイプは、そのコレクションが属しているレジストリによって異なります。
-Artifact をコレクションにリンクしたり、新しいコレクションを作成したりする前に、[そのコレクションが受け入れる Artifact のタイプを確認](#コレクションが受け入れる artifact のタイプを確認する) してください。
+Artifacts をコレクションにリンクする前や新しいコレクションを作成する前に、[そのコレクションが受け付ける Artifacts のタイプを確認](#check-the-types-of-artifact-that-a-collection-accepts)してください。
-### コレクションが受け入れる Artifact のタイプを確認する
+
+ ### コレクションが受け付ける Artifacts の種類を確認する
+
-コレクションにリンクする前に、そのコレクションが受け入れる Artifact タイプを確認してください。コレクションが受け入れる Artifact タイプは、W&B Python SDK を使用してプログラムで確認するか、W&B App を使用してインタラクティブに確認できます。
+コレクションへリンクする前に、そのコレクションが受け付ける Artifacts の種類を確認してください。コレクションが受け付ける Artifacts の種類は、W&B Python SDK を使ってプログラムで、または W&B App を使って対話的に確認できます。
-その Artifact タイプを受け入れないコレクションに Artifact をリンクしようとすると、エラーメッセージが表示されます。
+受け付けていない種類の Artifacts をコレクションにリンクしようとすると、エラーメッセージが表示されます。
-受け入れ可能な Artifact タイプは、ホームページのレジストリカード、またはレジストリの設定ページ内で確認できます。
+受け付ける Artifacts の種類は、ホームページのレジストリカード、またはレジストリの設定ページで確認できます。
どちらの方法でも、まず W&B Registry に移動します。
-W&B Registry のホームページ内では、該当するレジストリのレジストリカードまでスクロールすることで、受け入れ可能な Artifact タイプを確認できます。レジストリカード内の灰色の横長楕円形に、そのレジストリが受け入れる Artifact タイプがリストされています。
+W&B Registry のホームページでは、目的のレジストリのレジストリカードまでスクロールすると、そのレジストリが受け付ける Artifacts の種類を確認できます。レジストリカード内の灰色の横長の楕円が、そのレジストリが受け付ける Artifacts の種類を表しています。
-W&B Python SDK を使用して、レジストリが受け入れる Artifact タイプをプログラムで表示します。
+W&B Python SDK を使用して、レジストリが受け付ける Artifacts タイプをプログラムで確認できます。
```python
import wandb
@@ -88,40 +93,44 @@ print(artifact_type.name for artifact_type in artifact_types)
```
-以下のコードスニペットでは run を初期化していないことに注意してください。これは、W&B API のクエリのみを行い、実験や Artifact などのトラッキングを行わない場合は、run を作成する必要がないためです。
+次のコードスニペットでは run を初期化しないことに注意してください。W&B API に対してクエリを送信するだけで、実験や Artifacts などをトラッキングしない場合は、run を作成する必要がないためです。
-コレクションが受け入れる Artifact のタイプがわかったら、[コレクションを作成](#コレクションを作成する) することができます。
+コレクションが受け付ける Artifacts の種類が把握できたら、[コレクションを作成](#create-a-collection)できます。
-## コレクションを作成する
+
+ ## コレクションを作成する
+
-レジストリ内にコレクションをインタラクティブに、またはプログラムで作成します。コレクションを作成した後に、そのコレクションが受け入れる Artifact のタイプを変更することはできません。
+レジストリ内にコレクションをインタラクティブに、またはプログラムから作成できます。作成後に、そのコレクションが受け入れる Artifacts のタイプを変更することはできません。
-### プログラムでコレクションを作成する
+
+ ### プログラムからコレクションを作成する
+
-`wandb.Run.link_artifact()` メソッドを使用して、Artifact をコレクションにリンクします。`target_path` フィールドに、コレクションとレジストリの両方を以下の形式のパスとして指定します：
+`wandb.Run.link_artifact()` メソッドを使用して、 Artifacts をコレクションにリンクします。`target_path` フィールドには、コレクションとレジストリの両方を、次の形式のパスとして指定します。
```python
f"wandb-registry-{registry_name}/{collection_name}"
```
-ここで、`registry_name` はレジストリの名前、`collection_name` はコレクションの名前です。レジストリ名の前に必ず `wandb-registry-` という接頭辞を付けてください。
+ここで、`registry_name` はレジストリ名、`collection_name` はコレクション名です。レジストリ名の先頭には必ず接頭辞 `wandb-registry-` を付けてください。
-存在しないコレクションに Artifact をリンクしようとすると、W&B は自動的にコレクションを作成します。すでに存在するコレクションを指定した場合は、W&B はその既存のコレクションに Artifact をリンクします。
+ 存在しないコレクションに Artifacts をリンクしようとした場合、W&B は自動的にコレクションを作成します。存在するコレクションを指定した場合、W&B はその既存のコレクションに Artifacts をリンクします。
-以下のコードスニペットは、プログラムでコレクションを作成する方法を示しています。`<>` で囲まれた各値は、自身の値に置き換えてください。
+以下のコードスニペットは、プログラムでコレクションを作成する方法を示しています。`<>` で囲まれている値は、必ずご自身の値に置き換えてください。
```python
import wandb
-# run を初期化
+# run を初期化する
with wandb.init(entity = "", project = "") as run:
- # artifact オブジェクトを作成
+ # Artifacts オブジェクトを作成する
artifact = wandb.Artifact(
name = "",
type = ""
@@ -131,25 +140,27 @@ with wandb.init(entity = "", project = "") as run:
collection_name = ""
target_path = f"wandb-registry-{registry_name}/{collection_name}"
- # artifact をコレクションにリンク
+ # Artifacts をコレクションにリンクする
run.link_artifact(artifact = artifact, target_path = target_path)
```
-### インタラクティブにコレクションを作成する
+
+ ### 対話的にコレクションを作成する
+
-以下の手順は、W&B Registry を使用してインタラクティブにコレクションを作成する方法を説明しています。
+次の手順では、W&B Registry を使用して対話的にコレクションを作成する方法を説明します。
-1. https://wandb.ai/registry/ で W&B Registry に移動します。
+1. https://wandb.ai/registry/ にアクセスして W&B Registry を開きます。
2. レジストリを選択します。
-3. 右上隅の **Create collection** ボタンをクリックします。
-4. **Name** フィールドにコレクションの名前を入力します。
-5. **Type** ドロップダウンからタイプを選択します。または、レジストリでカスタム Artifact タイプが有効な場合は、このコレクションが受け入れる1つ以上の Artifact タイプを入力します。
-6. オプションで、**Description** フィールドにコレクションの説明を入力します。
-7. オプションで、**Tags** フィールドに1つ以上のタグを追加します。
+3. 右上隅にある **Create collection** ボタンをクリックします。
+4. **Name** フィールドにコレクションの名前を入力します。
+5. **Type** ドロップダウンからタイプを選択します。 または、そのレジストリでカスタム Artifacts タイプが有効になっている場合は、このコレクションで受け付ける Artifacts タイプを 1 つ以上指定します。
+6. 必要に応じて **Description** フィールドにコレクションの説明を入力します。
+7. 必要に応じて **Tags** フィールドに 1 つ以上のタグを追加します。
8. **Link version** をクリックします。
-9. **Project** ドロップダウンから、Artifact が保存されているプロジェクトを選択します。
-10. **Artifact** コレクションのドロップダウンから、Artifact を選択します。
-11. **Version** ドロップダウンから、コレクションにリンクしたい Artifact バージョンを選択します。
+9. **Project** ドロップダウンから、 Artifacts が保存されているプロジェクトを選択します。
+10. **Artifact** コレクションのドロップダウンから、対象の Artifacts を選択します。
+11. **Version** ドロップダウンから、コレクションにリンクしたい Artifacts のバージョンを選択します。
12. **Create collection** ボタンをクリックします。
+ ## レジストリを作成する
+
-W&B Registry UI または W&B Python SDK を使用して、プログラムからレジストリを作成できます。
+W&B Registry UI または W&B Python SDK を使用して、プログラムでレジストリを作成します。
-
-1. https://wandb.ai/registry/ から W&B Registry にアクセスします。
-2. **Create registry** ボタンをクリックします。
-3. **Name** フィールドにレジストリ名を入力します。
-4. 任意で、レジストリに関する説明を入力します。
-5. **Registry visibility** ドロップダウンから、レジストリを閲覧できる ユーザー を選択します。公開範囲のオプションの詳細については、[レジストリの公開範囲のタイプ](./configure_registry#registry-visibility-types) を参照してください。
-6. **Accepted artifacts type** ドロップダウンから、**All types** または **Specify types** のいずれかを選択します。
-7. （**Specify types** を選択した場合）レジストリが受け入れる Artifacts のタイプを1つ以上追加します。
-8. **Create registry** ボタンをクリックします。
-
-
-[`wandb.Api().create_registry()`](/models/ref/python/#method-apicreate_registry) メソッドを使用して、プログラムからレジストリを作成します。`name` パラメータに名前を、`visibility` パラメータに [公開範囲](#公開範囲のタイプ) をそれぞれ指定します。
-
-以下の コード ブロックをコピーして貼り付けます。 `<>` で囲まれた 値 を独自のものに置き換えてください。
-
-```python
-import wandb
-
-# レジストリを作成する
-registry = wandb.Api().create_registry(
- name="",
- visibility="< 'restricted' | 'organization' >",
-)
-```
-
-レジストリ作成時に指定できる パラメータ の完全なリストについては、[`wandb.Api().create_registry()`](/models/ref/python/#method-apicreate_registry) メソッドリファレンスを参照してください。
-
+
+ 1. https://wandb.ai/registry/ にアクセスして W&B Registry を開きます。
+ 2. **Create registry** ボタンをクリックします。
+ 3. **Name** フィールドにレジストリ名を入力します。
+ 4. 必要に応じて、そのレジストリに関する説明を入力します。
+ 5. **Registry visibility** ドロップダウンから、そのレジストリを閲覧できる対象を選択します。レジストリの公開範囲オプションの詳細は [Registry visibility types](./configure_registry#registry-visibility-types) を参照してください。
+ 6. **Accepted artifacts type** ドロップダウンから **All types** か **Specify types** のいずれかを選択します。
+ 7. （**Specify types** を選択した場合）レジストリで受け入れる 1 つ以上の Artifacts タイプを追加します。
+ 8. **Create registry** ボタンをクリックします。
+
+
+
+ [`wandb.Api().create_registry()`](/ja/models/ref/python/#method-apicreate_registry) メソッドを使用して、プログラムからレジストリを作成します。`name` と `visibility` パラメーターには、それぞれレジストリの名前と [visibility](#visibility-types) を指定します。
+
+ 以下のコードブロックをコピー＆ペーストし、`<>` で囲まれた値を自分の値に置き換えてください。
+
+ ```python
+ import wandb
+
+ registry = wandb.Api().create_registry(
+ name="",
+ visibility="< 'restricted' | 'organization' >",
+ )
+ ```
+
+ レジストリを作成する際に指定できるパラメーターの一覧については、[`wandb.Api().create_registry()`](/ja/models/ref/python/#method-apicreate_registry) メソッドリファレンスを参照してください。
+
-
-Artifacts のタイプは、一度レジストリの 設定 に保存されると、そのレジストリから削除することはできません。
-
+
+ Artifacts タイプは、レジストリの設定に保存された後はレジストリから削除できません。
+
+
+例えば、次の画像はユーザーが作成しようとしている `Fine_Tuned_Models` という名前のレジストリを示しています。このレジストリは **Restricted** に設定されており、レジストリに手動で追加されたメンバーだけがアクセスできます。
-例えば、以下の画像は `Fine_Tuned_Models` という名前のレジストリを作成しようとしているところです。このレジストリは **Restricted**（制限付き）に設定されており、手動で追加されたメンバーのみが アクセス できます。
+ ## 公開範囲の種類
+
-レジストリの *公開範囲* は、誰がそのレジストリに アクセス できるかを決定します。レジストリの公開範囲を制限することで、特定のメンバーだけがそのレジストリに アクセス できるように管理できます。
+レジストリの *公開範囲* は、そのレジストリに誰がアクセスできるかを決定します。レジストリの公開範囲を制限することで、指定したメンバーだけがそのレジストリにアクセスできるようにできます。
-レジストリには2つの公開範囲オプションがあります。
+レジストリの公開範囲には、次の 2 種類のオプションがあります。
-| 公開範囲 | 説明 |
-| --- | --- |
-| Restricted | 招待された組織メンバーのみがレジストリに アクセス できます。 |
-| Organization | 組織内の全員がレジストリに アクセス できます。 |
+| Visibility | Description |
+| --- | --- |
+| Restricted | 招待された組織メンバーのみがレジストリにアクセスできます。|
+| Organization | 組織内の全員がレジストリにアクセスできます。 |
-Team 管理者またはレジストリ管理者が、レジストリの公開範囲を設定できます。
+チーム管理者またはレジストリ管理者が、レジストリの公開範囲を設定できます。
-Restricted の公開範囲でレジストリを作成した ユーザー は、自動的にそのレジストリの管理者として追加されます。
+公開範囲を Restricted に設定してレジストリを作成したユーザーは、そのレジストリのレジストリ管理者として自動的に追加されます。
-## レジストリの公開範囲を設定する
+
+ ## レジストリの公開範囲を設定する
+
-Team 管理者またはレジストリ管理者は、レジストリの作成中または作成後に公開範囲を割り当てることができます。
+チーム管理者またはレジストリ管理者は、レジストリの作成時または作成後に、そのレジストリの公開範囲を設定できます。
-既存のレジストリの公開範囲を制限するには：
+既存のレジストリの公開範囲を制限するには、次の手順に従います。
-1. https://wandb.ai/registry/ から W&B Registry にアクセスします。
-2. レジストリを選択します。
-3. 右上の歯車アイコンをクリックします。
-4. **Registry visibility** ドロップダウンから、希望する公開範囲を選択します。
-5. **Restricted visibility** を選択した場合：
- 1. このレジストリへの アクセス 権を付与したい組織のメンバーを追加します。 **Registry members and roles** セクションまでスクロールし、 **Add member** ボタンをクリックします。
- 2. **Member** フィールドに、追加したいメンバーのメールアドレスまたは ユーザー 名を入力します。
+1. https://wandb.ai/registry/ にアクセスして W&B Registry に移動します。
+2. レジストリを 1 つ選択します。
+3. 右上隅にある歯車アイコンをクリックします。
+4. **Registry 公開範囲** ドロップダウンから、希望するレジストリの公開範囲を選択します。
+5. **制限付き公開範囲** を選択した場合:
+ 1. このレジストリへのアクセスを許可したい組織のメンバーを追加します。**Registry members and roles** セクションまでスクロールし、**Add member** ボタンをクリックします。
+ 2. **Member** フィールドに、このレジストリに追加したいメンバーのメールアドレスまたはユーザー名を入力します。
3. **Add new member** をクリックします。
-プログラムで Registry を削除するには、`wandb` API の `delete()` メソッドを使用します。以下の例では、次の手順を示します。
+`wandb` API の `delete()` メソッドを使用して、レジストリをプログラムから削除できます。次の例では、以下を行います。
-1. `api.registry()` を使用して、削除したい Registry を取得します。
-2. 返された Registry オブジェクトに対して `delete()` メソッドを呼び出し、Registry を削除します。
+1. 削除したいレジストリを `api.registry()` で取得します。
+1. 取得したレジストリオブジェクトに対して `delete()` メソッドを呼び出し、レジストリを削除します。
```python
import wandb
-# W&B API を初期化
+# Initialize the W&B API
api = wandb.Api()
-# 削除したい Registry を取得
+# Fetch the registry you want to delete
fetched_registry = api.registry("")
-# Registry を削除
+# Deleting a registry
fetched_registry.delete()
```
-1. https://wandb.ai/registry/ から W&B Registry に移動します。
-2. 削除したい Registry を選択します。
-3. 右上隅の歯車アイコンをクリックして、Registry の settings を表示します。
-4. Registry を削除するには、settings ページの右上隅にあるゴミ箱アイコンをクリックします。
-5. 表示されるモーダルで削除する Registry の名前を入力して確認し、**Delete** をクリックします。
+1. https://wandb.ai/registry/ にアクセスして、W&B Registry を開きます。
+2. 削除したいレジストリを選択します。
+3. 右上の歯車アイコンをクリックして、そのレジストリの設定を表示します。
+4. レジストリを削除するには、設定ページ右上のゴミ箱アイコンをクリックします。
+5. 表示されるモーダルでレジストリ名を入力して削除対象を確認し、**Delete** をクリックします。
\ No newline at end of file
diff --git a/ja/models/registry/download_use_artifact.mdx b/ja/models/registry/download_use_artifact.mdx
index f82a73bb98..4589bff009 100644
--- a/ja/models/registry/download_use_artifact.mdx
+++ b/ja/models/registry/download_use_artifact.mdx
@@ -1,30 +1,30 @@
---
-title: レジストリから Artifact をダウンロードする
+title: レジストリから Artifacts をダウンロードする
---
-W&B Python SDK を使用して、リポジトリにリンクされた Artifacts をダウンロードします。Artifacts をダウンロードして使用するには、レジストリ名、コレクション名、およびダウンロードしたい Artifact バージョンの エイリアス またはインデックスを知る必要があります。
+W&B Python SDK を使用して、レジストリにリンクされた Artifacts をダウンロードします。 Artifacts をダウンロードして使用するには、レジストリ名、コレクション名、そしてダウンロードしたい Artifacts バージョンのエイリアスまたはインデックスを把握しておく必要があります。
-Artifact のプロパティを確認したら、[リンクされた Artifact へのパスを作成](#リンクされた-artifact-へのパスを作成する) してダウンロードできます。あるいは、W&B App UI から [事前生成されたコードスニペットをコピー＆ペースト](#事前生成されたコードスニペットをコピーペーストする) して、レジストリにリンクされた Artifact をダウンロードすることも可能です。
+Artifacts のプロパティが分かったら、[リンクされた Artifacts へのパスを構築](#construct-path-to-linked-artifact)して Artifacts をダウンロードできます。あるいは、W&B App UI から [事前生成されたコードスニペットをコピーしてペースト](#copy-and-paste-pre-generated-code-snippet)して、レジストリにリンクされた Artifacts をダウンロードすることもできます。
+
+ ## リンクされた Artifacts へのパスを作成する
+
-## リンクされた Artifact へのパスを作成する
+レジストリにリンクされた Artifacts をダウンロードするには、そのリンクされた Artifacts のパスを知っておく必要があります。パスは、レジストリ名、コレクション名、およびアクセスしたい Artifacts バージョンのエイリアスまたはインデックスで構成されます。
-レジストリにリンクされた Artifact をダウンロードするには、そのリンクされた Artifact のパスを知る必要があります。パスは、レジストリ名、コレクション名、および アクセス したい Artifact バージョンの エイリアス またはインデックスで構成されます。
-
-レジストリ、コレクション、および Artifact バージョンの エイリアス またはインデックスがわかれば、以下の文字列テンプレートを使用して、リンクされた Artifact へのパスを作成できます。
+レジストリ、コレクション、および Artifacts バージョンのエイリアスまたはインデックスがわかったら、次の文字列テンプレートを使用して、リンクされた Artifacts へのパスを作成できます。
```python
-# バージョンインデックスを指定した Artifact 名
+# バージョンインデックスを指定した Artifacts 名
f"wandb-registry-{REGISTRY}/{COLLECTION}:v{INDEX}"
-# エイリアスを指定した Artifact 名
+# エイリアスを指定した Artifacts 名
f"wandb-registry-{REGISTRY}/{COLLECTION}:{ALIAS}"
```
-波括弧 `{}` 内の値を、アクセス したいレジストリ名、コレクション名、および Artifact バージョンの エイリアス またはインデックスに置き換えてください。
-
+中かっこ `{}` 内の値を、アクセスしたい Artifacts バージョンの Registry 名、collection 名、およびそのエイリアスまたはインデックスに置き換えてください。
-リンクされた Artifact のパスを取得したら、`wandb.Run.use_artifact()` メソッドを使用して Artifact に アクセス し、その内容をダウンロードします。以下の コードスニペット は、W&B Registry にリンクされた Artifact を使用およびダウンロードする方法を示しています。`<>` 内の値は自身の環境に合わせて置き換えてください。
+リンクされた Artifacts のパスが分かったら、`wandb.Run.use_artifact()` メソッドを使って Artifacts にアクセスし、その内容をダウンロードします。以下のコードスニペットでは、W&B Registry にリンクされた Artifacts を使用してダウンロードする方法を示しています。`<>` 内の値は必ずご自身の値に置き換えてください。
```python
import wandb
@@ -35,15 +35,15 @@ ALIAS = ''
with wandb.init(entity = '', project = '') as run:
artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{ALIAS}"
- # artifact_name = '' # W&B Registry UI で指定されたフルネームをコピー＆ペースト
+ # artifact_name = '' # W&B Registry UI で指定されたフルネームをコピーして貼り付ける
fetched_artifact = run.use_artifact(artifact_or_name = artifact_name)
download_path = fetched_artifact.download()
```
-`wandb.Run.use_artifact()` メソッドは、[run](/models/runs/) を作成すると同時に、ダウンロードした Artifact をその run のインプットとしてマークします。
-Artifact を run のインプットとしてマークすることで、W&B はその Artifact の リネージ を追跡できるようになります。
+The `wandb.Run.use_artifact()` メソッドは [run](/ja/models/runs) を作成すると同時に、ダウンロードした Artifacts をその run の入力としてマークします。
+Artifacts を run の入力としてマークすると、W&B がその Artifacts のリネージを追跡できるようになります。
-run を作成したくない場合は、`wandb.Api()` オブジェクト を使用して Artifact に アクセス できます。
+run を作成したくない場合は、`wandb.Api()` オブジェクトを使用して Artifacts にアクセスできます。
```python
import wandb
@@ -58,73 +58,73 @@ artifact = api.artifact(name = artifact_name)
```
-例：W&B Registry にリンクされた Artifact の使用とダウンロード
+ 例: W&B Registry にリンクされた artifact の使用とダウンロード
-以下のコード例は、**Fine-tuned Models** レジストリ内の `phi3-finetuned` というコレクションにリンクされた Artifact をダウンロードする方法を示しています。Artifact バージョンの エイリアス は `production` に設定されています。
+ 次のコード例は、**Fine-tuned Models** レジストリ内の `phi3-finetuned` というコレクションにリンクされた Artifacts をダウンロードする方法を示しています。 Artifacts バージョンのエイリアスは `production` に設定されています。
-```python
-import wandb
+ ```python
+ import wandb
-TEAM_ENTITY = "product-team-applications"
-PROJECT_NAME = "user-stories"
+ TEAM_ENTITY = "product-team-applications"
+ PROJECT_NAME = "user-stories"
-REGISTRY = "Fine-tuned Models"
-COLLECTION = "phi3-finetuned"
-ALIAS = 'production'
+ REGISTRY = "Fine-tuned Models"
+ COLLECTION = "phi3-finetuned"
+ ALIAS = 'production'
-# 指定したチームとプロジェクト内で run を初期化
-with wandb.init(entity=TEAM_ENTITY, project = PROJECT_NAME) as run:
+ # 指定したチームとプロジェクト内で run を初期化
+ with wandb.init(entity=TEAM_ENTITY, project = PROJECT_NAME) as run:
- artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{ALIAS}"
+ artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{ALIAS}"
- # Artifact にアクセスし、リネージ追跡のために run のインプットとしてマークする
- fetched_artifact = run.use_artifact(artifact_or_name = artifact_name)
+ # Artifacts へアクセスし、リネージ追跡のために run の入力としてマーク
+ fetched_artifact = run.use_artifact(artifact_or_name = artifact_name)
- # Artifact をダウンロード。ダウンロードされたコンテンツへのパスを返す
- downloaded_path = fetched_artifact.download()
-```
+ # Artifacts をダウンロード。ダウンロードされたコンテンツへのパスを返す
+ downloaded_path = fetched_artifact.download()
+ ```
-
-パラメータと戻り値の型については、API リファレンスの [`wandb.Run.use_artifact()`](/models/ref/python/experiments/run#use_artifact) および [`Artifact.download()`](/models/ref/python/experiments/artifact#download) を参照してください。
+パラメーターと戻り値の型については、API リファレンスの [`wandb.Run.use_artifact()`](/ja/models/ref/python/experiments/run#use_artifact) および [`Artifact.download()`](/ja/models/ref/python/experiments/artifact#download) を参照してください。
-**複数の組織に所属する個人エンティティのユーザー**
+ **複数の組織に所属する個人の entity を持つ Users**
-複数の組織に所属する個人エンティティの Users は、レジストリにリンクされた Artifacts に アクセス する際、組織名を指定するか、チームエンティティを使用する必要があります。
-
-```python
-import wandb
+ 複数の組織に所属する個人の entity を持つユーザーは、レジストリにリンクされた Artifacts へアクセスする際に、自分の組織名を指定するか、team entity を使用する必要があります。
-REGISTRY = ""
-COLLECTION = ""
-VERSION = ""
+ ```python
+ import wandb
-# API をインスタンス化する際にチームエンティティを使用していることを確認してください
-api = wandb.Api(overrides={"entity": ""})
-artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
-artifact = api.artifact(name = artifact_name)
+ REGISTRY = ""
+ COLLECTION = ""
+ VERSION = ""
-# パスの構築
-api = wandb.Api()
-artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
-artifact = api.artifact(name = artifact_name)
-```
+ # API をインスタンス化する際に team entity を使用していることを確認
+ api = wandb.Api(overrides={"entity": ""})
+ artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
+ artifact = api.artifact(name = artifact_name)
+ # パスを構築
+ api = wandb.Api()
+ artifact_name = f"wandb-registry-{REGISTRY}/{COLLECTION}:{VERSION}"
+ artifact = api.artifact(name = artifact_name)
+ ```
-## 事前生成されたコードスニペットをコピー＆ペーストする
+
+ ## 事前生成されたコードスニペットをコピー＆ペーストする
+
-W&B は、レジストリにリンクされた Artifact をダウンロードするために、Python スクリプト、ノートブック、または ターミナル にコピー＆ペーストできる コードスニペット を生成します。
+W&B は、レジストリにリンクされた Artifacts をダウンロードするために、Python スクリプト、ノートブック、またはターミナルにコピー＆ペーストできるコードスニペットを作成します。
-1. W&B Registry に移動します。
-2. Artifact が含まれているレジストリ名を選択します。
+1. W&B Registry に移動します。
+2. Artifacts を含むレジストリ名を選択します。
3. コレクション名を選択します。
-4. Artifact バージョンのリストから、アクセス したい バージョン を選択します。
+4. Artifacts バージョンの一覧から、利用したいバージョンを選択します。
5. **Usage** タブを選択します。
-6. **Usage API** セクションに表示されている コードスニペット をコピーします。
-7. コードスニペット を Python スクリプト、ノートブック、または ターミナル に貼り付けます。
+6. **Usage API** セクションに表示されているコードスニペットをコピーします。
+7. コピーしたコードスニペットを Python スクリプト、ノートブック、またはターミナルにペーストします。
+ ## ライネージグラフ
+
-W&B Registry 内のコレクションでは、ML 実験で使用された Artifacts の履歴を表示できます。この履歴は _リネージグラフ_ と呼ばれます。
+W&B Registry 内のコレクションでは、ML 実験で使用される Artifacts の履歴を表示できます。この履歴は *lineage graph*（ライネージグラフ）と呼ばれます。
-リネージグラフには以下が表示されます：
-* [run の入力](/models/artifacts/explore-and-traverse-an-artifact-graph#track-the-input-of-a-run) として使用された Artifacts。
-* [run の出力](/models/artifacts/explore-and-traverse-an-artifact-graph#track-the-output-of-a-run) として作成された Artifacts。
+ライネージグラフには、次の情報が表示されます。
-言い換えれば、リネージグラフは run の入力と出力を示します。
+* [run の入力として使用された Artifacts](/ja/models/artifacts/explore-and-traverse-an-artifact-graph#track-the-input-of-a-run)
+* [run の出力として作成された Artifacts](/ja/models/artifacts/explore-and-traverse-an-artifact-graph#track-the-output-of-a-run)
-例えば、次の画像は ML 実験全体で作成および使用された Artifacts の典型的なリネージグラフを示しています：
+言い換えると、ライネージグラフは run の入力と出力を表示します。
+
+たとえば、次の画像は、ML 実験全体で作成および使用される Artifacts の典型的なライネージグラフを示しています。
-W&B Python SDK を使用して run の入出力を追跡する方法については、[リネージグラフのトラッキングを有効にする](/models/artifacts/explore-and-traverse-an-artifact-graph#enable-lineage-graph-tracking) を参照してください。
+ W&B Python SDK を使用して run の入力と出力を追跡する方法については、[Enable lineage graph tracking](/ja/models/artifacts/explore-and-traverse-an-artifact-graph#enable-lineage-graph-tracking) を参照してください。
-次の画像は、リネージグラフ内のノードを選択したときに表示される、run (`rural-feather-20`) の展開された詳細ビューを示しています：
+次の画像は、ライネージグラフ内のノードを選択したときに表示される run（`rural-feather-20`）の詳細ビューを示しています。
-コレクションの一部ではない、W&B にログ記録した Artifacts のリネージグラフを表示することもできます。詳細は [アーティファクトグラフの探索](/models/artifacts/explore-and-traverse-an-artifact-graph) を参照してください。
+ コレクションに含まれていないが W&B にログした Artifacts についても、ライネージグラフを表示できます。詳細については、[Explore artifact graphs](/ja/models/artifacts/explore-and-traverse-an-artifact-graph) を参照してください。
+
+ ## コレクションの履歴を監査する
+
-## コレクションの履歴の監査
-
-組織のメンバーがそのコレクションに対して行ったアクションを表示します。以下を確認できます：
+組織のメンバーがそのコレクションに対して実行した操作を表示できます。次の内容を確認できます。
-- アーティファクトバージョンに対して エイリアス が追加または削除されたかどうか。
-- アーティファクトバージョンがコレクションに追加または削除されたかどうか。
+* エイリアスが Artifacts バージョンに追加または削除されたかどうか。
+* Artifacts バージョンがコレクションに追加または削除されたかどうか。
-どちらのアクションについても、アクションを実行した ユーザー とアクションが発生した日付を確認できます。
+どちらの操作についても、その操作を実行したユーザーと、操作が行われた日付を表示できます。
-コレクションのアクション履歴を表示するには：
+コレクションの操作履歴を表示するには、次の手順を実行します。
-1. W&B Registry に移動します。
-2. アクション履歴を表示したいコレクションを選択します。
-3. コレクション名の横にあるドロップダウンメニューを選択します。
+1. W&B Registry に移動します。
+2. 操作履歴を表示したいコレクションを選択します。
+3. コレクション名の横にあるドロップダウン メニューを選択します。
4. **Action History** オプションを選択します。
-{/* Select a run node to view that run's details, such as the run's ID, the run's name, the run's state, and more. As an example, the proceeding image shows information about the `rural-feather-20` run:
+{/* run ノードを選択すると、その run の ID、名前、状態などの詳細を表示できます。例として、次の画像では `rural-feather-20` run の情報を表示しています。
-Select an artifact node to view that artifact's details, such as its full name, type, creation time, and associated aliases. */}
\ No newline at end of file
+ Artifacts ノードを選択すると、その Artifacts の完全な名前、タイプ、作成時刻、関連付けられたエイリアスなどの詳細を表示できます。 */}
diff --git a/ja/models/registry/link_version.mdx b/ja/models/registry/link_version.mdx
index 38d2bafde6..dd0aea3aa8 100644
--- a/ja/models/registry/link_version.mdx
+++ b/ja/models/registry/link_version.mdx
@@ -1,260 +1,274 @@
---
-title: アーティファクト バージョン をコレクションにリンクする
+title: Artifacts バージョンをコレクションにリンクする
---
-Artifact のバージョンを組織内で利用可能にするには、W&B Registry の [コレクション](/models/registry/create_collection) に **リンク** します。リンクすることで、そのバージョンは [プライベートなプロジェクトレベルのスコープから、共有された組織レベルのスコープへ](/models/registry/create_registry#visibility-types) 移動します。Artifact バージョンのリンクは、[W&B Python SDK を使用してプログラムで行うか、W&B App でインタラクティブに](/models/registry/link_version#link-an-artifact-to-a-collection) 行うことができます。
+組織で Artifacts バージョンを利用できるようにするには、そのバージョンを W&B Registry 内の [collection](/ja/models/registry/create_collection) に *リンク* します。リンクすると、そのバージョンは [プライベートなプロジェクトレベルのスコープから、共有の組織レベルのスコープに移動されます](/ja/models/registry/create_registry#visibility-types)。 Artifacts バージョンは [W&B Python SDK を使用してプログラムから、または W&B App でインタラクティブにリンクできます](/ja/models/registry/link_version#link-an-artifact-to-a-collection)。
-Artifact をリンクすると、W&B はソースとなる Artifact とコレクションのエントリの間に参照を作成します。リンクされたバージョンは、プロジェクト内の Run でログに記録されたソースの Artifact バージョンを指します。コレクション内のリンクされたバージョンと、それがログに記録されたプロジェクト内のソースバージョンの両方を確認できます。
+Artifacts をリンクすると、W&B は元の Artifacts とコレクション エントリの間に参照を作成します。リンクされたバージョンは、特定のプロジェクト内の run にログされた元の Artifacts バージョンを指します。コレクション内のリンクされたバージョンと、それがログされたプロジェクト内の元のバージョンの両方を表示できます。
+
+ ## コレクションに Artifacts をリンクする
+
-## Artifact をコレクションにリンクする
-
-ユースケースに合わせて、以下のタブに記載されている手順に従って Artifact バージョンをリンクしてください。
+ユースケースに応じて、以下のタブに記載された手順に従って Artifacts バージョンをリンクします。
-開始する前に、以下を確認してください：
-* そのコレクションが許可している Artifact のタイプ。コレクションのタイプに関する詳細は、[コレクションの作成](./create_collection) 内の「Collection types」を参照してください。
-* コレクションが属する Registry が既に存在していること。Registry が存在するかどうかを確認するには、[Registry App に移動して](/models/registry/search_registry) Registry 名を検索してください。
-
+ 作業を始める前に、次の点を確認してください。
+ * コレクションで許可されている Artifacts の種類。コレクション タイプの詳細については、[Create a collection](./create_collection) 内の「Collection types」を参照してください。
+ * コレクションが属するレジストリがすでに存在していること。レジストリが存在するか確認するには、[Registry App で検索する](/ja/models/registry/search_registry) に移動し、レジストリ名を検索します。
+
{/*
-If an artifact version logs metrics (such as by using `wandb.Run.log_artifact()`), you can view metrics for that version from its details page, and you can compare metrics across artifact versions from the artifact's page. Refer to [View linked artifacts in a registry](#registry-でリンクされた-artifact-を表示する).
- */}
+ Artifacts バージョンがメトリクスをログしている場合（`wandb.Run.log_artifact()` を使用するなど）、そのバージョンの詳細ページからメトリクスを表示でき、 Artifacts のページでは Artifacts バージョン間でメトリクスを比較できます。[レジストリでリンク済み Artifacts を表示する](#view-linked-artifacts-in-a-registry) を参照してください。
+ */}
-
-{/*
-Watch a [video demonstrating linking a version](https://www.youtube.com/watch?v=2i_n1ExgO0A) (8 min).
- */}
-
-[`wandb.Run.link_artifact()`](/ref/python/experiments/run#link_artifact") または [`wandb.Artifact.link()`](/ref/python/experiments/artifact#method-artifactlink") を使用して、Artifact バージョンをプログラムでコレクションにリンクします。
-
-
-
-[Run のコンテキスト内で](#run-のコンテキスト内で-artifact-バージョンをリンクする) Artifact バージョンをリンクするには `wandb.Run.link_artifact()` を使用します。[Run のコンテキスト外で](#run-のコンテキスト外で-artifact-バージョンをリンクする) *既存の Artifact バージョン* をリンクするには `wandb.Artifact.link()` を使用します。
-
-
-
-{/*
-`wandb.Artifact.link()` does not require you to initialize a run with `wandb.init()`. `wandb.Run.link_artifact()` requires you to initialize a run with `wandb.init()`.
- */}
+
+ {/*
+ バージョンのリンク方法をデモした [動画](https://www.youtube.com/watch?v=2i_n1ExgO0A)（8 分）を視聴できます。
+ */}
-どちらのアプローチでも、Artifact の名前 (`wandb.Artifact(name=""`)、Artifact のタイプ (`wandb.Artifact(type=""`)、およびリンク先のコレクションと Registry の `target_path` (`wandb.Artifact(target_path=""`) を指定します。
+ Artifacts のバージョンをプログラムでコレクションにリンクするには、[`wandb.Run.link_artifact()`](/ja/models/ref/python/experiments/run#link_artifact) または [`wandb.Artifact.link()`](/ja/models/ref/python/experiments/artifact#method-artifactlink) を使用します。
-ターゲットパスは、プレフィックス `"wandb-registry"`、Registry 名、およびコレクション名をスラッシュで区切った形式で構成されます。
+
+ run のコンテキスト内で Artifacts バージョンをリンクするには `wandb.Run.link_artifact()` を使用します。[run のコンテキスト内で Artifacts バージョンをリンクする](#link-an-artifact-version-within-the-context-of-a-run)。run のコンテキスト外で *既存の Artifacts バージョン* をリンクするには `wandb.Artifact.link()` を使用します。[run のコンテキスト外で Artifacts バージョンをリンクする](#link-an-artifact-version-outside-the-context-of-a-run)。
+
-{/* Use the `target_path` parameter to specify the collection and registry you want to link the artifact version to. The target path consists of the prefix "wandb-registry", the name of the registry, and the name of the collection separated by a forward slashes: */}
+ {/*
+ `wandb.Artifact.link()` を使用する場合は、`wandb.init()` で run を初期化する必要はありません。`wandb.Run.link_artifact()` を使用する場合は、`wandb.init()` で run を初期化しておく必要があります。
+ */}
-```text
-wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}
-```
+ どちらのアプローチでも、 Artifacts の名前 (`wandb.Artifact(name=""`)、 Artifacts のタイプ (`wandb.Artifact(type=""`)、および Artifacts のバージョンをリンクするコレクションと Registry の `target_path` (`wandb.Artifact(target_path="")`) を指定してください。
-### Run のコンテキスト内で Artifact バージョンをリンクする
+ ターゲットパスは、プレフィックス `"wandb-registry"`、レジストリ名、コレクション名をスラッシュ（`/`）で区切った形式で構成されます：
-Run のコンテキスト内で Artifact バージョンをリンクするには、`wandb.Run.link_artifact()` を使用します。これを行うには、まず `wandb.init()` で Run を初期化します。次に、Artifact オブジェクトを作成してファイルを追加します。最後に、`wandb.Run.link_artifact()` メソッドを使用して Artifact バージョンをコレクションにリンクします。
+ {/* `target_path` パラメーターを使用して、リンク先とする Artifacts バージョンのレジストリとコレクションを指定します。`target_path` は、プレフィックス "wandb-registry"、レジストリ名、コレクション名をスラッシュで区切って構成されます。 */}
-この方法を使用すると、W&B プロジェクトに Run が作成されます。Artifact バージョンはそのコレクションにリンクされ、その Run に関連付けられます。
+ ```text
+ wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}
+ ```
-以下のコードスニペットをコピーして貼り付けてください。`<>` で囲まれた値はご自身のものに置き換えてください。
+ ### run のコンテキスト内で Artifacts バージョンをリンクする
-```python
-import wandb
+ run のコンテキスト内で Artifacts のバージョンをリンクするには、`wandb.Run.link_artifact()` を使用します。まず `wandb.init()` で run を初期化し、次に Artifacts オブジェクトを作成してファイルを追加します。最後に、`wandb.Run.link_artifact()` メソッドを使用して、 Artifacts のバージョンをコレクションにリンクします。
-entity = "" # チームの entity
-project = "" # Artifact を含むプロジェクトの名前
+ このアプローチを使用すると、W&B プロジェクトに run が作成されます。 Artifacts のバージョンはコレクションにリンクされ、その run に関連付けられます。
-# Run を初期化
-with wandb.init(entity = entity, project = project) as run:
+ 以下のコードスニペットをコピーして貼り付けてください。`<>` で囲まれた値は実際の値に置き換えてください：
- # Artifact オブジェクトを作成
- # type パラメータは Artifact オブジェクトのタイプと
- # コレクションのタイプの両方を指定します
- artifact = wandb.Artifact(name = "", type = "")
+ ```python
+ import wandb
- # Artifact オブジェクトにファイルを追加
- # ローカルマシンのファイルへのパスを指定します
- artifact.add_file(local_path = "")
+ entity = "" # チームエンティティ
+ project = "" # Artifacts を含むプロジェクトの名前
- # リンク先のコレクションと Registry を指定
- REGISTRY_NAME = ""
- COLLECTION_NAME = ""
- target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
+ # run を初期化する
+ with wandb.init(entity = entity, project = project) as run:
- # Artifact をコレクションにリンク
- run.link_artifact(artifact = artifact, target_path = target_path)
-```
+ # Artifacts オブジェクトを作成する
+ # type パラメーターは Artifacts オブジェクトの型と
+ # コレクションの型の両方を指定する
+ artifact = wandb.Artifact(name = "", type = "")
-### Run のコンテキスト外で Artifact バージョンをリンクする
+ # Artifacts オブジェクトにファイルを追加する。
+ # ローカルマシン上のファイルのパスを指定する。
+ artifact.add_file(local_path = "")
-Run のコンテキスト外で既存の Artifact バージョンをリンクするには、`wandb.Artifact.link()` を使用します。この方法では、`wandb.init()` で Run を初期化する必要はありません。つまり、W&B プロジェクトに Run は作成されません。言い換えると、Artifact バージョンは Run に関連付けられることなくコレクションにリンクされます。
+ # Artifacts のリンク先となるコレクションとレジストリを指定する
+ REGISTRY_NAME = ""
+ COLLECTION_NAME = ""
+ target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
-まず Artifact オブジェクトを作成し、ファイルを追加します。次に、`wandb.Artifact.link()` メソッドを使用して Artifact バージョンをコレクションにリンクします。
+ # Artifacts をコレクションにリンクする
+ run.link_artifact(artifact = artifact, target_path = target_path)
+ ```
-以下のコードスニペットをコピーして貼り付けてください。`<>` で囲まれた値はご自身のものに置き換えてください。
+ ### run のコンテキスト外で Artifacts バージョンをリンクする
-```python
-import wandb
+ `wandb.Artifact.link()` を使用すると、run のコンテキスト外で既存の Artifacts バージョンをリンクできます。この方法では、`wandb.init()` で run を初期化する必要はありません。つまり、W&B プロジェクトに run は作成されません。言い換えると、 Artifacts バージョンは run に関連付けられることなく、コレクションにリンクされます。
-# Artifact オブジェクトを作成
-# type パラメータは Artifact オブジェクトのタイプと
-# コレクションのタイプの両方を指定します
-artifact = wandb.Artifact(name = "", type = "")
+ まず、 Artifacts オブジェクトを作成してファイルを追加します。次に、`wandb.Artifact.link()` メソッドを使用して、 Artifacts のバージョンをコレクションにリンクします。
-# Artifact オブジェクトにファイルを追加
-# ローカルマシンのファイルへのパスを指定します
-artifact.add_file(local_path = "")
+ 以下のコードスニペットをコピーして貼り付けてください。`<>` で囲まれた値は実際の値に置き換えてください：
-# リンク先のコレクションと Registry を指定
-REGISTRY_NAME = ""
-COLLECTION_NAME = ""
-target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
+ ```python
+ import wandb
-# Artifact をコレクションにリンク
-artifact.link(target_path = target_path)
-```
+ # Artifacts オブジェクトを作成する
+ # type パラメーターは Artifacts オブジェクトと
+ # コレクションの両方のタイプを指定する
+ artifact = wandb.Artifact(name = "", type = "")
+ # Artifacts オブジェクトにファイルを追加する。
+ # ローカルマシン上のファイルへのパスを指定する。
+ artifact.add_file(local_path = "")
+ # Artifacts のリンク先となるコレクションと Registry を指定する
+ REGISTRY_NAME = ""
+ COLLECTION_NAME = ""
+ target_path=f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}"
-
-
-1. W&B Registry に移動します。
-
-
-1. W&B App のプロジェクトの Artifact ブラウザ（`https://wandb.ai///artifacts`）に移動します。
-2. 左サイドバーの Artifacts アイコンを選択します。
-3. Registry にリンクしたい Artifact バージョンをクリックします。
-4. **Version overview** セクションで、**Link to registry** ボタンをクリックします。
-5. 画面右側に表示されるモーダルで、**Select a registered model** メニュードロップダウンから Artifact を選択します。
-6. **Next step** をクリックします。
-7. (オプション) **Aliases** ドロップダウンからエイリアスを選択します。
-8. **Link to registry** をクリックします。
-
-{/* Update this gif */}
-{/*
+ # Artifacts をコレクションにリンクする
+ artifact.link(target_path = target_path)
+ ```
+
+
+
+ 1. W&B Registry に移動します。
+
+
+
+ 1. `https://wandb.ai///artifacts` にアクセスし、W&B App 上でプロジェクトの Artifacts ブラウザーに移動します。
+ 2. プロジェクトのサイドバーで Artifacts アイコンを選択します。
+ 3. レジストリにリンクしたい Artifacts バージョンをクリックします。
+ 4. **Version overview** セクション内で **Link to registry** ボタンをクリックします。
+ 5. 画面右側に表示されるモーダル ウィンドウで、**Select a register model** メニューのドロップダウンから Artifacts を選択します。
+ 6. **Next step** をクリックします。
+ 7. （任意）**Aliases** ドロップダウンからエイリアスを選択します。
+ 8. **Link to registry** をクリックします。
+
+ {/* この GIF を更新 */}
+
+ {/*
-
-
{/*
-**Linked vs source artifact versions**
+ **リンクされた Artifacts バージョンとソース Artifacts バージョンの違い**
-* Source version: the artifact version inside a team's project that is logged to a [run](/models/track/runs/).
-* Linked version: the artifact version that is published to the registry. This is a pointer to the source artifact, and is the exact same artifact version, just made available in the scope of the registry.
- */}
+ * ソース バージョン: チームのプロジェクト内で [run](/models/track/runs/) にログされる Artifacts バージョンです。
+ * リンクされたバージョン: レジストリに公開された Artifacts バージョンです。これはソース Artifacts へのポインタであり、レジストリのスコープ内で利用できるようにしただけの、まったく同じ Artifacts バージョンです。
+ */}
-Registry App では、[リンクされた Artifact のメタデータ、バージョンデータ、使用状況、リネージ情報などを表示](/models/registry/link_version#view-linked-artifacts-in-a-registry") できます。
-
-## Registry でリンクされた Artifact を表示する
+レジストリ内の[リンクされた Artifacts のメタデータ、バージョン データ、利用状況、リネージ情報](/ja/models/registry/link_version#view-linked-artifacts-in-a-registry")などを Registry App で確認できます。
-W&B Registry で、リンクされた Artifact に関するメタデータ、リネージ、使用状況などの情報を表示できます。
+
+ ## レジストリでリンクされた Artifacts を表示する
+
-1. W&B Registry に移動します。
-2. Artifact をリンクした Registry の名前を選択します。
+W&B Registry で、メタデータ、リネージ、利用状況など、リンクされた Artifacts に関する情報を確認します。
+
+1. W&B Registry にアクセスします。
+2. Artifacts をリンクしたレジストリの名前を選択します。
3. コレクションの名前を選択します。
-4. コレクションの Artifact がメトリクスをログに記録している場合、**Show metrics** をクリックしてバージョン間でメトリクスを比較できます。
-4. Artifact バージョンのリストから、アクセスしたいバージョンを選択します。バージョン番号は、リンクされた各 Artifact バージョンに対して `v0` から順に割り当てられます。
-5. Artifact バージョンの詳細を表示するには、そのバージョンをクリックします。このページのタブから、そのバージョンのメタデータ（ログに記録されたメトリクスを含む）、リネージ、および使用状況情報を表示できます。
+4. コレクションの Artifacts がメトリクスを記録している場合、**Show metrics** をクリックしてバージョン間のメトリクスを比較します。
+5. Artifacts バージョンの一覧から、アクセスするバージョンを選択します。バージョン番号は `v0` から始まり、リンクされた各 Artifacts バージョンに対して連番で割り当てられます。
+6. Artifacts バージョンの詳細を表示するには、そのバージョンをクリックします。このページのタブから、そのバージョンのメタデータ（記録されたメトリクスを含む）、リネージ、利用状況を表示できます。
-**Version** タブ内の **Full Name** フィールドをメモしておいてください。リンクされた Artifact のフルネームは、Registry、コレクション名、および Artifact バージョンのエイリアスまたはインデックスで構成されます。
+**Version** タブ内の **Full Name** フィールドを確認します。リンクされた Artifacts の Full Name は、レジストリ名、コレクション名、および Artifacts バージョンのエイリアスまたはインデックスで構成されます。
```text title="Full name of a linked artifact"
wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{INTEGER}
```
-プログラムで Artifact バージョンにアクセスするには、リンクされた Artifact のフルネームが必要です。
-
-## トラブルシューティング
+リンクされた Artifacts のバージョンにプログラムからアクセスするには、その Artifacts の完全な名前が必要です。
-Artifact をリンクできない場合に再確認すべき一般的な事項を以下に挙げます。
+
+ ## トラブルシューティング
+
-### 個人アカウントからの Artifact のログ記録
+Artifacts をリンクできない場合に確認すべき一般的なポイントを以下に挙げます。
-個人の entity で W&B にログ記録された Artifact は、Registry にリンクできません。必ず組織内のチーム entity を使用して Artifact をログに記録してください。組織の Registry にリンクできるのは、組織のチーム内でログ記録された Artifact のみです。
+
+ ### 個人アカウントからの Artifacts のログ記録
+
+個人の entity で W&B にログとして記録された Artifacts は、レジストリにリンクできません。組織内の team entity を使用して Artifacts をログとして記録していることを確認してください。組織の team でログとして記録された Artifacts のみが、その組織のレジストリにリンクできます。
-Registry にリンクしたい場合は、必ずチーム entity で Artifact をログに記録してください。
+ その Artifacts をレジストリにリンクしたい場合は、必ず team entity で Artifacts をログとして記録してください。
+
+ #### チーム entity を確認する
+
-#### チーム entity を見つける
+W&B はチーム名をそのチームの entity 名として使用します。たとえば、チーム名が **team-awesome** の場合、そのチームの entity は `team-awesome` です。
-W&B はチーム名をチームの entity として使用します。例えば、チーム名が **team-awesome** の場合、チーム entity は `team-awesome` になります。
+チーム名は次の手順で確認できます。
-以下の方法でチーム名を確認できます：
+1. チームの W&B プロファイルページに移動します。
+2. サイトの URL をコピーします。URL は `https://wandb.ai/` の形式です。ここで `` はチーム名であり、チームの entity 名でもあります。
-1. チームの W&B プロフィールページに移動します。
-2. サイトの URL をコピーします。`https://wandb.ai/` の形式になっており、`` がチーム名とチーム entity の両方を表します。
+
+ #### チームの entity からログを記録する
+
-#### チーム entity からログを記録する
-1. [`wandb.init()`](/models/ref/python/functions/init) で Run を初期化する際に、チームを entity として指定します。Run の初期化時に `entity` を指定しない場合、Run はデフォルトの entity（チーム entity である場合とそうでない場合があります）を使用します。
+1. [`wandb.init()`](/ja/models/ref/python/functions/init) で run を初期化するときに、`entity` としてチームを指定します。run を初期化するときに `entity` を指定しない場合、run ではデフォルトの entity が使用されますが、これがチームの entity とは限りません。
- ```python
- import wandb
+ ```python
+ import wandb
- with wandb.init(entity='', project='') as run:
- # ここで Artifact をログに記録
- ```
+ with wandb.init(entity='', project='') as run:
+ # ここで Artifacts をログする
+ ```
-2. `wandb.Run.log_artifact()` を使用するか、Artifact オブジェクトを作成して以下の方法でファイルを追加して、Run に Artifact をログ記録します。
+2. `wandb.Run.log_artifact()` を使うか、Artifact オブジェクトを作成してファイルを追加することで、その run に Artifacts をログします:
- ```python
- artifact = wandb.Artifact(name="", type="")
- ```
- Artifact のログ記録については、[Artifact の構築](/models/artifacts/construct-an-artifact/) を参照してください。
-3. Artifact が個人の entity にログ記録されている場合は、組織内の entity に再度ログ記録する必要があります。
+ ```python
+ artifact = wandb.Artifact(name="", type="")
+ ```
+
+ Artifacts のログ方法については、[Construct artifacts](/ja/models/artifacts/construct-an-artifact/) を参照してください。
-### W&B App UI で Registry のパスを確認する
+3. Artifacts が個人の entity にログされている場合は、組織内の entity に対して Artifacts をログし直す必要があります。
-UI で Registry のパスを確認する方法は 2 つあります。空のコレクションを作成してコレクションの詳細を表示するか、コレクションのホームページにある自動生成されたコードをコピーして貼り付ける方法です。
+
+ ### W&B App UI でレジストリのパスを確認する
+
-#### 自動生成されたコードをコピーして貼り付ける
+UI からレジストリのパスを確認する方法は 2 つあります。空のコレクションを作成してコレクションの詳細を表示するか、コレクションのホームページにある自動生成されたコードをコピーして貼り付けます。
-1. https://wandb.ai/registry/ で W&B Registry に移動します。
-2. Artifact をリンクしたい Registry をクリックします。
-3. ページの上部に自動生成されたコードブロックが表示されます。
-4. これをコードにコピーして貼り付け、パスの最後の部分をコレクションの名前に置き換えてください。
+
+ #### 自動生成されたコードをコピーして貼り付ける
+
+
+1. https://wandb.ai/registry/ にある W&B Registry に移動します。
+2. Artifacts をリンクしたい Registry をクリックします。
+3. ページ上部に自動生成されたコードブロックが表示されます。
+4. これを自分のコードにコピーして貼り付け、パスの最後の部分をコレクション名に置き換えてください。
+ #### 空のコレクションを作成する
+
-1. https://wandb.ai/registry/ で W&B Registry に移動します。
-2. Artifact をリンクしたい Registry をクリックします。
-4. 空のコレクションをクリックします。空のコレクションが存在しない場合は、新しいコレクションを作成します。
-5. 表示されるコードスニペット内で、`.link_artifact()` 内の `target_path` フィールドを確認します。
-6. (オプション) コレクションを削除します。
+1. https://wandb.ai/registry/ にある W&B Registry に移動します。
+2. Artifacts をリンクしたいレジストリをクリックします。
+3. 空のコレクションをクリックします。空のコレクションが存在しない場合は、新しいコレクションを作成します。
+4. 表示されたコードスニペット内で、`.link_artifact()` の中にある `target_path` フィールドを特定します。
+5. （任意）コレクションを削除します。
-一時的なコレクションから取得したコレクション名を、Artifact をリンクしたい実際のコレクション名に置き換えるようにしてください。
-
\ No newline at end of file
+ 一時コレクションの名前を、 Artifacts をリンクしたいコレクションの名前に必ず置き換えてください。
+
diff --git a/ja/models/registry/organize-with-tags.mdx b/ja/models/registry/organize-with-tags.mdx
index 584a573710..0ae27d175f 100644
--- a/ja/models/registry/organize-with-tags.mdx
+++ b/ja/models/registry/organize-with-tags.mdx
@@ -1,36 +1,37 @@
---
-title: タグで バージョン を整理する
-description: タグを使用して、コレクションやコレクション内の Artifact バージョンを整理できます。 Python SDK または W&B App
- UI を使用して、タグの追加、削除、編集が可能です。
+description: コレクションやコレクション内の Artifacts バージョンを整理するためにタグを使用します。
+ Python SDK または W&B App UI でタグを追加、削除、編集できます。
+title: タグでバージョンを整理する
---
-タグを作成・追加することで、レジストリ内のコレクションや Artifacts のバージョンを整理できます。W&B App UI または W&B Python SDK を使用して、コレクションや Artifacts のバージョンに対してタグの追加、変更、表示、削除を行うことができます。
+レジストリ内のコレクションや Artifacts バージョンを整理するためにタグを作成して追加します。W&B App UI または W&B Python SDK を使って、コレクションや Artifacts バージョンに対してタグを追加、変更、表示、削除できます。
-**タグとエイリアスの使い分け**
+**タグとエイリアスを使い分けるタイミング**
-特定の Artifacts バージョンを一意に参照する必要がある場合は、エイリアスを使用してください。例えば、`artifact_name:alias` が常に単一の特定のバージョンを指すようにするために、'production' や 'latest' といったエイリアスを使用します。
+特定の Artifacts バージョンを一意に参照する必要がある場合は、エイリアスを使用します。たとえば、`artifact_name:alias` が常に 1 つの特定のバージョンを指すようにするために、`production` や `latest` のようなエイリアスを使用します。
-グループ化や検索に柔軟性を持たせたい場合は、タグを使用してください。タグは、複数のバージョンやコレクションが同じラベルを共有する場合や、特定の識別子が 1 つのバージョンだけに紐付いている保証が必要ない場合に最適です。
+より柔軟にグループ化や検索を行いたい場合は、タグを使用します。複数のバージョンやコレクションが同じラベルを共有でき、特定の識別子に 1 つのバージョンだけが関連付けられているという保証が不要な場合には、タグが最適です。
+
+ ## コレクションにタグを追加する
+
-## コレクションにタグを追加する
-
-W&B App UI または Python SDK を使用して、コレクションにタグを追加します。
+W&B App UI または Python SDK を使ってコレクションにタグを追加できます。
-W&B App UI を使用してコレクションにタグを追加する方法：
+W&B App UI を使ってコレクションにタグを追加します。
-1. [W&B Registry](https://wandb.ai/registry) に移動します。
+1. [W&B Registry](https://wandb.ai/registry) にアクセスします。
2. レジストリカードをクリックします。
3. コレクション名の横にある **View details** をクリックします。
-4. コレクションカード内で、**Tags** フィールドの横にあるプラスアイコン (**+**) をクリックし、タグの名前を入力します。
-5. キーボードの **Enter** キーを押します。
+4. コレクションカード内で、**Tags** フィールドの横にあるプラス アイコン（**+**）をクリックし、タグ名を入力します。
+5. キーボードの **Enter** を押します。
@@ -54,23 +55,23 @@ collection.save()
+
+ ## コレクションに属するタグを更新する
+
+`tags` 属性を再代入するか、`tags` 属性を変更することでタグをプログラムから更新できます。W&B は、また Python における望ましい書き方としても、インプレースで変更するのではなく `tags` 属性を再代入することを推奨します。
-## コレクションに属するタグを更新する
-
-`tags` 属性を再代入または変更することで、プログラムからタグを更新できます。W&B では、Python の優れたプラクティスとして、インプレースでの変更（破壊的変更）ではなく、`tags` 属性を再代入することを推奨しています。
-
-例えば、以下のコードスニペットは、再代入によるリスト更新の一般的な方法を示しています。簡潔にするため、[コレクションにタグを追加するセクション](#コレクションにタグを追加する) からのコード例を継続しています。
+たとえば、次のコードスニペットは、再代入を使ってリストを更新する一般的な方法を示します。簡潔さのため、[コレクションにタグを追加するセクション](#add-a-tag-to-a-collection) からコード例を続けます。
```python
collection.tags = [*collection.tags, "new-tag", "other-tag"]
collection.tags = collection.tags + ["new-tag", "other-tag"]
collection.tags = set(collection.tags) - set(tags_to_delete)
-collection.tags = [] # すべてのタグを削除
+collection.tags = [] # すべてのタグを削除する
```
-以下のコードスニペットは、インプレースでの変更を使用して、Artifacts バージョンに属するタグを更新する方法を示しています。
+次のコード スニペットは、インプレース変更によって Artifacts バージョンに属するタグを更新する方法を示します。
```python
collection.tags += ["new-tag", "other-tag"]
@@ -83,67 +84,72 @@ collection.tags.pop()
collection.tags.clear()
```
-## コレクションに属するタグを表示する
+
+ ## コレクションに属するタグを表示する
+
-W&B App UI を使用して、コレクションに追加されたタグを表示します。
+W&B App UI を使用して、コレクションに追加されたタグを確認します。
1. [W&B Registry](https://wandb.ai/registry) に移動します。
2. レジストリカードをクリックします。
3. コレクション名の横にある **View details** をクリックします。
-コレクションに 1 つ以上のタグがある場合、コレクションカード内の **Tags** フィールドの横でそれらのタグを確認できます。
+コレクションに 1 つ以上のタグがある場合、コレクションカードの **Tags** フィールドの横にそのタグが表示されます。
+ ## コレクションからタグを削除する
+
-## コレクションからタグを削除する
-
-W&B App UI を使用して、コレクションからタグを削除します。
+W&B App UI を使用してコレクションからタグを削除するには、次の手順に従います。
1. [W&B Registry](https://wandb.ai/registry) に移動します。
-2. レジストリカードをクリックします。
+2. Registry カードをクリックします。
3. コレクション名の横にある **View details** をクリックします。
-4. コレクションカード内で、削除したいタグの名前にマウスを合わせます。
-5. キャンセルボタン（**X** アイコン）をクリックします。
+4. コレクション カード内で、削除したいタグ名の上にマウスカーソルを合わせます。
+5. キャンセル ボタン（**X** アイコン）をクリックします。
-## Artifacts バージョンにタグを追加する
+
+ ## Artifacts バージョンにタグを追加する
+
-W&B App UI または Python SDK を使用して、コレクションにリンクされた Artifacts バージョンにタグを追加します。
+W&B App の UI または Python SDK を使用して、コレクションにリンクされた Artifacts バージョンにタグを追加します。
-1. https://wandb.ai/registry の W&B Registry に移動します。
-2. レジストリカードをクリックします。
+1. https://wandb.ai/registry の W&B Registry にアクセスします。
+2. レジストリ カードをクリックします。
3. タグを追加したいコレクション名の横にある **View details** をクリックします。
-4. **Versions** までスクロールします。
+4. 下にスクロールして **Versions** を表示します。
5. Artifacts バージョンの横にある **View** をクリックします。
-6. **Version** タブ内で、**Tags** フィールドの横にあるプラスアイコン (**+**) をクリックし、タグの名前を入力します。
+6. **Version** タブ内で、**Tags** フィールドの横にあるプラス アイコン (**+**) をクリックし、タグ名を入力します。
7. キーボードの **Enter** キーを押します。
-タグを追加または更新したい Artifacts バージョンを取得します。Artifacts バージョンを取得したら、Artifacts オブジェクトの `tag` 属性にアクセスして、その Artifacts にタグを追加または変更できます。Artifacts の `tag` 属性に 1 つ以上のタグをリストとして渡します。
+タグを追加または更新したい Artifacts バージョンを取得します。 Artifacts バージョンを取得したら、その Artifacts オブジェクトの `tag` 属性にアクセスして、その Artifacts にタグを追加または変更できます。1 つ以上のタグをリストとして Artifacts の `tag` 属性に渡します。
-他の Artifacts と同様に、run を作成せずに W&B から Artifacts を取得することも、run を作成してその run 内で Artifacts を取得することもできます。いずれの場合も、W&B サーバー上の Artifacts を更新するために、Artifacts オブジェクトの `save` メソッドを必ず呼び出してください。
+他の Artifacts と同様に、新しい run を作成せずに W&B から Artifacts を取得することも、run を作成してその run 内で Artifacts を取得することもできます。どちらの場合でも、W&B サーバー上の Artifacts を更新するために、 Artifacts オブジェクトの `save` メソッドを必ず呼び出してください。
-以下の適切なコードセルをコピーして貼り付け、Artifacts バージョンのタグを追加または変更します。`<>` 内の値をご自身のものに置き換えてください。
+以下のいずれか適切なコード セルをコピーして貼り付け、 Artifacts バージョンのタグを追加または変更します。`<>` 内の値は自分の環境に合わせて置き換えてください。
-以下のコードスニペットは、新しい run を作成せずに Artifacts を取得してタグを追加する方法を示しています。
-```python title="新しい run を作成せずに Artifacts バージョンにタグを追加する"
+次のコード スニペットは、新しい run を作成せずに Artifacts を取得し、タグを追加する方法を示しています。
+```python title="Add a tag to an artifact version without creating a new run"
import wandb
ARTIFACT_TYPE = ""
@@ -154,14 +160,14 @@ VERSION = ""
artifact_name = f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{VERSION}"
artifact = wandb.Api().artifact(name = artifact_name, type = ARTIFACT_TYPE)
-artifact.tags = ["tag2"] # 1つ以上のタグをリストで提供
+artifact.tags = ["tag2"] # 1 つ以上のタグをリストで指定します
artifact.save()
```
-以下のコードスニペットは、新しい run を作成して Artifacts を取得し、タグを追加する方法を示しています。
+次のコード スニペットは、新しい run を作成して Artifacts を取得し、タグを追加する方法を示しています。
-```python title="run の実行中に Artifacts バージョンにタグを追加する"
+```python title="Add a tag to an artifact version during a run"
import wandb
REGISTRY_NAME = ""
@@ -173,30 +179,29 @@ with wandb.init(entity = "", project="") as run:
artifact_name = f"wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}:v{VERSION}"
artifact = run.use_artifact(artifact_or_name = artifact_name)
- artifact.tags = ["tag2"] # 1つ以上のタグをリストで提供
+ artifact.tags = ["tag2"] # 1 つ以上のタグをリストで指定します
artifact.save()
```
+
+ ## Artifacts バージョンに属するタグを更新する
+
+タグは、`tags` 属性を再代入するかインプレースで変更することで、プログラムから更新できます。これは Python の良いプラクティスでもあるため、W&B は `tags` 属性をインプレースで変更するのではなく、再代入することを推奨します。
-## Artifacts バージョンに属するタグを更新する
-
-
-`tags` 属性を再代入または変更することで、プログラムからタグを更新できます。W&B では、Python の優れたプラクティスとして、インプレースでの変更ではなく、`tags` 属性を再代入することを推奨しています。
-
-例えば、以下のコードスニペットは、再代入によるリスト更新の一般的な方法を示しています。簡潔にするため、[Artifacts バージョンにタグを追加するセクション](#artifacts-バージョンにタグを追加する) からのコード例を継続しています。
+たとえば、次のコードスニペットは、再代入を使ってリストを更新する一般的な方法を示しています。簡潔にするために、[「 Artifacts バージョンにタグを追加する」セクション](#add-a-tag-to-an-artifact-version) からコード例を続けます。
```python
artifact.tags = [*artifact.tags, "new-tag", "other-tag"]
artifact.tags = artifact.tags + ["new-tag", "other-tag"]
artifact.tags = set(artifact.tags) - set(tags_to_delete)
-artifact.tags = [] # すべてのタグを削除
+artifact.tags = [] # すべてのタグを削除する
```
-以下のコードスニペットは、インプレースでの変更を使用して、Artifacts バージョンに属するタグを更新する方法を示しています。
+次のコード スニペットは、インプレース変更を使って Artifacts バージョンに属するタグを更新する方法を示します。
```python
artifact.tags += ["new-tag", "other-tag"]
@@ -209,32 +214,33 @@ artifact.tags.pop()
artifact.tags.clear()
```
+
+ ## Artifacts バージョンに属するタグを表示する
+
-## Artifacts バージョンに属するタグを表示する
-
-W&B App UI または Python SDK を使用して、レジストリにリンクされている Artifacts バージョンに属するタグを表示します。
+レジストリにリンクされた Artifacts バージョンに属するタグを、W&B App の UI または Python SDK を使って表示できます。
1. [W&B Registry](https://wandb.ai/registry) に移動します。
-2. レジストリカードをクリックします。
-3. タグを追加したいコレクション名の横にある **View details** をクリックします。
+2. レジストリ カードをクリックします。
+3. タグを追加したいコレクションの名前の横にある **View details** をクリックします。
4. **Versions** セクションまでスクロールします。
-Artifacts バージョンに 1 つ以上のタグがある場合、**Tags** 列でそれらのタグを確認できます。
+Artifacts バージョンに 1 つ以上のタグがある場合、**Tags** 列内でそれらのタグを確認できます。
-タグを表示するために Artifacts バージョンを取得します。Artifacts バージョンを取得したら、Artifacts オブジェクトの `tag` 属性を表示することで、その Artifacts に属するタグを確認できます。
+タグを表示するには、 Artifacts バージョンを取得します。 Artifacts バージョンを取得したら、 Artifacts オブジェクトの `tag` 属性を参照することで、その Artifacts に属するタグを表示できます。
-他の Artifacts と同様に、run を作成せずに W&B から Artifacts を取得することも、run を作成してその run 内で Artifacts を取得することもできます。
+他の Artifacts と同様に、新しい run を作成せずに W&B から Artifacts を取得することもできますし、run を作成してその run の中で Artifacts を取得することもできます。
-以下の適切なコードセルをコピーして貼り付け、Artifacts バージョンのタグを追加または変更します。`<>` 内の値をご自身のものに置き換えてください。
+以下から用途に合ったコードセルをコピー & ペーストして、 Artifacts バージョンのタグを追加または変更します。`<>` 内の値は自身の値に置き換えてください。
-以下のコードスニペットは、新しい run を作成せずに Artifacts バージョンのタグを取得して表示する方法を示しています。
+次のコードスニペットは、新しい run を作成せずに Artifacts バージョンのタグを取得・表示する方法を示しています:
```python title="新しい run を作成せずに Artifacts バージョンにタグを追加する"
import wandb
@@ -251,7 +257,7 @@ print(artifact.tags)
```
-以下のコードスニペットは、新しい run を作成して Artifacts バージョンのタグを取得し、表示する方法を示しています。
+次のコードスニペットは、新しい run を作成して Artifacts バージョンのタグを取得・表示する方法を示しています:
```python title="run の実行中に Artifacts バージョンにタグを追加する"
import wandb
@@ -270,34 +276,37 @@ with wandb.init(entity = "", project="") as run:
-
-
-## Artifacts バージョンからタグを削除する
+
+ ## Artifacts バージョンからタグを削除する
+
1. [W&B Registry](https://wandb.ai/registry) に移動します。
-2. レジストリカードをクリックします。
+2. レジストリ カードをクリックします。
3. タグを追加したいコレクション名の横にある **View details** をクリックします。
-4. **Versions** までスクロールします。
-5. Artifacts バージョンの横にある **View** をクリックします。
-6. **Version** タブ内で、タグの名前にマウスを合わせます。
-7. キャンセルボタン（**X** アイコン）をクリックします。
+4. 下にスクロールして **Versions** セクションに移動します。
+5. 対象の Artifacts バージョンの横にある **View** をクリックします。
+6. **Version** タブ内で、タグ名の上にマウスカーソルを合わせます。
+7. キャンセル ボタン（**X** アイコン）をクリックします。
-## 既存のタグを検索する
+
+ ## 既存のタグを検索する
+
-W&B App UI を使用して、コレクションや Artifacts バージョン内の既存のタグを検索します。
+コレクションや Artifacts バージョンに付与されている既存のタグを検索するには、W&B App の UI を使用します。
-1. [W&B Registry](https://wandb.ai/registry) に移動します。
-2. レジストリカードをクリックします。
-3. 検索バー内にタグの名前を入力します。
+1. [W&B Registry](https://wandb.ai/registry) にアクセスします。
+2. レジストリ カードをクリックします。
+3. 検索バーにタグ名を入力します。
+ ## 特定のタグが付いた Artifacts バージョンを検索する
+
-## 特定のタグを持つ Artifacts バージョンを見つける
-
-W&B Python SDK を使用して、特定のタグセットを持つ Artifacts バージョンを見つけます。
+W&B Python SDK を使用して、指定したタグが付いた Artifacts バージョンを検索します。
```python
import wandb
@@ -311,4 +320,4 @@ tagged_artifact_versions = api.artifacts(
for artifact_version in tagged_artifact_versions:
print(artifact_version.tags)
-```
\ No newline at end of file
+```
diff --git a/ja/models/registry/registry_cards.mdx b/ja/models/registry/registry_cards.mdx
index f073224aad..0d4d1ea7cd 100644
--- a/ja/models/registry/registry_cards.mdx
+++ b/ja/models/registry/registry_cards.mdx
@@ -1,69 +1,74 @@
---
-title: コレクションのアノテーション
+title: コレクションに注釈を追加する
---
-コレクションに人間が読みやすいテキストを追加することで、その目的や含まれる Artifacts についての理解を深めることができます。
+コレクションに人間が読みやすい説明文を追加して、そのコレクション自体と、その中に含まれる Artifacts の目的をユーザーが理解できるようにします。
-コレクションの内容に応じて、トレーニングデータ、モデルの architecture、タスク、ライセンス、参考文献、およびデプロイメントに関する情報を含めるとよいでしょう。以下に、コレクションでドキュメント化すべきトピックの例を挙げます。
+コレクションの種類によっては、トレーニングデータ、モデル アーキテクチャ、タスク、ライセンス、参考文献、デプロイメントなどに関する情報を含めるとよいでしょう。以下は、コレクション内で文書化する価値のあるトピックの一部です。
-W&B では、少なくとも以下の詳細を含めることを推奨しています。
-* **Summary**: コレクションの目的。機械学習の実験で使用された機械学習フレームワーク。
-* **License**: 機械学習モデルの使用に関連する法的条件と許可。これにより、Users はどのような法的枠組みの下でモデルを利用できるかを理解できます。一般的なライセンスには、Apache 2.0、MIT、GPL などがあります。
-* **References**: 関連する研究論文、Datasets、または外部リソースへの引用や参照。
+W&B は、少なくとも次の項目を含めることを推奨します。
-コレクションにトレーニングデータが含まれている場合は、以下の詳細を追加することを検討してください。
-* **Training data**: 使用されたトレーニングデータの概要。
-* **Processing**: トレーニングデータセットに対して行われたプロセッシング。
-* **Data storage**: データがどこに保存され、どのようにアクセスするか。
+* **Summary**: コレクションの目的。機械学習実験で使用した機械学習フレームワーク。
+* **License**: 機械学習モデルの利用に関連する法的条件および許諾範囲。モデル ユーザーが、どのような法的枠組みのもとでモデルを利用できるかを理解するのに役立ちます。一般的なライセンスには Apache 2.0、MIT、GPL などがあります。
+* **References**: 関連する研究論文、データセット、外部リソースへの引用または参考文献。
-コレクションに機械学習モデルが含まれている場合は、以下の詳細を追加することを検討してください。
-* **Architecture**: モデルの architecture、レイヤー、および特定の設計上の選択に関する情報。
-* **Task**: そのコレクション内のモデルが実行するように設計されている特定のタスクまたは問題の種類。これは、モデルが意図する機能の分類です。
-* **Deserialize the model**: チームのメンバーがモデルをメモリにロードする方法に関する情報。
-* **Deployment**: モデルがどこでどのようにデプロイされるかの詳細、およびワークフローのオーケストレーションプラットフォームなどの他の企業システムにモデルを統合する方法に関するガイド。
+コレクションにトレーニングデータが含まれている場合は、次の追加情報を含めることを検討してください。
-## コレクションに説明を追加する
+* **Training data**: 使用したトレーニングデータの説明。
+* **Processing**: トレーニングデータセットに対して実施した処理内容。
+* **Data storage**: データの保存場所およびそのアクセス方法。
-W&B Registry UI または Python SDK を使用して、対話的またはプログラム的にコレクションに説明を追加できます。
+コレクションに機械学習モデルが含まれている場合は、次の追加情報を含めることを検討してください。
+
+* **Architecture**: モデル アーキテクチャ、レイヤー、および特定の設計上の選択に関する情報。
+* **Task**: コレクション内のモデルが実行するよう設計された、特定のタスクまたは問題の種類。モデルの想定される能力の分類です。
+* **Deserialize the model**: チーム メンバーがモデルをメモリにロードする方法に関する情報。
+* **Deployment**: モデルがどのように、どこにデプロイされているかの詳細と、ワークフロー オーケストレーション プラットフォームなどの他のエンタープライズ システムにモデルを統合する方法に関するガイドライン。
+
+
+ ## コレクションに説明を追加する
+
+
+W&B Registry UI または Python SDK を使って、対話的またはプログラムからコレクションに説明を追加できます。
-
-1. [W&B Registry](https://wandb.ai/registry/) に移動します。
-2. コレクションをクリックします。
-3. コレクション名の横にある **View details** を選択します。
-4. **Description** フィールドに、コレクションに関する情報を入力します。テキストのフォーマットには [Markdown マークアップ言語](https://www.markdownguide.org/) を使用できます。
-
-
-[`wandb.Api().artifact_collection()`](/models/ref/python/public-api/api#artifact_collection) メソッドを使用して、コレクションの説明にアクセスします。返されたオブジェクトの `description` プロパティを使用して、コレクションに説明を追加または更新します。
-
-`type_name` パラメータにはコレクションのタイプを指定し、`name` パラメータにはコレクションのフルネームを指定します。コレクションの名前は、プレフィックス "wandb-registry"、レジストリ名、およびコレクション名をスラッシュで区切った形式になります。
-
-```text
-wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}
-```
-
-以下のコードスニペットをコピーして、Python スクリプトまたはノートブックに貼り付けてください。山括弧 (`<>`) で囲まれた値は、ご自身の値に置き換えてください。
-
-```python
-import wandb
-
-api = wandb.Api()
-
-# コレクションを取得
-collection = api.artifact_collection(
- type_name = "",
- name = ""
- )
-
-# 説明を設定して保存
-collection.description = "This is a description."
-collection.save()
-```
-
+
+ 1. [W&B Registry](https://wandb.ai/registry/) に移動します。
+ 2. コレクションをクリックします。
+ 3. コレクション名の横にある **View details** を選択します。
+ 4. **Description** フィールドに、コレクションに関する情報を入力します。[Markdown マークアップ言語](https://www.markdownguide.org/) を使ってテキストを整形できます。
+
+
+
+ [`wandb.Api().artifact_collection()`](/ja/models/ref/python/public-api/api#artifact_collection) メソッドを使って、コレクションの説明にアクセスします。返されたオブジェクトの `description` プロパティを使って、コレクションの説明を追加または更新します。
+
+ `type_name` パラメーターにはコレクションのタイプを、`name` パラメーターにはコレクションの完全名を指定します。コレクションの名前は、接頭辞 “wandb-registry”、レジストリ名、コレクション名をスラッシュで区切って並べたものです。
+
+ ```text
+ wandb-registry-{REGISTRY_NAME}/{COLLECTION_NAME}
+ ```
+
+ 次のコードスニペットを Python スクリプトまたはノートブックにコピーして貼り付けます。山かっこ（`<>`）で囲まれた値をご自身の値に置き換えてください。
+
+ ```python
+ import wandb
+
+ api = wandb.Api()
+
+ collection = api.artifact_collection(
+ type_name = "",
+ name = ""
+ )
+
+
+ collection.description = "This is a description."
+ collection.save()
+ ```
+
-例えば、以下の画像は、モデルの architecture、意図された用途、パフォーマンス情報などが記載されたコレクションの例です。
+たとえば、次の画像は、モデルのアーキテクチャ、想定される用途、性能情報などを記録したコレクションを示しています。
+ W&B Registry に対して使用できるクエリの構文と利用可能な演算子は、MongoDB のクエリと似ていますが、完全に同一ではありません。
+
-## registry アイテムの検索
+検索結果には、表示権限のあるアイテムのみが表示されます。
-registry アイテムを検索するには：
+
+ ## レジストリ項目を検索する
+
-1. W&B Registry に移動します。
-2. ページ上部の検索バーに検索語を指定します。Enter キーを押して検索を実行します。
+W&B App を使ってレジストリ項目を検索するには、次の手順に従います。
-指定した用語が既存の registry、collection 名、artifact バージョンタグ、collection タグ、または エイリアス と一致する場合、検索結果が検索バーの下に表示されます。
+1. W&B Registry に移動します。
+2. ページ上部の検索バーに検索キーワードを入力し、Enter キーを押して検索します。
+
+指定したキーワードが既存のレジストリ、コレクション名、 Artifacts のバージョンタグ、コレクションタグ、またはエイリアスと一致する場合、検索バーの下に検索結果が表示されます。
+ ## レジストリ内のアイテムをクエリする
+
+
+[`wandb.Api().registries()`](/ja/models/ref/python/public-api/api#registries) と *クエリ述語* を使用して、registries、collections、 Artifacts バージョンを絞り込みます。クエリ述語とは、返されるアイテムが満たすべき条件を指定するものです。
+
+クエリ述語を作成するには、[query name](/ja/models/registry/search_registry#filterable-fields)、1 つ以上の [operators](/ja/models/registry/search_registry#supported-operators)、および値から構成される JSON 風の辞書を使用します。次のコードスニペットは、クエリ述語の一般的な構造を示しています。
+
+```python
+{
+ "query_name": {
+ "operator": value
+ }
+}
+```
+
+次のセクションでは、レジストリで利用できる[クエリ名](/ja/models/registry/search_registry#filterable-fields)、[サポートされている演算子](/ja/models/registry/search_registry#supported-operators)、および[クエリの例](/ja/models/registry/search_registry#example-queries)について説明します。
-[`wandb.Api().registries()`](/models/ref/python/public-api/api#registries) と [クエリ述語 (query predicates)](https://www.mongodb.com/docs/manual/reference/glossary/#std-term-query-predicate) を使用して、1 つ以上の [MongoDB スタイルクエリ](https://www.mongodb.com/docs/compass/current/query/filter/) に基づいて registry、collection、および artifact バージョンをフィルタリングします。
+
+ ### 絞り込み可能なフィールド
+
-次の表は、フィルタリングしたいアイテムのタイプに基づいて使用できるクエリ名の一覧です。
+次の表に、絞り込み対象とするアイテムの種類ごとに使用できるクエリ名を示します。
-| | クエリ名 |
+| | query name |
| ----- | ----- |
| registries | `name`, `description`, `created_at`, `updated_at` |
| collections | `name`, `tag`, `description`, `created_at`, `updated_at` |
| versions | `tag`, `alias`, `created_at`, `updated_at`, `metadata` |
-以下の コード 例は、一般的な検索シナリオを示しています。
+
+ ### サポートされている演算子
+
+
+W&B では、レジストリ内のアイテムをフィルタリングするために、次の比較演算子および論理演算子をサポートしています。
+
+
+ #### 比較演算子
+
-`wandb.Api().registries()` メソッドを使用するには、まず W&B Python SDK ([`wandb`](/models/ref/python/)) ライブラリ をインポートします。
+| 演算子 | 説明 |
+| ----- | ----- |
+| `$eq` | 等しい |
+| `$ne` | 等しくない |
+| `$gt` | より大きい |
+| `$gte` | 以上 |
+| `$lt` | より小さい |
+| `$lte` | 以下 |
+
+
+ #### 論理演算子
+
+
+| Operator | 説明 |
+| ----- | ----- |
+| `$and` | 1 つ以上の条件に対して [AND](https://en.wikipedia.org/wiki/Logical_conjunction) 論理演算を行います |
+| `$or` | 1 つ以上の条件に対して [OR](https://en.wikipedia.org/wiki/Logical_disjunction) 論理演算を行います |
+| `$nor` | 1 つ以上の条件に対して [NOR](https://en.wikipedia.org/wiki/Logical_NOR) 論理演算を行います |
+| `$not` | 1 つの条件に対して [NOT](https://en.wikipedia.org/wiki/Negation) 論理演算を行います |
+
+
+ #### その他の演算子
+
+
+| 演算子 | 説明 |
+| ----- | ----- |
+| `$regex` | 正規表現パターンによる照合 |
+| `$exists` | フィールドの存在有無 |
+| `$contains` | 文字列に値が含まれる |
+
+
+ ### クエリ例
+
+
+次のコード例では、一般的な検索シナリオをいくつか示します。
+
+`wandb.Api().registries()` メソッドを使用するには、まず W&B の Python SDK（[`wandb`](/ja/models/ref/python/)）ライブラリをインポートします。
```python
import wandb
-# (オプション) 読みやすさのために wandb.Api() クラスのインスタンスを作成します
+# (オプション) 可読性のために wandb.Api() クラスのインスタンスを作成する
api = wandb.Api()
```
-文字列 `model` を含むすべての registry をフィルタリングする：
+文字列 `model` を含むすべてのレジストリをフィルターします：
```python
-# 文字列 `model` を含むすべての registry をフィルタリングします
+# 文字列 `model` を含むすべての registry をフィルタリングする
registry_filters = {
"name": {"$regex": "model"}
}
-# フィルタに一致するすべての registry のイテラブルを返します
+# フィルターに一致するすべての registry のイテラブルを返す
registries = api.registries(filter=registry_filters)
```
-registry に関係なく、collection 名に文字列 `yolo` を含むすべての collection をフィルタリングする：
+レジストリを問わず、コレクション名に文字列 `yolo` を含むすべてのコレクションをフィルタリングします:
```python
-# registry に関係なく、collection 名に
-# 文字列 `yolo` を含むすべての collection をフィルタリングします
+# レジストリに関係なく、コレクション名に文字列 `yolo` を含む
+# すべてのコレクションをフィルタリングする
collection_filters = {
"name": {"$regex": "yolo"}
}
-# フィルタに一致するすべての collection のイテラブルを返します
+# フィルターに一致するすべてのコレクションのイテラブルを返す
collections = api.registries().collections(filter=collection_filters)
```
-registry に関係なく、collection 名に文字列 `yolo` を含み、かつ `cnn` タグを持つすべての collection をフィルタリングする：
+レジストリを問わず、コレクション名に文字列 `yolo` を含み、タグ `cnn` が付いているすべてのコレクションをフィルターします：
```python
-# registry に関係なく、collection 名に文字列 `yolo` を含み、
-# かつ `cnn` タグを持つすべての collection をフィルタリングします
+# レジストリに関係なく、コレクション名に文字列 `yolo` を含み、
+# タグとして `cnn` を持つすべてのコレクションをフィルタリングする
collection_filters = {
"name": {"$regex": "yolo"},
"tag": "cnn"
}
-# フィルタに一致するすべての collection のイテラブルを返します
+# フィルターに一致するすべてのコレクションのイテラブルを返す
collections = api.registries().collections(filter=collection_filters)
```
-文字列 `model` を含み、かつ `image-classification` タグまたは `latest` エイリアス のいずれかを持つすべての artifact バージョンを検索する：
+文字列 `model` を含み、タグ `image-classification` が付いているか、`latest` というエイリアスが付いているすべての Artifacts バージョンを検索します：
```python
-# 文字列 `model` を含み、かつ `image-classification` タグまたは
-# `latest` エイリアス のいずれかを持つすべての artifact バージョンを検索します
+# 文字列 `model` を含み、タグ `image-classification` またはエイリアス `latest` を持つ
+# すべての Artifacts バージョンを検索する
registry_filters = {
"name": {"$regex": "model"}
}
-# 論理 $or 演算子を使用して artifact バージョンをフィルタリングします
+# 論理演算子 $or を使用して Artifacts バージョンをフィルタリングする
version_filters = {
"$or": [
{"tag": "image-classification"},
@@ -98,13 +167,11 @@ version_filters = {
]
}
-# フィルタに一致するすべての artifact バージョンのイテラブルを返します
+# フィルターに一致するすべての Artifacts バージョンのイテラブルを返す
artifacts = api.registries(filter=registry_filters).collections().versions(filter=version_filters)
```
-論理クエリ演算子の詳細については、MongoDB のドキュメント [logical query operators](https://www.mongodb.com/docs/manual/reference/operator/query-logical/) を参照してください。
-
-前述の コードスニペット における `artifacts` イテラブルの各アイテムは `Artifact` クラスのインスタンスです。つまり、`name`、`collection`、`aliases`、`tags`、`created_at` などの各 artifact の属性に アクセス できます。
+前のコードスニペットの `artifacts` イテラブル内の各要素は、`Artifact` クラスのインスタンスです。つまり、各 Artifacts の `name`、`collection`、`aliases`、`tags`、`created_at` などの属性にアクセスできます。
```python
for art in artifacts:
@@ -115,22 +182,22 @@ for art in artifacts:
print(f"artifact created at: {art.created_at}\n")
```
-artifact オブジェクト の属性の完全なリストについては、API リファレンスドキュメントの [Artifacts Class](/models/ref/python/experiments/artifact/) を参照してください。
+Artifacts オブジェクトの属性の完全な一覧については、API Reference ドキュメントの [Artifacts Class](/ja/models/ref/python/experiments/artifact/) を参照してください。
-registry や collection に関係なく、2024-01-08 から 2025-03-04 13:10 UTC の間に作成されたすべての artifact バージョンをフィルタリングする：
+レジストリやコレクションに関係なく、2024-01-08 から 2025-03-04 13:10 UTC の間に作成されたすべての Artifacts バージョンをフィルタリングします。
```python
-# 2024-01-08 から 2025-03-04 13:10 UTC の間に作成されたすべての artifact バージョンを検索します。
+# 2024-01-08 から 2025-03-04 13:10 UTC の間に作成されたすべての Artifacts バージョンを検索する。
artifact_filters = {
"alias": "latest",
"created_at" : {"$gte": "2024-01-08", "$lte": "2025-03-04 13:10:00"},
}
-# フィルタに一致するすべての artifact バージョンのイテラブルを返します
+# フィルターに一致するすべての Artifacts バージョンのイテラブルを返す
artifacts = api.registries().collections().versions(filter=artifact_filters)
```
-日付と時刻は `YYYY-MM-DD HH:MM:SS` の形式で指定します。日付のみでフィルタリングしたい場合は、時、分、秒を省略できます。
-
-クエリ述語の詳細については、MongoDB のドキュメント [query predicates](https://www.mongodb.com/docs/manual/reference/mql/query-predicates/logical/) を参照してください。
\ No newline at end of file
+
+ `created_at` および `updated_at` を使ったクエリでは、日付と時刻を `YYYY-MM-DD HH:MM:SS` 形式で指定してください。日付のみでフィルタリングする場合は、時・分・秒を省略できます。
+
diff --git a/ja/models/reports.mdx b/ja/models/reports.mdx
index 34d5cf700c..fa52f1068e 100644
--- a/ja/models/reports.mdx
+++ b/ja/models/reports.mdx
@@ -1,57 +1,68 @@
---
+description: 機械学習プロジェクトの管理とコラボレーションのためのツール
title: Reports の概要
-description: 機械学習 プロジェクト のための、プロジェクト管理およびコラボレーション ツール
---
-import { ColabLink } from '/snippets/en/_includes/colab-link.mdx';
-import { TryProductLink } from '/snippets/en/_includes/try-product-link.mdx';
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+import { TryProductLink } from '/snippets/ja/_includes/try-product-link.mdx';
-
-W&B Reports を使用すると、以下のことが可能になります：
-- Runs の整理。
-- 可視化（visualization）の埋め込みと自動化。
-- 分析による 学び の記述。
-- コラボレーターとの進捗共有（LaTeX の zip ファイルや PDF 形式）。
+W&B Reports を使うと、次のことができます。
+
+* Runs を整理する。
+* 可視化を埋め込み、自動化する。
+* 分析結果を説明する。
+* LaTeX の zip ファイルまたは PDF として、共同作業者と更新内容を共有する。
{/* {% embed url="https://www.youtube.com/watch?v=2xeJIv_K_eI" %} */}
-以下の画像は、トレーニング中に W&B に ログ された メトリクス から作成された レポート の一部を示しています。
+次の画像は、トレーニングの過程で W&B に記録されたメトリクスから作成されたレポートの一部を示しています。
+ ## 仕組み
+
-1. W&B App で W&B Projects の Workspace に移動します。
-2. Workspace の右上にある **Create report** ボタンをクリックします。
+数回クリックするだけで共同編集用のレポートを作成できます。
+
+1. W&B App で自分の W&B プロジェクト ワークスペースに移動します。
+2. ワークスペース右上の **Create report** ボタンをクリックします。
+ ## はじめに
+
-## 開始方法
-ユースケース に応じて、W&B Reports を使い始めるための以下のリソースを活用してください：
+ユースケースに応じて、以下のリソースを参照して W&B Reports を使い始めてください。
-* [ビデオデモ](https://www.youtube.com/watch?v=2xeJIv_K_eI) で W&B Reports の概要を確認する。
-* [Reports gallery](/models/reports/reports-gallery/) で公開されている レポート の例を見る。
-* [Programmatic Workspaces](/ja/models/tutorials/workspaces) チュートリアルで、 Workspace の作成とカスタマイズ方法を学ぶ。
-* [W&B Fully Connected](https://wandb.me/fc) で厳選された レポート を読む。
+* W&B Reports の概要については、[デモ動画](https://www.youtube.com/watch?v=2xeJIv_K_eI) をご覧ください。
+* ライブレポートの例については、[Reports ギャラリー](/ja/models/reports/reports-gallery/) を参照してください。
+* [Programmatic Workspaces](https://colab.research.google.com/github/wandb/wandb-workspaces/blob/Update-wandb-workspaces-tuturial/Workspace_tutorial.ipynb) ノートブックを試して、ワークスペースの作成とカスタマイズ方法を学んでください。
+* [W&B Fully Connected](https://wandb.me/fc) に掲載された厳選された Reports を閲覧してください。
-## 推奨されるプラクティスとヒント
+
+ ## 推奨プラクティスとヒント
+
-Experiments や ログ に関する ベストプラスティス とヒントについては、 [Best Practices: Reports](https://wandb.ai/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#reports) を参照してください。
\ No newline at end of file
+Experiments とロギングのベストプラクティスやヒントについては、[Best Practices: Reports](https://wandb.ai/wandb/pytorch-lightning-e2e/reports/W-B-Best-Practices-Guide--VmlldzozNTU1ODY1#reports) を参照してください。
\ No newline at end of file
diff --git a/ja/models/reports/clone-and-export-reports.mdx b/ja/models/reports/clone-and-export-reports.mdx
index dd4e7edeaa..d80e535c42 100644
--- a/ja/models/reports/clone-and-export-reports.mdx
+++ b/ja/models/reports/clone-and-export-reports.mdx
@@ -1,37 +1,41 @@
---
-title: Reports の複製とエクスポート
-description: W&B Reports を PDF または LaTeX としてエクスポートします。
+description: W&B Report を PDF または LaTeX 形式でエクスポートします。
+title: Reports を複製してエクスポートする
---
-W&B Report および Workspace API はパブリックプレビュー版です。
+W&B Report と Workspace API は Public Preview です。
-## Reports のエクスポート
+
+ ## レポートのエクスポート
+
-Reports を PDF または LaTeX としてエクスポートします。 Report 内でケバブアイコン（3つの点）を選択してドロップダウンメニューを展開します。 **Download** を選択し、PDF または LaTeX のいずれかの出力形式を選択してください。
+レポートを PDF または LaTeX 形式でエクスポートできます。レポート内でケバブ アイコンを選択してドロップダウン メニューを開きます。**Download and** を選択し、出力形式として PDF または LaTeX のいずれかを選びます。
-## Reports の複製
+
+ ## レポートのクローン作成
+
-Report 内でケバブアイコンを選択してドロップダウンメニューを展開します。 **Clone this report** ボタンを選択します。 モーダルウィンドウで、複製した Report の保存先を選択します。 **Clone report** を選択してください。
+レポート内でケバブ アイコンをクリックしてドロップダウン メニューを開きます。**Clone this report** ボタンをクリックします。モーダルでクローンしたレポートの保存先を選択し、**Clone report** をクリックします。
-
-URL から Report をロードして、テンプレートとして使用します。
+
+URL から Report を読み込んでテンプレートとして使用します。
```python
report = wr.Report(
project=PROJECT, title="Quickstart Report", description="That was easy!"
) # 作成
report.save() # 保存
-new_report = wr.Report.from_url(report.url) # ロード
+new_report = wr.Report.from_url(report.url) # 読み込み
```
`new_report.blocks` 内のコンテンツを編集します。
diff --git a/ja/models/reports/collaborate-on-reports.mdx b/ja/models/reports/collaborate-on-reports.mdx
index 964d903721..b6383d3b04 100644
--- a/ja/models/reports/collaborate-on-reports.mdx
+++ b/ja/models/reports/collaborate-on-reports.mdx
@@ -1,36 +1,49 @@
---
-title: Reports で共同作業する
-description: 同僚、共著者、そしてチームと W&B Reports を共有し、コラボレーションしましょう。
+description: 同僚やチームメンバーと W&B Reports を共有し、共同作業します。
+title: レポートで共同作業する
---
-このページでは、チームで Reports を共同編集・共有するためのさまざまな方法について説明します。
+このページでは、チームでレポートに共同で取り組むさまざまな方法について説明します。
-## Report を共有する
-Report を表示中に **Share** をクリックし、以下のいずれかを行います。
-- メールアドレスまたはユーザー名で Report のリンクを共有するには、**Invite** をクリックします。メールアドレスまたはユーザー名を入力し、**Can view**（閲覧可能）または **Can edit**（編集可能）を選択して、**Invite** をクリックします。メールで共有する場合、そのメールアドレスが組織やチームのメンバーである必要はありません。
-- 共有リンクを生成するには、**Share** をクリックします。リンクの権限を調整し、**Copy report link** をクリックします。そのリンクをメンバーに共有してください。
+
+ ## レポートを共有する
+
-Report の閲覧中にパネルをクリックすると、フルスクリーンモードで開きます。ブラウザからその URL をコピーして他の ユーザー に共有すると、その ユーザー がリンクにアクセスした際に、パネルが直接フルスクリーンモードで開きます。
+レポートを表示しているときに **Share** をクリックし、次の操作を実行します。
-## Report を編集する
-チームメンバーが **Edit** ボタンをクリックして Report の編集を開始すると、ドラフトが自動的に保存されます。変更を反映するには **Save to report** を選択してください。
+- レポートへのリンクをメールアドレスまたはユーザー名宛てに共有するには、**Invite** をクリックします。メールアドレスまたはユーザー名を入力し、**Can view** または **Can edit** を選択してから、**Invite** をクリックします。メールで共有する場合、そのメールアドレスは組織やチームのメンバーである必要はありません。
+- 代わりに共有リンクを生成するには、**Share** をクリックします。リンクの権限を設定してから、**Copy report link** をクリックします。生成されたリンクをメンバーと共有します。
-2 人のチームメンバーが同時に Report を編集するなど、編集の競合が発生した場合は、警告通知が表示され、競合の解決を促します。
+レポートを表示しているときにパネルをクリックすると、フルスクリーン モードで開きます。ブラウザから URL をコピーして別のユーザーと共有すると、そのユーザーがリンクにアクセスしたときに、そのパネルが直接フルスクリーン モードで開きます。
+
+
+ ## レポートを編集する
+
+
+チームメンバーがレポートの編集を開始するために **Edit** ボタンをクリックすると、下書きが自動的に保存されます。変更内容を公開するには **Save to report** を選択します。
+
+2 人のチームメンバーが同時にそのレポートを編集するなどして編集の競合が発生した場合、警告通知が表示され、競合の解消に役立ちます。
+ ## レポートにスターを付ける
+
+
+チームに多数のレポートがある場合は、レポート上部の **Star** をクリックして、お気に入りに追加します。チームのレポート一覧を表示しているときは、各レポートの行にあるスターをクリックして、お気に入りに追加します。スター付きのレポートは一覧の先頭に表示されます。
-Reports の一覧からは、各 Report に何人のメンバーがスターを付けたかを確認でき、相対的な注目度を把握するのに役立ちます。
\ No newline at end of file
+レポート一覧から、各レポートに何人のメンバーがスターを付けたかを確認でき、そのレポートの相対的な人気度を把握できます。
\ No newline at end of file
diff --git a/ja/models/reports/create-a-report.mdx b/ja/models/reports/create-a-report.mdx
index c0abb0ae24..e5351c7d7f 100644
--- a/ja/models/reports/create-a-report.mdx
+++ b/ja/models/reports/create-a-report.mdx
@@ -1,65 +1,69 @@
---
+description: W&B App から、またはプログラムで W&B Report を作成します。
title: レポートを作成する
-description: W&B App またはプログラムから W&B Reports を作成します。
---
-W&B Report および Workspace API はパブリックプレビュー中です。
+ W&B Report および Workspace API は Public Preview 段階です。
-以下のタブを選択して、W&B App または W&B Report および Workspace API を使用してプログラムでレポートを作成する方法を確認してください。
-
-プログラムでレポートを作成する方法の例については、こちらの [Google Colab](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/intro/Report_API_Quickstart.ipynb) を参照してください。
+以下のタブを選択して、W&B App でレポートを作成する方法、または W&B Report および Workspace API を使ってプログラムでレポートを作成する方法を確認してください。
+プログラムでレポートを作成する例については、この [Google Colab](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/intro/Report_API_Quickstart.ipynb) を参照してください。
-
-1. W&B App でプロジェクトの Workspace に移動します。
-2. Workspace の右上隅にある **Create report** をクリックします。
-
-
-
-1. W&B App でプロジェクトの Workspace に移動します。
-2. プロジェクトの **Reports** タブ（クリップボードのアイコン）を選択します。
-3. レポートページの **Create Report** ボタンを選択します。
-
-
-
-プログラムでレポートを作成する：
-
-1. W&B SDK (`wandb`) と Report および Workspace API (`wandb-workspaces`) をインストールします：
- ```bash
- pip install wandb wandb-workspaces
- ```
-2. 次に、workspaces をインポートします
- ```python
- import wandb
- import wandb_workspaces.reports.v2 as wr
- ```
-3. `wandb_workspaces.reports.v2.Report` を使用してレポートを作成します。Report Class Public API ([`wandb.apis.reports`](/models/ref/python/public-api/api#reports)) でレポートインスタンスを作成します。プロジェクト名を指定してください。
- ```python
- report = wr.Report(project="report_standard")
- ```
-
-4. レポートを保存します。`.save()` メソッドを呼び出すまで、レポートは W&B サーバーにアップロードされません：
- ```python
- report.save()
- ```
-
-App UI を使用して対話的に、またはプログラムでレポートを編集する方法については、[Edit a report](/models/reports/edit-a-report/) を参照してください。
-
+
+ 1. W&B App でプロジェクトのワークスペースに移動します。
+
+ 2. ワークスペース右上の **Create report** をクリックします。
+
+
+
+
+ 1. W&B App でプロジェクトのワークスペースに移動します。
+ 2. プロジェクト内の **Reports** タブ (クリップボードのアイコン) を選択します。
+ 3. レポートページで **Create Report** ボタンを選択します。
+
+
+
+
+ レポートをプログラムで作成します:
+
+ 1. W&B SDK (`wandb`) と Report および Workspace API (`wandb-workspaces`) をインストールします:
+ ```bash
+ pip install wandb wandb-workspaces
+ ```
+
+ 2. 次に workspaces をインポートします:
+ ```python
+ import wandb
+ import wandb_workspaces.reports.v2 as wr
+ ```
+
+ 3. `wandb_workspaces.reports.v2.Report` でレポートを作成します。Report Class Public API ([`wandb.apis.reports`](/ja/models/ref/python/public-api/api#reports)) を使ってレポートインスタンスを作成します。プロジェクト名を指定します。
+ ```python
+ report = wr.Report(project="report_standard")
+ ```
+
+ 4. レポートを保存します。`.save()` メソッドを呼び出すまで、レポートは W&B サーバーにアップロードされません:
+ ```python
+ report.save()
+ ```
+
+ App UI で対話的に、またはプログラムでレポートを編集する方法については、[Edit a report](/ja/models/reports/edit-a-report/) を参照してください。
+
\ No newline at end of file
diff --git a/ja/models/reports/cross-project-reports.mdx b/ja/models/reports/cross-project-reports.mdx
index 289425afec..77c10daa85 100644
--- a/ja/models/reports/cross-project-reports.mdx
+++ b/ja/models/reports/cross-project-reports.mdx
@@ -1,40 +1,44 @@
---
-title: プロジェクトをまたいで Runs を比較する
-description: クロスプロジェクト Reports を使用して、2つの異なる Projects からの Runs を比較します。
+description: 異なる 2 つのプロジェクトの run を cross-project Reports で比較します。
+title: プロジェクトをまたいで run を比較する
---
-[プロジェクトをまたいだ Run の比較デモビデオ](https://www.youtube.com/watch?v=uD4if_nGrs4)（2分）をご覧ください。
+ [プロジェクトをまたいで run を比較する方法を紹介する動画](https://www.youtube.com/watch?v=uD4if_nGrs4) (2 分) を視聴してください。
-クロスプロジェクト Reports を使用すると、2つの異なる Projects から Runs を比較できます。Run set テーブルにあるプロジェクトセレクターを使用して、プロジェクトを選択します。
+cross-project Reports を使って、異なる 2 つのプロジェクトの run を比較できます。run set テーブルのプロジェクトセレクターを使って、プロジェクトを選択します。
+ ## 閲覧専用レポートリンク
+
-プライベートプロジェクトやチームプロジェクトにあるレポートに対して、閲覧専用リンクを共有できます。
+非公開の プロジェクト または チーム プロジェクト 内にあるレポートへの閲覧専用リンクを共有できます。
-マジックリンクは「Private」および「Team」プロジェクトでのみ利用可能です。「Public」（誰でも閲覧可能）または「Open」（誰でも閲覧および Run の投稿が可能）プロジェクトでは、プロジェクト自体がすでにリンクを知っている全員に公開されているため、リンクのオン/オフを切り替えることはできません。
+ magic link は「Private」と「Team」 プロジェクトでのみ利用できます。「Public」 (誰でも閲覧可能) や「Open」 (誰でも閲覧および run の投稿が可能) プロジェクトでは、この プロジェクト は公開されており、すでにリンクを知っている誰もがアクセスできることを意味するため、これらのリンクで公開／非公開を切り替えることはできません。
-## グラフをレポートに送る
+
+ ## グラフをレポートに送る
+
-進捗状況を記録するために、Workspace からレポートにグラフを送信します。レポートにコピーしたいチャートまたはパネルのドロップダウンメニューをクリックし、**Add to report** を選択して宛先のレポートを指定してください。
\ No newline at end of file
+進捗を追跡するには、ワークスペースからレポートにグラフを送ります。レポートにコピーしたいチャートまたはパネルのドロップダウン メニューをクリックし、**Add to report** をクリックして、追加先のレポートを選択します。
\ No newline at end of file
diff --git a/ja/models/reports/edit-a-report.mdx b/ja/models/reports/edit-a-report.mdx
index e57c247e50..97b16975e2 100644
--- a/ja/models/reports/edit-a-report.mdx
+++ b/ja/models/reports/edit-a-report.mdx
@@ -1,208 +1,226 @@
---
+description: App UI を使用して対話的に、または W&B SDK を使用してプログラムからレポートを編集します。
title: レポートを編集する
-description: App UI を使用してインタラクティブに、または W&B SDK を使用してプログラムから Reports を編集します。
---
-W&B Report および Workspace API はパブリックプレビュー中です。
+ W&B Report and Workspace API は Public Preview 段階です。
-App UI を使用してインタラクティブに、または W&B SDK を使用してプログラムで Reports を編集できます。
+App UI を使って対話的に、または W&B SDK を使ってプログラムからレポートを編集できます。
-Reports は _ブロック_ で構成されています。ブロックはレポートの本体を形成します。これらのブロック内には、テキスト、画像、埋め込み可視化、実験や run からのプロット、およびパネルグリッドを追加できます。
+レポートは *blocks* で構成されます。ブロックはレポート本文を形作ります。これらのブロック内では、テキスト、画像、埋め込み型の可視化、Experiments と run からのプロット、パネルグリッドを追加できます。
-_パネルグリッド_ は、パネルと _run sets_ を保持する特定のタイプのブロックです。Run sets は、W&B のプロジェクトにログ記録された run のコレクションです。パネルは、run set データの可視化です。
+*Panel grids* は、パネルと *run sets* を保持する特定の種類のブロックです。run セットは、W&B のプロジェクトに記録された run のコレクションです。パネルは run セットのデータを可視化したものです。
-保存された Workspace ビューを作成およびカスタマイズする方法のステップバイステップの例については、[プログラムによるワークスペースのチュートリアル](/ja/models/tutorials/workspaces) を確認してください。
+ 保存済みワークスペースビューを作成およびカスタマイズする手順付きの例については、[Programmatic workspaces notebook](https://colab.research.google.com/github/wandb/wandb-workspaces/blob/Update-wandb-workspaces-tuturial/Workspace_tutorial.ipynb) を参照してください。
-プログラムでレポートを編集する場合は、W&B Python SDK に加えて、W&B Report および Workspace API である `wandb-workspaces` がインストールされていることを確認してください。
+ レポートをプログラムから編集したい場合は、W&B Python SDK に加えて、W&B Report and Workspace API である `wandb-workspaces` がインストールされていることを確認してください:
-```pip
-pip install wandb wandb-workspaces
-```
+ ```pip
+ pip install wandb wandb-workspaces
+ ```
-## プロットの追加
+
+ ## プロットを追加する
+
-各パネルグリッドには、一連の run sets と一連のパネルがあります。セクションの下部にある run sets は、グリッド内のパネルに表示されるデータを制御します。別の run セットからデータを取得するチャートを追加したい場合は、新しいパネルグリッドを作成してください。
+各パネルグリッドには run セットとパネルのセットがあります。セクションの下部にある run セットは、グリッド内のパネルに表示されるデータを制御します。別の run セットからデータを取得するチャートを追加したい場合は、新しいパネルグリッドを作成します。
-
-レポート内でスラッシュ（ `/` ）を入力してドロップダウンメニューを表示します。**Add panel** を選択してパネルを追加します。折れ線グラフ、散布図、並行座標プロットなど、W&B でサポートされている任意のパネルを追加できます。
+
+ レポート内でスラッシュ (`/`) を入力すると、ドロップダウンメニューが表示されます。**Add panel** を選択してパネルを追加します。折れ線プロット、散布図、平行座標プロットなど、W&B がサポートする任意のパネルを追加できます。
-
-
-SDK を使用してプログラムでプロットをレポートに追加します。`PanelGrid` パブリック API クラスの `panels` パラメータに、1つ以上のプロットまたはチャートオブジェクトのリストを渡します。関連する Python クラスを使用してプロットまたはチャートオブジェクトを作成します。
+
-次の例では、折れ線グラフと散布図を作成する方法を示します。
+
+ SDK を使ってプログラムからレポートにプロットを追加します。`PanelGrid` Public API クラスの `panels` パラメーターに、1 つ以上のプロットまたはチャート オブジェクトのリストを渡します。対応する Python クラスを使ってプロットまたはチャート オブジェクトを作成します。
-```python
-import wandb
-import wandb_workspaces.reports.v2 as wr
+ 次の例では、折れ線プロットと散布図の作成方法を示します。
-report = wr.Report(
- project="report-editing",
- title="An amazing title",
- description="A descriptive description.",
-)
+ ```python
+ import wandb
+ import wandb_workspaces.reports.v2 as wr
-blocks = [
- wr.PanelGrid(
- panels=[
- wr.LinePlot(x="time", y="velocity"),
- wr.ScatterPlot(x="time", y="acceleration"),
- ]
+ report = wr.Report(
+ project="report-editing",
+ title="An amazing title",
+ description="A descriptive description.",
)
-]
-
-report.blocks = blocks
-report.save()
-```
-プログラムでレポートに追加できる利用可能なプロットやチャートの詳細については、`wr.panels` を参照してください。
-
+ blocks = [
+ wr.PanelGrid(
+ panels=[
+ wr.LinePlot(x="time", y="velocity"),
+ wr.ScatterPlot(x="time", y="acceleration"),
+ ]
+ )
+ ]
+
+ report.blocks = blocks
+ report.save()
+ ```
+
+ プログラムからレポートに追加できるプロットやチャートの詳細については、`wr.panels` を参照してください。
+
-## run sets の追加
+
+ ## run set を追加する
+
-App UI または W&B SDK を使用して、プロジェクトから run sets をインタラクティブに追加します。
+App UI または W&B SDK を使って、プロジェクトから対話的に run set を追加します。
-
-レポート内でスラッシュ（ `/` ）を入力してドロップダウンメニューを表示します。ドロップダウンから **Panel Grid** を選択します。これにより、レポートが作成されたプロジェクトから run set が自動的にインポートされます。
+
+ レポート内でスラッシュ (`/`) を入力するとドロップダウンメニューが表示されます。ドロップダウンから **Panel Grid** を選択します。これにより、そのレポートが作成されたプロジェクトから run set が自動的にインポートされます。
-パネルをレポートにインポートすると、run 名はプロジェクトから継承されます。レポート内では、読者により多くのコンテキストを提供するために、オプションで [run の名前を変更](/models/runs/#rename-a-run) することができます。run の名前は個別のパネル内でのみ変更されます。同じレポート内でパネルを複製した場合、複製されたパネル内でも run 名が変更されます。
+ パネルをレポートにインポートすると、run 名はプロジェクトから継承されます。レポート内では、読者により多くの文脈を提供するために、任意で [run の名前を変更する](/ja/models/runs/#rename-a-run) ことができます。run は個々のパネル内でのみ名前が変更されます。同じレポート内でパネルをクローンした場合、クローンされたパネル内の run も同様に名前が変更されます。
-1. レポート内で、鉛筆アイコンをクリックしてレポートエディタを開きます。
-1. run set 内で、名前を変更する run を見つけます。レポート名にカーソルを合わせ、3つの垂直のドットをクリックします。次のいずれかの選択肢を選び、フォームを送信します。
+ 1. レポートで鉛筆アイコンをクリックして、レポートエディタを開きます。
- - **Rename run for project**: プロジェクト全体で run の名前を変更します。新しいランダムな名前を生成するには、フィールドを空白のままにします。
- - **Rename run for panel grid**: 他のコンテキストでの既存の名前を保持したまま、レポート内でのみ run の名前を変更します。新しいランダムな名前の生成はサポートされていません。
+ 2. run set 内で、名前を変更する run を探します。レポート名にカーソルを合わせ、縦に並んだ 3 つの点をクリックします。次のいずれかを選択し、フォームを送信します。
-1. **Publish report** をクリックします。
-
-
-`wr.Runset()` および `wr.PanelGrid` クラスを使用して、プロジェクトから run sets を追加します。次の手順は、runset を追加する方法を説明しています。
+ * **Rename run for project**: プロジェクト全体で run の名前を変更します。新しいランダムな名前を生成するには、このフィールドを空のままにします。
+ * **Rename run for panel grid**: 他のコンテキストでの既存の名前を維持したまま、そのレポート内でのみ run の名前を変更します。新しいランダムな名前の生成には対応していません。
-1. `wr.Runset()` オブジェクトのインスタンスを作成します。project パラメータには run sets を含むプロジェクトの名前を、entity パラメータにはプロジェクトを所有する entity を指定します。
-2. `wr.PanelGrid()` オブジェクトのインスタンスを作成します。`run sets` パラメータに1つ以上の runset オブジェクトのリストを渡します。
-3. 1つ以上の `wr.PanelGrid()` オブジェクトインスタンスをリストに格納します。
-4. レポートインスタンスの blocks 属性をパネルグリッドインスタンスのリストで更新します。
+ 3. **Publish report** をクリックします。
+
-```python
-import wandb
-import wandb_workspaces.reports.v2 as wr
+
+ `wr.Runset()` と `wr.PanelGrid` クラスを使って、プロジェクトから run set を追加できます。以下の手順は、run set を追加する方法を説明します。
-report = wr.Report(
- project="report-editing",
- title="An amazing title",
- description="A descriptive description.",
-)
+ 1. `wr.Runset()` オブジェクトインスタンスを作成します。`project` パラメーターには run set を含むプロジェクト名を、`entity` パラメーターにはそのプロジェクトを所有する entity を指定します。
+ 2. `wr.PanelGrid()` オブジェクトインスタンスを作成します。1 つ以上の run set オブジェクトのリストを `run sets` パラメーターに渡します。
+ 3. 1 つ以上の `wr.PanelGrid()` オブジェクトインスタンスをリストに格納します。
+ 4. report インスタンスの `blocks` 属性を、その panel grid インスタンスのリストで更新します。
-panel_grids = wr.PanelGrid(
- runsets=[wr.RunSet(project="", entity="")]
-)
+ ```python
+ import wandb
+ import wandb_workspaces.reports.v2 as wr
-report.blocks = [panel_grids]
-report.save()
-```
+ report = wr.Report(
+ project="report-editing",
+ title="An amazing title",
+ description="A descriptive description.",
+ )
-オプションで、SDK への1回の呼び出しで runsets とパネルを追加することもできます。
+ panel_grids = wr.PanelGrid(
+ runsets=[wr.RunSet(project="", entity="")]
+ )
-```python
-import wandb
+ report.blocks = [panel_grids]
+ report.save()
+ ```
-report = wr.Report(
- project="report-editing",
- title="An amazing title",
- description="A descriptive description.",
-)
+ オプションとして、SDK への 1 回の呼び出しで run set とパネルを追加することもできます。
-panel_grids = wr.PanelGrid(
- panels=[
- wr.LinePlot(
- title="line title",
- x="x",
- y=["y"],
- range_x=[0, 100],
- range_y=[0, 100],
- log_x=True,
- log_y=True,
- title_x="x axis title",
- title_y="y axis title",
- ignore_outliers=True,
- groupby="hyperparam1",
- groupby_aggfunc="mean",
- groupby_rangefunc="minmax",
- smoothing_factor=0.5,
- smoothing_type="gaussian",
- smoothing_show_original=True,
- max_runs_to_show=10,
- plot_type="stacked-area",
- font_size="large",
- legend_position="west",
- ),
- wr.ScatterPlot(
- title="scatter title",
- x="y",
- y="y",
- # z='x',
- range_x=[0, 0.0005],
- range_y=[0, 0.0005],
- # range_z=[0,1],
- log_x=False,
- log_y=False,
- # log_z=True,
- running_ymin=True,
- running_ymean=True,
- running_ymax=True,
- font_size="small",
- regression=True,
- ),
- ],
- runsets=[wr.RunSet(project="", entity="")],
-)
+ ```python
+ import wandb
+ report = wr.Report(
+ project="report-editing",
+ title="An amazing title",
+ description="A descriptive description.",
+ )
-report.blocks = [panel_grids]
-report.save()
-```
-
+ panel_grids = wr.PanelGrid(
+ panels=[
+ wr.LinePlot(
+ title="line title",
+ x="x",
+ y=["y"],
+ range_x=[0, 100],
+ range_y=[0, 100],
+ log_x=True,
+ log_y=True,
+ title_x="x axis title",
+ title_y="y axis title",
+ ignore_outliers=True,
+ groupby="hyperparam1",
+ groupby_aggfunc="mean",
+ groupby_rangefunc="minmax",
+ smoothing_factor=0.5,
+ smoothing_type="gaussian",
+ smoothing_show_original=True,
+ max_runs_to_show=10,
+ plot_type="stacked-area",
+ font_size="large",
+ legend_position="west",
+ ),
+ wr.ScatterPlot(
+ title="scatter title",
+ x="y",
+ y="y",
+ # z='x',
+ range_x=[0, 0.0005],
+ range_y=[0, 0.0005],
+ # range_z=[0,1],
+ log_x=False,
+ log_y=False,
+ # log_z=True,
+ running_ymin=True,
+ running_ymean=True,
+ running_ymax=True,
+ font_size="small",
+ regression=True,
+ ),
+ ],
+ runsets=[wr.RunSet(project="", entity="")],
+ )
+
+
+ report.blocks = [panel_grids]
+ report.save()
+ ```
+
-## run set の固定 (Freeze)
+
+ ## run set を固定する
+
-レポートは、プロジェクトからの最新データを表示するために run sets を自動的に更新します。レポート内の run set を *固定 (freezing)* することで、その状態を保存できます。run set を固定すると、特定の時点におけるレポート内の run set の状態が保持されます。
+レポートはプロジェクトの最新データを表示するために run set を自動的に更新します。レポート内の run set の状態をある時点で保持しておきたい場合は、その run set を*固定*します。run set を固定すると、その時点のレポート内における run set の状態が保存されます。
-レポートの閲覧中に run set を固定するには、パネルグリッド内の **Filter** ボタンの近くにある雪の結晶アイコンをクリックします。
+レポートを表示しているときに run set を固定するには、パネルグリッド内の **Filter** ボタンの近くにある雪の結晶のアイコンをクリックします。
+ ## run セットをプログラムからグループ化する
+
+
+[Workspace and Reports API](/ja/models/ref/wandb_workspaces/reports) を使用して、run セット内の Runs をプログラムからグループ化できます。
-[Workspace and Reports API](/models/ref/wandb_workspaces/reports) を使用して、プログラムで run set 内の run をグループ化します。
+run セット内の Runs は、config の値、run メタデータ、または summary メトリクスでグループ化できます。次の表に、利用可能なグループ化方法と、それぞれの方法で使用できるキーを示します。
-config 値、run メタデータ、または summary メトリクスによって run set 内の run をグループ化できます。次の表に、利用可能なグループ化メソッドと、そのメソッドで使用可能なキーをリストします。
+| Grouping Method | Description | Available keys |
+| --------------- | ---------------------------- | ------------------------------------------- |
+| Config values | config の値で Runs をグループ化する | `wandb.init(config=)` の config パラメーターで指定した値 |
+| Run metadata | run メタデータで Runs をグループ化する | `State`、`Name`、`JobType` |
+| Summary metrics | summary メトリクスで Runs をグループ化する | `wandb.Run.log()` を使って run に記録した値 |
-| グループ化メソッド | 説明 | 使用可能なキー |
-| ---|------| --- |
-| Config 値 | config 値で run をグループ化 | `wandb.init(config=)` の config パラメータで指定された値 |
-| Run メタデータ | run メタデータで run をグループ化 | `State`, `Name`, `JobType` |
-| Summary メトリクス | summary メトリクスで run をグループ化 | `wandb.Run.log()` で run にログ記録した値 |
+{/* レポート内で run をグループ化する場合と Workspace 内で run をグループ化する場合の主な違い:
+ 1. 文字列パス vs オブジェクト: Reports では、`ws.Config("group")` のような型オブジェクトではなく、`"config.group"` のような文字列パスを使用します。
+ 2. ドット記法: `"config.model_type"` のように、ドットを使ってネストされた値にアクセスします。
+ 3. あらかじめ定義されたフィールド: `"Name"`、`"Tags"`、`"State"` のような一部のフィールドは、特別な run メタデータ フィールドです。 */}
-### config 値による run のグループ化
+
+ ### config の値で runs をグループ化する
+
-同様の設定を持つ run を比較するために、config 値で run をグループ化します。config 値は、run 設定 `(wandb.init(config=))` で指定するパラメータです。config 値で run をグループ化するには、`config.` 構文を使用します。ここで、`` はグループ化に使用したい config 値の名前です。
+config の値で runs をグループ化すると、同様の設定を持つ runs を比較できます。config の値は、run の設定 `(wandb.init(config=))` で指定するパラメーターです。runs を config の値でグループ化するには、`config.` 構文を使用します。ここで `` は、グループ化に使用したい config 値の名前です。
-例えば、次のコードスニペットは、まず `group` の config 値を使用して run を初期化し、次に `group` config 値に基づいてレポート内の run をグループ化します。`` と `` の値は、自身の W&B entity 名とプロジェクト名に置き換えてください。
+たとえば、次のコードスニペットでは、まず `group` 用の config 値を持つ run を初期化し、その後 `group` の config 値に基づいてレポート内の runs をグループ化します。`` と `` を、あなたの W&B entity 名とプロジェクト名に置き換えてください。
```python
import wandb
@@ -214,7 +232,7 @@ project = ""
for group in ["control", "experiment_a", "experiment_b"]:
for i in range(3):
with wandb.init(entity=entity, project=project, group=group, config={"group": group, "run": i}, name=f"{group}_run_{i}") as run:
- # トレーニングのシミュレーション
+ # トレーニングを模擬的に実行する
for step in range(100):
run.log({
"acc": 0.5 + (step / 100) * 0.3 + (i * 0.05),
@@ -222,7 +240,7 @@ for group in ["control", "experiment_a", "experiment_b"]:
})
```
-Python スクリプトまたはノートブック内で、`config.group` 値によって run をグループ化できます。
+その後、Python スクリプトまたはノートブック内で、`config.group` の値ごとに run をグループ化できます。
```python
runset = wr.Runset(
@@ -232,7 +250,7 @@ runset = wr.Runset(
)
```
-前の例に続き、グループ化された run set を含むレポートを作成できます。
+前の例の続きとして、グループ化した run セットからレポートを作成できます：
```python
report = wr.Report(
@@ -250,33 +268,37 @@ report.blocks = [
report.save()
```
-### run メタデータによる run のグループ化
+
+ ### run メタデータで run をグループ化
+
-run の名前 (`Name`)、状態 (`State`)、またはジョブタイプ (`JobType`) で run をグループ化します。
+run の名前 (`Name`)、state (`State`)、job type (`JobType`) ごとに run をグループ化します。
-前の例に続き、次のコードスニペットを使用して run を名前でグループ化できます。
+前の例の続きとして、次のコードスニペットを使用して run を名前ごとにグループ化できます。
```python
runset = wr.Runset(
project=project,
entity=entity,
- groupby=["Name"] # run 名でグループ化
+ groupby=["Name"] # run 名ごとにグループ化
)
```
-run の名前は、`wandb.init(name=)` パラメータで指定する名前です。名前を指定しない場合、W&B は run に対してランダムな名前を生成します。
+ run の名前は、`wandb.init(name=)` パラメーターで指定した名前です。名前を指定しない場合は、W&B が run 用にランダムな名前を生成します。
-run の名前は、W&B App の run の **Overview** ページ、またはプログラムから `Api.runs().run.name` で確認できます。
+ run の名前は、W&B App の run の **Overview** ページで確認するか、プログラムから `Api.runs().run.name` を使用して取得できます。
-### summary メトリクスによる run のグループ化
+
+ ### サマリーメトリクスで run をグループ化する
+
-次の例では、summary メトリクスによって run をグループ化する方法を示します。summary メトリクスは、`wandb.Run.log()` で run にログ記録する値です。run をログ記録した後、W&B App の run の **Overview** ページの **Summary** セクションで summary メトリクスの名前を確認できます。
+次の例では、run をサマリーメトリクスでグループ化する方法を示します。サマリーメトリクスとは、`wandb.Run.log()` を使って run にログする値のことです。run をログした後は、その run の **Overview** ページの **Summary** セクションで、W&B App 上からサマリーメトリクスの名前を確認できます。
-summary メトリクスで run をグループ化するための構文は `summary.` です。ここで、`` はグループ化に使用したい summary メトリクスの名前です。
+サマリーメトリクスで run をグループ化するための構文は `summary.` です。ここで `` は、グループ化に使用したいサマリーメトリクスの名前です。
-例えば、`acc` という summary メトリクスをログ記録したとします。
+たとえば、`acc` という名前のサマリーメトリクスをログしたとします。
```python
import wandb
@@ -288,7 +310,7 @@ project = ""
for group in ["control", "experiment_a", "experiment_b"]:
for i in range(3):
with wandb.init(entity=entity, project=project, group=group, config={"group": group, "run": i}, name=f"{group}_run_{i}") as run:
- # トレーニングのシミュレーション
+ # トレーニングをシミュレートする
for step in range(100):
run.log({
"acc": 0.5 + (step / 100) * 0.3 + (i * 0.05),
@@ -297,19 +319,21 @@ for group in ["control", "experiment_a", "experiment_b"]:
```
-その後、`summary.acc` summary メトリクスによって run をグループ化できます。
+その後、`summary.acc` というサマリーメトリクスで runs をグループ化できます。
```python
runset = wr.Runset(
project=project,
entity=entity,
- groupby=["summary.acc"] # summary 値でグループ化
+ groupby=["summary.acc"] # サマリー値でグループ化
)
```
-## プログラムによる run set のフィルタリング
+
+ ## run セットをプログラムからフィルターする
+
-[Workspace and Reports API](/models/ref/wandb_workspaces/reports) を使用して、プログラムで run sets をフィルタリングし、レポートに追加します。
+run セットをプログラムからフィルターし、[Workspace and Reports API](/ja/models/ref/wandb_workspaces/reports) を使ってレポートに追加します。
フィルター式の一般的な構文は次のとおりです。
@@ -317,24 +341,26 @@ runset = wr.Runset(
Filter('key') operation
```
-ここで、`key` はフィルターの名前、`operation` は比較演算子（例: `>`, `<`, `==`, `in`, `not in`, `or`, `and`）、`` は比較対象の値です。`Filter` は適用したいフィルターのタイプのプレースホルダーです。次の表に、利用可能なフィルターとその説明をリストします。
+ここで、`key` はフィルターの名前、`operation` は比較演算子（例: `>`, `<`, `==`, `in`, `not in`, `or`, `and`）、`` は比較する値を表します。`Filter` は適用したいフィルターの種類を表すプレースホルダーです。利用可能なフィルターとその説明は次の表のとおりです。
-| フィルター | 説明 | 使用可能なキー |
-| ---|---| --- |
-| `Config('key')` | config 値でフィルタリング | `wandb.init(config=)` の `config` パラメータで指定された値。 |
-| `SummaryMetric('key')` | summary メトリクスでフィルタリング | `wandb.Run.log()` で run にログ記録した値。 |
-| `Tags('key')` | タグでフィルタリング | run に追加したタグ値（プログラムまたは W&B App を使用）。 |
-| `Metric('key')` | run プロパティでフィルタリング | `tags`, `state`, `displayName`, `jobType` |
+| Filter | Description | Available keys |
+| ---------------------- | ---------------- | ----------------------------------------------- |
+| `Config('key')` | config 値でフィルター | `wandb.init(config=)` の `config` パラメーターで指定した値。 |
+| `SummaryMetric('key')` | サマリーメトリクスでフィルター | `wandb.Run.log()` を使って run にログした値。 |
+| `Tags('key')` | タグでフィルター | run に追加したタグ値（プログラムから、または W&B App から追加したもの）。 |
+| `Metric('key')` | run のプロパティでフィルター | `tags`, `state`, `displayName`, `jobType` |
-フィルターを定義したら、レポートを作成し、フィルタリングされた run sets を `wr.PanelGrid(runsets=)` に渡すことができます。プログラムでレポートにさまざまな要素を追加する方法の詳細については、このページの **Report and Workspace API** タブを参照してください。
+フィルターを定義したら、レポートを作成し、フィルター済みの run セットを `wr.PanelGrid(runsets=)` に渡すことができます。レポートにさまざまな要素をプログラムから追加する方法については、このページ全体にある **Report and Workspace API** タブを参照してください。
-次の例では、レポート内の run sets をフィルタリングする方法を示します。`<>` で囲まれた値は、自身の値に置き換えてください。
+次の例では、レポート内で run セットをフィルターする方法を示します。`<>` で囲まれた値は、自身の値に置き換えてください。
-### config フィルター
+
+ ### Config フィルター
+
-1つ以上の config 値で runset をフィルタリングします。config 値は、run 設定 (`wandb.init(config=)`) で指定するパラメータです。
+1 つ以上の config 値に基づいて runset をフィルタリングします。config 値は、run の設定（`wandb.init(config=)`）で指定するパラメーターです。
-例えば、次のコードスニペットは、まず `learning_rate` と `batch_size` の config 値を使用して run を初期化し、次に `learning_rate` config 値に基づいてレポート内の run をフィルタリングします。
+たとえば、次のコードスニペットでは、まず `learning_rate` と `batch_size` の config 値を指定して run を初期化し、その後 `learning_rate` の config 値に基づいてレポート内の run をフィルタリングします。
```python
import wandb
@@ -349,7 +375,7 @@ with wandb.init(project="", entity="", config=config) as run:
pass
```
-Python スクリプトまたはノートブック内で、学習率が `0.01` より大きい run をプログラムでフィルタリングできます。
+Python スクリプトやノートブック内で、学習率が `0.01` より大きい run をプログラムでフィルターできます。
```python
import wandb_workspaces.reports.v2 as wr
@@ -361,7 +387,7 @@ runset = wr.Runset(
)
```
-`and` 演算子を使用して、複数の config 値でフィルタリングすることもできます。
+`and` 演算子を使うと、複数の config 値を組み合わせてフィルタリングすることもできます。
```python
runset = wr.Runset(
@@ -371,7 +397,7 @@ runset = wr.Runset(
)
```
-前の例に続き、次のようにフィルタリングされた runset を使用してレポートを作成できます。
+前の例の続きとして、フィルターを適用した runset を使って次のようにレポートを作成できます。
```python
report = wr.Report(
@@ -395,19 +421,21 @@ report.blocks = [
report.save()
```
-### Metric フィルター
+
+ ### メトリクス フィルター
+
-run のタグ (`tags`)、run の状態 (`state`)、run の表示名 (`displayName`)、またはジョブタイプ (`jobType`) に基づいて run sets をフィルタリングします。
+run セットを、run のタグ (`tags`)、run の状態 (`state`)、run 名 (`displayName`)、またはジョブ タイプ (`jobType`) に基づいてフィルタリングします。
-`Metric` フィルターは異なる構文を持ちます。値のリストをリストとして渡します。
+ `Metric` フィルターは構文が異なります。値はリストとして渡します。
-```text
-Metric('key') operation []
-```
+ ```text
+ Metric('key') operation []
+ ```
-例えば、3つの run を作成し、それぞれに名前を割り当てる次の Python スニペットを考えてみましょう。
+たとえば、次の Python スニペットでは 3 つの run を作成し、それぞれに名前を割り当てています。
```python
import wandb
@@ -419,7 +447,7 @@ with wandb.init(project="", entity="") as run:
pass
```
-レポートを作成する際、表示名で run をフィルタリングできます。例えば、`run1`、`run2`、`run3` という名前の run をフィルタリングするには、次のコードを使用できます。
+レポートを作成する際、表示名で run をフィルタリングできます。たとえば、`run1`、`run2`、`run3` という名前の run をフィルタリングするには、次のコードを使用します。
```python
runset = wr.Runset(
@@ -430,10 +458,10 @@ runset = wr.Runset(
```
-run の名前は、W&B App の run の **Overview** ページ、またはプログラムから `Api.runs().run.name` で確認できます。
+ W&B App の run の **Overview** ページ、または `Api.runs().run.name` を使ってプログラムから run 名を取得できます。
-次の例では、run の状態 (`finished`, `crashed`, または `running`) で runset をフィルタリングする方法を示します。
+次の例では、run の状態（`finished`、`crashed`、`running`）で runset をフィルタリングする方法を示します。
```python
runset = wr.Runset(
@@ -451,9 +479,11 @@ runset = wr.Runset(
)
```
-### SummaryMetric フィルター
+
+ ### SummaryMetric フィルター
+
-次の例では、summary メトリクスによって run set をフィルタリングする方法を示します。summary メトリクスは、`wandb.Run.log()` で run にログ記録する値です。run をログ記録した後、W&B App の run の **Overview** ページの **Summary** セクションで summary メトリクスの名前を確認できます。
+次の例では、サマリー メトリクスで run セットをフィルタリングする方法を示します。サマリー メトリクスは、`wandb.Run.log()` を使って run にログする値です。run をログした後は、W&B App の run の **Overview** ページ内の **Summary** セクションで、サマリー メトリクスの名前を確認できます。
```python
runset = wr.Runset(
@@ -471,9 +501,11 @@ runset = wr.Runset(
)
```
-### Tags フィルター
+
+ ### タグフィルター
+
-次のコードスニペットは、タグによって run set をフィルタリングする方法を示しています。タグは、run に追加する値です（プログラムまたは W&B App を使用）。
+次のコードスニペットでは、タグで run の集合をフィルタリングする方法を示します。タグは、run に（プログラムから、または W&B App を使って）追加できる値です。
```python
runset = wr.Runset(
@@ -483,209 +515,227 @@ runset = wr.Runset(
)
```
-## コードブロックの追加
+
+ ## コードブロックを追加する
+
-App UI を使用してインタラクティブに、または W&B SDK を使用してプログラムで、レポートにコードブロックを追加します。
+App UI または W&B SDK を使用して、インタラクティブにレポートにコードブロックを追加します。
-
-レポート内でスラッシュ（ `/` ）を入力してドロップダウンメニューを表示します。ドロップダウンから **Code** を選択します。
+
+ レポート内でスラッシュ (`/`) を入力してドロップダウンメニューを表示します。ドロップダウンから **Code** を選択します。
-コードブロックの右側にあるプログラミング言語の名前を選択します。これによりドロップダウンが展開されます。ドロップダウンから、プログラミング言語の構文を選択します。Javascript, Python, CSS, JSON, HTML, Markdown, YAML から選択できます。
-
-
-`wr.CodeBlock` クラスを使用して、プログラムでコードブロックを作成します。language パラメータと言語パラメータに、それぞれ表示したい言語の名前とコードを指定します。
+ コードブロックの右側にあるプログラミング言語名を選択します。ドロップダウンが展開されるので、そこから使用するプログラミング言語の構文を選択します。選択できるのは、JavaScript、Python、CSS、JSON、HTML、Markdown、YAML です。
+
-例えば、次の例は YAML ファイルのリストを示しています。
+
+ `wr.CodeBlock` クラスを使用して、プログラムでコードブロックを作成します。`language` と `code` パラメーターに、それぞれ表示したい言語名とコードを指定します。
-```python
-import wandb
-import wandb_workspaces.reports.v2 as wr
+ たとえば、次の例は YAML ファイル内のリストを示しています。
-report = wr.Report(project="report-editing")
+ ```python
+ import wandb
+ import wandb_workspaces.reports.v2 as wr
-report.blocks = [
- wr.CodeBlock(
- code=["this:", "- is", "- a", "cool:", "- yaml", "- file"], language="yaml"
- )
-]
+ report = wr.Report(project="report-editing")
-report.save()
-```
+ report.blocks = [
+ wr.CodeBlock(
+ code=["this:", "- is", "- a", "cool:", "- yaml", "- file"], language="yaml"
+ )
+ ]
-これにより、次のようなコードブロックがレンダリングされます。
+ report.save()
+ ```
-```yaml
-this:
-- is
-- a
-cool:
-- yaml
-- file
-```
+ これは次のようなコードブロックとしてレンダリングされます。
-次の例は Python のコードブロックを示しています。
+ ```yaml
+ this:
+ - is
+ - a
+ cool:
+ - yaml
+ - file
+ ```
-```python
-report = wr.Report(project="report-editing")
+ 次の例は Python のコードブロックを示しています。
+ ```python
+ report = wr.Report(project="report-editing")
-report.blocks = [wr.CodeBlock(code=["Hello, World!"], language="python")]
-report.save()
-```
+ report.blocks = [wr.CodeBlock(code=["Hello, World!"], language="python")]
-これにより、次のようなコードブロックがレンダリングされます。
+ report.save()
+ ```
-```md
-Hello, World!
-```
-
+ これは次のようなコードブロックとしてレンダリングされます。
+
+ ```md
+ Hello, World!
+ ```
+
-## Markdown の追加
+
+ ## Markdown を追加する
+
-App UI を使用してインタラクティブに、または W&B SDK を使用してプログラムで、レポートに Markdown を追加します。
+App UI または W&B SDK を使用して、レポートに対話的に Markdown を追加します。
-
-レポート内でスラッシュ（ `/` ）を入力してドロップダウンメニューを表示します。ドロップダウンから **Markdown** を選択します。
-
-
-`wandb.apis.reports.MarkdownBlock` クラスを使用して、プログラムで Markdown ブロックを作成します。`text` パラメータに文字列を渡します。
+
+ レポート内でスラッシュ (`/`) を入力すると、ドロップダウンメニューが表示されます。ドロップダウンから **Markdown** を選択します。
+
-```python
-import wandb
-import wandb_workspaces.reports.v2 as wr
+
+ `wandb.apis.reports.MarkdownBlock` クラスを使用して、プログラムで Markdown ブロックを作成します。`text` パラメーターに文字列を渡します。
-report = wr.Report(project="report-editing")
+ ```python
+ import wandb
+ import wandb_workspaces.reports.v2 as wr
-report.blocks = [
- wr.MarkdownBlock(text="Markdown cell with *italics* and **bold** and $e=mc^2$")
-]
-```
+ report = wr.Report(project="report-editing")
-これにより、次のような Markdown ブロックがレンダリングされます。
+ report.blocks = [
+ wr.MarkdownBlock(text="Markdown cell with *italics* and **bold** and $e=mc^2$")
+ ]
+ ```
-
+ これにより、次のような Markdown ブロックが表示されます。
+
+
-## HTML 要素の追加
+
+ ## HTML 要素を追加する
+
-App UI を使用してインタラクティブに、または W&B SDK を使用してプログラムで、レポートに HTML 要素を追加します。
+App UI または W&B SDK を使用して、レポートに HTML 要素をインタラクティブに追加できます。
-
-レポート内でスラッシュ（ `/` ）を入力してドロップダウンメニューを表示します。ドロップダウンからテキストブロックのタイプを選択します。例えば、H2 見出しブロックを作成するには、`Heading 2` オプションを選択します。
-
-
-1つ以上の HTML 要素のリストを `wandb.apis.reports.blocks` 属性に渡します。次の例は、H1、H2、および箇条書きリストを作成する方法を示しています。
+
+ レポート内でスラッシュ (`/`) を入力すると、ドロップダウンメニューが表示されます。ドロップダウンからテキストブロックの種類を選択します。たとえば、H2 見出しブロックを作成するには、`Heading 2` オプションを選択します。
+
-```python
-import wandb
-import wandb_workspaces.reports.v2 as wr
+
+ 1 つ以上の HTML 要素からなるリストを `wandb.apis.reports.blocks` 属性に渡します。次の例は、H1、H2、順序なしリストを作成する方法を示しています。
-report = wr.Report(project="report-editing")
+ ```python
+ import wandb
+ import wandb_workspaces.reports.v2 as wr
-report.blocks = [
- wr.H1(text="How Programmatic Reports work"),
- wr.H2(text="Heading 2"),
- wr.UnorderedList(items=["Bullet 1", "Bullet 2"]),
-]
+ report = wr.Report(project="report-editing")
-report.save()
-```
+ report.blocks = [
+ wr.H1(text="How Programmatic Reports work"),
+ wr.H2(text="Heading 2"),
+ wr.UnorderedList(items=["Bullet 1", "Bullet 2"]),
+ ]
-これにより、HTML 要素は次のようにレンダリングされます。
+ report.save()
+ ```
-
+ これにより、HTML 要素が次のように表示されます:
+
+
-## リッチメディアリンクの埋め込み
+
+ ## リッチメディアリンクを埋め込む
+
-App UI または W&B SDK を使用して、レポート内にリッチメディアを埋め込みます。
+App UI または W&B SDK を使って、レポート内にリッチメディアを埋め込みます。
-
-URL をコピーしてレポートに貼り付けることで、レポート内にリッチメディアを埋め込むことができます。次のアニメーションは、Twitter、YouTube、SoundCloud から URL をコピーして貼り付ける方法を示しています。
+
+ レポート内にリッチメディアを埋め込むには、URL をコピーしてレポートに貼り付けます。以下のアニメーションは、Twitter、YouTube、SoundCloud から URL をコピー＆ペーストする方法を示しています。
-### Twitter
+ ### Twitter
-Twitter のリンク URL をコピーしてレポートに貼り付けると、レポート内でツイートを表示できます。
+ レポート内でツイートを表示するには、ツイートのリンク URL をレポートにコピー＆ペーストします。
-
-
-1つ以上の埋め込みメディアオブジェクトのリストを `wandb.apis.reports.blocks` 属性に渡します。次の例は、動画と Twitter メディアをレポートに埋め込む方法を示しています。
+
-```python
-import wandb
-import wandb_workspaces.reports.v2 as wr
+
+ 1 つ以上の埋め込みメディアオブジェクトのリストを `wandb.apis.reports.blocks` 属性に渡します。次の例は、動画や Twitter のメディアをレポートに埋め込む方法を示しています。
-report = wr.Report(project="report-editing")
+ ```python
+ import wandb
+ import wandb_workspaces.reports.v2 as wr
-report.blocks = [
- wr.Video(url="https://www.youtube.com/embed/6riDJMI-Y8U"),
- wr.Twitter(
- embed_html='\n'
- ),
-]
-report.save()
-```
-
+ report = wr.Report(project="report-editing")
+
+ report.blocks = [
+ wr.Video(url="https://www.youtube.com/embed/6riDJMI-Y8U"),
+ wr.Twitter(
+ embed_html='\n'
+ ),
+ ]
+ report.save()
+ ```
+
-## パネルグリッドの複製と削除
+
+ ## パネルグリッドを複製および削除する
+
-再利用したいレイアウトがある場合、パネルグリッドを選択してコピー＆ペーストすることで、同じレポート内での複製や、別のレポートへの貼り付けが可能です。
+再利用したいレイアウトがある場合は、パネルグリッドを選択してコピーして貼り付けることで、同じレポート内で複製したり、別のレポートに貼り付けたりできます。
-右上隅のドラッグハンドルを選択して、パネルグリッドセクション全体をハイライトします。クリックしてドラッグすることで、パネルグリッド、テキスト、見出しなどのレポート内の領域をハイライトして選択できます。
+右上隅のドラッグハンドルを選択して、パネルグリッド セクション全体をハイライトします。クリックしたままドラッグして、レポート内のパネルグリッドやテキスト、見出しなどを含む領域をハイライトして選択します。
+ ## 複数の次元にまたがる関係を可視化する
+
-多次元にわたる関係を効果的に可視化するために、変数の1つを表すカラーグラデーションを使用します。これにより明瞭性が向上し、パターンの解釈が容易になります。
+複数の次元にまたがる関係を効果的に可視化するには、変数の 1 つをカラ―グラデーションで表現します。こうすることで視認性が向上し、パターンを解釈しやすくなります。
-1. カラーグラデーションで表す変数を選択します（例: ペナルティスコア、学習率など）。これにより、トレーニング時間（x軸）にわたって、ペナルティ（色）が報酬/副作用（y軸）とどのように相互作用するかをより明確に理解できます。
-2. 主要なトレンドを強調します。特定の run グループにカーソルを合わせると、可視化内でそれらが強調表示されます。
\ No newline at end of file
+1. カラーグラデーションで表現する変数を選択します（例: penalty のスコア、learning rate など）。これにより、penalty（色）が reward／副作用（y 軸）やトレーニング時間（x 軸）とどのような関係にあるかを、より明確に理解できます。
+2. 重要なトレンドを強調します。特定の run のグループにカーソルを合わせると、そのグループが可視化内でハイライト表示されます。
\ No newline at end of file
diff --git a/ja/models/reports/embed-reports.mdx b/ja/models/reports/embed-reports.mdx
index 91e0539c98..e36fe09a98 100644
--- a/ja/models/reports/embed-reports.mdx
+++ b/ja/models/reports/embed-reports.mdx
@@ -1,46 +1,53 @@
---
+description: W&B Reports を Notion に直接埋め込むか、HTML iframe 要素を使って埋め込む。
title: レポートを埋め込む
-description: W&B Reports を直接 Notion に埋め込んだり、HTML の IFrame 要素を使用して埋め込んだりすることができます。
---
-## HTML iframe 要素
+
+ ## HTML iframe 要素
+
-Reports の右上にある **Share** ボタンを選択してください。モーダルウィンドウが表示されます。モーダルウィンドウ内で **Copy embed code** を選択します。コピーされたコードは、インラインフレーム（IFrame）HTML 要素内でレンダリングされます。コピーしたコードを、お好みの iframe HTML 要素に貼り付けてください。
+レポート右上の **Share** ボタンを選択します。モーダルウィンドウが表示されるので、その中で **Copy embed code** を選択します。コピーされたコードは Inline Frame (iframe) の HTML 要素内でレンダリングされます。コピーしたコードを任意の HTML の iframe 要素に貼り付けます。
-埋め込み時に表示可能なのは、 **public** （公開）設定の Reports のみです。
+埋め込み表示できるのは **public** のレポートのみです。
+ ## Confluence
+
-以下の操作デモは、Confluence の IFrame セル内に Reports へのダイレクトリンクを挿入する方法を示しています。
+次のアニメーションは、Confluence の IFrame セル内にレポートへの直接リンクを挿入する方法を示しています。
+ ## Notion
+
-以下の操作デモは、Notion の埋め込み（Embed）ブロックと Reports の埋め込み用コードを使用して、Notion ドキュメントにレポートを挿入する方法を示しています。
+以下のアニメーションは、Notion で Embed ブロックとレポートの埋め込みコードを使って、Notion ドキュメントにレポートを挿入する方法を示しています。
+ ## Gradio
+
-`gr.HTML` 要素を使用して、Gradio アプリ内に W&B Reports を埋め込み、Hugging Face Spaces などで利用することができます。
+`gr.HTML` 要素を使用して Gradio アプリ内に W&B Reports を埋め込み、Hugging Face Spaces で利用できます。
```python
import gradio as gr
def wandb_report(url):
- # iframe要素を作成
iframe = f'
- 試すには、 [W&B SDK バージョン 0.23.0](/models/ref/python) 以降をインストールしてください。
-
-- 最近 [Workspaces and Reports SDK v0.20.0](/models/ref/wandb_workspaces) をリリースしました。これには、セクションや列をプログラムで固定する機能が含まれています。 [Workspaces And Reports API のインストール](/models/ref/wandb_workspaces#installation-and-setup) を参照してください。
-
-## 修正
-
-- 比較に役立つよう、グループ化された折れ線グラフに最小値と最大値が表示されるようになりました。
-- レポート において、メディアパネルの長いタイトルが短縮され、よりすっきりとした表示になりました。
-- [Semantic legends](/models/runs/color-code-runs#set-a-configuration-key) において、バケットの上限を編集できるようになりました。
-- セマンティックカラーを離散値から連続値に切り替える際のバグを修正しました。
-- フルスクリーンモードでチャートをリサイズする際に、ちらつきが発生することがあるバグを修正しました。
-- y 軸が `_step` に設定されている場合にレンダリングの問題が発生することがあるバグを修正しました。
-- メディアステップスライダーが最大値に設定されている場合に、最新の入力データを表示するように更新されないことがあるバグを修正しました。
-- スムージングがオンになっている画像パネルに、画像スムージング設定が常に適用されないバグを修正しました。
-- グリッドビューのメディアパネルが垂直方向にスペースを取りすぎ、過度なスクロールを発生させるバグを修正しました。
-- オートメーション のレンダリングおよび更新時の軽微な表示問題を修正しました。
-- アーティファクト のリンク時のスクロールやカウント表示に関する軽微な UI バグを修正しました。
-- HTML テーブルメディアパネルで非 ASCII 文字が表示されないことがあるバグを修正しました。
-- **Edit run name** アクションを更新し、 ワークスペース 用の表示名を更新しているのか、 プロジェクト 全体の元の run 名を更新しているのかをより明確にしました。
+
+ お試しになるには、**Settings** → **Media** に移動してください。現在は Dedicated Cloud でのみご利用いただけます。
+
+ * ワークスペースまたはセクション内の動画パネルでメディアを**自動再生およびループ再生**できます。現在は Dedicated Cloud でのみ利用可能です。
+
+ * Dedicated Cloud では、ワークスペース ナビゲーションが更新され、複数 run ワークスペースと単一 run ワークスペース間の移動がより簡単になり、ビューの変更も両方で保持されるようになりました ([クイックデモ動画](https://www.loom.com/share/df232057aa2d4ee78026a4f9cf400499?sid=da3661eb-e8cd-4aa5-a666-db2c4091b02b)) 。
+
+ * 単一 run および複数 run の保存ビューは、共有の設定詳細を使用するようになり、繰り返しの設定作業が不要になります。
+ * 既存の単一 run の保存ビューは削除されるため、引き続き必要なビューは再作成する必要があります。
+
+
-- チームのサービスアカウントの APIキー が、組織管理者でもあるチーム管理者ユーザーに表示されないバグを修正しました。
-- 複数の run グループを持つプロットのツールチップに表示される（最小、最大）範囲が、すべてのグループで同じ値を表示することがあるバグを修正しました。
-- 削除された run の Parquet ファイルが完全にガベージコレクションされず、 `delete parquet history does not currently support partial deletes` というエラーが繰り返しログに記録されるバグを修正しました。
+ * チームのサービスアカウントの API キー が、組織の Admin でもあるチーム Admin ユーザーに表示されないバグを修正しました。
+ * 複数の run グループを含むプロットで、ツールチップに表示される (min, max) の範囲がすべてのグループで同じ値になってしまうバグを修正しました。
+ * 削除された run の Parquet ファイルが完全にガベージコレクトされずに残り、エラー `delete parquet history does not currently support partial deletes` が繰り返しログに記録されるバグを修正しました。
-
-W&B v0.75 では、新しい Restricted Viewer ロール、レジストリをスター付きにする機能、SCIM を介したプログラムによる Registry アクセス制御により Registry を強化します。新しいオートメーション実行履歴ビューは、オートメーションの理解とデバッグに役立ちます。ハイパーパラメーターなどの設定プロパティによるセマンティックカラーリングを使用して、設定に基づいた影響を可視化したり、システムメトリクスの忠実なプロットを表示したりできます。
-
-## サポートとサポート終了 (End of Life)
-- W&B Server v0.61 以前は 2025年10月28日 にサポート終了を迎えました。
-- W&B Server v0.63 は 2025年11月26日 にサポート終了を予定しています。
-
-[リリースに関するポリシーとプロセス](/release-notes/release-policies) を参照してください。サポートが必要な場合や質問がある場合は、 [サポート](mailto:support@wandb.com) までお問い合わせください。
-
-## 今後の変更点
-次回の W&B Server リリースでは、マルチ run ワークスペースとシングル run ワークスペース間の移動を容易にする ワークスペース ナビゲーションのアップデートを予定しています。こちらの [プレビュー動画](https://www.loom.com/share/df232057aa2d4ee78026a4f9cf400499?sid=da3661eb-e8cd-4aa5-a666-db2c4091b02b) をご覧ください。
-
-この変更の一部は Server v0.75 に含まれています。左サイドバーに **Project** または単一の **Run** を表示しているかどうかが示されるようになりました。この今後のナビゲーション変更に合わせて、シングル run とマルチ run の保存済みビューが統合され、一方でのプロットやレイアウトの変更が他方にも反映されるようになり、繰り返しの設定作業が削減されます。この変更に伴い、既存のシングル run 保存済みビューは失われるため、必要なものは再作成する必要があります。
-
-
-
-## セキュリティ
-- 環境変数 `FEDERATED_AUTH_AUDIENCES` にカンマ区切りのオーディエンスリストを設定することで、 [フェデレーテッドアイデンティティ](/platform/hosting/iam/identity_federation) のオーディエンスを設定できるようになりました。オーディエンスは、アイデンティティトークンの許容される受信者を指定します。
-
-## 機能
-- **Registry アクセス制御のアップデート:**
- - **プログラムによるレジストリへのアクセス制御:** [Registry のロール](/models/registry/configure_registry#details-about-registry-roles) が SCIM スキーマに含まれるようになりました。 ユーザーの [作成](/platform/hosting/iam/scim#create-user) または更新時に Registry のロールを設定でき、 [ユーザーの取得](/platform/hosting/iam/scim#get-user) 時に Registry のロールが返されます。
- - **Registry アクセスの制限:** 完全な Registry アクセス権を付与したくない場合に、新しい Registry ロールである [Restricted Viewer](/models/registry/configure_registry) を付与できるようになりました。このロールは、コレクション、オートメーション、その他のレジストリリソースの作成、更新、削除を行う権限なしで、レジストリ アーティファクト への読み取り専用アクセスを提供します。これは、機密性の高い内容や規制対象のレジストリコンテンツに便利です。
- - [**Registry アクセスの拡大:**](https://wandb.ai/wandb_fc/product-announcements-fc/reports/Registry-for-W-B-Models-viewers-Faster-discovery-cleaner-handoffs--VmlldzoxNDc4MzM5Mg) Models **Viewer** ロールを持つすべてのユーザーは、フル権限の Registry **Member** となり、デフォルトでモデルや アーティファクト の閲覧、比較、使用ができるようになりました。 Models **Viewer** には、 **Restricted Viewer** 、 **Viewer** 、 **Admin** など、異なる Registry ロールを割り当てることも可能です。これにより、組織内の誰もが Registry の価値を最大限に活用できるようになります。
-- **スター付きレジストリ:** 規模の拡大に合わせて Registry を移動しやすくするため、レジストリにスターを付けられるようになりました。 Registry ページからレジストリのカードにカーソルを合わせ、スターの輪郭をクリックします。個別のレジストリページからは、ページ上部のスターの輪郭をクリックします。スター付きのレジストリは、 Registry ページの最上部にアルファベット順に表示されます。
-
- 
-
-- **オートメーション実行履歴:** プロジェクト またはレジストリの [オートメーション](/models/automations/automation-events) の実行履歴を **Automation history** タブから確認できるようになりました。すべての オートメーション run が新しい順に表示され、ステータスや主要な詳細を一目で確認できます。オートメーションの理解とデバッグを支援するため、詳細ビューには実行の条件、アクション、結果が表示されます。
-- **Organization dashboard** において、メールアドレスのカンマ区切りリストを指定することで、一度に複数のユーザーを組織に招待できるようになりました。オプションで、招待したユーザーを同時にチームに追加することも可能です。
-- **Semantic legend のアップデート:**
- - run のセマンティックレジェンドで、 ハイパーパラメーター などの設定値に基づいたプロットの色分けがサポートされました。学習率、バッチサイズ、モデルファミリーなどの選択した ハイパーパラメーター に基づいて run を色分けすることで、設定による影響を視覚的に特定できます。
-
- 
-
- - 他の ユーザー の ワークスペース を閲覧しているときでも、セマンティックレジェンドを設定できるようになりました。
-- 新しいフルスクリーン画像ブラウザにより、ログに記録された画像の検査と比較が簡単になりました。以前は **Dedicated Cloud** でのみ提供されていましたが、 **Self-Managed** でも利用可能になりました。
- - **真のフルスクリーンビュー:** 画面いっぱいのフルスクリーン表示により、画像の細部をより簡単に検査できます。窮屈なパネルはもう不要です。
- - **フルスクリーンビューのステップスライダー:** 埋め込まれたスライダーを使用してステップを効率的に移動し、出力がどのように進化するかを確認できます。
- - **run やステップ間の素早い移動:** フルスクリーンビューで、キーボードの **左/右矢印** キーを使用して run 間を移動し、 **Cmd + 左/右矢印** (macOS) または **Ctrl + 左/右矢印** (Windows / Linux) を使用して同じ画像のステップ間を移動できます。
-- **システムメトリクスの忠実なレンダリング:** GPU 、 CPU 、メモリなどのシステムメトリクスのチャートに、詳細な検査と分析のために微細な信号を保持する新しい詳細レンダリングモードが追加されました。
-- Parquet への run history エクスポートが改善されました。現在、 run history のエクスポートは、すべてのデプロイメントでデフォルトで非同期になりました。また、 run history のエクスポート時に、 run が 7 日以上ログに記録されておらず、その run の履歴が完全にエクスポートされた後、その run の履歴は MySQL から自動的に削除されます。
-
-## 修正
-- ワークスペース やセクション内のすべてのプロットに対して、 **Show original** 折れ線グラフ設定を切り替えられるようになりました。
-- レポート において、 run セレクターのすべての列を固定すると、レポートのレイアウトが崩れることがあるバグを修正しました。
-- 固定された列が run セレクターの境界を超えて拡大されることがあるバグを修正しました。
-- **Notes** フィールドを編集しながら run 名を変更すると、 run 名の変更が元に戻ってしまうことがあるバグを修正しました。
-- X 軸を **Relative Wall Time** に設定してグループ化された run をプロットした際、不正確な値が表示されることがあるバグを修正しました。
-- グループのページネーションコントロールが表示されないバグを修正しました。
-- BYOB ストレージがバケットサブパスを指定した S3 互換ストレージで構成されている場合に、 レポート を公開できないことがあるバグを修正しました。これは CoreWeave AI Object Storage、Amazon S3 ストレージ、MinIO などの S3 互換ストレージに影響します。
-- スムージングがオンになっている場合に、システムメトリクスのチャートが読み込まれないことがあるバグを修正しました。
-- スムージングがオンになっている場合に、複数の Y 軸を持つチャートが読み込まれないことがあるバグを修正しました。
-- 忠実度の高い（Full-fidelity）モードにおいて、折れ線グラフのツールチップに最小値と最大値の境界が表示されるようになりました。
-- グループ化された run プロットのホバーハイライト操作が改善されました。
-- X 軸の名前が Y 軸の名前の部分文字列である場合に、グループ化されたプロットがレンダリングされないことがあるバグを修正しました。
-- 非表示または選択解除された run が非表示にならず、灰色の点として表示されることがあるバグを修正しました。
-- スクロールしないと表示されないメディアパネルをフルスクリーンで開けないことがあるバグを修正しました。
-- 比較対象が密集している折れ線グラフでのスパイクをより明確に可視化できるよう、最小・最大シェーディングが改善されました。
-- 詳細な調整や実験から効率的に戻れるよう、折れ線グラフエディターで X 軸を元に戻せるようになりました。
-- アーティファクト のリンク中にレジストリが作成された場合、コアレジストリのアクセスタイプが誤って設定されることがあるバグを修正しました。このバグはメンバーシップ管理の問題を引き起こし、レジストリが機能しなくなる可能性がありました。
+
+
+ W&B v0.75 では、Registry に新しい Restricted Viewer ロール、レジストリのスター機能、SCIM を介したプログラムによる Registry アクセス制御が追加されました。新しいオートメーション実行履歴ビューにより、オートメーションの理解とデバッグが容易になります。ハイパーパラメーターなどの設定プロパティによるセマンティックカラーリングで設定ドリブンな効果を可視化したり、システムメトリクスの高精度プロットを表示したりすることができます。
+
+ ## サポートとサポート終了
+
+ * W&B Server v0.61 はサポート終了となりました。
+
+ [リリースポリシーとプロセス](/ja/release-notes/release-policies)を参照してください。サポートが必要な場合やご質問がある場合は、[サポート](mailto:support@wandb.com)までお問い合わせください。
+
+ ## 今後の変更点
+
+ 次の W&B Server リリースでは、複数 run のワークスペースと単一 run のワークスペース間の移動をより簡単にする、ワークスペースナビゲーションのアップデートを展開する予定です。詳細はこちらの[プレビュー動画](https://www.loom.com/share/df232057aa2d4ee78026a4f9cf400499?sid=da3661eb-e8cd-4aa5-a666-db2c4091b02b)をご覧ください。
+
+ この変更の一部は Server v0.75 に含まれています。左サイドバーに、**Project** を表示しているか、単一の **Run** を表示しているかが示されるようになりました。このナビゲーション変更は、単一 run と複数 run の保存済みビューの統合と同時に実施されます。これにより、一方でのプロットやレイアウトの変更がもう一方にも反映され、重複した設定作業が不要になります。この変更に伴い、既存の単一 run の保存済みビューは失われるため、引き続き必要なものは再作成してください。
+
+ 
+
+ ## セキュリティ
+
+ * [federated identity](/ja/platform/hosting/iam/identity_federation) の audience は、環境変数 `FEDERATED_AUTH_AUDIENCES` にカンマ区切りの audience のリストを設定することで指定できます。audience は、ID トークンの受信を許可された対象を指定します。
+
+ ## 機能
+
+ * **Registry のアクセス制御に関する更新:**
+ * **プログラムからの Registry アクセス制御:** [Registry roles](/ja/models/registry/configure_registry#details-about-registry-roles) が SCIM スキーマに含まれるようになりました。[ユーザーを作成](/ja/platform/hosting/iam/scim#create-user) または更新する際に、そのユーザーの Registry ロールを設定できるほか、[ユーザーを取得](/ja/platform/hosting/iam/scim#get-user) すると Registry ロールも返されます。
+ * **Registry アクセスの制限:** Registry へのフルアクセスを付与したくない場合は、新しい Registry ロールである [Restricted Viewer](/ja/models/registry/configure_registry) を付与できます。このロールは、コレクション、オートメーション、その他の Registry リソースを作成・更新・削除することなく、Registry Artifacts への読み取り専用アクセスを提供します。これは、機密性の高い、または規制対象の Registry コンテンツに対して役立ちます。
+ * [**Registry アクセスの拡張:**](https://wandb.ai/wandb_fc/product-announcements-fc/reports/Registry-for-W-B-Models-viewers-Faster-discovery-cleaner-handoffs--VmlldzoxNDc4MzM5Mg) 今後は、Models の **Viewer** ロールを持つ任意のユーザーが、デフォルトで Registry の完全な **Member** にもなり、モデルや Artifacts を閲覧、比較、利用できるようになります。Models の **Viewer** には、**Restricted Viewer**、**Viewer**、**Admin** など、別の Registry ロールを任意に割り当てることもできます。これにより、組織内のすべてのユーザーが Registry の価値を最大限に引き出せるようになります。
+
+ * **スター付き Registry:** 規模が大きくなっても Registry をスムーズに利用できるよう、Registry にスターを付けられるようになりました。Registry のランディングページでは、対象の registry のカードにカーソルを合わせて、星形の枠アイコンをクリックします。個別の registry ページでは、ページ上部にある星形の枠アイコンをクリックします。スター付きの registry は、Registry のランディングページ上部にアルファベット順で表示されます。
+
+ 
+
+ * **自動化の実行履歴：** **Automation history** タブから、プロジェクトまたはレジストリの [Automations](/ja/models/automations/automation-events) の実行履歴を表示できます。すべての自動化 run は、ステータスと主要な詳細が一目で分かるように、逆時系列で表示されます。自動化を理解してデバッグしやすくするために、その実行の条件、アクション、結果を表示する詳細ビューが用意されています。
+
+ * **Organization ダッシュボード** で、カンマ区切りのメールアドレスのリストを指定することで、一度に複数のユーザーを組織に招待できるようになりました。また、招待したユーザーを同時に Teams に追加することもできます。
+
+ * **セマンティック凡例の更新:**
+ * runs のセマンティック凡例で、ハイパーパラメーターなどの config 値に基づいてプロットを色分けできるようになりました。learning rate、バッチサイズ、モデル ファミリーなど、選択したハイパーパラメーターに基づいて runs を色分けすることで、config の違いによる影響を視覚的に把握できます。
+
+ 
+
+ * 他のユーザーの Workspace を表示しているときにも、セマンティック凡例を設定できるようになりました。
+
+ * 新しいフルスクリーン画像ブラウザーにより、ログした画像の確認や比較がより簡単になりました。これまで **Dedicated Cloud** でのみ利用可能だったこの機能は、**Self-Managed** でも利用できるようになりました。
+ * **完全なフルスクリーン表示:** 端から端までのフルスクリーン表示で画像の詳細をより簡単に確認できます。もう狭いパネルに悩まされることはありません。
+ * **フルスクリーン表示でのステップスライダー:** 埋め込みスライダーを使ってステップを効率よく切り替え、出力の変化を確認できます。
+ * **run やステップをすばやく切り替え:** フルスクリーン表示では、キーボードの **左 / 右矢印** キーで run 間を移動し、**Cmd + 左 / 右矢印** (macOS) または **Ctrl + 左 / 右矢印** (Windows / Linux) を使って同じ画像のステップ間を移動できます。
+
+ * **システムメトリクスの高精細レンダリング：** GPU、CPU、メモリなどのシステムメトリクス用チャートに、新しい高精細レンダリングモードが追加され、詳細な調査や分析のためのきめ細かな情報が保持されるようになりました。
+
+ * run 履歴の Parquet 形式へのエクスポートが改善されました。これにより、すべてのデプロイメントで run 履歴のエクスポートはデフォルトで非同期になりました。また、run 履歴をエクスポートする際に、ある run が 7 日以上ログされておらず、その run の履歴が完全にエクスポートされた後は、その run の履歴は自動的に MySQL から削除されます。
+
+ ## 修正
+
+ * ワークスペース内のすべてのプロット、またはセクション単位で、折れ線グラフの **Show original** 設定を切り替えられるようになりました。
+ * Reports で、run セレクターですべての列をピン留めするとレポートのレイアウトが崩れる不具合を修正しました。
+ * ピン留めされた列が run selector の境界を超えて表示されてしまう不具合を修正しました。
+ * run 名の変更中に **Notes** フィールドも編集すると、run 名の変更が元に戻ってしまう不具合を修正しました。
+ * X 軸を **Relative Wall Time** に設定してグループ化された Runs をプロットした際に、誤った値が表示されることがある不具合を修正しました。
+ * グループのページネーションコントロールが表示されていなかった不具合を修正しました。
+ * BYOB storage が bucket サブパス付きの S3-compatible storage を使用するように設定されている場合に、レポートを公開できない不具合を修正しました。これは CoreWeave AI Object Storage、Amazon S3 storage、MinIO などの S3-compatible storage に影響します。
+ * スムージングをオンにしているとシステムメトリクスチャートが読み込まれなくなる場合がある不具合を修正しました。
+ * スムージングが有効になっている場合に、複数の Y 軸を持つチャートが読み込めなくなることがある不具合を修正しました。
+ * Full-fidelity モードでは、折れ線グラフのツールチップに最小値と最大値の範囲が表示されるようになりました。
+ * グループ化された run プロットでのホバー時のハイライト動作が改善されました。
+ * X 軸名が Y 軸名の一部と一致している場合に、グループ化されたプロットが表示されないことがある不具合を修正しました。
+ * 非表示または選択解除されている runs が非表示にならず、灰色の点として表示されてしまう可能性があったバグを修正しました。
+ * スクロールしないとパネルを表示できない場合に、メディアパネルがフルスクリーンで開かないことがある不具合を修正しました。
+ * 比較対象が多い折れ線プロットでスパイクをより明確に可視化できるように、折れ線プロットの最小値および最大値のシェーディングが改善されました。
+ * グラフを大きく調整したり Experiments を行った後でも効率よく元の状態に戻せるよう、折れ線グラフ エディタで X 軸の設定を元に戻せるようになりました。
+ * Artifacts のリンク処理中にレジストリを作成した場合に、コアレジストリのアクセス タイプが誤って設定される可能性がある不具合を修正しました。この不具合により、メンバー管理に問題が発生し、レジストリが正常に機能しなくなる場合がありました。
-
-- 組織管理者が Organization Dashboard にアクセスできなくなることがあるバグを修正しました。
-- 0.73.0 で導入された、以前にエクスポートされた Parquet ファイルの削除を許可してしまうバグを修正しました。
-- コミットが成功した後に、 Parquet 内の アーティファクト ファイルを削除できてしまうバグを修正しました。
-- v0.73 で MySQL からシステムメトリクスを照会する際に発生したパフォーマンスの低下を修正しました。
-- 所有者のいない プロジェクト を編集できないことがあるバグを修正しました。
-- 履歴メトリクスのヒストグラムが、デフォルトでサマリーページに表示されないようになりました。代わりに、各メトリクスの詳細がサマリーページに表示され、ヒストグラムは ワークスペース パネルとして利用可能です。
+
+ * 組織管理者が Organization Dashboard にアクセスできなくなる可能性があるバグを修正しました。
+ * バージョン 0.73.0 で導入され、過去にエクスポートされた Parquet ファイルを削除できてしまうバグを修正しました。
+ * コミットが正常に完了した後でも、Parquet 内の Artifacts ファイルを削除できてしまう可能性があるバグを修正しました。
+ * MySQL からシステム メトリクスをクエリする際に発生していた、バージョン v0.73 で導入されたパフォーマンス低下を修正しました。
+ * オーナーがいないプロジェクトを編集できなくなる可能性があるバグを修正しました。
+ * 過去のメトリクスのヒストグラムは、デフォルトではサマリー ページに表示されなくなりました。その代わりに、各メトリクスの詳細がサマリー ページに表示され、ヒストグラムはワークスペース パネルとして利用できるようになりました。
-W&B v0.74 は、エンタープライズアイデンティティ管理のための SCIM API の改善を提供します。これには、Okta との自動グループ同期、合理化されたユーザーロール設定などが含まれます。 Dedicated Cloud では、 run 内および run 間で画像を検査・比較できる強力な新しいフルスクリーン画像ブラウザが追加されました。 Weave の強化には、 Playground での LLM ジャッジ評価、マルチターンの Thread ツール呼び出しの可視性向上、 DSPy の改善、および強化学習ワークフローのための Verifiers ライブラリとの新しいインテグレーションが含まれます。 W&B Inference は、 [Z.AI](https://z.ai/) GLM v4.5 ハイブリッド推論モデルのサポートを追加しました。
-
-## サポートとサポート終了 (End of Life)
-- W&B Server v0.60 以前は 2025年10月2日 にサポート終了を迎えました。
-- W&B Server v0.61 は 2025年10月28日 にサポート終了を予定しています。
-
-## 機能
-- SCIM API が強化されました：
- - プロビジョニングおよびデプロビジョニングの操作が Okta との互換性を高めました。
- - マルチテナントクラウドのデプロイメントにおいて、 [ユーザーの作成](/platform/hosting/iam/scim#create-user) 時に組織のロールとチームを設定できるようになりました。これは Dedicated Cloud および Self-Managed でのエンドポイントの動作と一致します。
- - Dedicated Cloud および Self-Managed のデプロイメントにおいて、 ユーザー の ユーザー 名またはメールアドレスを更新できるようになりました。 [ユーザーメールの更新](/platform/hosting/iam/scim#update-user-email) および [ユーザー表示名の更新](/platform/hosting/iam/scim#update-user-display-name) を参照してください。マルチテナントクラウドのデプロイメントには適用されません。
- - メールアドレスと ユーザー 名による [ユーザーの検索と取得](/platform/hosting/iam/scim#get-user) が可能になりました。
- - Okta グループが [ETags](/platform/hosting/iam/scim#etag-support) を使用して自動的に同期されるようになりました。 SCIM グループの詳細は、 [Group リソース](/platform/hosting/iam/scim#group-resource) を参照してください。
-- 組織内の [ユーザーリストをエクスポート](/platform/hosting/monitoring-usage/org_dashboard#export-user-details) する際、 CSV ファイルに **Models seats** と **Weave access** の列が含まれるようになりました。
-- **W&B Dedicated Cloud** において、新しいフルスクリーン画像ブラウザにより、ログに記録された画像の検査と比較が簡素化されました。
- - **真のフルスクリーンビュー:** 画像の細部をより簡単に検査できます。
- - **フルスクリーンビューのステップスライダー:** 埋め込まれたスライダーを使用してステップ間を効率的に移動できます。
- - **キーボードを使用した run 間の素早い切り替え:** フルスクリーンビューで、キーボードの **左/右矢印** キーを使用して run 間を移動し、 **Cmd + 左/右矢印** (macOS) または **Ctrl + 左/右矢印** (Windows / Linux) を使用して同じ画像のステップ間を移動できます。
-
-### Weave
-- **Evaluations** サイドバータブから、プロンプトの値を更新し、 LLM ジャッジ評価を実行して変更をテストできるようになりました。 [Playground](/weave/guides/tools/playground) で試してみてください。
-- Weave を強化学習（RL）トレーニングワークフローに統合し、トレーニング中にキャプチャされた [トレースと評価](/weave/guides/tools/weave-in-workspaces) を、 run メトリクスパネルとともに W&B ワークスペース で表示できるようになりました。
-- Weave は、強化学習（RL）環境の作成や LLM エージェントのトレーニングのためのモジュールコンポーネントライブラリである [Verifiers](https://verifiers.readthedocs.io/en/latest/) とのインテグレーションを追加しました。 Verifiers で構築された環境は、 LLM 評価、合成データパイプライン、OpenAI 互換エンドポイントのエージェントハーネス、および RL トレーニングとして機能します。 [詳細はこちら](/weave/guides/integrations/verifiers)。
-- **Threads** サイドバータブから、マルチターンの Thread のメッセージ履歴とともにツール呼び出しを表示できるようになりました。
-- チームの **Project** ページに、各 プロジェクト の Weave トレース数と プロジェクト の run に関するデータが表示されるようになりました。
-- [DSPy インテグレーション](/weave/guides/integrations/dspy) が改善されました。詳細は [`wandb/weave` #5184](https://github.com/wandb/weave/pull/5184) を参照してください。
-- Weave コードが `wandb.init()` を呼び出す場合、明示的に `weave.init()` を呼び出す必要がなくなりました。
-- 新しい便利なメソッド [`delete_all_object_versions`](/weave/reference/python-sdk/trace/weave_client) が追加されました。
-- OpenAI ストリーミングエンドポイント呼び出しからの出力に、ミリ秒単位で表される新しいフィールド `time_to_first_token` が含まれるようになりました。
-
-### Inference
-- [W&B Inference](/inference) は [Z.AI GLM](https://z.ai/blog/glm-4.5) ハイブリッド推論モデルのサポートを追加しました。 v4.5 がサポートされています。
-
-## 修正
-- キャプション付きのバウンディングボックスの表示問題を修正しました。
-- Runs テーブルで run をグループ化する際、 `null` グループを展開して、グルーピングキーが null 値である run を表示できるようになりました。
-- 移動平均スムージングパラメーターの最大値を **1000** に引き上げました。
-- run セットに複数の プロジェクト からの run が含まれている場合に、 run 名をクリックすると無効な URL が開くことがあるバグを修正しました。
-- ダークモードでのテキスト表示問題を修正しました。
-- Query パネルを含む公開 レポート を閲覧する際の権限バグを修正しました。
-- レポート からコードをコピーできないことがある UI バグを修正しました。
-- 折れ線グラフのツールチップにおける最小値と最大値の順序のバグを修正しました。
-- X 軸のキーが Y 軸のキーの部分文字列であった場合に、グループ化されたプロットがレンダリングされないことがあるバグを修正しました。
+ W&B v0.74 では、エンタープライズ向けアイデンティティ管理のための SCIM API が改善され、Okta との自動グループ同期、ユーザーロール設定の効率化などが含まれます。Dedicated Cloud では、強力な新しいフルスクリーン画像ブラウザにより、run 内および run 間での画像の検査と比較が可能になりました。Weave の機能強化には、Playground 内での LLM ジャッジ評価、マルチターン Thread ツール呼び出しの可視性向上、DSPy の改善、および強化学習ワークフロー向けの Verifiers ライブラリとの新しいインテグレーションが含まれます。W&B Inference では、[Z.AI](https://z.ai/) GLM v4.5 ハイブリッド推論モデルのサポートが追加されました。
+
+ ## サポートとサポート終了
+
+ * W&B Server v0.60 はサポート対象外となりました。
+
+ ## 機能
+
+ * SCIM API が拡張されました：
+ * プロビジョニングおよびプロビジョニング解除の処理が Okta とより高い互換性を備えるようになりました。
+ * Multi-tenant Cloud デプロイメントでは、[ユーザーを作成](/ja/platform/hosting/iam/scim#create-user) するときに組織ロールと Teams を設定できるようになりました。これは Dedicated Cloud および Self-Managed におけるエンドポイントの動作と一致します。
+ * Dedicated Cloud および Self-Managed デプロイメントでは、ユーザーのユーザー名またはメールアドレスを更新できるようになりました。[ユーザーのメールアドレスを更新](/ja/platform/hosting/iam/scim#update-user-email) および [ユーザーの表示名を更新](/ja/platform/hosting/iam/scim#update-user-display-name) を参照してください。Multi-tenant Cloud デプロイメントには適用されません。
+ * [ユーザーを検索して取得](/ja/platform/hosting/iam/scim#get-user) する際に、メールアドレスとユーザー名で検索できるようになりました。
+ * Okta グループは、[ETags](/ja/platform/hosting/iam/scim#etag-support) を使用して自動的に同期されるようになりました。SCIM グループの詳細については、[Group resource](/ja/platform/hosting/iam/scim#group-resource) を参照してください。
+ * 組織で[ユーザー一覧をエクスポートする](/ja/platform/hosting/monitoring-usage/org_dashboard#export-user-details)際、CSV ファイルに **Models シート数** 列と **Weave アクセス** 列が含まれるようになりました。
+ * In **W&B Dedicated Cloud** では、新しいフルスクリーン画像ブラウザーにより、ログされた画像の検査と比較がより容易になります。
+ * **完全なフルスクリーン表示。** 端から端までのフルスクリーン表示で、画像の詳細をより簡単に確認できます。もう窮屈なパネルに悩まされることはありません。
+ * **フルスクリーン表示でのステップスライダー。** 埋め込みスライダーを使ってステップを効率的に移動し、出力の変化を確認できます。
+ * **キーボードで run をすばやく切り替え。** フルスクリーン表示では、キーボードの **左 / 右矢印** キーで run 間を移動し、**Cmd + 左 / 右矢印** (macOS) または **Ctrl + 左 / 右矢印** (Windows / Linux) で同じ画像のステップ間を移動できます。
+
+ ### Weave
+
+ * **Evaluations** サイドバータブから、プロンプトの値を更新し、その変更をテストするために LLM ジャッジを用いた評価を実行できるようになりました。[Playground](/ja/weave/guides/tools/playground) で試してみてください。
+ * これで、Weave を強化学習 (RL) のトレーニングワークフローに統合し、トレーニング中に記録された [traces と evaluations を表示](/ja/weave/guides/tools/weave-in-workspaces) し、W&B Workspace 内で run のメトリクス パネルとあわせて確認できるようになりました。
+ * Weave には、強化学習 (RL) 環境を作成し LLM エージェントをトレーニングするためのモジュラーコンポーネントのライブラリである [Verifiers](https://verifiers.readthedocs.io/en/latest/) とのインテグレーションが含まれるようになりました。Verifiers で構築された環境は、LLM の評価、合成データパイプライン、OpenAI 互換エンドポイント向けのエージェント ハーネス、および RL トレーニングに利用できます。[詳細はこちら](/ja/weave/guides/integrations/verifiers)。
+ * **Threads** サイドバー タブから、複数ターンの Thread のツール呼び出しをメッセージ履歴とあわせて確認できるようになりました。
+ * Team の **Project** ページでは、各プロジェクトごとの Weave trace 数と、そのプロジェクトの run に関するデータが表示されるようになりました。
+ * [DSPy インテグレーション](/ja/weave/guides/integrations/dspy) が改善されました。詳細については、[`wandb/weave` #5184](https://github.com/wandb/weave/pull/5184) を参照してください。
+ * Weave のコードが `wandb.init()` を呼び出している場合は、もはや明示的に `weave.init()` を呼び出す必要はありません。
+ * 新しい便利なメソッド [`delete_all_object_versions`](/ja/weave/reference/python-sdk/trace/weave_client)。
+ * OpenAI のストリーミングエンドポイント呼び出しからの出力に、新しい `time_to_first_token` フィールド (単位はミリ秒) が含まれるようになりました。
+
+ ### 推論
+
+ * [W&B Inference](/ja/inference) に [Z.AI GLM](https://z.ai/blog/glm-4.5) ハイブリッド推論モデルのサポートが追加されました。v4.5 をサポートしています。
+
+ ## バグ修正
+
+ * キャプション付きバウンディングボックスの表示不具合を修正しました。
+ * Runs Table で run をグループ化する際に、グループ化キーが null 値の run を確認するために `null` グループを展開できるようになりました。
+ * 移動平均の平滑化パラメーターの最大値を **1000** に引き上げました。
+ * runset に複数のプロジェクトからの runs が含まれている場合に run 名をクリックすると無効な URL が開いてしまう不具合を修正しました。
+ * ダークモード時のテキスト表示の不具合を修正しました。
+ * Query Panels を含む公開レポートを表示する際に発生していた権限に関する不具合を修正しました。
+ * レポート内のコードをコピーできなくなることがあった UI の不具合を修正しました。
+ * 折れ線プロットのツールチップ内で、最小値と最大値の順序が誤って表示される不具合を修正しました。
+ * X 軸キーが Y 軸キーの部分文字列となっている場合に、グループ化されたプロットが描画されないことがある不具合を修正しました。
-## 修正
-- v0.73.0 で導入された、 ワークスペース パネルのリサイズや並べ替えが保存済みビューに常に反映されないバグを修正しました。
-- 組織に数百のレジストリがある場合に、 Registry UI でレジストリリストをページングすると失敗することがあるバグを修正しました。
-- バウンディングボックス付きでログに記録されたメディアに対して、バウンディングボックスが常に表示されないバグを修正しました。
-- エクスポートタスクが保留状態のまま動かなくなり、実行されないことがあるバグを修正しました。
-- 名前の中に特殊文字が含まれるファイルをダウンロードする際に、 `wandb verify` が失敗することがあるバグを修正しました。
-- システムイベントを取得する際、特にチャートに大量のシステムイベントをプロットする際のパフォーマンスの低下を修正しました。この問題は v0.73.0 で導入されました。
+ ## 修正
+
+ * v0.73.0 で発生した不具合を修正しました。この不具合により、Workspace パネルのサイズ変更や並べ替えが、保存されたビューに常に反映されないことがありました。
+ * Registry UI で、組織に何百ものレジストリがある場合に、レジストリ一覧のページ送りが失敗することがある不具合を修正しました。
+ * バウンディングボックス付きでログされたメディアで、バウンディングボックスが常に表示されない不具合を修正しました。
+ * エクスポートタスクが保留状態のまま固まり、実行されないことがある不具合を修正しました。
+ * `wandb verify` が、名前に特殊文字を含むファイルをダウンロードする際に失敗することがある不具合を修正しました。
+ * システムイベントを取得する際のパフォーマンス低下を修正しました。特に、多数のシステムイベントをチャートにプロットする場合に影響が出ていました。このパフォーマンス低下は v0.73.0 で導入されたものです。
-W&B v0.73 は、チームレベルの モデルレジストリ から W&B Registry への移行における重要なマイルストーンとなります。ほとんどの組織はアップグレード中に自動的に移行されます。 UI の改善には、色覚多様性に配慮した run カラーパレット、メトリクスに基づいた run カラーリングのための連続的なカラーオプション、およびスムーズなパネルの再編成が含まれます。このリリースでは、CoreWeave AI Object Storage を使用した BYOB（Bring Your Own Bucket）セットアップのためのサービスプリンシパル認証、改善されたコンソールログ処理、およびその他の強化機能も提供されます。
-
-## 今後の変更点
-- 今後のリリースでは、マルチ run とシングル run の ワークスペース ビューを統合します。これにより、シングル run を詳細表示した際に、カスタムチャート、レイアウト、設定を含め、マルチ run ビューで設定したパネルと同じレイアウトと構成が表示されるようになります。目的は、コンテキストを維持し、ビューの設定のやり直しを避けることです。ただし、これにより、ワークスペース の他の部分から独立した独自のシングル run ビューをカスタマイズする機能は削除されます。移行に関する質問は、W&B チームまたは [サポート](mailto:support@wandb.ai) までお問い合わせください。
-- 今後数回のリリースにわたり、既存のチームレベル モデルレジストリ から W&B Registry への移行を継続します。タイムラインに関する詳細は、以下の [W&B Registry GA 発表](#registry_ga_announcement) を参照してください。
-
-## 既知の問題
-v0.73.0 では、 ワークスペース パネルのリサイズや並べ替えが保存済みビューに反映されない場合があります。このバグは v0.73.1 で修正されています。この問題が発生した場合は、修正が含まれている v0.73.1 にアップグレードしてください。アップグレードできない場合は、回避策について [サポート](mailto:support@wandb.ai) にお問い合わせください。
-
-## 機能
--
-W&B 0.72 には、折れ線グラフとメディアパネルの修正のほか、OpenTelemetry および Google Agent Development Kit の Weave インテグレーションの改善が含まれています。
-
-## 今後の変更点
-- 多くのパネルがある ワークスペース での読み込みを高速化し、 ワークスペース 内でのパネルのドラッグ＆ドロップの応答性と正確性を高めるために、レンダリング動作を最適化しています。 **その一環として、次回のリリース (0.73) で ワークスペース セクションの「カスタムグリッド」レイアウトを削除する予定です。** カスタムグリッドは レポート では引き続き利用可能です。質問や懸念がある場合は、W&B チームまたは [サポート](mailto:support@wandb.ai) までお問い合わせください。
-- 今後のリリースでは、マルチ run とシングル run の ワークスペース ビューを統合します。これにより、シングル run を詳細表示した際に、カスタムチャート、レイアウト、設定を含め、マルチ run ビューで設定したパネルと同じレイアウトと構成が表示されるようになります。目的は、コンテキストを維持し、ビューの設定のやり直しを避けることです。ただし、これにより、ワークスペース の他の部分から独立した独自のシングル run ビューをカスタマイズする機能は削除されます。移行に関する質問は、W&B チームまたは [サポート](mailto:support@wandb.ai) にお問い合わせください。
-- 今後数回のリリースにわたり、既存のチームレベル モデルレジストリ から W&B Registry への移行を継続します。
-
-## 修正
-- 0.71.0 で発表された折れ線グラフの動作変更を元に戻しました。すべての線に対して点が 1 つしかない折れ線グラフは、設定が変更されても棒グラフに変換されます。
-- メディアパネルにおいて、バウンディングボックスがメディアの上に重なるのではなく、メディアの外側にレンダリングされることがあるバグを修正しました。
-- Google Agent Development Kit のインテグレーションが Weave Threads をサポートしていなかったバグを修正しました。
-- OpenTelemetry を介して送信された Weave トレースで **Attributes** 列が表示されないバグを修正しました。
+ W&B 0.72 には、ラインプロットおよびメディアパネルに対する修正に加えて、OpenTelemetry および Google Agent Development Kit 向けの Weave インテグレーションの改善が含まれます。
+
+ ## サポートとサポート終了
+
+ * W&B Server v0.58 はサポート終了 (End of Life) となりました。
+
+ ## 今後の変更
+
+ * 多くのパネルがある Workspace でも高速に読み込めるようにするため、また Workspace 内でのパネルのドラッグ＆ドロップ操作をより高い応答性と正確さで行えるようにするために、Workspace でのレンダリング動作を最適化しています。**この一環として、次回の 0.73 リリースで Workspace セクションから「Custom grid」レイアウトを削除する予定です。** Custom grid は引き続き Reports で利用できます。質問や懸念がある場合は、担当の W&B チームまたは [support](mailto:support@wandb.ai) までお問い合わせください。
+ * 今後のリリースでは、複数 run 用 Workspace ビューと単一 run 用 Workspace ビューを揃えます。これにより、単一の run にドリルダウンした際にも、複数 run ビューで設定したレイアウトやパネル構成 (カスタムチャート、レイアウト、設定を含む) がそのまま表示されます。これにより、コンテキストを保ったまま作業でき、ビュー設定のやり直しを防ぐことが目的です。ただし、この変更により、Workspace 全体とは独立した単一 run 専用ビューをカスタマイズすることはできなくなります。移行について質問がある場合は、担当の W&B チームまたは [support](mailto:support@wandb.ai) までお問い合わせください。
+ * 今後複数回にわたるリリースで、既存のチームレベルの Model Registry を W&B Registry へ順次移行していきます。
+
+ ## 修正
+
+ * 0.71.0 で告知したラインプロットの動作変更を元に戻しました。各線に 1 点しかデータポイントがないラインプロットは、設定を変更しても棒グラフに変換されます。
+ * メディアパネル内で、バウンディングボックスがメディア上にオーバーレイされるのではなく、メディアの外側にレンダリングされてしまう不具合を修正しました。
+ * Google Agent Development Kit インテグレーションが Weave Threads をサポートしていなかった不具合を修正しました。
+ * OpenTelemetry 経由で送信された Weave traces において **Attributes** 列が欠落していた不具合を修正しました。
-W&B Server 0.71 では、すべての組織で Registry がデフォルトでオンになります。段階的な Registry 展開の詳細は、機能の関連ノートを参照してください。このリリースでは、ワークスペース にいくつかの改善と修正が加えられています。共通のステップスライダーを持つメディアパネルを同期させたり、フルスクリーンパネル間をより効率的に移動したり、Run Overview ページで run の総所要時間とアクティブな実行時間に関する詳細を確認したりできるようになりました。 オートメーション が強化され、 アーティファクト バージョンのタグに基づいて オートメーション をトリガーできるようになりました。 {/* more */}
-
-## サポートとサポート終了 (End of Life)
-
- W&B Server v0.57 以前は 2025年7月29日 にサポート終了を迎えました。
- W&B Server v0.58 は 2025年9月2日 にサポート終了を予定しています。
- {/* This is in HTML to fix the admonition included below showing up as a child of the second item */}
-
-## 今後の変更点
-- 多くのパネルがある ワークスペース での読み込みを高速化し、 ワークスペース 内でのパネルのドラッグ＆ドロップの応答性と正確性を高めるために、レンダリング動作を最適化しています。 **その一環として、次回のリリース (0.72) で ワークスペース セクションの「カスタムグリッド」レイアウトを削除する予定です。** カスタムグリッドは レポート では引き続き利用可能です。質問や懸念がある場合は、W&B チームまたは [サポート](mailto:support@wandb.ai) までお問い合わせください。
-- 今後のリリースでは、マルチ run とシングル run の ワークスペース ビューを統合します。これにより、シングル run を詳細表示した際に、カスタムチャート、レイアウト、設定を含め、マルチ run ビューで設定したパネルと同じレイアウトと構成が表示されるようになります。目的は、コンテキストを維持し、ビューの設定のやり直しを避けることです。ただし、これにより、ワークスペース の他の部分から独立した独自のシングル run ビューをカスタマイズする機能は削除されます。移行に関する質問は、W&B チームまたは [サポート](mailto:support@wandb.ai) にお問い合わせください。
-- 今後数回のリリースにわたり、既存のチームレベル モデルレジストリ から W&B Registry への移行を継続します。タイムラインに関する詳細は、以下の [W&B Registry GA 発表](#registry_ga_announcement) を参照してください。
-
-## 機能
--
-## 修正
-- アップグレード後にクラッシュした run のステータスが **Crashed** に更新されないバグを修正しました。
-- **Sweeps** の Runs テーブルに **State** 列が表示されないバグを修正しました。
-- アーティファクト のマニフェストファイルのキャッシュパスが アーティファクト のバージョンインデックスのみに依存していたため、 Registry コレクションのブラウザに誤ったバージョンのファイルが表示されることがある Weave のバグを修正しました。
-- 有効な構文の JSON が正しく解析されないことがある Weave のバグを修正しました。
+ ## 修正
+
+ * アップグレード後もクラッシュした run のステータスが **Crashed** に更新されないバグを修正しました。
+ * **Sweeps** Runs テーブルから **State** 列が欠落していたバグを修正しました。
+ * Artifacts マニフェストファイルのキャッシュされるパスが Artifacts のバージョンインデックスのみに依存していたため、Registry コレクション用のブラウザーが誤ったバージョンのファイルを表示する可能性があった Weave のバグを修正しました。
+ * 構文的に有効な JSON が正しくパースされない可能性があった Weave のバグを修正しました。
-これらのバグは v0.70.0 で導入されました。
+ これらのバグは v0.70.0 で発生していました。
-W&B Server v0.70 には、より効率的にインサイトを得て共有するための機能、強化、およびパフォーマンスの向上が含まれています。以下はその例です：
-
-## 今後の変更点
-- 今後のリリースでは、マルチ run とシングル run の ワークスペース ビューを統合します。これにより、シングル run を詳細表示した際に、カスタムチャート、レイアウト、設定を含め、マルチ run ビューで設定したパネルと同じレイアウトと構成が表示されるようになります。目的は、コンテキストを維持し、ビューの設定のやり直しを避けることです。ただし、これにより、ワークスペース の他の部分から独立した独自のシングル run ビューをカスタマイズする機能は削除されます。移行に関する質問は、W&B チームまたは [サポート](mailto:support@wandb.ai) にお問い合わせください。
-- 今後数回のリリースにわたり、既存のチームレベル モデルレジストリ を W&B Registry へ移行します。詳細は、以下の [W&B Registry GA 発表](#registry_ga_announcement) を参照してください。
-
-## 機能
--
-## 修正
-- `Run.create()` で run を作成する際、 `state` パラメータを `pending` または `running` に設定することで、初期の run 状態を設定できるようになりました。
-- **Action History** をクリックすると誤って **Version** ビューが読み込まれるバグを修正しました。
-- Parquet ストアサービスのメモリパフォーマンスを改善しました。
+ ## 修正
+
+ * `Run.create()` で run を作成する際に、`state` パラメーターに `pending` または `running` を指定して run の初期状態を設定できるようになりました。
+ * **Action History** をクリックすると、誤って **Version** ビューが読み込まれてしまうバグを修正しました。
+ * Parquet ストア サービスのメモリ使用効率を改善しました。
-## アップグレード
-W&B v0.69.x に [アップグレード](/platform/hosting/server-upgrade-process/#update-with-helm) するには、 `operator-wandb` Helm チャートの v0.31.4 以降を使用する必要があります。そうしないと、アップグレード後に `weave-cache-clear` コンテナが起動に失敗する可能性があります。デプロイメントが以下の値を使用していることを確認してください。
-
-```yaml
-chart:
- url: https://charts.wandb.ai
- name: operator-wandb
- version: 0.31.4
-```
-
-質問がある場合やアップグレードで問題が発生している場合は、 [サポート](mailto:support@wandb.com) までお問い合わせください。
-
-## 機能
-- ワークスペース 内で直接、 run にカスタム表示名を設定できるようになりました。カスタマイズされた run 名はすべてのプロットとテーブルに表示されますが、自分の ワークスペース 内でのみ有効で、チームメイトのビューには影響しません。これにより、すべての凡例やプロットで `*...v6-final-restart...` のようなラベルを目にすることなく、ワークスペース をより明確かつクリーンに保つことができます。
-- run をフィルタリングまたはグループ化する際、色が重なって見分けにくくなることがあります。 run セレクターの新しい **Randomize Colors** オプションは、現在の run の選択やグループにデフォルトパレットからランダムな色を再割り当てし、色の識別を容易にします。
-- 折れ線グラフにおいて、線上で **Cmd+クリック** することで、シングル run ビューを新しいタブで開けるようになりました。
-- ビデオメディアパネルに、再生、一時停止、シーク、フルスクリーン表示、および再生速度の調整のための再生コントロールが追加されました。
-- すべてのタイプのメディアパネルの設定が再構成および改善されました。
-- ポイントクラウドパネルのポイントカラーと背景色をカスタマイズできるようになりました。
-- チームレベルおよび組織レベルのサービスアカウントが Registry とやり取りできるようになりました。
-- 改善された指数加重移動平均（EMA）スムージングにより、完全なビン化されていないデータを操作する際に、より信頼性の高い [スムージングされた線](/models/app/features/panels/line-plot/smoothing/) が提供されます。多くの場合、パフォーマンス向上のためにバックエンドでスムージングが処理されます。この機能は v0.68.x ではプライベートプレビューでした。
-
-### プライベートプレビュー
-プライベートプレビュー機能は、招待制でのみ利用可能です。プライベートプレビューへの登録を希望する場合は、 [サポート](mailto:support@wandb.com) または担当の AISE までお問い合わせください。
-
-- 損失やカスタムの効率メトリクスなどの二次メトリクスに基づいて、すべての run を色付けできるようになりました。これにより、すべてのプロットの run にわたって明確なグラデーションのカラースケールが作成され、パターンをより速く見つけられるようになります。 [デモ動画を見る](https://www.loom.com/share/c6ed484899324de991ef7147fd73785d)。
-- [Personal workspace templates](/models/track/workspaces/#workspace-templates){/* TODO change to a relref after workspace templates docs merge */} を使用すると、主要な折れ線グラフの設定を保存し、新しいビューで自動的に再適用できます。これらの設定には、X 軸のキー、スムージングアルゴリズム、スムージング係数、線の最大数、 run セレクターのグルーピングを使用するかどうか、および適用する集計が含まれます。
-
-### Weave
-- [Saved views](/weave/guides/tools/saved-views) により、チームのコラボレーションが簡素化され、フィルタや列の設定を永続化できるようになりました。
-- PDF および一般的なファイルがサポートされました。
-- 新しい [`EvaluationLogger` API](/weave/guides/evaluation/evaluation_logger) は、柔軟な命令型スタイルの評価ログ記録を提供します。
-- Weave データセットに [human annotations](/weave/guides/tracking/feedback#add-human-annotations) をインポートできるようになりました。
-- [Playground](/weave/guides/tools/playground/) が保存された設定とプロンプトをサポートしました。
-- TypeScript でデコレータがサポートされました。
-- [tracing generator functions](/weave/guides/tracking/tracing#trace-sync-%26-async-generator-functions) のサポートを追加しました。
-- 新しい [`dataset.add_rows`](/weave/reference/python-sdk/#method-add-rows) ヘルパーにより、既存のデータセットへの追加効率が向上しました。
-- 使用状況を理解しやすくするため、トレースとオブジェクトのサイズが UI 上に表示されるようになりました。
-
-## パフォーマンス
-- [`wandb` SDK](/models/quickstart/#install-the-wandb-library-and-log-in) v0.19.11 により、 アーティファクト のダウンロードが平均で 3 〜 5 倍高速化されました。例えば、以前は約 100 MB/秒でダウンロードされていた アーティファクト が、 450 MB/秒以上でダウンロードされる可能性があります。実際のダウンロード速度は、ネットワークやストレージインフラなどの要因によって異なります。
-- [Project](/models/track/project-page/) ページおよび [User Settings](/platform/app/settings-page/user-settings/) ページのキャッシュを改善しました。
-
-## 修正
-- Python 仮想環境との互換性を確保するため、 `weave-cache-clear` コンテナの起動プロセスを改善しました。
-- コンソールログをより高密度に表示するためのオプションを追加しました。
-- ワークスペース の読み込み画面がより詳細な情報を提供するようになりました。
-- ワークスペース から レポート にパネルを追加する際、現在の プロジェクト の レポート が送信先レポートリストの最初に表示されるようになりました。
-- y 軸が過度に丸められ、重複した値が表示される多くのケースを修正しました。
-- 無効なスムージングパラメータを入力した際の紛らわしい挙動を修正しました。
-- メディアパネルから **Partial Media** 警告を削除しました。これはメディアパネルの挙動を変更するものではありません。
-- [タグに基づいた run フィルタ](/models/runs/filter-runs/#filter-runs-with-tags) を追加した際、他のフィールドでフィルタリングする場合と同様に、フィルタがデフォルトで選択されるようになりました。
-- run セレクターのアクティブな run に表示されることがあった緑色のベルアイコンを削除しました。
-- 個々の run の System ページを削除しました。
-- プロジェクト の説明フィールドが改行を尊重するようになりました。
-- 旧モデルレジストリ コレクションの URL を修正しました。
-- Netron ビューアがページ上の利用可能なすべてのスペースを埋めるように拡張されないバグを修正しました。
-- プロジェクト を **Delete** する際、確認モーダルに プロジェクト 名が表示されるようになりました。
+ ## サポートとサポート終了
+
+ * W&B Server v0.56 はサポート期間が終了しました。
+
+ ## アップグレード
+
+ W&B v0.69.x に [アップグレード](/ja/platform/hosting/server-upgrade-process/#update-with-helm) するには、`operator-wandb` Helm チャートの v0.31.4 以降を使用する必要があります。これを行わない場合、アップグレード後に `weave-cache-clear` コンテナが起動に失敗することがあります。デプロイメントで以下の値が使用されていることを確認してください。
+
+ ```yaml
+ chart:
+ url: https://charts.wandb.ai
+ name: operator-wandb
+ version: 0.31.4
+ ```
+
+ アップグレードに関してご質問がある場合や問題が発生している場合は、[サポート](mailto:support@wandb.com)までお問い合わせください。
+
+ ## 機能
+
+ * ワークスペース内で run のカスタム表示名を直接設定できるようになりました。カスタマイズした run 名は、すべてのプロットとテーブルに表示されますが、自分のワークスペースにのみ反映され、チームメイトの表示には影響しません。これにより、自分のワークスペースの表示がより明確ですっきりし、凡例やプロットのあちこちに `*...v6-final-restart...`* のようなラベルが並ぶことがなくなります。
+ * run をフィルタリングまたはグループ化する際、色が重なって区別しづらくなる場合があります。run セレクターの新しい **Randomize Colors** オプションは、デフォルトのパレットから現在選択している run またはグループにランダムな色を再割り当てし、各色をより見分けやすくします。
+ * 折れ線グラフ上で線を **Cmd+クリック** すると、1 つの run のビューを新しいタブで開けるようになりました。
+ * 動画メディアパネルで、再生／一時停止、シーク、全画面表示、再生速度の調整など、より多くの再生コントロールが利用できるようになりました。
+ * すべてのメディアパネルの設定を整理・改善しました。
+ * ポイントクラウド パネルのポイントと背景色をカスタマイズできるようになりました。
+ * チームレベルおよび組織レベルのサービスアカウントから Registry を操作できるようになりました。
+ * 改良された指数加重移動平均 (EMA) スムージングは、完全なビニングされていないデータを扱う場合に、より信頼性の高い[平滑化された線](/ja/models/app/features/panels/line-plot/smoothing)を提供します。ほとんどの場合、パフォーマンス向上のためにスムージングはバックエンド側で処理されます。この機能は v0.68.x ではプライベート プレビューとして提供されていました。
+
+ ### プライベートプレビュー
+
+ プライベートプレビュー機能は招待制です。プライベートプレビューへの参加をご希望の場合は、[サポート](mailto:support@wandb.com) または担当の AISE までお問い合わせください。
+
+ * すべての run を、loss やカスタム効率メトリクスといったセカンダリー メトリクスに基づいて色分けできるようになりました。これにより、すべてのプロットで run 間に明確なグラデーションのカラースケールが適用され、パターンを素早く見つけられます。[動画デモを見る](https://www.loom.com/share/c6ed484899324de991ef7147fd73785d)。
+ * [Personal workspace templates](/ja/models/track/workspaces/#workspace-templates){/* TODO change to a relref after workspace templates docs merge */} を使用すると、基本的な折れ線グラフの設定を保存し、新しいビューで自動的に再適用できます。これらの設定には、x 軸のキー、平滑化アルゴリズム、平滑化係数、線の最大数、run セレクターのグルーピングを使用するかどうか、そしてどの集約方法を適用するかが含まれます。
+
+ ### Weave
+
+ * [保存済みビュー](/ja/weave/guides/tools/saved-views) を使うと、チームでの共同作業を簡素化し、フィルターや列の設定を保持できます。
+ * PDF および一般的なファイルに対応しました。
+ * 新しい [`EvaluationLogger` API](/ja/weave/guides/evaluation/evaluation_logger) は、柔軟な命令型スタイルの評価ログ記録を提供します。
+ * 現在は [人手によるアノテーション](/ja/weave/guides/tracking/feedback#add-human-annotations) を Weave のデータセットにインポートできるようになりました
+ * [Playground](/ja/weave/guides/tools/playground) が、保存済みの設定とプロンプトに対応しました。
+ * TypeScript でデコレーターがサポートされるようになりました。
+ * [tracing generator functions](/ja/weave/guides/tracking/tracing#trace-sync-%26-async-generator-functions) のサポートを追加しました。
+ * 新しい [`dataset.add_rows`](/ja/weave/reference/python-sdk/#method-add-rows) ヘルパー関数は、既存のデータセットへの追記処理をより効率的に行えるようにします。
+ * ご自身の使用状況をより理解しやすくするために、trace とオブジェクトのサイズが UI 上に表示されるようになりました。
+
+ ## パフォーマンス
+
+ * [`wandb` SDK](/ja/models/quickstart/#install-the-wandb-library-and-log-in) v0.19.11 では、アーティファクトのダウンロード速度が平均して 3～5 倍向上しました。例えば、以前は約 100 MB/秒でダウンロードされていたアーティファクトが、現在では 450 MB/秒以上でダウンロードできる場合があります。実際のダウンロード速度は、ネットワークやストレージ インフラなどの要因によって異なります。
+ * [Project](/ja/models/track/project-page) ページと [User Settings](/ja/platform/app/settings-page/user-settings) ページのキャッシュ機能を改善しました。
+
+ ## 修正
+
+ * Python 仮想環境との互換性を確保するために、`weave-cache-clear` コンテナの起動プロセスを改善しました。
+ * コンソール ログをより密に表示するオプションを追加しました。
+ * Workspace の読み込み画面に、より多くの情報が表示されるようになりました。
+ * ワークスペースからレポートにパネルを追加する際、宛先レポートの一覧では現在のプロジェクトの Reports がリストの先頭に表示されるようになりました。
+ * y 軸が過度に丸められ、その結果同じ値が重複して表示されてしまうケースを多数修正しました。
+ * 無効なスムージングパラメーターを入力した際に発生していた分かりづらい動作を修正しました。
+ * メディアパネルから **Partial Media** の警告を削除しました。これによりメディアパネルの動作が変わることはありません。
+ * [タグに基づく run フィルター](/ja/models/runs/filter-runs/#filter-runs-with-tags) を追加すると、他のフィールドでフィルタリングする場合と同様に、そのフィルターがデフォルトで選択されるようになりました。
+ * Run セレクターでアクティブな run に表示される場合があった緑色のベルアイコンを削除しました。
+ * 個々の run に対する System ページを削除しました。
+ * プロジェクトの説明フィールドで改行が反映されるようになりました。
+ * レガシー モデルレジストリ コレクションの URL を修正しました。
+ * Netron ビューアーがページの利用可能な領域いっぱいに拡大されない不具合を修正しました。
+ * プロジェクトの **Delete** をクリックすると、確認モーダルにそのプロジェクト名が表示されるようになりました。
-## 修正
-- `Run.create()` で run を作成する際、 `state` パラメータを `pending` または `running` に設定することで、初期の run 状態を設定できるようになりました。
-- **Action History** をクリックすると誤って **Version** ビューが読み込まれるバグを修正しました。
-- Parquet ストアサービスのメモリパフォーマンスを改善しました。
+ ## 修正
+
+ * `Run.create()` で run を作成する際に、`state` パラメーターを `pending` または `running` に設定することで、run の初期状態を設定できるようになりました。
+ * **Action History** をクリックしたときに、誤って **Version** ビューが読み込まれてしまうバグを修正しました。
+ * Parquet ストア サービスのメモリ パフォーマンスを改善しました。
-## 修正
-- v0.68.0 で導入された、メディアパネルでメディアが読み込まれないことがあるバグを修正しました。
+ ## 修正
+
+ * v0.68.0 で導入された、メディア パネルでメディアが読み込まれない場合があるバグを修正しました。
-
-v0.68.0 では、メディアパネルでメディアが読み込まれないことがあるバグ（ [v0.68.1](#0_68_1) で修正済み）が導入されました。このバグを避けるため、修正を含むパッチをインストールまたはアップグレードしてください。サポートが必要な場合は、 [サポート](mailto:support@wandb.com) までお問い合わせください。
-
-
-## 機能
-- Registry 管理者は、開発パイプラインの主要な段階を表す [保護されたエイリアス（protected aliases）](/models/registry/model_registry/access_controls/#add-protected-aliases) を定義および割り当てることができます。保護されたエイリアスは、 Registry 管理者のみが割り当て可能です。 W&B は、他の ユーザー が API または UI を使用してレジストリ内のバージョンに保護されたエイリアスを追加または削除することをブロックします。
-- run の `x_label` 値に基づいてコンソールログをフィルタリングできるようになりました。 [分散トレーニング](/models/track/log/distributed-training/#track-all-processes-to-a-single-run) 中、このオプションパラメータは run をログに記録したノードを追跡します。
-- 個別に、または一括で、 run を `Groups` 間で移動できるようになりました。また、初期のログ記録時間の後でも、新しい `Groups` を作成できるようになりました。
-- 折れ線グラフにおいて、 **同期ズーム（synchronized zooming）** モードがサポートされました。1つのプロットで特定の範囲をズームすると、共通の X 軸を持つ他のすべての折れ線グラフも同じ範囲に自動的にズームされます。これは [ワークスペースの折れ線グラフ用表示設定](/models/app/features/panels/line-plot/#all-line-plots-in-a-workspace) でオンにできます。
-- 折れ線グラフにおいて、カスタムメトリクスをタイムスタンプとしてフォーマットすることが可能になりました。これは、別のシステムからの run を同期またはアップロードする際に便利です。
-- `epoch` や `train/global_step` （あるいはその他の） `_step` 以外のフィールドを使用して、 [メディアパネル](/models/app/features/panels/media/) をスライドできるようになりました。
-- `runs` または `runs.history` 式を使用する [Query パネル](/models/app/features/panels/query-panels/) のテーブルとプロットにおいて、ステップスライダーを使用して、 run の過程でのメトリクス、テキスト、またはメディアの進行を追跡できるようになりました。スライダーは `_step` 以外のメトリクスによる移動もサポートしています。
-- [棒グラフ](/models/app/features/panels/bar-plot/) のラベルをフォントサイズコントロールでカスタマイズできるようになりました。
-
-### プライベートプレビュー
-プライベートプレビュー機能は、招待制でのみ利用可能です。プライベートプレビューへの登録を希望する場合は、 [サポート](mailto:support@wandb.com) または担当の AISE までお問い合わせください。
-
-- **Personal workspace templates** を使用すると、 ワークスペース のセットアップを保存して、新しい [プロジェクト](/models/track/project-page/) に自動的に適用できます。当初は、デフォルトの X 軸メトリクス、スムージングアルゴリズム、スムージング係数などの特定の折れ線グラフ設定を構成できます。
-- **改善された指数加重移動平均（EMA）スムージング** により、完全なビン化されていないデータを操作する際に、より信頼性の高い [スムージングされた線](/models/app/features/panels/line-plot/smoothing/) が提供されます。多くの場合、パフォーマンス向上のためにバックエンドでスムージングが処理されます。
-
-### Weave
-- W&B インスタンス内からファインチューニングされたモデルとチャットできます。 [Playground](/weave/guides/tools/playground/) が Dedicated Cloud でサポートされました。 Playground は、過去のトレースに基づいてさまざまな LLM を比較するためのチャットインターフェースです。管理者は、チームが Weave 内から対話できるように、さまざまなモデルプロバイダーの APIキー を追加したり、 [カスタムホスト型の LLM プロバイダー](/weave/guides/tools/playground/#add-a-custom-provider) を接続したりできます。
-- Open Telemetry のサポート。 OpenTelemetry (OTel) を介してトレースをログに記録できるようになりました。 [OpenTelemetry tracing](/weave/guides/tracking/otel/?utm_source=beamer&utm_medium=sidebar&utm_campaign=OpenTelemetry-support-in-Weave&utm_content=ctalink) を参照してください。
-- Weave [tracing](/weave/guides/tracking/) に、CrewAI、OpenAI の Agent SDK、DSPy 2.x、Google の genai Python SDK などの新しい フレームワーク インテグレーションが追加されました。
-- Playground が新しい [OpenAI モデル](/weave/guides/tools/playground/#openai) をサポートしました： GPT‑4.1、 GPT‑4.1 mini、 GPT‑4.1 nano。
-- トレースから直接ラベル付きデータセットを構築し、アノテーションを自動的にデータセットの列に変換できます。 [Dataset creation from traces](/weave/guides/core-types/datasets/#create-edit-and-delete-a-dataset-in-the-ui) を参照してください。
-
-## セキュリティ
-- `golang crypto` を v0.36.0 にアップグレードしました。
-- `golang oauth2` を v0.28.0 にアップグレードしました。
-- Weave において、 `pyarrow` を v17.0.0 に固定しました。
-
-## パフォーマンス
-- 特に大規模な ワークスペース において、多くの ワークスペース 操作のパフォーマンスを改善しました。例えば、セクションの展開や run セレクターの使用の応答性が大幅に向上しました。
-- Fork と Rewind のパフォーマンスを改善しました。
-
- run を [Forking（フォーク）](/models/runs/forking/) すると、既存の run と同じ設定を使用する新しい run が作成されます。フォークされた run への変更は親 run に影響せず、その逆も同様です。フォークされた run と親の間にはポインターが維持されます。 run を [Rewinding（リワインド）](/models/runs/rewind/) すると、既存のデータを失うことなく、その時点から新しいデータをログに記録できます。
-
- 多くのネストされたフォークを持つ プロジェクト において、キャッシュの改善により、新しい run のフォークがより効率的になりました。
-
-## 修正
-- 組織のサービスアカウントを新しいチームに追加できないことがあるバグを修正しました。
-- グループ化された線に対してホバーマークが表示されないことがあるバグを修正しました。
-- レポート パネルの **Import** ドロップダウンに無効な プロジェクト 名が含まれることがあるバグを修正しました。
-- run セレクターにおけるフィルタの配置の表示バグを修正しました。
-- タイムスタンプの **Within Last** フィルタを追加する際のページクラッシュを修正しました。
-- グローバルな折れ線グラフ設定において、 X 軸を **Wall Time** に設定できないことがあるバグを修正しました。
-- 画像がテーブルにログ記録されている場合に、画像のキャプションが表示されないことがあるバグを修正しました。
-- 疎な（sparse）メトリクスがパネルに表示されないことがあるバグを修正しました。
-- **Run Overview** ページにおいて、 **Description** フィールドの名前が **Notes** になりました。
-
+
+ v0.68.0 で発生したバグにより、メディアパネルでメディアが読み込めなくなる可能性がありましたが、この問題は [v0.68.1](#0_68_1) で修正されています。このバグを回避するには、修正を含むパッチをインストールするか、該当バージョンにアップグレードしてください。サポートが必要な場合は、[support](mailto:support@wandb.com) までお問い合わせください。
+
-
-## 機能
-
-- レポート において、パネルグリッドごとに run にカスタム表示名を付けられるようになりました。これにより、トレーニング時の（しばしば長く不透明な） run 名を、閲覧者にとってより意味のある名前に置き換えることができます。レポートはすべてのパネルグリッドで名前を更新するため、苦労して得た実験のインサイトを簡潔で読みやすい方法で同僚に説明するのに役立ちます。元の run 名は プロジェクト 内でそのまま維持されるため、共同作業者を混乱させることはありません。
-- ワークスペース 内のパネルを展開すると、より広いスペースでフルスクリーンモードで開くようになりました。このビューでは、折れ線グラフが最大 10,000 ビンを使用して、より詳細にレンダリングされます。パネルの横に run セレクターが表示され、コンテキスト内で run の切り替え、グループ化、フィルタリングを簡単に行うことができます。
-- 任意のパネルから、そのパネルのフルスクリーンビューに直接リンクする固有の URL をコピーできるようになりました。これにより、プロット内の興味深いパターンや異常なパターンを詳しく調べるためのリンクを共有するのがさらに簡単になります。
-- Run Comparer は、重要な run の設定と主要なメトリクスを損失曲線とともに比較するために使用できる強力なツールです。 Run Comparer がアップデートされました：
- - **Add Panels** の拡張オプションとして、 Run Comparer パネルをより迅速に追加できるようになりました。
- - デフォルトで Run Comparer パネルはより多くのスペースを占有するため、値をすぐに確認できます。
- - Run Comparer パネルの読みやすさと視認性が向上しました。新しいコントロールを使用して行と列のサイズを素早く変更し、長い値やネストされた値を読むことができます。
- - パネル内の任意の値をワンクリックでクリップボードにコピーできます。
- - 正規表現を使用してキーを検索し、比較したいメトリクスのサブセットを正確かつ迅速に見つけることができます。検索履歴が保存され、ビュー間の効率的な反復作業を支援します。
-- セグメンテーションマスクのコントロールがアップデートされました：
- - 各マスクタイプを一括でオン/オフにしたり、すべてのマスクまたはすべての画像をオン/オフにしたりできるようになりました。
- - 各クラスに割り当てられた色を変更できるようになり、複数のクラスが同じ色を使用している場合の混乱を避けられるようになりました。
-- メディアパネルをフルスクリーンモードで開いた際、ステップスライダーを最初にクリックすること *なく* 、キーボードの左右の矢印を使用して画像をステップ移動できるようになりました。
-- メディアパネルで run 名が色付けされるようになり、 run セレクターと一致するようになりました。これにより、 run のメディア値と関連するメトリクスやプロットを関連付けやすくなります。
-- run セレクターにおいて、 run が特定のメディアキーを持っているか持っていないかでフィルタリングできるようになりました。
-- W&B App UI 内で run をグループ間で移動できるようになり、 run がログ記録された後でも新しいグループを作成できるようになりました。
-- UI 上で オートメーション を編集できるようになりました。
-- アーティファクト イベントに対して、 オートメーション が Slack チャンネルに通知できるようになりました。オートメーション作成時に、 Action タイプとして「Slack notification」を選択してください。
-- Registry がデフォルトでグローバル検索をサポートし、レジストリ名、コレクション名、エイリアス、またはタグによってすべてのレジストリを検索できるようになりました。
-- `runs` 式を使用するテーブルや Query パネルにおいて、新しい Runs History ステップスライダーとドロップダウンコントロールを使用して、 run の各ステップにおけるメトリクスのテーブルを表示できるようになりました。
-- W&B Weave の Playground が新しいモデルをサポートしました： OpenAI の `gpt-4.5-preview` および Deepseek の `deepseek-chat` 、 `deepseek-reasoner` 。
-- Weave tracing に 2 つの新しいエージェント フレームワーク インテグレーションが追加されました： CrewAI と OpenAI の Agent SDK。
-- Weave UI において、トレースから Datasets を構築できるようになりました。 [詳細はこちら](/weave/guides/core-types/datasets#create-edit-and-delete-a-dataset-in-the-ui)
-- Weave Python SDK において、 Weave データの入力と出力をフィルタリングして、機密データがネットワーク境界外に出ないようにする方法が提供されました。機密データを秘匿化するように設定できます。詳細： /weave/guides/tracking/redact-pii/
-- エクスペリエンスを合理化するため、今後のリリースで個別の run ワークスペース ビューの System タブを削除します。システムメトリクスに関する完全な情報は、 ワークスペース の System セクションで確認してください。質問は [support@wandb.com](mailto:support@wandb.com) までお問い合わせください。
-
-## セキュリティ
-
-- `golang crypto` を v0.36.0 にアップグレードしました。
-- `golang oauth2` を v0.28.0 にアップグレードしました。
-- Weave において、 `pyarrow` を v17.0.0 に固定しました。
-
-## パフォーマンス
-
-- フロントエンドのアップデートにより、訪問の合間に不可欠なデータをブラウザキャッシュに保存することで、 ワークスペース の再読み込み時間を大幅に短縮しました。このアップデートは、保存済みビュー、メトリクス名、 run セレクター、 run 数、W&B の設定詳細の読み込み、および ワークスペース ビューの再計算を最適化します。
-- Registry の概要ページの読み込みが大幅に高速化されました。
-- 数千の run や数百のメトリクスがある ワークスペース において、散布図の X、Y、または Z 値のメトリクスを選択する際のパフォーマンスを改善しました。
-- Weave の評価ログ記録のパフォーマンスを改善しました。
-
-## 修正
-
-- レポート において、レポート内のセクションへのリンクをたどっても、そのセクションが開かないバグを修正しました。
-- ガウススムージングがインデックスの反射（index reflection）を処理する方法を改善し、SciPy デフォルトの "reflect" モードに一致させました。
-- メールで送信された レポート のコメントリンクが、直接コメントを開くようになりました。
-- スイープ の計算秒数の変数型を `int32` ではなく `int64` に変更することで、 スイープ が 20 億計算秒以上かかる場合に ワークスペース がクラッシュすることがあるバグを修正しました。
-- レポート に複数の run セットが含まれている場合に発生することがある表示バグを修正しました。
-- アルファベット順にソートされたセクションに Quick Add されたパネルが正しくソートされないバグを修正しました。
-- 不正な ユーザー 招待リンクが生成されるバグを修正しました。
-
+ ## 機能
+
+ * Registry admin は、開発パイプラインの重要なステージを表すために [*protected aliases*](/ja/models/registry/aliases#protected-aliases) を定義して割り当てることができます。protected alias を割り当てられるのは registry admin のみです。W&B は、他のユーザーが API や UI を使用して registry 内のバージョンに対して protected aliases を追加または削除できないようにします。
+ * コンソール ログを run の `x_label` 値に基づいてフィルタリングできるようになりました。[distributed training](/ja/models/track/log/distributed-training/#track-all-processes-to-a-single-run) の実行中、このオプションのパラメーターによって、その run をログしたノードを追跡できます。
+ * run を `Groups` 間で、個別または一括で移動できるようになりました。また、初回のログ記録が行われた後でも、新しい `Groups` を作成できるようになりました。
+ * 折れ線グラフで **同期ズーム** モードがサポートされました。このモードでは、あるグラフで特定の範囲にズームすると、共通の x 軸を持つ他のすべての折れ線グラフも自動的に同じ範囲にズームされます。これは [折れ線グラフ用のワークスペース表示設定](/ja/models/app/features/panels/line-plot/#all-line-plots-in-a-workspace) で有効にできます。
+ * ラインプロットで、カスタム メトリクスをタイムスタンプ形式で表示できるようになりました。これは、別のシステムから run を同期またはアップロードする際に便利です。
+ * `epoch` や `train/global_step` (任意の他のフィールド) など、`_step` 以外のフィールドを使って [media panels](/ja/models/app/features/panels/media) をスライドして切り替えられるようになりました。
+ * `runs` または `runs.history` の式を使用する [Query Panels](/ja/models/app/features/panels/query-panels) 内の Tables やプロットでは、ステップスライダーを使って、run の進行に伴うメトリクス、テキスト、メディアの変化を順に確認できます。スライダーは `_step` 以外のメトリクスについてもステップごとの移動をサポートします。
+ * 今後は、フォントサイズ コントロールを使用して [bar chart](/ja/models/app/features/panels/bar-plot) のラベルをカスタマイズできるようになりました。
+
+ ### プライベートプレビュー
+
+ プライベートプレビュー機能は招待制です。プライベートプレビューへの参加をご希望の場合は、[サポート](mailto:support@wandb.com) または担当の AISE にお問い合わせください。
-
-## 機能
-- テーブルおよび Query パネルにおいて、他の列から派生させた列が永続化されるようになり、フィルタリングや Query パネルのプロットで使用できるようになりました。
+ * **個人ワークスペース テンプレート** を使用すると、ワークスペースのセットアップを保存し、新しい [プロジェクト](/ja/models/track/project-page) に自動的に適用できます。現時点では、X 軸に使用するデフォルトのメトリクス、スムージングアルゴリズム、スムージング係数など、特定の折れ線グラフ設定を行うことができます。
+ * **改良版指数加重移動平均 (EMA) スムージング** は、ビン分割されていない完全なデータを扱う際に、より信頼性の高い [スムージングされたライン](/ja/models/app/features/panels/line-plot/smoothing) を提供します。ほとんどの場合、スムージングはパフォーマンス向上のためにバックエンド側で処理されます。
-## セキュリティ
-- GraphQL ドキュメントの最大深度を 20 に制限しました。
-- pyarrow を v17.0.0 にアップグレードしました。
+ ### Weave
+
+ * W&B インスタンス内からファインチューニング済みモデルとチャットできます。[Playground](/ja/weave/guides/tools/playground) が Dedicated Cloud で利用可能になりました。Playground は、履歴トレース上で異なる LLM を比較するためのチャットインターフェースです。管理者は、さまざまなモデルプロバイダーに API キーを追加したり、[カスタムホスト型 LLM プロバイダー](/ja/weave/guides/tools/playground/#add-a-custom-provider) を接続して、チームが Weave 内からそれらと対話できるようにできます。
+ * OpenTelemetry サポート。OpenTelemetry (OTel) 経由でトレースをログできるようになりました。[OpenTelemetry tracing](/ja/weave/guides/tracking/otel?utm_source=beamer\&utm_medium=sidebar\&utm_campaign=OpenTelemetry-support-in-Weave\&utm_content=ctalink) を参照してください。
+ * Weave の [tracing](/ja/weave/guides/tracking) に新しいフレームワーク インテグレーションが追加されました：CrewAI、OpenAI の Agent SDK、DSPy 2.x、Google の genai Python SDK です。
+ * Playground は新しい [OpenAI モデル](/ja/weave/guides/tools/playground/#openai)、GPT‑4.1、GPT‑4.1 mini、GPT‑4.1 nano をサポートしています。
+ * トレースから直接ラベル付きデータセットを作成でき、アノテーションは自動的にデータセットの列に変換されます。詳しくは、[トレースからのデータセット作成](/ja/weave/guides/core-types/datasets/#create-edit-and-delete-a-dataset-in-the-ui) を参照してください。
+
+ ## セキュリティ
+
+ * Registry 管理者は、registry 内の [service account](/ja/platform/hosting/iam/service-accounts) に対して、Registry Admin または Member のいずれかのロールを割り当てられるようになりました。これまでは、その service account のロールは常に Registry Admin でした。詳細は [Registry service account configuration](/ja/models/registry/configure_registry) を参照してください。
+
+ ## パフォーマンス
+
+ * 多くのワークスペースにおける操作のパフォーマンスを改善しました。特に大規模なワークスペースで効果が大きく、例えばセクションの展開や run セレクターの操作がこれまでよりも大幅に応答性良くなりました。
+ * Fork と Rewind のパフォーマンスを改善しました。
+
+ [Forking](/ja/models/runs/forking) で run をフォークすると、既存の run と同じ設定を使う新しい run が作成されます。フォークされた run への変更は親の run には影響せず、その逆も同様です。フォークされた run と親との間にはポインタが維持されます。[Rewinding](/ja/models/runs/rewind) で run を巻き戻すと、その時点から既存データを失うことなく新しいデータをログできます。
+
+ 多数の入れ子になったフォークを含むプロジェクトでは、キャッシュの改善により、新しい run をフォークする処理がこれまでよりもはるかに効率的になりました。
+
+ ## バグ修正
+
+ * 組織サービスアカウントを新しい Teams に追加できないことがある不具合を修正しました。
+ * グループ化された線に対して、ホバー時に表示されるマーカーが欠落することがある不具合を修正しました。
+ * レポートパネルの **Import** ドロップダウンに無効なプロジェクト名が含まれることがある不具合を修正しました。
+ * run セレクター内のフィルターの整列に関する表示バグを修正しました。
+ * タイムスタンプに **Within Last** フィルターを追加した際にページがクラッシュする問題を修正しました
+ * グローバル折れ線プロットの設定で X 軸を **Wall Time** に設定できないことがある不具合を修正しました。
+ * 画像を Table にログしたときにキャプションが表示されないことがある不具合を修正しました。
+ * スパースなメトリクスがパネルに表示されないことがある不具合を修正しました。
+ * **Run Overview** ページでは、**Description** フィールドの名前が **Notes** になりました。
-
-## 機能
-- レジストリの **Settings** から、所有者を Admin ロールを持つ別の ユーザー に更新できるようになりました。 ユーザー の **Role** メニューから **Owner** を選択してください。
-- 同じ プロジェクト 内の別のグループに run を移動できるようになりました。 run リストで run にカーソルを合わせ、3 つの縦ドットメニューをクリックして **Move to another group** を選択してください。
-- 折れ線グラフの **Log Scale 設定** を、 ワークスペース またはセクションのレベルでデフォルトで有効にするかどうかを設定できるようになりました。
- - ワークスペース の動作を設定するには、 ワークスペース のアクション `...` メニューをクリックし、 **Line plots** をクリックしてから、 X または Y 軸の **Log scale** を切り替えます。
- - セクションの動作を設定するには、セクションのギアアイコンをクリックし、 X または Y 軸の **Log scale** を切り替えます。
+
+ ## 機能
+
+ * Reports では、各パネル グリッドごとに run にカスタム表示名を設定できるようになりました。これにより、run の (しばしば長くて分かりにくい) トレーニング時の名前を、閲覧者にとってより意味のある名前に置き換えることができます。レポートはすべてのパネル グリッドでその名前を更新し、あなたが苦労して得た実験からの貴重な知見を、同僚に対して簡潔で読みやすい形で説明するのに役立ちます。元の run 名はプロジェクト内でそのまま保持されるため、この操作によって共同作業者への影響が生じることはありません。
+ * ワークスペースでパネルを展開すると、より広い表示領域を使うフルスクリーンモードで開くようになりました。このビューでは、折れ線グラフが最大 10,000 個のビンを使用して、より細かい粒度でレンダリングされます。run セレクターはパネルの横に表示され、そのパネルのコンテキスト内で run を簡単に切り替え、グループ化、フィルタリングできます。
+ * 任意のパネルから、そのパネルの全画面ビューに直接リンクする一意の URL をコピーできるようになりました。これにより、プロット内の興味深いパターンや異常なパターンを詳しく掘り下げるためのリンクを、これまでよりも簡単に共有できます。
+ * Run Comparer は、重要な run の設定や主要なメトリクスを、それぞれの損失曲線と並べて比較できる強力なツールです。Run Comparer は次のように更新されました。
+ * **Add Panels** の拡張オプションとして、よりすばやく Run Comparer パネルを追加できるようになりました。
+ * デフォルトで Run Comparer パネルはより大きく表示されるため、その場ですぐに値を確認できます。
+ * Run Comparer パネルの可読性と判読性が向上しました。新しいコントロールを使って行と列のサイズをすばやく変更できるので、長い値やネストした値も読みやすくなります。
+ * パネル内の任意の値をワンクリックでクリップボードにコピーできます。
+ * 正規表現を使ってキーを検索し、比較したいメトリクスの部分集合をすばやく正確に見つけられます。検索履歴が保存されるため、ビューを切り替えながら効率的に試行錯誤できます。
+ * セグメンテーションマスク用のコントロールが更新されました。
+ * 各マスクタイプを一括でオン／オフ切り替えできるようになり、すべてのマスクやすべての画像もまとめてオン／オフにできるようになりました。
+ * 各クラスに割り当てられた色を変更できるようになり、複数のクラスが同じ色を使用している場合の混同を防ぎやすくなりました。
+ * メディアパネルをフルスクリーンモードで開いたとき、ステップスライダーを先にクリックしなくても、キーボードの左右の矢印キーで画像を前後に切り替えられるようになりました。
+ * メディアパネルで run 名が色分け表示され、run セレクターと対応するようになりました。これにより、run のメディア値を関連するメトリクスやプロットと対応付けやすくなります。
+ * run セレクターで、run に特定のメディアキーがあるかどうかでフィルタリングできるようになりました。
+ * W&B App の UI で run をグループ間で移動できるようになり、run のログ記録後でも新しいグループを作成できるようになりました。
+ * UI 上で Automations を編集できるようになりました
+ * 自動化で、 Artifacts のイベントを Slack チャンネルに通知できるようになりました。自動化を作成する際は、Action type で「Slack notification」を選択してください。
+ * Registry はデフォルトでグローバル検索に対応し、Registry 名、コレクション名、エイリアス、タグで、すべての Registry を対象に検索できるようになりました。
+ * `runs` expression を使用する Tables や Query パネルでは、新しい Runs History step slider とドロップダウンコントロールを使用して、run の各ステップにおけるメトリクスのテーブルを表示できます。
+ * W&B Weave の Playground は、新たに OpenAI の `gpt-4.5-preview` と Deepseek の `deepseek-chat` および `deepseek-reasoner` をサポートしました。
+ * Weave の tracing に、CrewAI と OpenAI の Agent SDK という 2 つの新しいエージェント フレームワーク インテグレーションが追加されました。
+ * Weave UI 上で traces から Datasets を作成できるようになりました。[詳しくはこちら](/ja/weave/guides/core-types/datasets#create-edit-and-delete-a-dataset-in-the-ui)
+ * Weave Python SDK は、機密データがネットワークの境界外へ出てしまわないように、Weave データの入力および出力をフィルタリングする手段を提供します。機密データをマスク (redact) するように設定できます。詳細はこちら: /weave/guides/tracking/redact-pii/
+ * 作業をより効率化するため、今後のリリースで、個々の run の Workspace ビューにある System タブは削除されます。Workspace の System セクションで、システム メトリクスに関するすべての情報を確認できます。ご不明な点がある場合は、[support@wandb.com](mailto:support@wandb.com) までお問い合わせください。
+
+ ## セキュリティ
+
+ * `golang crypto` が v0.36.0 に更新されました。
+ * `golang oauth2` が v0.28.0 にアップグレードされました。
+ * Weave では、`pyarrow` は現在 v17.0.0 に固定されています。
+
+ ## パフォーマンス
+
+ * フロントエンドの更新により、重要なデータをページ訪問間でブラウザ キャッシュに保存することで、ワークスペースの再読み込みにかかる時間が大幅に短縮されます。この更新では、保存されたビュー、メトリクス名、run セレクター、run 数、W&B の設定情報、およびワークスペース ビューの再計算処理の読み込みが最適化されています。
+ * Registry の概要ページの読み込み速度が大幅に向上しました。
+ * 数千の run または数百のメトリクスを含む Workspace において、散布図の X、Y、Z 値に使用するメトリクス選択のパフォーマンスを改善しました。
+ * Weave 評価ロギングのパフォーマンスを改善しました。
+
+ ## バグ修正
+
+ * Reports で、レポート内のセクションへのリンクをたどっても、そのセクションが開かれない不具合を修正しました。
+ * Gaussian smoothing におけるインデックス反射の扱いを改善し、SciPy のデフォルトの「reflect」モードと一致するようにしました。
+ * メールで送信された Report のコメントリンクをクリックすると、該当のコメントが直接開くようになりました。
+ * sweep の compute 秒数を表す変数型を `int32` ではなく `int64` に変更し、sweep に 20 億 compute 秒を超えてかかると Workspace がクラッシュし得たバグを修正しました。
+ * レポートに複数の run セットが含まれている場合に発生する可能性があった表示バグを修正しました。
+ * アルファベット順にソートされたセクションに Quick Add で追加されたパネルが正しくソートされない不具合を修正しました。
+ * 不正な形式のユーザー招待リンクが生成されるバグを修正しました。
\ No newline at end of file
diff --git a/ja/runbooks/TEMPLATE.md b/ja/runbooks/TEMPLATE.md
index dd0d91515e..701f937f7e 100644
--- a/ja/runbooks/TEMPLATE.md
+++ b/ja/runbooks/TEMPLATE.md
@@ -1,85 +1,139 @@
-# エージェントプロンプト: [タスクのタイトル]
+---
+title: テンプレート
+---
-## 必要条件
-このタスクを開始する前に満たすべき、アクセス要件や前提条件のリスト：
-- [ ] 必要なシステムへの アクセス (例: W&B 従業員アクセス)
-- [ ] 必要な権限 (例: リポジトリへの書き込み権限)
-- [ ] 必要な ツール または依存関係
+
+ # エージェント プロンプト: [タスクタイトル]
+
-## エージェントの前提条件
-開始前に ユーザー から収集すべき 情報：
-1. **[必要な情報 1]** - なぜ必要なのか
-2. **[必要な情報 2]** - なぜ必要なのか
-3. **[オプションの情報]** - いつ、なぜ必要になる可能性があるか
+
+ ## 必要条件
+
-## タスクの概要
-このランブックが何を達成するのか、およびいつ使用すべきかの簡潔な説明。
+このタスクを開始する前に必要となるアクセス要件や前提条件を次に示します:
-> **注意**: ユーザー が事前に知っておくべき重要なコンテキストや制限事項。
+- [ ] 必要なシステムアクセス（例: W&B 従業員アクセス）。
+- [ ] 必要な権限（例: リポジトリへの書き込み権限）。
+- [ ] 必要なツールまたは依存関係。
-## コンテキストと制約事項
+
+ ## エージェントの前提条件
+
-### システム / ツールの制限
-- 制限事項 1 と、それがタスクに与える影響
-- 制限事項 2 と、もしあれば回避策
+開始する前に ユーザー から収集しておく情報:
-### 重要なコンテキスト
-- 主要な背景情報
-- 一般的な落とし穴や エッジケース
+1. **[Required info 1]** - その情報が必要な理由
+2. **[Required info 2]** - その情報が必要な理由
+3. **[Optional info]** - その情報がいつ・なぜ必要になるか
+
+
+ ## タスク概要
+
+
+この runbook が何を行うものか、またどのような場面で使用するかを簡潔に記載します。
+
+> **Note**: 文書の冒頭でユーザーに伝えておくべき重要な前提や制約事項を記載します。
+
+
+ ## コンテキストと制約条件
+
+
+
+ ### システム／ツールの制限事項
+
+
+- 制限事項 1 と、それがタスクに及ぼす影響
+- 制限事項 2 と、（あれば）その回避策
+
+
+ ### 重要な前提事項
+
+
+- 重要な背景情報
+- よくある落とし穴やエッジケース
- セキュリティ上の考慮事項
-## ステップバイステップの プロセス
+
+ ## 手順の流れ
+
-### 1. [最初の主要なステップ]
-このステップで何を達成するかの説明。
+
+ ### 1. [最初の大きなステップ]
+
+
+このステップで達成できることの説明です。
```bash
-# コマンドの例
+# コマンド例
command --with-flags
```
-**期待される 結果**: このステップの後に何が起こるべきか。
+**期待される結果**: このステップの実行後に想定される結果。
+
-### 2. [2 番目の主要なステップ]
-説明および判断が必要なポイント。
+
+ ### 2. [2 番目の主要ステップ]
+
-**エージェントへの注意**: AI エージェントへの特別な指示。例：
-- いつ ユーザー に確認を求めるか
+説明および意思決定が必要となるポイントを記載します。
+
+**Agent note**: AI agent 向けの特別な指示。たとえば:
+
+- ユーザー に説明や確認を求めるタイミング
- 権限が不足している場合のフォールバック手順
-- 一般的なバリエーションへの対処方法
+- 一般的なバリエーションへの対応方法
+
+
+ ### 3. [残りの手順を実行する...]
+
+
+
+ ## 検証とテスト
+
+
+想定される結果：
-### 3. [残りのステップを続ける...]
+- ✓ 成功指標 1
+- ✓ 成功指標 2
+- ✗ 一般的な失敗指標とその意味
-## 検証とテスト
+
+ ### 成功を確認する方法
+
-期待される結果：
-- ✓ 成功の指標 1
-- ✓ 成功の指標 2
-- ✗ 一般的な失敗の指標とその意味
+1. …を確認します
+2. …であることを確認します
+3. …してテストします
-### 成功を確認する方法
-1. ...を確認する
-2. ...であることを確定する
-3. ...によってテストする
+
+ ## よくある問題とその解決方法
+
-## よくある問題と解決策
+
+ ### Issue: [Common problem 1]
+
-### 問題: [一般的な問題 1]
-- **症状**: この問題がどのように現れるか
-- **原因**: なぜ起こるのか
-- **解決策**: ステップバイステップの修正方法
+- **Symptoms**: この問題の症状
+- **Cause**: 発生原因
+- **Solution**: 手順に沿った解決方法
+
+
+ ### 問題: [Common problem 2]
+
-### 問題: [一般的な問題 2]
- **症状**:
- **原因**:
-- **解決策**:
+- **解決方法**:
+
+
+ ## クリーンアップ手順
+
-## クリーンアップ手順
+タスクを完了したら、以下を実行します。
-タスク完了後：
-1. 一時的なファイルやブランチを削除する。
-2. 変更した 設定 をリセットする。
-3. 行った恒久的な変更を記録する。
+1. 一時ファイルや一時ブランチをすべて削除します。
+2. 変更した設定を元に戻します。
+3. 行った恒久的な変更内容を記録します。
```bash
# クリーンアップコマンドの例
@@ -87,18 +141,25 @@ git branch -D temp-branch-name
rm -f temporary-files
```
-## チェックリスト
-プロセス全体のまとめチェックリスト：
-- [ ] すべての要件を満たした。
-- [ ] ユーザー から必要な 情報を収集した。
-- [ ] ステップ 1 を完了した: [簡単な説明]。
-- [ ] ステップ 2 を完了した: [簡単な説明]。
-- [ ] 結果 を検証した。
-- [ ] 一時的なリソースをクリーンアップした。
-- [ ] 恒久的な変更を記録した。
+
+ ## チェックリスト
+
+
+プロセス全体の概要チェックリスト：
+
+- [ ] すべての要件を満たしている。
+- [ ] ユーザーから必要な情報を収集している。
+- [ ] ステップ 1 を完了している：[簡単な説明]。
+- [ ] ステップ 2 を完了している：[簡単な説明]。
+- [ ] 結果を検証している。
+- [ ] 一時的なリソースをクリーンアップしている。
+- [ ] 恒久的な変更点を記録している。
+
+
+ ## 補足
+
-## 注意事項
-- 追加のヒントやコンテキスト。
+- 追加のヒントや背景情報。
- 関連ドキュメントへのリンク。
-- 代替アプローチを使用すべきケース。
\ No newline at end of file
+- 代替アプローチを取るべきタイミング。
\ No newline at end of file
diff --git a/ja/runbooks/test-github-action-changes.md b/ja/runbooks/test-github-action-changes.md
index 0a0ad57e9c..d889b7c15e 100644
--- a/ja/runbooks/test-github-action-changes.md
+++ b/ja/runbooks/test-github-action-changes.md
@@ -1,135 +1,192 @@
-# Agent prompt: wandb/docs における GitHub Actions の変更テスト
+---
+title: GitHub Actions の変更をテストする
+---
-## 必要条件
-- **W&B 従業員アクセス**: 内部の W&B システムにアクセスできる W&B 従業員である必要があります。
-- **GitHub のフォーク**: ワークフローの変更をテストするための wandb/docs の個人用フォーク。フォーク先で、デフォルトブランチへのプッシュおよびブランチ保護ルールのバイパス権限が必要です。
+
+ # エージェント プロンプト: wandb/docs の GitHub Actions 変更のテスト
+
-## エージェントの前提条件
-開始前に、以下の情報を収集してください：
-1. **GitHub ユーザー名** - まず `git remote -v` でフォークのリモートを確認し、次に `git config` でユーザー名を確認します。どちらの場所にも見当たらない場合のみ、ユーザーに尋ねてください。
-2. **フォークの状態** - wandb/docs のフォークを所有しており、デフォルトブランチへのプッシュおよびブランチ保護のバイパス権限があることを確認してください。
-3. **テスト範囲** - 具体的にどのような変更（依存関係のアップグレード、機能変更など）をテストしているかを尋ねてください。
+
+ ## 要件
+
-## タスクの概要
-wandb/docs リポジトリにおける GitHub Actions ワークフローの変更をテストします。
+- **W&B 従業員アクセス**: W&B の従業員であり、社内の W&B システムにアクセスできる必要があります。
+- **GitHub フォーク**: ワークフローの変更をテストするための wandb/docs の個人フォーク。フォーク内のデフォルトブランチに push できることと、ブランチ保護ルールをバイパスできる権限が必要です。
-## コンテキストと制約
+
+ ## エージェントの前提条件
+
+
+開始する前に、次の情報を集めてください。
+
+1. **GitHub username** - まず `git remote -v` を確認して fork の remote を確認し、その後 `git config` で username を確認します。どちらにも見つからない場合にのみユーザーに尋ねてください。
+2. **Fork status** - デフォルトブランチに push でき、ブランチ保護をバイパスできる権限を持つ wandb/docs リポジトリの fork を所有していることを確認します。
+3. **Test scope** - 具体的にどのような変更をテストしているか（依存関係のアップグレード、機能変更など）を尋ねます。
+
+
+ ## タスクの概要
+
+
+wandb/docs リポジトリの GitHub Actions ワークフローの変更をテストします。
+
+
+ ## コンテキストと制約
+
+
+
+ ### リポジトリのセットアップ
+
-### リポジトリのセットアップ
- **メインリポジトリ**: `wandb/docs` (origin)
-- **テスト用フォーク**: `/docs` (fork リモート) - `git remote -v` から判断できない場合は、ユーザーにフォークのエンドポイントを尋ねてください。
-- **重要**: PR における GitHub Actions は、常に PR ブランチからではなく、ベースブランチ (main) から実行されます。
-- **Mintlify デプロイの制限**: Mintlify のデプロイと `link-rot` チェックは、メインの wandb/docs リポジトリに対してのみビルドされ、フォークに対しては行われません。フォークでは、`validate-mdx` GitHub Action がフォークの PR において `mint dev` と `mint broken-links` コマンドの状態をチェックします。
-
-**エージェントへの注記**: 以下の手順を行ってください：
-1. `git remote -v` をチェックして既存のフォークリモートを確認し、URL が存在すればそこからユーザー名を抽出します。
-2. リモートにユーザー名が見つからない場合は、`git config` で GitHub ユーザー名を確認します。
-3. どちらの場所にも見当たらない場合のみ、ユーザーに GitHub ユーザー名を尋ねます。
-4. テストに使用できる wandb/docs のフォークがあることを確認します。
-5. フォークに直接プッシュできない場合は、wandb/docs に一時的なブランチを作成し、ユーザーがそこからプッシュできるようにします。
-
-### テストの要件
-ワークフローの変更をテストするには、以下を行う必要があります：
-1. フォークの `main` をメインリポジトリの `main` と同期させ、すべての一時的なコミットを破棄します。
-2. 変更を（単なる機能ブランチではなく）フォークの main ブランチに適用します。
-3. ワークフローをトリガーするために、内容の変更を含むテスト PR をフォークの `main` に対して作成します。
-
-## ステップバイステップのテストプロセス
-
-### 1. 初期セットアップ
+- **テスト用フォーク**: `/docs` (fork remote) - `git remoter -v` から明確でない場合は、ユーザーに自分のフォークのエンドポイントを尋ねてください。
+- **重要**: PR の GitHub Actions は、常に PR ブランチではなくベースブランチ (main) 上で実行されます。
+- **Mintlify デプロイの制限**: Mintlify のデプロイと `link-rot` チェックは、フォークではなくメインの wandb/docs リポジトリに対してのみビルドされます。フォークでは、`validate-mdx` GitHub Action が、フォーク PR における `mint dev` と `mint broken-links` コマンドのステータスをチェックします。
+
+**Agent メモ**: 次のことを行う必要があります:
+
+1. 既存の fork remote を確認するために `git remote -v` をチェックし、存在する場合は URL から username を抽出する。
+2. remotes で username が見つからない場合は、`git config` から GitHub username を確認する。
+3. どちらにも存在しない場合にのみ、ユーザーに GitHub username を尋ねる。
+4. テストに使用できる wandb/docs のフォークをユーザーが持っていることを確認する。
+5. フォークに直接 push できない場合は、ユーザーがそこから push できるように、wandb/docs に一時的なブランチを作成する。
+
+
+ ### テスト要件
+
+
+workflow の変更をテストするには、次を実施する必要があります。
+
+1. 一時的なコミットをすべて破棄したうえで、fork 側の `main` をメインリポジトリの `main` と同期する。
+2. 変更を fork の main ブランチ（feature ブランチだけでなく）に適用する。
+3. workflow をトリガーするためにコンテンツの変更を含めて、fork の `main` に対するテスト用 PR を作成する。
+
+
+ ## ステップごとのテスト手順
+
+
+
+ ### 1. 初期設定
+
+
```bash
-# 既存のリモートを確認
+# 既存のリモートを確認する
git remote -v
-# フォークのリモートが存在する場合、フォークの URL からユーザー名を控える
-# フォークのリモートがない場合、git config でユーザー名を確認する
-git config user.name # または git config github.user
+# fork リモートが存在する場合は、fork URL からユーザー名を確認する
+# fork リモートが存在しない場合は、git config でユーザー名を確認する
+git config user.name # or git config github.user
-# リモートや設定で見つからない場合のみ、ユーザーに GitHub ユーザー名やフォークの詳細を尋ねる
-# 質問例: "テストに使用するフォークの GitHub ユーザー名は何ですか？"
+# リモートまたは config にユーザー名が見つからない場合のみ、ユーザーに GitHub ユーザー名または fork の詳細を確認する
+# 質問例: "テストに使用する fork の GitHub ユーザー名を教えてください。"
-# フォークのリモートがない場合は追加する:
+# fork リモートが存在しない場合は追加する:
git remote add fork https://github.com//docs.git # を実際のユーザー名に置き換える
```
-### 2. フォークの同期とテストブランチの準備
+
+
+ ### 2. フォークを同期し、テスト用ブランチを準備する
+
+
```bash
-# origin から最新情報を取得
+# origin から最新を取得する
git fetch origin
# main をチェックアウトし、origin/main にハードリセットしてクリーンな同期を確保する
git checkout main
git reset --hard origin/main
-# フォークに強制プッシュして同期する（フォーク内の一時的なコミットをすべて破棄）
+# fork に強制プッシュして同期する（fork 内の一時的なコミットを破棄する）
git push fork main --force
-# ワークフロー変更用のテストブランチを作成
+# ワークフロー変更用のテストブランチを作成する
git checkout -b test-[description]-[date]
```
-### 3. ワークフロー変更の適用
-ワークフローファイルに変更を加えます。依存関係のアップグレードの場合：
-- `uses:` ステートメントのバージョン番号を更新します。
-- 依存関係が複数の場所で使用されている場合は、両方のワークフローファイルを確認してください。
-**プロのヒント**: ランブックを確定させる前に、以下のようなプロンプトで AI エージェントにレビューを依頼してください：
-> 「このランブックをレビューし、AI エージェントにとってより有用になるよう改善案を提案してください。明快さ、完全性、および曖昧さの排除に焦点を当ててください。」
+
+ ### 3. ワークフローの変更を適用する
+
+
+ワークフロー ファイルに変更を加えます。依存関係をアップグレードする場合:
+
+- `uses:` ステートメント内のバージョン番号を更新する
+- 依存関係が複数箇所で使われている場合は、両方のワークフロー ファイルを確認する
+
+**プロのコツ**: 任意の runbook を最終確定する前に、次のようなプロンプトで AI エージェントにレビューを依頼してください:
+
+> 「この runbook をレビューして、AI エージェントにとってより有用になるような改善点を提案してください。わかりやすさ、網羅性、曖昧さの排除に重点を置いてください。」
+
+
+ ### 5. フォークしたリポジトリの main ブランチにコミットしてプッシュする
+
-### 5. フォークの main へのコミットとプッシュ
```bash
# すべての変更をコミット
git add -A
-git commit -m "test: [テスト内容の説明]"
+git commit -m "test: [Description of what you're testing]"
# フォークの main ブランチにプッシュ
git push fork HEAD:main --force-with-lease
```
-**フォークへのアクセスに関するエージェントへの指示**:
-フォークに直接プッシュできない場合：
-1. 変更を加えた一時的なブランチを wandb/docs に作成します。
-2. ユーザーに以下のコマンドを提供します：
+**fork へのアクセスに関する Agent 向け手順**:
+fork に直接 push できない場合は、次の手順に従う:
+
+1. 変更を含む一時ブランチを wandb/docs リポジトリに作成する
+2. ユーザーに次のコマンドを実行するよう伝える:
```bash
git fetch origin temp-branch-name
git push fork origin/temp-branch-name:main --force
```
-3. `https://github.com//docs/compare/main...test-pr-[description]` で PR を作成するようガイドします。
-4. テスト終了後、wandb/docs から一時的なブランチを削除することを忘れないでください。
+3. 次の URL から PR を作成してもらうよう案内する: `https://github.com//docs/compare/main...test-pr-[description]`
+4. テストが完了したら、wandb/docs から一時ブランチを必ず削除する
+
+
+
+ ### 6. テスト用 PR を作成する
+
-### 6. テスト PR の作成
```bash
-# 更新されたフォークの main から新しいブランチを作成
+# 更新されたフォークの main から新しいブランチを作成する
git checkout -b test-pr-[description]
-# ワークフローをトリガーするために、コンテンツに小さな変更を加える
-echo "
-" >> content/en/guides/quickstart.md
+# ワークフローをトリガーするために小さな変更を加える
+echo "" >> content/en/guides/quickstart.md
-# コミットしてプッシュ
+# コミットしてプッシュする
git add content/en/guides/quickstart.md
git commit -m "test: Add content change to trigger PR preview"
git push fork test-pr-[description]
```
-その後、GitHub UI を通じて `:test-pr-[description]` から `:main` への PR を作成します。
+Then create a PR via the GitHub UI from `:test-pr-[description]` to `:main`
+
-### 7. 監視と検証
+
+ ### 7. 監視と検証
+
-期待される振る舞い:
-1. GitHub Actions ボットが "Generating preview links..." という最初のコメントを作成します。
-2. ワークフローがエラーなしで完了する必要があります。
+期待される動作:
-以下を確認してください：
-- ✅ ワークフローが正常に完了したか
-- ✅ プレビューコメントが作成および更新されたか
-- ✅ リンクがオーバーライド URL を使用しているか
-- ✅ ファイルの分類（Added/Modified/Deleted/Renamed）が機能しているか
-- ❌ Actions ログにエラーがないか
-- ❌ セキュリティ警告や公開されたシークレットがないか
+1. GitHub Actions ボットが「Generating preview links...」という初期コメントを作成する
+2. ワークフローがエラーなく完了する
+
+以下を確認する:
+
+- ✅ ワークフローが正常に完了すること
+- ✅ プレビューコメントが作成され、更新されること
+- ✅ リンクが override URL を使用していること
+- ✅ ファイルの分類（Added/Modified/Deleted/Renamed）が正しく行われていること
+- ❌ Actions のログにエラーがないこと
+- ❌ セキュリティ警告やシークレットが露出していないこと
+
+
+ ### 8. クリーンアップ
+
+
+テスト後に行う作業:
-### 8. クリーンアップ
-テスト終了後：
```bash
# フォークの main をアップストリームに合わせてリセット
git checkout main
@@ -137,32 +194,46 @@ git fetch origin
git reset --hard origin/main
git push fork main --force
-# フォークと origin からテストブランチを削除
+# フォークとオリジンからテストブランチを削除
git branch -D test-[description]-[date] test-pr-[description]
```
-## よくある問題と解決策
-### 問題: フォークへのプッシュ時に Permission denied が発生する
-- GitHub トークンが読み取り専用である可能性があります。
-- 解決策: SSH を使用するか、ローカルマシンから手動でプッシュしてください。
+
+ ## よくある問題と対処方法
+
+
+
+ ### 問題: フォークへ push しようとすると Permission denied と表示される
+
+
+- GitHub トークンが読み取り専用になっている可能性がある
+- 解決策: SSH を使用するか、ローカル マシンから手動で push する
+
+
+ ### 問題: ワークフローがトリガーされない
+
+
+- 注意: ワークフローは PR ブランチではなく、ベース ブランチ (main) から実行されます
+- 変更がフォーク先の main ブランチにあることを確認してください
-### 問題: ワークフローがトリガーされない
-- 注意: ワークフローは PR ブランチではなく、ベースブランチ (main) から実行されます。
-- 変更がフォークの main ブランチに含まれていることを確認してください。
+
+ ### 問題: 変更されたファイルが検出されない
+
-### 問題: 変更されたファイルが検出されない
-- コンテンツの変更が追跡対象のディレクトリ（content/, static/, assets/ など）にあることを確認してください。
-- ワークフロー設定の `files:` フィルタを確認してください。
+- コンテンツの変更が、追跡対象のディレクトリ (content/, static/, assets/ など) 内にあることを確認する
+- ワークフローの設定内にある `files:` フィルターを確認する
-## テストチェックリスト
+
+ ## テストチェックリスト
+
-- [ ] ユーザーに GitHub ユーザー名とフォークの詳細を尋ねた
+- [ ] ユーザーから GitHub ユーザー名と fork の詳細を聞き取った
- [ ] 両方のリモート（origin と fork）が設定されている
-- [ ] ワークフローの変更が関連する両方のファイルに適用されている
-- [ ] 変更が（直接またはユーザーを通じて）フォークの main ブランチにプッシュされている
-- [ ] コンテンツ変更を含むテスト PR が作成されている
-- [ ] プレビューコメントが正常に生成されている
-- [ ] GitHub Actions ログにエラーがない
-- [ ] テスト後にフォークの main ブランチがリセットされている
-- [ ] wandb/docs から一時的なブランチがクリーンアップされている（作成した場合）
\ No newline at end of file
+- [ ] ワークフローの変更が両方の該当ファイルに適用されている
+- [ ] 変更が fork の main ブランチに（直接またはユーザー経由で）push されている
+- [ ] コンテンツ変更を含むテスト用 PR を作成した
+- [ ] プレビューコメントが正常に生成された
+- [ ] GitHub Actions のログにエラーがない
+- [ ] テスト後に fork の main ブランチをリセットした
+- [ ] 一時ブランチを wandb/docs から削除した（作成していた場合）
\ No newline at end of file
diff --git a/ja/runbooks/translation/locadex-ai-context-setup.md b/ja/runbooks/translation/locadex-ai-context-setup.md
new file mode 100644
index 0000000000..135dfd23b2
--- /dev/null
+++ b/ja/runbooks/translation/locadex-ai-context-setup.md
@@ -0,0 +1,218 @@
+
+ # エージェント プロンプト: W&B ドキュメント向け Locadex AI コンテキストの設定（韓国語、後に日本語）
+
+
+
+ ## 要件
+
+
+- [ ] [General Translation Dashboard](https://dash.generaltranslation.com/)（Locadex コンソール）へのアクセス。
+- [ ] Locadex/GT プロジェクトにリンクされた docs リポジトリ（GitHub アプリがインストールされ、リポジトリが接続されていること）。
+- [ ] 任意: glossary や Locale Context を調整する際に手動翻訳と比較できるよう、`ko/`（および必要に応じて `ja/`）が存在する wandb/docs の `main` ブランチへのアクセス。
+
+
+ ## エージェントの前提条件
+
+
+1. **どのロケールを設定しますか？**（例: 今は Korean のみ。Japanese は後で。）これは、どの Glossary 翻訳と Locale Context エントリを追加するかを決定します。
+2. **Glossary の CSV または用語リストは既にありますか？** ない場合は、以下のソースをもとにランブックを使って作成してください。
+3. **GT プロジェクトは既に作成されており、リポジトリは接続されていますか？** まだの場合は、まず [Locadex for Mintlify](https://generaltranslation.com/docs/locadex/mintlify) のステップ 1～6 を完了してください。
+
+
+ ## タスク概要
+
+
+このランブックでは、(1) 既存の `wandb_docs_translation` ツール群と、(2) `main` ブランチ上で手動翻訳された韓国語（および後で追加される日本語）のコンテンツから翻訳メモリと用語をどのように取得し、さらに Locadex/General Translation プラットフォームをどのように設定して自動翻訳がそのコンテキストを利用するようにするかを説明します。目的は、用語の一貫性を保ち、プロダクト名や技術用語に対する「翻訳しない」挙動を正しく機能させることです。
+
+**各要素の所在:**
+
+| 対象 | 場所 | メモ |
+|------|--------|------|
+| **Glossary**（用語、定義、ロケールごとの訳語） | Locadex コンソール → AI Context → Glossary | 用語の一貫した使用と、プロダクト/機能名に対する「翻訳しない」を実現します。CSV で一括アップロード可能。 |
+| **Locale Context**（言語固有の指示） | Locadex コンソール → AI Context → Locale Context | 例: 韓国語の場合、アルファベットとハングル間のスペース、書式ルールなど。 |
+| **Style Controls**（トーン、対象読者、プロジェクト説明） | Locadex コンソール → AI Context → Style Controls | プロジェクト全体に適用され、すべてのロケールに共通。 |
+| **どのファイル/ロケールを翻訳するか** | Git → `gt.config.json` | `locales`、`defaultLocale`、`files` を指定。Glossary やプロンプトはリポジトリ内には置かない。 |
+
+まとめると、**自動翻訳の制御は Locadex コンソール側**（Glossary、Locale Context、Style Controls）で行います。**ファイルとロケールの設定は Git 側**（`gt.config.json`）に保持します。`gt.config.json` のオプションの `dictionary` キーはアプリの UI 文字列用（例: gt-next/gt-react）であり、ドキュメントの MDX の Glossary 用ではありません。ドキュメントの用語管理はコンソール側で行います。
+
+
+ ## コンテキストと制約条件
+
+
+
+ ### 旧ツール (wandb_docs_translation)
+
+
+- **human_prompt.txt**: 絶対に翻訳してはいけない（英語のままに保持する） W&B プロダクト/機能名を列挙する: Artifacts, Entities, Projects, Runs, Experiments, Datasets, Reports, Sweeps, Weave, Launch, Models, Teams, Users, Workspace, Registered Models。`[**word**](link)` のようなリンク/リストの文脈でも同様。
+- **system_prompt.txt**: 一般ルール (有効な markdown、コードブロック内ではコメントのみ翻訳、辞書を使用、リンク URL は翻訳しない。日本語/韓国語の場合: アルファベットと CJK 文字の切り替え時、およびインライン装飾の前後にスペースを追加)。
+- **configs/language_dicts/ko.yaml**: 混在した「翻訳メモリ」:
+ - **英語のまま保持**（プロダクト/機能名）: 例 `Artifacts`, `Reports`, `Sweeps`, `Experiments`, `run`, `Weave expression`, `Data Visualization`, `Model Management`。
+ - **韓国語に翻訳**: 例 `artifact` → 아티팩트, `sweep` → 스윕, `project` → 프로젝트, `workspace` → 워크스페이스, `user` → 사용자。
+
+したがって従来の規約は、**プロダクト/機能名 (しばしば大文字始まり、または UI/リスト文脈) は英語のままにする**一方で、**普通名詞としての用法** についてはロケール辞書に従って訳す、というものだった。Locadex Glossary には、各ロケールごとに「翻訳しない」と「X に翻訳する」の両方を反映させる必要がある。
+
+
+ ### Locadex/GT platform の動作
+
+
+- **Glossary**: 用語（ソースと同じ）＋任意の Definition （定義）＋任意の ロケールごとの Translation （訳語）。「翻訳しない」の場合は、そのロケールでは Term と同じ文字列を使用します（例: Term 「W&B」、Translation (ko) 「W&B」）。「〜と訳す」の場合は、Translation (ko) に目的の訳語を設定します（例: 「artifact」 → 「아티팩트」）。
+- **Locale Context**: ターゲットロケールごとの自由形式の指示（例: 「ラテン文字と韓国語の文字の間にスペースを入れる」）。
+- **Style Controls**: プロジェクト全体に対する 1 セット（tone、audience、description）。すべてのロケールに適用されます。
+- AI Context を変更しても、既存コンテンツは自動で再翻訳されません。既に翻訳済みのファイルに新しいコンテキストを適用するには [Retranslate](https://generaltranslation.com/docs/platform/translations/retranslate) を使用してください。
+
+
+ ## 手順
+
+
+
+ ### 1. 用語ソースを収集する
+
+
+- **wandb_docs_translation から**（存在する場合）:
+ - `configs/human_prompt.txt` → 翻訳してはいけない用語の一覧。
+ - `configs/language_dicts/ko.yaml`（および後に `ja.yaml`）→ term → locale ごとの翻訳マップ。
+- **main 上の手動翻訳から**（任意）：いくつかの EN と KO（または JA）のページを比較して、プロダクト名や共通用語がどのように表記されているか（例: “run” vs “실행”、“workspace” vs “워크스페이스”）を確認し、用語集エントリを追加または調整する。
+
+**Agent note**: エージェントが外部リポジトリを読めない場合でも、このリポジトリ内で提供されている CSV と locale コンテキストのテキストを人間が使用すれば、runbook に従うことができる（下記の runbook とオプションの CSV を参照）。
+
+
+ ### 2. 用語集 CSV を作成または入手する
+
+
+- このリポジトリにある韓国語用のあらかじめ用意された用語集 CSV を使用する: **runbooks/locadex-glossary-ko.csv**（下記「Glossary CSV」を参照）か、次を含む CSV を自分で生成する:
+ - **翻訳禁止の用語**: 用語ごとに 1 行；Definition 列は任意；`ko`（または “Translation (ko)”）は Term と同じ値にする。
+ - **翻訳対象の用語**: 用語ごとに 1 行；Definition 列は任意；`ko` に目的の韓国語訳を設定する。
+- Locadex の “Upload Context CSV” が期待する正確な列名（例: `Term`、`Definition`、`ko` または `Translation (ko)`）を確認する。コンソールが異なる名前を要求する場合は CSV ヘッダーを調整する。
+- **CSV フォーマット（正しくパースするために）**: ファイルが正しくパースされるよう、標準的な CSV のクオート方法を使用する。カンマはフィールド区切り文字とし、カンマ、ダブルクオート、改行のいずれかを含むフィールドは **必ず** ダブルクオートで囲む。クオートされたフィールド内では、内部のダブルクオートは `""` のように 2 つ重ねてエスケープする。1 行に含める用語は 1 つだけにする（“run, Run” のように複数のバリアントを 1 つのセルに入れない）。CSV をプログラムで生成または編集する場合は、CSV ライブラリを使用するか、そのようなフィールドを明示的にクオートする。Term や Definition にクオートされていないカンマがあると列の区切りとして扱われ、その行が壊れる。
+
+
+ ### 3. コンソールで Locadex プロジェクトを設定する
+
+
+1. [General Translation Dashboard](https://dash.generaltranslation.com/) にサインインします。
+2. wandb/docs リポジトリにリンクされたプロジェクトを開きます。
+3. **AI Context**（または同等の機能：Glossary、Locale Context、Style Controls）に移動します。
+
+
+ ### 4. 用語集の用語をアップロードまたは追加する
+
+
+- **オプション A**: **Upload Context CSV** を使用して、用語集（Term、Definition、およびロケール列）を一括インポートします。プラットフォームは、列を用語集の Term とロケールごとの訳語にマッピングします。
+- **オプション B**: 用語を手動で追加します。Term、Definition（モデルの理解を助けるもの）、そして Korean 用には訳語（「翻訳しない」場合は term と同じ、「翻訳する」場合は韓国語の文字列）を追加します。
+
+少なくとも次の点を必ず設定します:
+
+- 英語のままにしておく必要があるプロダクト／機能名: W&B、Weights & Biases、Artifacts、Runs、Experiments、Sweeps、Weave、Launch、Models、Reports、Datasets、Teams、Users、Workspace、Registered Models など。Korean = source と同じ。
+- 一貫して翻訳する必要がある用語: 例 artifact → 아티팩트、sweep → 스윕、project → 프로젝트、workspace → 워크스페이스、ならびに `language_dicts/ko.yaml`（および後で `ja.yaml`）に含まれるその他のエントリ。
+
+
+ ### 5. Korean 用の locale context を設定する
+
+
+- locale **ko** を選択します。
+- 従来の system_prompt と韓国語ドキュメント向けのベストプラクティスを反映した指示を追加します。例えば次のようにします。
+ - ラテン文字と韓国語の文字（ハングル、漢字）を切り替えるときは、間にスペースを入れます。
+ - 韓国語の単語やフレーズの一部をインラインの装飾（太字、斜体、コード）で囲む場合は、Markdown が正しくレンダリングされるよう、その装飾部分の前後にスペースを入れます。
+ - コードブロックとリンクの URL は変更せず、必要に応じて周囲の文章とコード内コメントのみ翻訳します。
+
+locale context を保存します。
+
+
+ ### 6. スタイル設定を行う（プロジェクト全体）
+
+
+- **プロジェクトの説明**: 例 「Weights & Biases (W&B) のドキュメント: ML 実験管理、モデルレジストリ、LLM Ops 向けの Weave、および関連するプロダクト。」
+- **対象読者**: 開発者および ML 実務者。
+- **トーン**: プロフェッショナル、技術的、明確。直訳ではなく自然で読みやすい訳を優先する。
+
+保存します。
+
+
+ ### 7. 必要に応じて再翻訳する
+
+
+- すでに自動翻訳済みのコンテンツがあり、Glossary や Locale Context を変更した場合には、新しいコンテキストが適用されるように、該当するファイルに対してプラットフォームの **Retranslate** フローを実行してください。
+
+
+ ## 検証とテスト
+
+
+- **Glossary**: アップロード後、Glossary タブでいくつかの用語（「翻訳しない」指定のものと翻訳されるもの）をスポットチェックする。
+- **Locale Context**: 韓国語（および後で追加される日本語）の指示が正しいロケールの下に保存されていることを確認する。
+- **Quality**: サンプル ページで翻訳を実行またはトリガーし、プロダクト名が英語のままであることと、一般的な用語が Glossary と一致していることを確認する（例: artifact → 아티팩트 が適切な箇所で使われているか）。
+
+
+ ## よくある問題と解決策
+
+
+
+ ### 問題: CSV のアップロードが Glossary に正しくマッピングされない
+
+
+- **原因**: 列名がプラットフォームで想定されている名前と一致していない可能性があります。
+- **解決方法**: Locadex/GT のドキュメントや UI 内のヘルプで、「Upload Context CSV」の列名（例: Term、Definition、locale code）を確認します。CSV の列名をそれに合わせて変更し、再度アップロードしてください。
+
+
+ ### Issue: 英語のままにしておくべき用語が翻訳されてしまう
+
+
+- **原因**: 用語が Glossary に含まれていないか、「翻訳しない」が設定されていない（ロケール別の訳語が未設定または誤っている）。
+- **解決策**: その用語を対象ロケールでも同じ値で Glossary に追加する（例: “Artifacts” → ko: “Artifacts”）。モデルがそれを product / feature 名として認識できるように、短い Definition を追加する。
+
+
+ ### 課題: 日本語（または他のロケール）には異なるルールが必要
+
+
+- **原因**: ロケール固有の表記や文体の好み（例: 敬体の使用、スペースの入れ方、製品名のカタカナ表記など）。
+- **解決策**: 対象ロケール（例: ja）用の Locale Context を別途追加し、必要に応じて「ja」列付きの Glossary エントリや、日本語向けの手動エントリを追加する。
+
+
+ ## クリーンアップ手順
+
+
+- コンソールのみでの設定の場合、docs リポジトリに一時的なブランチやファイルは不要です。
+- CSV を作成するためのワンオフ スクリプトを作成した場合は、チームでそのスクリプトを残す方針にならない限りコミットしないでください（AGENTS.md と、ワンオフ スクリプトに関するユーザー向けルールを参照してください）。
+
+
+ ## チェックリスト
+
+
+- [ ] human_prompt と language_dicts/ko.yaml（および必要に応じて ja）から用語を収集した。
+- [ ] Glossary CSV を作成または取得し、アップロード用の列名を確認した。
+- [ ] Locadex コンソールにログインし、正しいプロジェクトを開いた。
+- [ ] Glossary の用語（翻訳しない用語と翻訳済み用語）をアップロードまたは追加した。
+- [ ] Korean（および必要に応じて後で Japanese）向けの Locale Context を設定した。
+- [ ] Style Controls（description、audience、tone）を設定した。
+- [ ] サンプル翻訳で検証し、必要に応じて既存のコンテンツを再翻訳した。
+
+
+ ## 用語集 CSV
+
+
+このリポジトリには、韓国語用のスターター用語集が用意されています: **runbooks/locadex-glossary-ko.csv**。列は次のとおりです。
+
+- **Term**: ドキュメント内に現れるソース (英語) 用語。
+- **Definition**: 短い説明 (AI に役立つ情報。アップロード時は省略可)。
+- **ko**: 韓国語訳。「翻訳しない」場合は Term と同じ文字列を使用し、「このように翻訳する」場合は目的の韓国語文字列を使用します。
+
+`configs/language_dicts/ko.yaml` (または main 上の手動で作成した韓国語ページ) から用語を追加するには、同じ列構成で行を追加します。Locadex コンソールがロケール別翻訳用に異なる列名 (例: “Translation (ko)”) を想定している場合は、アップロード時、またはアップロード前に CSV 内で `ko` 列の名前を変更してください。
+
+
+ ### 将来の生成のための CSV フォーマット
+
+
+用語集の CSV を作成または追記する際（手動・スクリプトどちらの場合も）、ファイルを正しい形式に保つために次のルールに従ってください。
+
+- **区切り文字**: カンマ（`,`）。フィールド内でカンマを使用する場合は、そのフィールドを必ず二重引用符で囲んでください。
+- **引用**: フィールドにカンマ、二重引用符、または改行が含まれる場合は、そのフィールド全体を二重引用符（`"`）で囲みます。一貫性のため、すべてのフィールドを引用符で囲んでもかまいません。
+- **エスケープ**: 引用符で囲まれたフィールド内でリテラルの二重引用符を表すには、二重引用符 2 つ（`""`）を使用します。
+- **1 行につき 1 用語**: 各行は 1 つの用語とします。1 つのセルに複数のバリエーションを記載しないでください（たとえば Term 列に「run, artifact」と書くのではなく、「run」と「artifact」を別々の行にしてください）。
+- **ツール**: CSV をプログラムで生成する場合は、適切な CSV ライブラリ（例: Python の `csv` モジュールで `quoting=csv.QUOTE_MINIMAL` または `QUOTE_NONNUMERIC` を指定）を使用し、Term や Definition 内のカンマや引用符が正しく処理されるようにしてください。
+
+
+ ## メモ
+
+
+- **日本語は後から追加**: 日本語を追加する場合は、`ja` 用の Locale Context を再度設定する（例: 敬体、アルファベットと日本語の間のスペース、インライン書式時のスペースなど）とともに、`ja` 用の Glossary エントリを追加する（同じ方針: do-not-translate = 原文と同じ、translate-as = 望ましい日本語訳）。
+- **Git における GT 設定**: `gt.config.json` にはすでに `locales` と `defaultLocale` が含まれている。Glossary や AI context はそこには保存されず、コンソール側にのみ保存される。
+- **参考資料**: [GT Glossary](https://generaltranslation.com/docs/platform/ai-context/glossary)、[Locale Context](https://generaltranslation.com/docs/platform/ai-context/locale-context)、[Style Controls](https://generaltranslation.com/docs/platform/ai-context/style-controls)、[Locadex for Mintlify](https://generaltranslation.com/docs/locadex/mintlify)。
\ No newline at end of file
diff --git a/ja/scripts/reference-generation/weave/LICENSE_NOTICE.md b/ja/scripts/reference-generation/weave/LICENSE_NOTICE.md
new file mode 100644
index 0000000000..0af24dcb63
--- /dev/null
+++ b/ja/scripts/reference-generation/weave/LICENSE_NOTICE.md
@@ -0,0 +1,74 @@
+---
+title: "ライセンスに関する通知"
+---
+
+
+ # リファレンスドキュメント生成に関するライセンス通知
+
+
+
+ ## 概要
+
+
+このディレクトリ内のスクリプトは、開発／CI プロセス中にリファレンス ドキュメントを生成する目的にのみ使用されます。これらは Weave ライブラリに同梱されたり、本番コードに組み込まれたりすることはありません。
+
+
+ ## 依存関係およびそのライセンス
+
+
+
+ ### 直接依存関係
+
+
+- **requests** (Apache-2.0): HTTP リクエストに使用
+- **lazydocs** (MIT): W&B がメンテナンスしているドキュメント生成ツール
+
+
+ ### 間接的な依存関係（lazydocs 経由）
+
+
+- **setuptools**（MIT（同梱の LGPL-3.0 コンポーネントを含む））: ビルドシステム
+- その他、ライセンスが混在するさまざまな依存関係
+
+
+ ## 重要な注意事項
+
+
+1. **開発用途のみ**: これらの依存関係は、CI / GitHub Actions でのドキュメント生成時にのみ一時的にインストールされます。配布される Weave パッケージには一切含まれません。
+
+2. **配布対象外**: 生成されるドキュメントは、実行可能なコードや依存関係を含まない MDX / Markdown ファイルのみで構成されています。
+
+3. **分離された実行環境**: GitHub Actions は、これらのスクリプトを使用後に破棄される分離された仮想環境内で実行します。
+
+4. **ライセンス遵守**: これらのツールは Weave と一緒に配布されないため、setuptools の同梱依存関係に含まれる LGPL-3.0 コンポーネントは、Weave ユーザーにライセンス上の義務を生じさせません。
+
+
+ ## 厳格なライセンスポリシーを持つ組織向け
+
+
+所属組織が、開発ツールでの LGPL コードの使用を一切認めないポリシーを持つ場合:
+
+1. GitHub Action を使ってクラウド上でドキュメントを生成する（推奨）
+2. `lazydocs` を使用しない最小限の Python ジェネレーターを使う
+3. Docker コンテナ内でドキュメントを生成する
+4. 開発専用ツールとしての例外許可を申請する
+
+
+ ## ソケットセキュリティ
+
+
+リポジトリのルートにある `.socketignore` ファイルによって、これらのスクリプトは本番コードではなく開発用ツールであるため、セキュリティスキャンの対象から除外されています。
+
+
+ ### 既知のソケットセキュリティ警告
+
+
+- **wheel 内のネイティブコード**: `wheel` パッケージにはネイティブコードが含まれていますが、これは Python のパッケージングツールとしては通常の挙動です
+- **ライセンス違反**: 一部の推移的依存関係には LGPL などのライセンスが含まれており、ポリシー警告が発生する場合があります
+
+これらの警告を許容できる理由は次のとおりです。
+
+1. これらのツールはドキュメント生成時にのみ使用される
+2. それらは分離された CI 環境内で実行される
+3. それらが Weave と一緒に配布されることは一切ない
+4. 生成されたドキュメントには実行可能なコードは含まれない
\ No newline at end of file
diff --git a/ja/security.mdx b/ja/security.mdx
index f32abcb8b0..5a261b6e59 100644
--- a/ja/security.mdx
+++ b/ja/security.mdx
@@ -1,5 +1,4 @@
---
-title: W&B プラットフォーム のセキュリティ
-url: https://wandb.ai/site/security/
----
-
+title: "W&B プラットフォームのセキュリティ"
+url: "https://wandb.ai/site/security/"
+---
\ No newline at end of file
diff --git a/ja/style-demo.mdx b/ja/style-demo.mdx
index 76182b265a..fccb3e8c9c 100644
--- a/ja/style-demo.mdx
+++ b/ja/style-demo.mdx
@@ -1,24 +1,43 @@
---
-title: スタイルガイド デモ
-description: カスタム W&B ブランドスタイルのデモ
+title: "スタイルガイドのデモ"
+description: "カスタム W&B ブランド スタイルのデモ"
---
-# スタイルガイド デモ
+
+ # スタイルガイドのデモ
+
-このページでは、W&B ドキュメントに実装されているカスタムブランドスタイルのデモを紹介します。
+このページでは、W&B ドキュメント向けに実装されたカスタム ブランド スタイルをデモします。
-## 1. タイポグラフィ
+
+ ## 1. タイポグラフィ
+
-### Source Serif 4 を使用した見出し
+
+ ### Source Serif 4 の見出し
+
-# H1 見出し - Source Serif 4
-## H2 見出し - Source Serif 4
-### H3 見出し - Source Serif 4
-#### H4 見出し - Source Serif 4
+
+ # H1 見出し - Source Serif 4
+
-本文には、各 プラットフォーム で最適な読みやすさを実現するために、システムフォントスタックを使用しています。
+
+ ## H2 見出し - Source Serif 4
+
-## 2. ブランドカラー
+
+ ### H3 見出し - Source Serif 4
+
+
+
+ #### H4 見出し - Source Serif 4
+
+
+本文テキストは、プラットフォームを問わず最適な可読性を実現するためにシステムフォントスタックを使用しています。
+
+
+ ## 2. ブランドカラー
+
@@ -35,81 +54,103 @@ description: カスタム W&B ブランドスタイルのデモ
-一貫性を保つため、リンクには ティールカラー を使用します。
+一貫性を保つため、リンクには ティール系のカラー を使用します。
-## 3. バナーコンポーネント
+
+ ## 3. バナーコンポーネント
+
-
ヘルプ ＆ サポートバナー
-
このバナーは、テキストシャドウ付きのサポート背景画像を使用しています。
+
ヘルプ & サポート バナー
+
このバナーは、テキストシャドウ付きのサポート用背景画像を使用しています。
カードバナー
-
情報コンテンツ向けの、落ち着いたグレー背景のバナーです。
+
情報コンテンツ向けの、控えめなグレー背景のバナーです。
グラデーションバナー
-
目を引くアナウンスメントのために、サンセットグラデーションを使用しています。
+
目を引く告知用に sunset グラデーションを使用しています。
-
W&B ブランドバナー
+
W&B ブランド バナー
公式の W&B ゴールドグラデーションを使用しています。
+ ## 4. ボタンのスタイル
+
CTA ボタン
-
プライマリボタン
+
プライマリーボタン
ブランドボタン
お問い合わせボタン
-## 5. グラデーション背景
+
+ ## 5. グラデーション背景
+
グラデーション付きヒーローセクション
-
ヒーローセクションや重要なアナウンスメントに、サンセットグラデーションを使用します。
+
ヒーローセクションや重要なお知らせに、サンセットグラデーションを使用します。
-
控えめなグラデーションのカード
-
カードコンポーネントに視覚的な面白さを加える、主張しすぎないオーバーレイグラデーションです。
+
控えめなグラデーション付きカード
+
カードコンポーネントに控えめなグラデーションのオーバーレイを適用し、過度になりすぎない範囲で視覚的な魅力を高めます。
W&B グラデーションテキスト効果
-## 使用例
+
+ ## 使用例
+
+
+
+ ### MDX のバナー
+
-### MDX でのバナー
```mdx
-
タイトル
-
コンテンツをここに記載
+
Your Title
+
Your content here
+ ### MDX におけるボタン
+
+
```mdx
-クリック
+Click Me
```
-### グラデーションセクション
+
+
+ ### グラデーション セクション
+
+
```mdx
W&B へようこそ
-
より優れた Models をより速く構築しましょう
+
より優れたモデルをより速く構築
```
-## 注意事項
+
+
+ ## 注意事項
+
- すべてのスタイルは自動的にダークモードに対応します
-- メンテナンスを容易にするため、色は CSS 変数として定義されています
-- グラデーションは一貫してブランドカラーを使用しています
-- ホバーエフェクトにより、インタラクティブなフィードバックを提供します
\ No newline at end of file
+- 色は保守しやすいよう CSS 変数として定義しています
+- グラデーションにはブランドカラーを一貫して使用しています
+- ホバー効果によりインタラクティブなフィードバックが得られます
\ No newline at end of file
diff --git a/ja/support-tags.mdx b/ja/support-tags.mdx
index a6dfc8e4e3..6c38d9b124 100644
--- a/ja/support-tags.mdx
+++ b/ja/support-tags.mdx
@@ -1,5 +1,5 @@
---
-Title: Support
+title: サポート
---
import ApiKeyFind from "/snippets/ja/_includes/api-key-find.mdx";
@@ -7,2715 +7,2553 @@ import OrgServiceAccountCreate from "/snippets/ja/_includes/org-service-account-
import TeamServiceAccountCreate from "/snippets/ja/_includes/team-service-account-create.mdx";
-
+
+ 学生は次の手順でアカデミックプランに申し込むことができます。
-学生の方は、以下の手順でアカデミックプランを申請できます。
-
-- [wandb.com の料金ページ](https://wandb.ai/site/pricing)にアクセスします。
-- アカデミックプランを申請します。
-- または、30日間のトライアルから開始し、[W&B アカデミック申請ページ](https://wandb.ai/academic_application)にアクセスしてアカデミックプランに切り替えることも可能です。
-
+ * [wandb.com の Pricing ページ](https://wandb.ai/site/pricing)にアクセスしてください。
+ * アカデミックプランを申請してください。
+ * あるいは、まず 30 日間のトライアルを開始し、その後 [W&B academic application ページ](https://wandb.ai/academic_application)にアクセスしてアカデミックプランに切り替えることもできます。
+
-
-
-Artifacts は、親プロジェクトのアクセス権限を継承します。
+
+ Artifacts は、親プロジェクトのアクセス権限を継承します。
-* プライベートプロジェクトでは、チームメンバーのみが Artifacts にアクセスできます。
-* パブリックプロジェクトでは、すべてのユーザーが Artifacts を読み取ることができますが、作成や変更ができるのはチームメンバーのみです。
-* オープンプロジェクトでは、すべてのユーザーが Artifacts の読み取りと書き込みを行えます。
+ * プライベートなプロジェクトでは、チームメンバーのみが Artifacts にアクセスできます。
+ * パブリックなプロジェクトでは、すべてのユーザーが Artifacts を閲覧できますが、作成や変更ができるのはチームメンバーのみです。
+ * オープンなプロジェクトでは、すべてのユーザーが Artifacts を読み書きできます。
-## Artifacts のワークフロー
+ ## Artifacts ワークフロー
-このセクションでは、Artifacts の管理と編集のためのワークフローの概要を説明します。多くのワークフローでは、W&B に保存されたデータへのアクセスを提供する [クライアントライブラリ](/models/ref/python/) のコンポーネントである [W&B API](/models/track/public-api-guide) を活用します。
-
+ このセクションでは、 Artifacts を管理および編集するためのワークフローを説明します。多くのワークフローでは [W&B API](/ja/models/track/public-api-guide) を使用します。これは、W&B に保存されたデータへアクセスするための [クライアント ライブラリ](/ja/models/ref/python/)のコンポーネントです。
+
-
-
-history オブジェクトは、 `wandb.log` で記録されたメトリクスを追跡します。API を使用して history オブジェクトにアクセスします。
+
+ history オブジェクトは、`wandb.log` で記録されたメトリクスを追跡します。API を使用して history オブジェクトにアクセスできます。
-```python
-api = wandb.Api()
-run = api.run("username/project/run_id")
-print(run.history())
-```
-
+ ```python
+ api = wandb.Api()
+ run = api.run("username/project/run_id")
+ print(run.history())
+ ```
+
-
-
-W&B Sweep が開始されると、 Sweep configuration を変更することはできません。ただし、任意のテーブルビューに移動し、チェックボックスで Run を選択してから、 **Create sweep** メニューオプションを選択することで、以前の Run に基づいた新しい Sweep configuration を生成できます。
-
+
+ 一度 W&B Sweep を開始すると、その Sweep の設定を変更することはできません。ただし、任意のテーブル ビューに移動し、チェックボックスで run を選択してから **Create sweep** メニューオプションを選ぶことで、既存の run を基にした新しい Sweep 設定を作成できます。
+
-
+
+ アカウントにシート数を追加するには、次の手順に従ってください。
-アカウントにシートを追加するには、以下の手順に従ってください。
-
-- 担当の Account Executive またはサポートチーム (support@wandb.com) にお問い合わせください。
-- 組織名（Organization name）と希望するシート数をお知らせください。
-
+ * 担当の Account Executive またはサポートチーム（support@wandb.com）に連絡して支援を依頼してください。
+ * 組織名と、追加したいシート数を伝えてください。
+
-
-
-Plotly または Bokeh の図を直接テーブルに統合することはサポートされていません。代わりに、図を HTML にエクスポートし、その HTML をテーブルに含めてください。以下に、インタラクティブな Plotly および Bokeh チャートを使用した例を示します。
-
-
-
-```python
-import wandb
-import plotly.express as px
-
-# 新しい run を初期化
-with wandb.init(project="log-plotly-fig-tables", name="plotly_html") as run:
-
- # テーブルを作成
- table = wandb.Table(columns=["plotly_figure"])
-
- # Plotly 図のパスを定義
- path_to_plotly_html = "./plotly_figure.html"
-
- # Plotly 図を作成
- fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
-
- # Plotly 図を HTML にエクスポート
- # auto_play を False に設定すると、アニメーション化された Plotly チャートの自動再生を防げます
- fig.write_html(path_to_plotly_html, auto_play=False)
-
- # Plotly 図を HTML ファイルとしてテーブルに追加
- table.add_data(wandb.Html(path_to_plotly_html))
-
- # テーブルをログ
- run.log({"test_table": table})
-
-```
-
-
-```python
-from scipy.signal import spectrogram
-import holoviews as hv
-import panel as pn
-from scipy.io import wavfile
-import numpy as np
-from bokeh.resources import INLINE
-
-hv.extension("bokeh", logo=False)
-import wandb
-
-def save_audio_with_bokeh_plot_to_html(audio_path, html_file_name):
- sr, wav_data = wavfile.read(audio_path)
- duration = len(wav_data) / sr
- f, t, sxx = spectrogram(wav_data, sr)
- spec_gram = hv.Image((t, f, np.log10(sxx)), ["Time (s)", "Frequency (Hz)"]).opts(
- width=500, height=150, labelled=[]
- )
- audio = pn.pane.Audio(wav_data, sample_rate=sr, name="Audio", throttle=500)
- slider = pn.widgets.FloatSlider(end=duration, visible=False)
- line = hv.VLine(0).opts(color="white")
- slider.jslink(audio, value="time", bidirectional=True)
- slider.jslink(line, value="glyph.location")
- combined = pn.Row(audio, spec_gram * line, slider).save(html_file_name)
-
-html_file_name = "audio_with_plot.html"
-audio_path = "hello.wav"
-save_audio_with_bokeh_plot_to_html(audio_path, html_file_name)
-
-wandb_html = wandb.Html(html_file_name)
-with wandb.init(project="audio_test") as run:
- my_table = wandb.Table(columns=["audio_with_plot"], data=[[wandb_html], [wandb_html]])
- run.log({"audio_table": my_table})
-```
-
-
-
+
+ Plotly または Bokeh の図をテーブルに直接インテグレーションすることはサポートされていません。代わりに、図を HTML にエクスポートし、その HTML をテーブルに含めてください。以下は、インタラクティブな Plotly および Bokeh のチャートを使ってこれを実現する例です。
+
+
+
+ ```python
+ import wandb
+ import plotly.express as px
+
+ # 新しい run を初期化
+ with wandb.init(project="log-plotly-fig-tables", name="plotly_html") as run:
+
+ # テーブルを作成
+ table = wandb.Table(columns=["plotly_figure"])
+
+ # Plotly 図のパスを定義
+ path_to_plotly_html = "./plotly_figure.html"
+
+ # Plotly 図を作成
+ fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
+
+ # Plotly 図を HTML にエクスポート
+ # auto_play を False に設定すると、アニメーション付き Plotly チャートが自動再生されるのを防止できる
+ fig.write_html(path_to_plotly_html, auto_play=False)
+
+ # Plotly 図を HTML ファイルとしてテーブルに追加
+ table.add_data(wandb.Html(path_to_plotly_html))
+
+ # テーブルをログ
+ run.log({"test_table": table})
+
+ ```
+
+
+
+ ```python
+ from scipy.signal import spectrogram
+ import holoviews as hv
+ import panel as pn
+ from scipy.io import wavfile
+ import numpy as np
+ from bokeh.resources import INLINE
+
+ hv.extension("bokeh", logo=False)
+ import wandb
+
+ def save_audio_with_bokeh_plot_to_html(audio_path, html_file_name):
+ sr, wav_data = wavfile.read(audio_path)
+ duration = len(wav_data) / sr
+ f, t, sxx = spectrogram(wav_data, sr)
+ spec_gram = hv.Image((t, f, np.log10(sxx)), ["Time (s)", "Frequency (Hz)"]).opts(
+ width=500, height=150, labelled=[]
+ )
+ audio = pn.pane.Audio(wav_data, sample_rate=sr, name="Audio", throttle=500)
+ slider = pn.widgets.FloatSlider(end=duration, visible=False)
+ line = hv.VLine(0).opts(color="white")
+ slider.jslink(audio, value="time", bidirectional=True)
+ slider.jslink(line, value="glyph.location")
+ combined = pn.Row(audio, spec_gram * line, slider).save(html_file_name)
+
+ html_file_name = "audio_with_plot.html"
+ audio_path = "hello.wav"
+ save_audio_with_bokeh_plot_to_html(audio_path, html_file_name)
+
+ wandb_html = wandb.Html(html_file_name)
+ with wandb.init(project="audio_test") as run:
+ my_table = wandb.Table(columns=["audio_with_plot"], data=[[wandb_html], [wandb_html]])
+ run.log({"audio_table": my_table})
+ ```
+
+
+
-
-
-W&B では、1つのサービスアカウントを複数のチームに追加することはできません。各サービスアカウントは特定のチームに紐付けられています。
-
+
+ サービスアカウントを W&B 内の複数のチームに追加することはできません。各サービスアカウントは特定のチームに紐づけられます。
+
-
-
-複数の著者を追加することで、レポートのすべての貢献者を正確にクレジット表示できます。
+
+ レポートに複数の著者を追加して、すべての貢献者に正確にクレジットを与えましょう。
-複数の著者を追加するには、著者名の横にある **+** アイコンをクリックします。レポートにアクセス権を持つ全ユーザーのドロップダウンメニューが表示されます。著者として追加したいユーザーを選択してください。
+ 複数の著者を追加するには、著者名の横にある **+** アイコンをクリックします。すると、そのレポートにアクセスできるすべてのユーザーを含むドロップダウンメニューが開きます。著者として追加したいユーザーを選択します。
-
+
-
-
-インスタンスの管理者である場合は、 [ユーザー管理](/platform/hosting/iam/access-management/manage-organization) セクションを参照して、ユーザーの追加やチームの作成方法を確認してください。
-
+
+ 自分がインスタンスの管理者である場合は、ユーザーの追加やチームの作成手順について、「[User Management](/ja/platform/hosting/iam/access-management/manage-organization)」セクションを確認してください。
+
-
-
-`pip` または `conda` のいずれかを使用してインストール可能な Anaconda パッケージがあります。 `conda` の場合は、 [conda-forge](https://conda-forge.org) チャンネルからパッケージを取得してください。
-
-
-
-```shell
-# conda 環境を作成
-conda create -n wandb-env python=3.8 anaconda
-# 環境をアクティベート
-conda activate wandb-env
-# pip を使って wandb をインストール
-pip install wandb
-```
-
-
-```shell
-conda activate myenv
-conda install wandb --channel conda-forge
-```
-
-
-
-インストールの問題については、 Anaconda の [パッケージ管理に関するドキュメント](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-pkgs.html) を参照してください。
-
+
+ `pip` または `conda` のどちらかを使ってインストール可能な anaconda パッケージがあります。`conda` の場合は、[conda-forge](https://conda-forge.org) チャンネルからパッケージを取得してください。
+
+
+
+ ```shell
+ # conda 環境を作成
+ conda create -n wandb-env python=3.8 anaconda
+ # 環境を有効化
+ conda activate wandb-env
+ # pip を使って wandb をインストール
+ pip install wandb
+ ```
+
+
+
+ ```shell
+ conda activate myenv
+ conda install wandb --channel conda-forge
+ ```
+
+
+
+ インストール時に問題が発生した場合は、Anaconda の [パッケージ管理に関するドキュメント](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-pkgs.html)を参照してください。
+
-
-
-* **データの永続性なし**: 匿名アカウントの Runs は7日間保存されます。匿名 Run のデータは、実際のアカウントに保存することで引き継ぐことができます。
+
+ * **データは永続保存されない**: Runs は匿名アカウントでは 7 日間保存されます。匿名 run のデータは、実アカウントに保存することで引き継ぐことができます。
-
+ * **プロフィールおよび設定ページがない**: UI には一部のページが含まれません。これらは実アカウントでのみ有用なためです。
+
-
-
-ストレージコストが発生するのは、2つの Artifact バージョン間で変更されたファイルのみです。
+
+ 2 つの Artifacts バージョン間で変更されたファイルのみがストレージコストの対象になります。
-
+ バージョン `v1` は合計 6MB を追跡しますが、残りの 3MB を `v0` と共有するため、自身は 3MB の領域しか占有しません。`v1` を削除すると、`rat.png` に関連付けられた 3MB のストレージが回収されます。`v0` を削除すると、`cat.png` と `dog.png` のストレージコストが `v1` に引き継がれ、そのストレージサイズは 6MB に増加します。
+
-
+
+ モデルのバージョン管理にはさまざまな方法があります。 Artifacts は 特定のニーズに合わせたモデルのバージョン管理ツールを提供します。複数のモデルアーキテクチャを検証するプロジェクトでよく用いられるアプローチは、アーキテクチャごとに Artifacts を分ける方法です。次の手順を検討してください:
-モデルのバージョン管理にはさまざまな方法があります。 Artifacts は、特定のニーズに合わせたモデルのバージョン管理ツールを提供します。複数のモデルアーキテクチャーを探索するプロジェクトでの一般的なアプローチは、アーキテクチャーごとに Artifacts を分けることです。以下の手順を検討してください。
-
-1. 特徴的なモデルアーキテクチャーごとに新しい Artifact を作成します。 Run の `config` と同様に、 Artifact の `metadata` 属性を使用してアーキテクチャーの詳細な説明を提供します。
-2. 各モデルについて、 `log_artifact` を使用して定期的にチェックポイントを記録します。 W&B はこれらのチェックポイントの履歴を構築し、最新のものに `latest` エイリアスを付けます。 `architecture-name:latest` を使用して、任意のモデルアーキテクチャーの最新のチェックポイントを参照してください。
-
+ 1. それぞれ異なるモデルアーキテクチャごとに新しい Artifacts を作成します。run に対して `config` を使用するのと同様に、 Artifacts の `metadata` 属性を使用してアーキテクチャの詳細な説明を追加します。
+ 2. 各モデルについて、`log_artifact` を使って定期的にチェックポイントをログします。W&B はこれらのチェックポイントの履歴を構築し、最新のものに `latest` エイリアスを付けます。任意のモデルアーキテクチャに対して、`architecture-name:latest` として最新のチェックポイントを参照できます。
+
-
-
-[Sweep](/models/sweeps/) でモデルをログ記録する効果的な方法の1つは、 Sweep 用のモデル Artifact を作成することです。各バージョンは、 Sweep からの異なる Run を表します。以下のように実装します。
+
+ [sweep](/ja/models/sweeps/) 内の run からモデルをログするための効果的な方法の 1 つは、その sweep 用のモデル Artifacts を作成することです。各バージョンが sweep 内の異なる run を表します。次のように実装します:
-```python
-wandb.Artifact(name="sweep_name", type="model")
-```
-
+ ```python
+ wandb.Artifact(name="sweep_name", type="model")
+ ```
+
-
-
-`wandb.init(tags='your_tag')` で一意のタグを設定してください。これにより、プロジェクトページの Runs Table で対応するタグを選択することで、プロジェクトの Runs を効率的にフィルタリングできるようになります。
+
+ `wandb.init(tags='your_tag')` で一意のタグを設定します。これにより、Project ページの Runs テーブルで該当するタグを選択することで、プロジェクト内の run を効率的にフィルタリングできるようになります。
-`wandb.init()` の詳細については、 [`wandb.init()` リファレンス](/models/ref/python/functions/init) を参照してください。
-
+ `wandb.init()` の詳細については、[`wandb.init()` リファレンス](/ja/models/ref/python/functions/init)を参照してください。
+
-
-
-Weights & Biases にはバグバウンティプログラムがあります。詳細は [W&B セキュリティポータル](https://security.wandb.ai/) をご覧ください。
-
+
+ Weights & Biases にはバグバウンティプログラムがあります。詳細は [W&B security portal](https://wandb.ai/site/security/) にアクセスしてください。
+
-
-
-- サポートチーム (support@wandb.com) にご連絡ください。
-- 組織名、アカウントに関連付けられたメールアドレス、およびユーザー名をお知らせください。
-
+
+ * サポートチーム（support@wandb.com）に連絡してください。
+ * 組織名、アカウントに紐づいているメールアドレス、ユーザー名を伝えてください。
+
-
-
-W&B でアカウントを企業用からアカデミック用に変更するには、以下の手順に従ってください。
+
+ W&B でアカウントを企業用からアカデミック用に変更するには、次の手順に従ってください。
-1. **アカデミックメールをリンクする**:
- - アカウント設定にアクセスします。
- - アカデミックメールを追加し、プライマリメールとして設定します。
+ 1. **アカデミックメールアドレスを紐づける**:
+ * アカウント設定にアクセスします。
+ * アカデミックメールアドレスを追加し、プライマリメールアドレスとして設定します。
-2. **アカデミックプランを申請する**:
- - [W&B アカデミック申請ページ](https://wandb.ai/academic_application)にアクセスします。
- - 審査のために申請書を提出します。
-
+ 2. **アカデミックプランを申請する**:
+ * [W&B academic application page](https://wandb.ai/academic_application) にアクセスします。
+ * 審査用の申請を送信します。
+
-
-
-請求先住所を変更するには、サポートチーム (support@wandb.com) にご連絡ください。
-
+
+ 請求先住所を変更するには、サポートチーム（support@wandb.com）に連絡してください。
+
-
-
-環境変数 `WANDB_DIR` を設定することで、W&B run データのログディレクトリーを設定できます。例：
+
+ 環境変数 `WANDB_DIR` を設定して、W&B run データのログ出力ディレクトリを指定します。例:
-```python
-os.environ["WANDB_DIR"] = os.path.abspath("your/directory")
-```
-
+ ```python
+ os.environ["WANDB_DIR"] = os.path.abspath("your/directory")
+ ```
+
-
-
-API を使用して、完了した Run に割り当てられたグループを変更できます。この機能はウェブ UI には表示されません。以下のコードを使用してグループを更新してください。
+
+ 完了した run に割り当てられたグループは API を使って変更できます。この機能は Web UI には表示されません。次のコードを使ってグループを更新してください。
-```python
-import wandb
+ ```python
+ import wandb
-api = wandb.Api()
-run = api.run("//")
-run.group = "NEW-GROUP-NAME"
-run.update()
-```
-
+ api = wandb.Api()
+ run = api.run("//")
+ run.group = "NEW-GROUP-NAME"
+ run.update()
+ ```
+
-
-
-アカウント作成後にユーザー名を変更することはできません。代わりに、希望するユーザー名で新しいアカウントを作成してください。
-
+
+ アカウント作成後にユーザー名を変更することはできません。希望するユーザー名で新しいアカウントを作成してください。
+
-
-
-W&B クライアントライブラリは、バージョン 0.10 までは Python 2.7 と Python 3 の両方をサポートしていました。 Python 2 のサポート終了に伴い、バージョン 0.11 で Python 2.7 のサポートを終了しました。 Python 2.7 システムで `pip install --upgrade wandb` を実行すると、 0.10.x シリーズの新しいリリースのみがインストールされます。 0.10.x シリーズのサポートには、重大なバグ修正とパッチのみが含まれます。 Python 2.7 をサポートする 0.10.x シリーズの最後のバージョンは 0.10.33 です。
-
+
+ W&B クライアントライブラリは、バージョン 0.10 までは Python 2.7 と Python 3 の両方をサポートしていました。Python 2 のサポート終了に伴い、バージョン 0.11 で Python 2.7 のサポートは終了しました。Python 2.7 の環境で `pip install --upgrade wandb` を実行すると、0.10.x 系列の新しいリリースのみがインストールされます。0.10.x 系列のサポートは、重大なバグ修正とパッチのみに限定されます。Python 2.7 をサポートする 0.10.x 系列の最後のバージョンは 0.10.33 です。
+
-
-
-W&B クライアントライブラリは、バージョン 0.11 まで Python 3.5 をサポートしていました。 Python 3.5 のサポート終了に合わせて、バージョン 0.12 でサポートを終了しました。詳細については、 [バージョン 0.12 リリースノート](https://github.com/wandb/wandb/releases/tag/v0.12.0) を参照してください。
-
+
+ W&B クライアントライブラリは、バージョン 0.11 までは Python 3.5 をサポートしていました。Python 3.5 のサポートは、そのサポート終了に合わせてバージョン 0.12 で終了しました。詳細については、[version 0.12 release notes](https://github.com/wandb/wandb/releases/tag/v0.12.0) を参照してください。
+
-
-
-画像パネルを展開し、ステップスライダーを使用して異なるステップの画像間を移動します。これにより、トレーニング中のモデル出力の変化を簡単に比較できます。
-
+
+ 画像パネルを展開し、step スライダーを使って異なる step の画像を切り替えて確認します。これにより、トレーニング中におけるモデルの出力の変化を比較しやすくなります。
+
-
-
-トレーニングスクリプトの冒頭で、実験名を指定して `wandb.init` を呼び出します。例： `wandb.init(name="my_awesome_run")` 。
-
+
+ トレーニングスクリプトの最初で、実験名を指定して `wandb.init` を呼び出します。例: `wandb.init(name="my_awesome_run")`。
+
-
-
-上部のメッセージを通じてレポートを変換した場合は、赤い「Revert」ボタンをクリックして以前の状態を復元してください。変換後に行った変更は失われるのでご注意ください。
+
+ レポートの変換が画面上部のメッセージから行われた場合は、赤い「Revert」ボタンをクリックして以前の状態を復元してください。変換後に行った変更はすべて失われる点に注意してください。
-単一の Markdown ブロックを変換した場合は、 `cmd+z` で元に戻せます。
+ 単一の Markdown ブロックだけを変換した場合は、`cmd+z` を使って元に戻してください。
-セッションが終了しているなどの理由で元に戻すオプションが利用できない場合は、ドラフトを破棄するか、最後に保存されたバージョンから編集することを検討してください。どちらも機能しない場合は、W&B サポートにお問い合わせください。
-
+ セッションが終了しているために元に戻すオプションが利用できない場合は、下書きを破棄するか、最後に保存されたバージョンから編集することを検討してください。いずれもできない場合は、W&B Support に問い合わせてください。
+
-
-
-トレーニング Run への干渉を避けることは極めて重要です。W&B は別プロセスで動作するため、W&B がクラッシュしてもトレーニングは継続されます。インターネットが切断された場合、W&B は [wandb.ai](https://wandb.ai) へのデータ送信を継続的に再試行します。
-
+
+ トレーニング run に影響を与えないことが重要です。W&B は別プロセスで動作するため、W&B がクラッシュしてもトレーニングは継続されます。インターネット障害が発生した場合でも、W&B は [wandb.ai](https://wandb.ai) へのデータ送信を継続的に再試行します。
+
-
-
-はい、以前に削除されたアカウントに関連付けられていたメールアドレスを使用して、新しいアカウントを作成できます。
-
+
+ 削除されたアカウントに関連付けられていたメールアドレスを、新しいアカウントで再利用できます。
+
-
-
-役割と権限の詳細については、こちらのリンクを参照してください： [チームの役割と権限](/platform/app/settings-page/teams#チームのロールと権限) 。
-
+
+ ロールと権限の詳細については、次のリンクを参照してください: [Team Roles and Permissions](/ja/platform/app/settings-page/teams#team-roles-and-permissions)。
+
-
-
-トレーニング設定がコマンドライン引数を受け取るようになっている場合、カスタム CLI コマンドで W&B Sweeps を使用できます。
-
-以下の例は、ユーザーが Python スクリプト `train.py` をトレーニングし、スクリプトがパースする値を指定している bash ターミナルのスニペットです。
-
-```bash
-/usr/bin/env python train.py -b \
- your-training-config \
- --batchsize 8 \
- --lr 0.00001
-```
-
-カスタムコマンドを実装するには、 YAML ファイルの `command` キーを変更します。上記の例に基づくと、設定は以下のようになります。
-
-```yaml
-program:
- train.py
-method: grid
-parameters:
- batch_size:
- value: 8
- lr:
- value: 0.0001
-command:
- - ${env}
- - python
- - ${program}
- - "-b"
- - your-training-config
- - ${args}
-```
-
-`${args}` キーは、 sweep configuration 内のすべてのパラメータに展開され、 `argparse` 用に `--param1 value1 --param2 value2` という形式になります。
-
-`argparse` 以外の追加引数については、以下のように実装してください。
-
-```python
-parser = argparse.ArgumentParser()
-args, unknown = parser.parse_known_args()
-```
-
-
-環境によっては、 `python` が Python 2 を指す場合があります。 Python 3 を確実に呼び出すには、コマンド設定で `python3` を使用してください。
-
-```yaml
-program:
- script.py
-command:
- - ${env}
- - python3
- - ${program}
- - ${args}
-```
-
-
+
+ トレーニング設定がコマンドライン引数を受け取る場合、カスタム CLI コマンドと組み合わせて W&B Sweeps を使用できます。
+
+ 次の例では、`train.py` という名前の Python スクリプトを学習させる bash ターミナルをコードスニペットで示し、スクリプトがパースする値を渡しています:
+
+ ```bash
+ /usr/bin/env python train.py -b \
+ your-training-config \
+ --batchsize 8 \
+ --lr 0.00001
+ ```
+
+ カスタムコマンドを実装するには、YAML ファイル内の `command` キーを変更します。先ほどの例に基づくと、設定は次のようになります:
+
+ ```yaml
+ program:
+ train.py
+ method: grid
+ parameters:
+ batch_size:
+ value: 8
+ lr:
+ value: 0.0001
+ command:
+ - ${env}
+ - python
+ - ${program}
+ - "-b"
+ - your-training-config
+ - ${args}
+ ```
+
+ `${args}` キーは sweep 設定内のすべてのパラメーターに展開され、`argparse` 用に `--param1 value1 --param2 value2` の形式になります。
+
+ `argparse` の外側に追加の引数が必要な場合は、次のように実装してください:
+
+ ```python
+ parser = argparse.ArgumentParser()
+ args, unknown = parser.parse_known_args()
+ ```
+
+
+ 環境によっては、`python` が Python 2 を指すことがあります。Python 3 を確実に起動するには、コマンド設定内で `python3` を使用してください:
+
+ ```yaml
+ program:
+ script.py
+ command:
+ - ${env}
+ - python3
+ - ${program}
+ - ${args}
+ ```
+
+
-
-
-ダークモードはベータ版であり、アクセシビリティの面で完全には最適化されていません。ダークモードを有効にするには：
+
+ ダークモードはベータ版であり、アクセシビリティ向けに最適化されていません。ダークモードを有効にするには、次の手順に従ってください:
-1. [W&B アカウント設定](https://wandb.ai/settings)に移動します。
-2. **Public preview features** セクションまでスクロールします。
-3. **UI Display** で、ドロップダウンから **Dark mode** を選択します。
-
+ 1. [W&B アカウント設定](https://wandb.ai/settings) に移動します。
+ 2. **Public preview features** セクションまでスクロールします。
+ 3. **UI Display** で、ドロップダウンから **Dark mode** を選択します。
+
-
+
+ `wandb: Network error (ConnectionError), entering retry loop` のような SSL エラーやネットワークエラーが発生した場合は、次の解決策を試してください:
-SSL エラーや、 `wandb: Network error (ConnectionError), entering retry loop` などのネットワークエラーが発生した場合は、以下の解決策を試してください。
+ 1. SSL 証明書を更新します。Ubuntu サーバーでは、`update-ca-certificates` を実行します。有効な SSL 証明書は、セキュリティリスクを軽減しつつトレーニングログを同期するために不可欠です。
+ 2. ネットワーク接続が不安定な場合は、[optional environment variable](/ja/models/track/environment-variables#optional-environment-variables) `WANDB_MODE` を `offline` に設定してオフラインモードで動作させ、インターネット接続のあるデバイスから後でファイルを同期します。
+ 3. ローカルで実行され、クラウドサーバーへの同期を行わない [W&B Private Hosting](/ja/platform/hosting/) の利用を検討してください。
-1. SSL 証明書をアップグレードします。 Ubuntu サーバーの場合は、 `update-ca-certificates` を実行します。セキュリティリスクを軽減しつつトレーニングログを同期するには、有効な SSL 証明書が不可欠です。
-2. ネットワーク接続が不安定な場合は、 [任意の環境変数](/models/track/environment-variables#オプションの環境変数) `WANDB_MODE` を `offline` に設定してオフラインモードで実行し、後でインターネット接続のあるデバイスからファイルを同期してください。
-3. クラウドサーバーへの同期を避け、ローカルで動作する [W&B Private Hosting](/platform/hosting/) の利用を検討してください。
+ `SSL CERTIFICATE_VERIFY_FAILED` エラーについては、会社のファイアウォールが原因の可能性があります。ローカル CA を設定し、次を実行してください:
-`SSL CERTIFICATE_VERIFY_FAILED` エラーについては、会社のファイアウォールが原因である可能性があります。ローカルの CA を設定し、以下を実行してください：
-
-`export REQUESTS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt`
-
+ `export REQUESTS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt`
+
-
-
-カスタムチャートエディターにアクセスします。現在選択されているチャートタイプをクリックして、すべてのプリセットを表示するメニューを開きます。削除したいプリセットの上にマウスを置き、ゴミ箱アイコンをクリックします。
+
+ カスタムチャートエディタにアクセスします。現在選択されているチャートタイプをクリックして、すべてのプリセットが表示されるメニューを開きます。削除したいプリセットにカーソルを合わせ、Trash アイコンをクリックします。
-
+
-
-
-組織アカウントを削除するには、サポートチーム (support@wandb.com) にお問い合わせください。
-
+
+ 組織アカウントを削除するには、次の手順に従い、サポートチーム（support@wandb.com）に連絡してください。
+
-
-
-パネルグリッドを選択し、delete キーまたは backspace キーを押します。右上のドラッグハンドルをクリックするとパネルグリッドを選択できます。
-
+
+ パネルグリッドを選択し、Delete または Backspace キーを押します。パネルグリッドを選択するには、右上隅のドラッグハンドルをクリックします。
+
-
-
-アカウントからチームを削除するには：
+
+ アカウントからチームを削除するには、次の手順を実行します。
-- 管理者としてチーム設定にアクセスします。
-- ページ下部の **Delete** ボタンをクリックします。
-
+ * 管理者としてチーム設定にアクセスします。
+ * ページの一番下にある **Delete** ボタンをクリックします。
+
-
-
-Run に明示的に名前を付けなかった場合、W&B はプロジェクト内で識別しやすいようにランダムな名前を割り当てます。ランダムな名前の例としては `pleasant-flower-4` や `misunderstood-glade-2` などがあります。
-
+
+ run に明示的に名前を付けなかった場合、W&B はその run をプロジェクト内で識別するためにランダムな名前を割り当てます。ランダム名の例としては、`pleasant-flower-4` や `misunderstood-glade-2` などがあります。
+
-
+
+ summary はテーブルに表示され、一方 log は将来のプロットのためにすべての値を保存します。
-summary はテーブルに表示される現在の値を保持し、 log は将来のプロットのためにすべての値を保存します。
+ たとえば、精度が変化するたびに `run.log()` を呼び出します。デフォルトでは、`run.log()` はそのメトリクスについて手動で設定されていない限り、summary の値を更新します。
-例えば、精度が変化するたびに `run.log()` を呼び出します。デフォルトでは、メトリクスに対して手動で設定しない限り、 `run.log()` は summary の値も更新します。
+ 散布図と平行座標プロットは summary の値を使用し、折れ線グラフは `run.log` によって記録されたすべての値を表示します。
-散布図や並行座標プロットは summary の値を使用し、折れ線グラフは `run.log` で記録されたすべての値を表示します。
-
-一部のユーザーは、最新の記録値ではなく最適な精度を反映させるために、 summary を手動で設定することを好みます。
-
+ 一部のユーザーは、最新の精度ではなく最適な精度を反映させるために、summary を手動で設定することを好みます。
+
-
-
-チームは、同じプロジェクトに取り組むユーザーのためのコラボレーションワークスペースです。エンティティは、ユーザー名またはチーム名のいずれかを表します。W&B で Run をログに記録する際、 `wandb.init(entity="example-team")` のように個人アカウントまたはチームアカウントにエンティティを設定します。
-
+
+ team は、同じプロジェクトに取り組むユーザーのための共同作業用ワークスペースとして機能します。entity は、ユーザー名またはチーム名のいずれかを表します。W&B に run をログするときは、`wandb.init(entity="example-team")` を使用して、entity を個人アカウントまたはチームアカウントに設定します。
+
-
-
-チームは、同じプロジェクトに取り組むユーザーのためのコラボレーションワークスペースです。組織は、複数のチームを含めることができる上位レベルのエンティティであり、多くの場合、請求やアカウント管理に関連付けられます。
-
+
+ team は、同じプロジェクトに取り組むユーザーのための共同作業用ワークスペースとして機能します。organization は、請求やアカウント管理に関連することが多い、複数の team を含むことができる、より上位レベルの entity として機能します。
+
-
-
-以下のモードが利用可能です。
+
+ 利用可能なモードは次のとおりです。
-* `online` (デフォルト): クライアントはデータを wandb サーバーに送信します。
-* `offline`: クライアントはデータを wandb サーバーに送信せず、ローカルマシンに保存します。後でデータを同期するには [`wandb sync`](/models/ref/cli/wandb-sync) コマンドを使用します。
-* `disabled`: クライアントはモックオブジェクトを返すことで動作をシミュレートし、ネットワーク通信を行いません。すべてのログ記録はオフになりますが、API メソッドのスタブは呼び出し可能なままです。このモードは通常、テストに使用されます。
-
+ * `online`（デフォルト）: クライアントはデータを wandb サーバーに送信します。
+ * `offline`: クライアントはデータを wandb サーバーに送信する代わりに、マシン上にローカル保存します。後でデータを同期するには、[`wandb sync`](/ja/models/ref/cli/wandb-sync) コマンドを使用します。
+ * `disabled`: クライアントはモック オブジェクトを返すことで動作をシミュレートし、ネットワーク通信を一切行いません。すべてのログ記録は無効になりますが、すべての API メソッドスタブは呼び出し可能なままです。このモードは通常、テストに使用されます。
+
-
-
-W&B は TensorBoard と連携し、実験管理ツールを改善します。W&B は、 TensorBoard ユーザーが直面する一般的な不満を解消するために作成されました。主な改善点は以下の通りです。
+
+ W&B は TensorBoard と連携し、実験管理 ツールを強化します。W&B の創業者は、TensorBoard ユーザーが直面する一般的な不満を解消するために W&B を開発しました。主な改善点は次のとおりです。
-1. **モデルの再現性**: W&B は実験、探索、およびモデルの再現を容易にします。メトリクス、ハイパーパラメーター、コードのバージョンをキャプチャし、モデルのチェックポイントを保存して再現性を確保します。
+ 1. **モデルの再現性**: W&B は実験、探索、モデルの再現を容易にします。メトリクス、ハイパーパラメーター、コードのバージョンを記録し、モデルのチェックポイントを保存することで、再現性を確保します。
-2. **自動整理**: W&B は、試行したすべてのモデルの概要を提供することで、プロジェクトの引き継ぎや休暇中の対応をスムーズにします。古い実験の再実行を防ぎ、時間を節約できます。
+ 2. **自動整理**: W&B は、試したすべてのモデルの概要を提供することで、プロジェクトの引き継ぎや休暇中の対応を効率化し、過去の実験を再実行する無駄な時間を削減します。
-3. **迅速な統合**: 5分で W&B をプロジェクトに統合できます。無料のオープンソース Python パッケージをインストールし、数行のコードを追加するだけです。モデルの実行ごとにログに記録されたメトリクスと記録が表示されます。
+ 3. **迅速なインテグレーション**: 5 分で W&B をプロジェクトに組み込めます。無償のオープンソース Python パッケージをインストールし、数行のコードを追加するだけです。記録されたメトリクスやログは、各 run とともに表示されます。
-4. **一元化されたダッシュボード**: トレーニングがローカル、ラボのクラスター、クラウドのスポットインスタンスのどこで行われていても、一貫したダッシュボードにアクセスできます。異なるマシン間で TensorBoard ファイルを管理する必要がありません。
+ 4. **集中管理されたダッシュボード**: トレーニングがローカル、研究室のクラスタ、クラウドのスポットインスタンスのいずれで行われていても、一貫したダッシュボードにアクセスできます。異なるマシン間で TensorBoard ファイルを管理する必要がなくなります。
-5. **強力なフィルタリングテーブル**: さまざまなモデルの結果を効率的に検索、フィルタリング、ソート、グループ化できます。特定のタスクに最適なモデルを簡単に見つけることができます。これは、大規模なプロジェクトで TensorBoard が苦労することが多い分野です。
+ 5. **強力なフィルタリングテーブル**: さまざまなモデルの結果を検索、フィルタ、ソート、グルーピングして効率的に分析できます。異なるタスクに対して最も高性能なモデルを簡単に特定でき、これは TensorBoard が大規模なプロジェクトで苦労しがちな領域です。
-6. **コラボレーションツール**: W&B は、複雑な機械学習プロジェクトのコラボレーションを強化します。プロジェクトのリンクを共有したり、結果共有のためにプライベートチームを利用したりできます。インタラクティブな可視化と Markdown の説明を含むレポートを作成して、作業ログやプレゼンテーションに使用できます。
-
+ 6. **コラボレーションツール**: W&B は、複雑な機械学習プロジェクトにおけるコラボレーションを強化します。プロジェクトのリンクを共有し、非公開のチームを利用して結果を共有できます。インタラクティブな可視化と Markdown の説明を含むレポートを作成し、作業ログやプレゼンテーションに活用できます。
+
-
-
-サブスクリプションプランをダウングレードするには、現在のプランの詳細と希望するプランを明記の上、サポートチーム (support@wandb.com) までご連絡ください。
-
+
+ サブスクリプションプランをダウングレードするには、現在のプランの詳細と希望するプランを記載して support@wandb.com のサポートチームまで連絡してください。
+
-
-
-個人のプライベートプロジェクト内で作成されたレポートは、そのユーザーのみが表示できます。ユーザーはそのプロジェクトをチームまたは一般に公開共有できます。
+
+ 個人のプライベートプロジェクト内で作成された Reports は、そのユーザーにしか表示されません。ユーザーは、自分のプロジェクトをチームまたは公開設定で共有できます。
-チームプロジェクトでは、管理者またはレポートを作成したメンバーが、他のチームメンバーに対して編集権限または閲覧権限を切り替えることができます。チームメンバーはレポートを共有できます。
+ チームプロジェクトでは、管理者またはレポートを作成したメンバーが、他のチームメンバーに対する編集権限と閲覧権限を切り替えることができます。チームメンバーはレポートを共有できます。
-レポートを共有するには、右上隅にある **Share** ボタンを選択します。メールアドレスを入力するか、マジックリンクをコピーしてください。メールで招待されたユーザーは、レポートを表示するために W&B にログインする必要がありますが、マジックリンクを持つユーザーはログイン不要です。
+ レポートを共有するには、右上の **Share** ボタンを選択します。メールアドレスを入力するか、マジックリンクをコピーします。メールで招待された Users は、レポートを表示するために W&B にログインする必要がありますが、マジックリンクを持つ Users はログインする必要がありません。
-共有されたレポートは、閲覧専用アクセスが維持されます。
-
+ 共有されたレポートは閲覧専用のままです。
+
-
-
-レポートを埋め込むことで共有できます。レポートの右上にある **Share** ボタンをクリックし、ポップアップウィンドウの下部から埋め込みコードをコピーしてください。
+
+ レポートを埋め込みによって共有できます。レポート右上の **Share** ボタンをクリックし、ポップアップウィンドウ下部から埋め込みコードをコピーします。
-
+
-
-
-Sweeps でコードのログ記録を有効にするには、 W&B Run を初期化した後に `wandb.log_code()` を追加します。 W&B のプロフィール設定でコードのログ記録が有効になっていても、この操作が必要です。高度なコードログ記録については、 [こちらの `wandb.log_code()` のドキュメント](/models/ref/python/experiments/run#log_code) を参照してください。
-
+
+ sweep のコードロギングを有効にするには、W&B Run を初期化した後に `wandb.log_code()` を追加します。これは、W&B のプロファイル設定でコードロギングが有効になっている場合でも必要です。高度なコードロギングについては、[こちらの `wandb.log_code()` のドキュメント](/ja/models/ref/python/experiments/run#log_code)を参照してください。
+
-
-
-`wandb.init` に渡された引数は環境変数を上書きします。環境変数が設定されていない場合にシステムデフォルト以外のデフォルトディレクトリーを設定するには、 `wandb.init(dir=os.getenv("WANDB_DIR", my_default_override))` のように使用します。
-
+
+ `wandb.init` に渡した引数は、環境変数より優先されます。環境変数が設定されていない場合に、システムデフォルトとは異なるデフォルトディレクトリを設定したい場合は、`wandb.init(dir=os.getenv("WANDB_DIR", my_default_override))` を使用してください。
+
-
-
-W&B は、離散的な探索空間を持つ W&B Sweep を作成する際に生成される Run の推定数を提供します。この合計は、探索空間のデカルト積を反映しています。
+
+ W&B では、離散的な探索空間を持つ W&B Sweep を作成する際に生成される Runs の推定数を表示します。この合計値は探索空間のデカルト積を表します。
-例えば、以下のような探索空間を考えてみましょう。
+ たとえば、次のような探索空間を考えます。
-
+ ```python
+ sweep_id = wandb.sweep(
+ sweep_configs, project="your_project_name", entity="your_entity_name"
+ )
+ api = wandb.Api()
+ sweep = api.sweep(f"your_entity_name/your_project_name/sweeps/{sweep_id}")
+ print(f"EXPECTED RUN COUNT = {sweep.expected_run_count}")
+ ```
+
-
-
-W&B 組織からユーザーリストをエクスポートするには、管理者が SCIM API を使用して以下のコードを実行します。
-
-```python
-import base64
-import requests
+
+ W&B Organization からユーザー一覧をエクスポートするには、管理者が次のように SCIM API を使用します。
-def encode_base64(username, key):
- auth_string = f'{username}:{key}'
- return base64.b64encode(auth_string.encode('utf-8')).decode('utf-8')
-
-username = '' # 組織管理者のユーザー名
-key = '' # APIキー
-scim_base_url = 'https://api.wandb.ai/scim/v2'
-users_endpoint = f'{scim_base_url}/Users'
-headers = {
- 'Authorization': f'Basic {encode_base64(username, key)}',
- 'Content-Type': 'application/scim+json'
-}
-
-response = requests.get(users_endpoint, headers=headers)
-users = []
-for user in response.json()['Resources']:
- users.append([user['userName'], user['emails']['Value']])
-```
+ ```python
+ import base64
+ import requests
+
+ def encode_base64(username, key):
+ auth_string = f'{username}:{key}'
+ return base64.b64encode(auth_string.encode('utf-8')).decode('utf-8')
+
+ username = '' # Organization 管理者のユーザー名
+ key = '' # API キー
+ scim_base_url = 'https://api.wandb.ai/scim/v2'
+ users_endpoint = f'{scim_base_url}/Users'
+ headers = {
+ 'Authorization': f'Basic {encode_base64(username, key)}',
+ 'Content-Type': 'application/scim+json'
+ }
+
+ response = requests.get(users_endpoint, headers=headers)
+ users = []
+ for user in response.json()['Resources']:
+ users.append([user['userName'], user['emails']['Value']])
+ ```
-必要に応じて、出力を保存するようにスクリプトを修正してください。
-
+ 必要に応じて、出力を保存するようにスクリプトを変更してください。
+
-
-
-Artifact reference が W&B で記録され、バケットのバージョニングが有効になっている場合、バージョン ID は Amazon S3 UI に表示されます。W&B でこれらのバージョン ID と ETag を取得するには、 Artifact を取得して対応するマニフェストエントリにアクセスします。例：
+
+ Artifacts 参照が W&B でログされており、バケットでバージョニングが有効になっている場合、Version ID は Amazon S3 UI に表示されます。これらの Version ID と ETag を W&B で取得するには、 Artifacts を取得し、対応する manifest エントリにアクセスします。例:
-```python
-artifact = run.use_artifact("my_table:latest")
-for entry in artifact.manifest.entries.values():
- versionID = entry.extra.get("versionID")
- etag = entry.extra.get("etag")
-```
-
+ ```python
+ artifact = run.use_artifact("my_table:latest")
+ for entry in artifact.manifest.entries.values():
+ versionID = entry.extra.get("versionID")
+ etag = entry.extra.get("etag")
+ ```
+
-
-
-該当する Run について、コードを実行しているディレクトリー内の `wandb/run-_-/logs` にある `debug.log` と `debug-internal.log` を確認してください。
-
+
+ 対象の run について、コードが実行されているディレクトリ内の `wandb/run-_-/logs` にある `debug.log` および `debug-internal.log` を確認してください。
+
-
+
+ W&B で "Filestream rate limit exceeded" エラーを解決するには、次の手順に従ってください。
-W&B で "Filestream rate limit exceeded" エラーを解決するには、以下の手順に従ってください。
+ **ロギングを最適化する**:
-**ログ記録の最適化**:
- - API リクエストを減らすために、ログ記録の頻度を下げるか、ログをバッチ処理します。
- - API リクエストの同時発生を避けるため、実験の開始時間をずらします。
+ * ログの頻度を下げるか、ログをバッチ処理して API リクエストを減らします。
+ * 実験の開始時間をずらし、同時発生する API リクエストを避けます。
-**障害の確認**:
- - [W&B ステータス更新](https://status.wandb.com)を確認して、問題が一時的なサーバー側の問題によるものではないか確認してください。
+ **障害の有無を確認する**:
-**サポートへの連絡**:
- - レート制限の引き上げをリクエストするために、実験のセットアップの詳細を添えて W&B サポート (support@wandb.com) にお問い合わせください。
-
+ * 一時的なサーバー側の問題が原因でないことを確認するため、[W&B status updates](https://status.wandb.com) を確認します。
+
+ **サポートに連絡する**:
+
+ * 実験構成の詳細を添えて W&B サポート (support@wandb.com) に連絡し、レート制限の引き上げを依頼します。
+
-
-
-検索バーを使用してレポートリストをフィルタリングします。不要なレポートを選択して個別に削除するか、すべてのレポートを選択して「Delete Reports」をクリックしてプロジェクトから削除します。
+
+ 検索バーを使って Reports のリストをフィルタリングします。不要な Report を選択して個別に削除するか、すべての Reports を選択して「Delete Reports」をクリックし、プロジェクトから削除します。
-
+
-
-
-
+
+
-
-
-Sweep で最高のパフォーマンスを示した Run から Artifact を取得するには、以下のコードを使用します。
+
+ sweep 内で最も性能の良い run から Artifacts を取得するには、次のコードを使用します。
-```python
-api = wandb.Api()
-sweep = api.sweep("entity/project/sweep_id")
-runs = sorted(sweep.runs, key=lambda run: run.summary.get("val_acc", 0), reverse=True)
-best_run = runs[0]
-for artifact in best_run.logged_artifacts():
- artifact_path = artifact.download()
- print(artifact_path)
-```
-
+ ```python
+ api = wandb.Api()
+ sweep = api.sweep("entity/project/sweep_id")
+ runs = sorted(sweep.runs, key=lambda run: run.summary.get("val_acc", 0), reverse=True)
+ best_run = runs[0]
+ for artifact in best_run.logged_artifacts():
+ artifact_path = artifact.download()
+ print(artifact_path)
+ ```
+
-
-
-W&B は各 Run によってログ記録された Artifacts と、各 Run で使用された Artifacts を追跡して Artifact graph を構築します。このグラフは、 Run と Artifacts をノードとする二部有向非巡回グラフです。例は [こちら](https://wandb.ai/shawn/detectron2-11/artifacts/dataset/furniture-small-val/06d5ddd4deeb2a6ebdd5/graph) で確認できます（「Explode」をクリックしてグラフを展開してください）。
-
-Public API を使用して、 Artifact または Run のいずれかからプログラムでグラフを探索できます。
-
-
-
-
-```python
-api = wandb.Api()
+
+ W&B は、各 run が記録した Artifacts と、各 run が使用した Artifacts を追跡し、 Artifacts グラフを構成します。このグラフは、ノードが run と Artifacts を表す二部グラフであり、有向非巡回グラフです。例は [こちら](https://wandb.ai/shawn/detectron2-11/artifacts/dataset/furniture-small-val/06d5ddd4deeb2a6ebdd5/graph) で確認できます（グラフを展開するには「Explode」をクリックしてください）。
-artifact = api.artifact("project/artifact:alias")
+ Public API を使用して、 Artifacts または run のどちらかを起点に、プログラムからこのグラフをたどることができます。
-# Artifact からグラフを遡る:
-producer_run = artifact.logged_by()
-# Artifact からグラフを下る:
-consumer_runs = artifact.used_by()
+
+
+ ```python
+ api = wandb.Api()
-# Run からグラフを下る:
-next_artifacts = consumer_runs[0].logged_artifacts()
-# Run からグラフを遡る:
-previous_artifacts = producer_run.used_artifacts()
-```
+ artifact = api.artifact("project/artifact:alias")
-
-
+ # Artifacts からグラフを上方向にたどる:
+ producer_run = artifact.logged_by()
+ # Artifacts からグラフを下方向にたどる:
+ consumer_runs = artifact.used_by()
-```python
-api = wandb.Api()
+ # run からグラフを下方向にたどる:
+ next_artifacts = consumer_runs[0].logged_artifacts()
+ # run からグラフを上方向にたどる:
+ previous_artifacts = producer_run.used_artifacts()
+ ```
+
-run = api.run("entity/project/run_id")
+
+ ```python
+ api = wandb.Api()
-# Run からグラフを下る:
-produced_artifacts = run.logged_artifacts()
-# Run からグラフを遡る:
-consumed_artifacts = run.used_artifacts()
+ run = api.run("entity/project/run_id")
-# Artifact からグラフを遡る:
-earlier_run = consumed_artifacts[0].logged_by()
-# Artifact からグラフを下る:
-consumer_runs = produced_artifacts[0].used_by()
-```
+ # run からグラフを下方向にたどる:
+ produced_artifacts = run.logged_artifacts()
+ # run からグラフを上方向にたどる:
+ consumed_artifacts = run.used_artifacts()
-
-
-
+ # Artifacts からグラフを上方向にたどる:
+ earlier_run = consumed_artifacts[0].logged_by()
+ # Artifacts からグラフを下方向にたどる:
+ consumer_runs = produced_artifacts[0].used_by()
+ ```
+
+
+
-
-
-設定の command セクションで `${args_no_boolean_flags}` マクロを使用することで、ハイパーパラメーターを Boolean フラグとして渡すことができます。このマクロは Boolean パラメーターをフラグとして自動的に含めます。 `param` が `True` の場合、コマンドは `--param` を受け取ります。 `param` が `False` の場合、フラグは省略されます。
-
+
+ 設定の command セクションで `${args_no_boolean_flags}` マクロを使用して、ハイパーパラメーターをブール値フラグとして渡します。このマクロは、ブール値パラメーターを自動的にフラグとして含めます。`param` が `True` の場合、コマンドは `--param` を受け取ります。`param` が `False` の場合、そのフラグは省略されます。
+
-
-
-指数移動平均の数式は TensorBoard で使用されているものと一致しています。
+
+ 指数移動平均の式は、TensorBoard で使用されているものと一致します。
-同等の Python 実装の詳細は、 [Stack OverFlow のこちらの解説](https://stackoverflow.com/questions/42281844/what-is-the-mathematics-behind-the-smoothing-parameter-in-tensorboards-scalar/75421930#75421930) を参照してください。 TensorBoard の平滑化アルゴリズムのソースコード（本稿執筆時点）は [こちら](https://github.com/tensorflow/tensorboard/blob/34877f15153e1a2087316b9952c931807a122aa7/tensorboard/components/vz_line_chart2/line-chart.ts#L699) で確認できます。
-
+ 同等の Python 実装の詳細については、この [Stack Overflow 上の説明](https://stackoverflow.com/questions/42281844/what-is-the-mathematics-behind-the-smoothing-parameter-in-tensorboards-scalar/75421930#75421930) を参照してください。執筆時点での TensorBoard のスムージングアルゴリズムのソースコードは [こちら](https://github.com/tensorflow/tensorboard/blob/34877f15153e1a2087316b9952c931807a122aa7/tensorboard/components/vz_line_chart2/line-chart.ts#L699) にあります。
+
-
-
-一部の機能は、チーム設定の **Beta Features** セクションにあるフィーチャーフラグの下に隠されています。
+
+ いくつかの機能は、チームの設定の **Beta Features** セクションにあるフィーチャーフラグの下に隠れています。
-
+
-
-
-"No visualization data logged yet" というメッセージが表示される場合、スクリプトが最初の `wandb.log` 呼び出しを実行していません。これは、 Run が 1ステップを完了するのに長い時間がかかっている場合に発生することがあります。データのログ記録を早めるには、エポックの最後だけでなく、エポック内に複数回ログを記録するようにしてください。
-
+
+ 「No visualization data logged yet」というメッセージが表示される場合、スクリプトが最初の `wandb.log` 呼び出しをまだ実行していません。これは、run が 1 ステップを完了するまでに長時間かかる場合に発生することがあります。データのロギングを早めるには、エポックの最後だけでなく、エポックの途中でも複数回ログを記録するようにしてください。
+
-
-
-グループ内の個々の Run の色を変更することはできません。同じグループ内のすべての Run は共通の色を共有します。
-
+
+ グループ内の個々の run の色を変更することはできません。同じグループ内のすべての run は共通の色を共有します。
+
-
-
-1つの Run が複数のタグを持つことができるため、タグによるグループ化はサポートされていません。代わりに、これらの Run の [`config`](/models/track/config) オブジェクトに値を追加し、その config 値でグループ化してください。これは [API](/models/track/config#run-終了後に設定を行う) を使用して行えます。
-
+
+ 1 つの run には複数のタグを付けられるため、タグによるグループ化はサポートされていません。代わりに、これらの run 用に [`config`](/ja/models/track/config) オブジェクトに値を追加し、この config の値でグループ化してください。これは [API](/ja/models/track/config#set-the-configuration-after-your-run-has-finished) を使って実行できます。
+
-
-
-はい、タグやカスタムメタデータを使用して Run をカテゴリ分けすることもできます。これはプロジェクトの Workspace 閲覧時や Runs ビューにある `Group` ボタンを使用して行えます。
-
+
+ はい、タグやカスタムメタデータを使って run を分類することもできます。これは、プロジェクトの Workspace および Runs ビューで利用可能な `Group` ボタンを使って行えます。
+
-
-
-チーム管理者が、チーム設定の **Users** タブから [あなたをチームから削除](/platform/app/settings-page/teams) することができます。
-
+
+ チーム管理者は、チーム設定の **Users** タブから、[あなたをチームから削除](/ja/platform/app/settings-page/teams) できます。
+
-
-
-- `WANDB_DIR=` または `wandb.init(dir=)`: トレーニングスクリプト用に作成される `wandb` フォルダの場所を制御します。デフォルトは `./wandb` です。このフォルダには Run のデータとログが保存されます。
-- `WANDB_ARTIFACT_DIR=` または `wandb.Artifact().download(root="")`: Artifacts がダウンロードされる場所を制御します。デフォルトは `./artifacts` です。
-- `WANDB_CACHE_DIR=`: `wandb.Artifact` を呼び出した際に Artifacts が作成・保存される場所です。デフォルトは `~/.cache/wandb` です。
-- `WANDB_CONFIG_DIR=`: 設定ファイルが保存される場所です。デフォルトは `~/.config/wandb` です。
-- `WANDB_DATA_DIR=`: アップロード中に Artifacts をステージングするために使用される場所を制御します。デフォルトは `~/.cache/wandb-data/` です。
-
+
+ * `WANDB_DIR=` または `wandb.init(dir=)`: トレーニングスクリプト用に作成される `wandb` フォルダの場所を制御します。デフォルトは `./wandb` です。このフォルダには run のデータとログが保存されます。
+ * `WANDB_ARTIFACT_DIR=` または `wandb.Artifact().download(root="")`: Artifacts がダウンロードされる場所を制御します。デフォルトは `./artifacts` です。
+ * `WANDB_CACHE_DIR=`: `wandb.Artifact` を呼び出したときに Artifacts が作成・保存される場所です。デフォルトは `~/.cache/wandb` です。
+ * `WANDB_CONFIG_DIR=`: config ファイルが保存される場所です。デフォルトは `~/.config/wandb` です。
+ * `WANDB_DATA_DIR=`: Artifacts のアップロード時にステージングに使用される場所を制御します。デフォルトは `~/.cache/wandb-data/` です。
+
-
+
+ [public API](/ja/models/ref/python/public-api/api) を使用して、複数の run を 1 回の操作で削除できます:
-[public API](/models/ref/python/public-api/api) を使用して、1回の操作で複数の Run を削除できます。
-
-```python
-import wandb
+ ```python
+ import wandb
-api = wandb.Api()
-runs = api.runs('/')
-for run in runs:
- if <条件>:
- run.delete()
-```
-
+ api = wandb.Api()
+ runs = api.runs('/')
+ for run in runs:
+ if :
+ run.delete()
+ ```
+
-
-
-[ユーザー設定](/platform/app/settings-page/user-settings#delete-your-account) の **Delete account** をクリックしてアカウントを削除してください。この操作は取り消し不可であり、即座に有効になりますのでご注意ください。
-
+
+ [user settings](/ja/platform/app/settings-page/user-settings#delete-your-account) で **Delete account** をクリックして、ユーザーアカウントを削除します。この操作は元に戻すことができず、ただちに反映される点に注意してください。
+
-
-
-[システムメトリクス](/models/ref/python/experiments/system-metrics) のログ記録を無効にするには、 `_disable_stats` を `True` に設定します。
+
+ [system metrics](/ja/models/ref/python/experiments/system-metrics) のロギングを無効化するには、`_disable_stats` を `True` に設定します:
-```python
-wandb.init(settings=wandb.Settings(x_disable_stats=True))
-```
-
+ ```python
+ wandb.init(settings=wandb.Settings(x_disable_stats=True))
+ ```
+
-
-
-以下のいずれかの方法でログイン URL を設定してください。
+
+ ログイン URL は、次のいずれかの方法で設定します:
-- [環境変数](/models/track/environment-variables) `WANDB_BASE_URL` をサーバーの URL に設定する。
-- [`wandb login`](/models/ref/cli/wandb-login) の `--host` フラグをサーバーの URL に設定する。
-
+ * [environment variable](/ja/models/track/environment-variables) `WANDB_BASE_URL` を Server の URL に設定します。
+ * [`wandb login`](/ja/models/ref/cli/wandb-login) の `--host` フラグを Server の URL に設定します。
+
-
-
-以前のステップのログを上書きするには、 [forking](/models/runs/forking) と [rewind](/models/runs/rewind) を使用してください。
-
+
+ 前のステップのログを上書きするには、[forking](/ja/models/runs/forking) と [rewind](/ja/models/runs/rewind) を使用します。
+
-
-
-[システムメトリクス](/models/ref/python/experiments/system-metrics) を記録する頻度を設定するには、 `_stats_sampling_interval` に秒数を float 型で設定します。デフォルトは `10.0` です。
+
+ [system metrics](/ja/models/ref/python/experiments/system-metrics) を記録する頻度を設定するには、`_stats_sampling_interval` を秒数（float）で指定します。デフォルトは `10.0` です。
-```python
-wandb.init(settings=wandb.Settings(x_stats_sampling_interval=30.0))
-```
-
+ ```python
+ wandb.init(settings=wandb.Settings(x_stats_sampling_interval=30.0))
+ ```
+
-
-
-Python で `wandb` をインポートする際に `AttributeError: module 'wandb' has no attribute 'init'` や `AttributeError: module 'wandb' has no attribute 'login'` のようなエラーが発生する場合、 `wandb` がインストールされていないかインストールが壊れていますが、現在の作業ディレクトリに `wandb` ディレクトリが存在しています。これを修正するには、 `wandb` をアンインストールし、ディレクトリを削除してから、 `wandb` をインストールし直してください。
+
+ Python で `wandb` を import したときに `AttributeError: module 'wandb' has no attribute 'init'` や `AttributeError: module 'wandb' has no attribute 'login'` のようなエラーが発生する場合、`wandb` がインストールされていない、またはインストールが壊れている一方で、現在の作業ディレクトリに `wandb` ディレクトリが存在している可能性があります。このエラーを修正するには、`wandb` をアンインストールし、そのディレクトリを削除してから `wandb` を再インストールしてください:
-```bash
-pip uninstall wandb; rm -rI wandb; pip install wandb
-```
-
+ ```bash
+ pip uninstall wandb; rm -rI wandb; pip install wandb
+ ```
+
-
-
-Files タブには最大 10,000 個のファイルが表示されます。すべてのファイルをダウンロードするには、 [public API](/models/ref/python/public-api/api) を使用してください。
+
+ Files タブには最大 10,000 個のファイルが表示されます。すべてのファイルをダウンロードするには、[public API](/ja/models/ref/python/public-api/api) を使用します:
-```python
-import wandb
+ ```python
+ import wandb
-api = wandb.Api()
-run = api.run('//')
-run.file('').download()
+ api = wandb.Api()
+ run = api.run('//')
+ run.file('').download()
-for f in run.files():
- if <条件>:
- f.download()
-```
-
+ for f in run.files():
+ if :
+ f.download()
+ ```
+
-
-
-`resume='must' but run () doesn't exist` というエラーが発生する場合、再開しようとしている Run がプロジェクトまたはエンティティ内に存在しません。正しいインスタンスにログインしていること、およびプロジェクトとエンティティが設定されていることを確認してください。
+
+ `resume='must' but run () doesn't exist` エラーが発生する場合、再開しようとしている run が、そのプロジェクトまたは entity 内に存在していません。正しいインスタンスにログインしており、project と entity が正しく設定されていることを確認してください:
-```python
-wandb.init(entity=, project=, id=, resume='must')
-```
+ ```python
+ wandb.init(entity=, project=, id=, resume='must')
+ ```
-[`wandb login --relogin`](/models/ref/cli/wandb-login) を実行して、認証されているか確認してください。
-
+ 認証されていることを確認するには、[`wandb login --relogin`](/ja/models/ref/cli/wandb-login) を実行します。
+
-
-
-LaTeX はレポートにシームレスに統合できます。LaTeX を追加するには、新しいレポートを作成し、リッチテキストエリアに直接入力してメモを書いたり、カスタム可視化やテーブルを保存したりします。
+
+ LaTeX はレポートにシームレスに統合できます。LaTeX を追加するには、新しいレポートを作成し、リッチテキストエリアでノートを入力したり、カスタムの可視化やテーブルを保存したりします。
-新しい行で `/` を押し、インライン数式タブに移動して LaTeX コンテンツを挿入します。
-
+ 新しい行で `/` を押し、インライン数式タブに移動して LaTeX コンテンツを挿入します。
+
-
+
+ 401 Invalid Authentication エラーは、API キーが無効であるか、W&B プロジェクトの entity または名前が正しくないことを意味します。
-401 Invalid Authentication エラーは、API キーが無効であるか、W&B プロジェクトのエンティティ名/プロジェクト名が正しくないことを意味します。
+ ## API キーを確認する
-## APIキーの確認
+ 1. [User Settings](https://wandb.ai/settings) で新しい API キーを作成します。
+ 2. API キーを安全に保管します。
-1. [ユーザー設定](https://wandb.ai/settings)で新しい API キーを作成します。
-2. API キーを安全に保管してください。
+ ## プロジェクト設定を確認する
-## プロジェクト設定の確認
+ プロジェクトが `/` という形式で正しく指定されていることを確認してください:
-プロジェクトが `/` という形式で正しく指定されているか確認してください。
+ **Python の例:**
+
+ ```python
+ client = openai.OpenAI(
+ base_url='https://api.inference.wandb.ai/v1',
+ api_key="",
+ project="/", # Must match your W&B team and project
+ )
+ ```
-**Python の例:**
-```python
-client = openai.OpenAI(
- base_url='https://api.inference.wandb.ai/v1',
- api_key="",
- project="/", # あなたの W&B チームとプロジェクトに一致させる必要があります
-)
-```
+ **Bash の例:**
-**Bash の例:**
-```bash
-curl https://api.inference.wandb.ai/v1/chat/completions \
- -H "Authorization: Bearer " \
- -H "OpenAI-Project: /"
-```
+ ```bash
+ curl https://api.inference.wandb.ai/v1/chat/completions \
+ -H "Authorization: Bearer " \
+ -H "OpenAI-Project: /"
+ ```
-## よくある間違い
+ ## よくある間違い
-- チーム名の代わりに個人エンティティを使用している
-- チーム名またはプロジェクト名のスペルミス
-- チームとプロジェクトの間のスラッシュ（/）が抜けている
-- 期限切れまたは削除済みの API キーを使用している
+ * 個人の entity をチーム名の代わりに使用している
+ * チーム名またはプロジェクト名のスペルミス
+ * チーム名とプロジェクト名の間のスラッシュがない
+ * 期限切れまたは削除された API キーを使用している
-## それでも解決しない場合
+ ## それでも問題が解決しない場合
-- あなたの W&B アカウントにそのチームとプロジェクトが存在することを確認してください
-- 指定したチームへのアクセス権があるか確認してください
-- 現在のキーが機能しない場合は、新しい API キーを作成してみてください
-
+ * 指定したチームとプロジェクトが自分の W&B アカウントに存在することを確認する
+ * 自分がそのチームにアクセスできることを確認する
+ * 現在の API キーが動作しない場合は、新しい API キーを作成して試す
+
-
+
+ W&B Inference のエラーを適切に処理し、アプリケーションの信頼性を維持するために、次のベストプラクティスに従ってください。
-W&B Inference エラーを適切に処理し、信頼性の高いアプリケーションを維持するために、以下のベストプラクティスに従ってください。
+ ## 1. 必ずエラー処理を実装する
-## 1. 常にエラーハンドリングを実装する
+ API 呼び出しを try-except ブロックでラップしてください:
-API 呼び出しを try-except ブロックで囲みます。
+ ```python
+ import openai
-```python
-import openai
+ try:
+ response = client.chat.completions.create(
+ model="meta-llama/Llama-3.1-8B-Instruct",
+ messages=messages
+ )
+ except Exception as e:
+ print(f"Error: {e}")
+ # エラーを適切に処理する
+ ```
-try:
- response = client.chat.completions.create(
- model="meta-llama/Llama-3.1-8B-Instruct",
- messages=messages
- )
-except Exception as e:
- print(f"Error: {e}")
- # 適切にエラーを処理する
-```
-
-## 2. 指数バックオフを用いたリトライロジックの使用
-
-```python
-import time
-from typing import Optional
-
-def call_inference_with_retry(
- client,
- messages,
- model: str,
- max_retries: int = 3,
- base_delay: float = 1.0
-) -> Optional[str]:
- for attempt in range(max_retries):
- try:
- response = client.chat.completions.create(
- model=model,
- messages=messages
- )
- return response.choices[0].message.content
- except Exception as e:
- if attempt == max_retries - 1:
- raise
-
- # 指数バックオフによる遅延時間を計算
- delay = base_delay * (2 ** attempt)
- print(f"Attempt {attempt + 1} failed, retrying in {delay}s...")
- time.sleep(delay)
-
- return None
-```
-
-## 3. 使用状況の監視
-
-- W&B の請求ページでクレジットの使用状況を追跡します。
-- 制限に達する前にアラートを設定します。
-- アプリケーション内で API の使用状況をログに記録します。
-
-## 4. 特定のエラーコードの処理
-
-```python
-def handle_inference_error(error):
- error_str = str(error)
-
- if "401" in error_str:
- # 認証無効
- raise ValueError("API キーとプロジェクト設定を確認してください")
- elif "402" in error_str:
- # クレジット不足
- raise ValueError("クレジットが不足しています")
- elif "429" in error_str:
- # レート制限
- return "retry"
- elif "500" in error_str or "503" in error_str:
- # サーバーエラー
- return "retry"
- else:
- # 不明なエラー
- raise
-```
-
-## 5. 適切なタイムアウトの設定
-
-ユースケースに合わせて妥当なタイムアウトを設定してください。
-
-```python
-# 長いレスポンスの場合
-client = openai.OpenAI(
- base_url='https://api.inference.wandb.ai/v1',
- api_key="your-api-key",
- timeout=60.0 # 60秒のタイムアウト
-)
-```
-
-## その他のヒント
-
-- デバッグのためにタイムスタンプ付きでエラーをログに記録します。
-- 並行処理をより良く扱うために非同期（async）操作を使用します。
-- プロダクションシステムにはサーキットブレーカーを実装します。
-- API 呼び出しを減らすために、必要に応じてレスポンスをキャッシュします。
-
-
+ ## 2. 指数バックオフ付きのリトライロジックを使う
+ ```python
+ import time
+ from typing import Optional
+
+ def call_inference_with_retry(
+ client,
+ messages,
+ model: str,
+ max_retries: int = 3,
+ base_delay: float = 1.0
+ ) -> Optional[str]:
+ for attempt in range(max_retries):
+ try:
+ response = client.chat.completions.create(
+ model=model,
+ messages=messages
+ )
+ return response.choices[0].message.content
+ except Exception as e:
+ if attempt == max_retries - 1:
+ raise
+
+ # 指数バックオフで遅延時間を計算
+ delay = base_delay * (2 ** attempt)
+ print(f"Attempt {attempt + 1} failed, retrying in {delay}s...")
+ time.sleep(delay)
+
+ return None
+ ```
-
-
+ ## 3. 利用状況を監視する
+
+ * W&B Billing ページでクレジット使用量をトラッキングする
+ * 上限に達する前にアラートを設定する
+ * アプリケーション内で API 使用状況をログに記録する
+
+ ## 4. 特定のエラーコードを処理する
+
+ ```python
+ def handle_inference_error(error):
+ error_str = str(error)
+
+ if "401" in error_str:
+ # 認証情報が無効
+ raise ValueError("Check your API key and project configuration")
+ elif "402" in error_str:
+ # クレジット不足
+ raise ValueError("Insufficient credits")
+ elif "429" in error_str:
+ # レート制限
+ return "retry"
+ elif "500" in error_str or "503" in error_str:
+ # サーバーエラー
+ return "retry"
+ else:
+ # 不明なエラー
+ raise
+ ```
+
+ ## 5. 適切なタイムアウトを設定する
+
+ ユースケースに合わせて妥当なタイムアウトを設定します:
+
+ ```python
+ # 応答が長くなる場合
+ client = openai.OpenAI(
+ base_url='https://api.inference.wandb.ai/v1',
+ api_key="your-api-key",
+ timeout=60.0 # タイムアウトを 60 秒に設定
+ )
+ ```
-クォータ不足エラー（402）は、プランに残りのクレジットがない場合に発生します。
+ ## その他のヒント
-**エラー:** "You exceeded your current quota, please check your plan and billing details"
+ * デバッグ用にタイムスタンプ付きでエラーをログに記録する
+ * よりよい並行処理のために非同期処理を使用する
+ * 本番システムではサーキットブレーカーを実装する
+ * 適切な場合にはレスポンスをキャッシュして API 呼び出しを削減する
+
+
+
+
+
+ クォータ不足エラー (402) は、プラン内のクレジットが残っていない場合に発生します。
-**解決策:**
+ **エラー:** "You exceeded your current quota, please check your plan and billing details"
-- W&B の請求ページでクレジット残高を確認してください。
-- クレジットを追加購入するか、プランをアップグレードしてください。
-- [サポート](https://wandb.ai/site/contact)に制限の引き上げをリクエストしてください。
+ **解決策:**
-
+ * W&B Billing ページでクレジット残高を確認する
+ * 追加のクレジットを購入するか、プランをアップグレードする
+ * [support](https://wandb.ai/site/contact) に制限の引き上げを依頼する
+
-
+
+ "Country, region, or territory not supported" というメッセージとともに 403 エラーが返される場合、サポート対象外の場所から W&B Inference にアクセスしていることを意味します。
-"Country, region, or territory not supported" というメッセージの 403 エラーは、サポートされていない場所から W&B Inference にアクセスしていることを意味します。
+ ## なぜこのエラーが発生するのか
-## なぜこれが発生するのか
+ W&B Inference には、コンプライアンスおよび規制上の要件に基づく地域制限があります。サービスは、サポートされている地域からのみアクセスできます。
-W&B Inference は、コンプライアンスおよび規制要件により地理的な制限があります。サービスはサポートされている地理的な場所からのみアクセス可能です。
+ ## できること
-## できること
+ 1. **利用規約を確認する**
+ * 現在サポートされている地域の一覧について、[Terms of Service](https://docs.coreweave.com/docs/policies/terms-of-service/terms-of-use#geographic-restrictions) を確認する
-1. **利用規約を確認する**
- - 現在のサポート対象地域のリストについては、 [利用規約](https://docs.coreweave.com/docs/policies/terms-of-service/terms-of-use#geographic-restrictions) を確認してください。
+ 2. **サポート対象の場所から利用する**
+ * サポートされている国や地域からサービスにアクセスする
+ * サポート対象地域にある所属組織のリソースを利用することを検討する
-2. **サポートされている場所から使用する**
- - サポートされている国や地域にいるときにサービスにアクセスしてください。
- - サポートされている場所にある組織のリソースを使用することを検討してください。
+ 3. **アカウントチームに連絡する**
+ * エンタープライズ顧客は、担当のアカウントエグゼクティブと選択肢について相談できる
+ * 組織によっては特別な取り決めがある場合がある
-3. **担当チームに連絡する**
- - エンタープライズのお客様は、担当の Account Executive とオプションについて相談できます。
- - 一部の組織には特別な取り決めがある場合があります。
+ ## エラーの詳細
-## エラーの詳細
+ 次のようなエラーが表示される場合:
-このエラーが表示される場合：
-```
-{
- "error": {
- "code": 403,
- "message": "Country, region, or territory not supported"
- }
-}
-```
+ ```
+ {
+ "error": {
+ "code": 403,
+ "message": "Country, region, or territory not supported"
+ }
+ }
+ ```
-これは API リクエスト時の IP アドレスの場所によって判断されます。
-
+ これは、API リクエスト時点の IP アドレスの位置情報に基づいて判定されています。
+
-
+
+ レート制限エラー (429) は、同時実行数の上限を超えたときに発生します。
+
+ **エラー:** "Concurrency limit reached for requests"
-レート制限エラー（429）は、同時実行制限を超えた場合に発生します。
+ **解決策:**
-**エラー:** "Concurrency limit reached for requests"
+ * 並列リクエスト数を減らす
+ * リクエスト間に遅延を入れる
+ * 指数バックオフを実装する
+ * 注意: レート制限は W&B プロジェクトごとに適用されます
-**解決策:**
-- 並列リクエストの数を減らします。
-- リクエスト間に遅延を入れます。
-- 指数バックオフを実装します。
-- 注意：レート制限は W&B プロジェクトごとに適用されます。
+ ## レート制限を回避するためのベストプラクティス
-## レート制限を避けるためのベストプラクティス
+ 1. **指数バックオフ付きのリトライロジックを実装する:**
+ ```python
+ import time
-1. **指数バックオフを用いたリトライロジックの実装:**
- ```python
- import time
-
- def retry_with_backoff(func, max_retries=3):
- for i in range(max_retries):
- try:
- return func()
- except Exception as e:
- if "429" in str(e) and i < max_retries - 1:
- time.sleep(2 ** i)
- else:
- raise
- ```
+ def retry_with_backoff(func, max_retries=3):
+ for i in range(max_retries):
+ try:
+ return func()
+ except Exception as e:
+ if "429" in str(e) and i < max_retries - 1:
+ time.sleep(2 ** i)
+ else:
+ raise
+ ```
-2. **並列リクエストの代わりにバッチ処理を使用する**
+ 2. **並列リクエストの代わりにバッチ処理を使用する**
-3. **W&B の請求ページで使用状況を監視する**
+ 3. **W&B Billing ページで使用状況を監視する**
-## デフォルトの支出上限
+ ## デフォルトの支出上限
-- **Pro アカウント:** $6,000/月
-- **Enterprise アカウント:** $700,000/年
+ * **Pro アカウント:** 月額 $6,000
+ * **Enterprise アカウント:** 年額 $700,000
-上限を調整するには、担当の Account Executive またはサポートにお問い合わせください。
-
+ 上限を調整するには、アカウント担当者またはサポートに連絡してください。
+
-
+
+ サーバーエラーは、W&B Inference サービス側の一時的な問題を示します。
-サーバーエラーは、W&B Inference サービスの一時的な問題を示しています。
+ ## エラーの種類
-## エラーの種類
+ ### 500 - Internal Server Error
-### 500 - Internal Server Error
-**メッセージ:** "The server had an error while processing your request"
+ **メッセージ:** "The server had an error while processing your request"
-これはサーバー側の一時的な内部エラーです。
+ これはサーバー側で発生した一時的な内部エラーです。
-### 503 - Service Overloaded
-**メッセージ:** "The engine is currently overloaded, please try again later"
+ ### 503 - Service Overloaded
-サービスが高トラフィックの状態にあります。
+ **メッセージ:** "The engine is currently overloaded, please try again later"
-## サーバーエラーへの対処法
+ サービスが高トラフィック状態になっています。
-1. **再試行する前に待機する**
- - 500 エラー：30〜60秒待機
- - 503 エラー：60〜120秒待機
+ ## サーバーエラーの対処方法
-2. **指数バックオフを使用する**
- ```python
- import time
- import openai
-
- def call_with_retry(client, messages, model, max_retries=5):
- for attempt in range(max_retries):
- try:
- return client.chat.completions.create(
- model=model,
- messages=messages
- )
- except Exception as e:
- if "500" in str(e) or "503" in str(e):
- if attempt < max_retries - 1:
- wait_time = min(60, (2 ** attempt))
- time.sleep(wait_time)
+ 1. **リトライする前に待機する**
+ * 500 エラー: 30〜60 秒待つ
+ * 503 エラー: 60〜120 秒待つ
+
+ 2. **指数バックオフを使用する**
+ ```python
+ import time
+ import openai
+
+ def call_with_retry(client, messages, model, max_retries=5):
+ for attempt in range(max_retries):
+ try:
+ return client.chat.completions.create(
+ model=model,
+ messages=messages
+ )
+ except Exception as e:
+ if "500" in str(e) or "503" in str(e):
+ if attempt < max_retries - 1:
+ wait_time = min(60, (2 ** attempt))
+ time.sleep(wait_time)
+ else:
+ raise
else:
raise
- else:
- raise
- ```
+ ```
-3. **適切なタイムアウトを設定する**
- - HTTP クライアントのタイムアウト値を増やします。
- - より良い処理のために非同期操作を検討してください。
+ 3. **適切なタイムアウトを設定する**
+ * HTTP クライアントのタイムアウト値を増やす
+ * より良いハンドリングのために非同期処理を検討する
-## サポートに連絡すべきタイミング
+ ## サポートに連絡すべきタイミング
-以下の場合にサポートに連絡してください。
-- エラーが10分以上続く場合
-- 特定の時間に失敗するパターンが見られる場合
-- エラーメッセージに追加の詳細が含まれている場合
+ 次のような場合はサポートに連絡してください:
-提供していただきたい情報：
-- エラーメッセージとエラーコード
-- エラーが発生した時刻
-- あなたのコードスニペット（API キーは削除してください）
-- W&B のエンティティ名とプロジェクト名
-
-
+ * エラーが 10 分以上継続する
+ * 特定の時間帯に失敗パターンが見られる
+ * エラーメッセージに追加の詳細が含まれている
-
-
+ 以下を提供してください:
-Run の初期化タイムアウトエラーを解決するには、以下の手順に従ってください。
+ * エラーメッセージおよびエラーコード
+ * エラーが発生した時間
+ * コードスニペット (API キーは削除すること)
+ * W&B entity 名および project 名
+
+
-- **初期化の再試行**: Run を再起動してみてください。
-- **ネットワーク接続の確認**: インターネット接続が安定しているか確認してください。
-- **wandb バージョンの更新**: 最新バージョンの wandb をインストールしてください。
-- **タイムアウト設定の増加**: 環境変数 `WANDB_INIT_TIMEOUT` を変更します。
- ```python
- import os
- os.environ['WANDB_INIT_TIMEOUT'] = '600'
- ```
-- **デバッグの有効化**: 詳細なログを得るために `WANDB_DEBUG=true` と `WANDB_CORE_DEBUG=true` を設定します。
-- **設定の確認**: API キーとプロジェクトの設定が正しいか確認してください。
-- **ログの検査**: エラーがないか `debug.log` 、 `debug-internal.log` 、 `debug-core.log` 、 `output.log` を調査してください。
-
+
+
+ run の初期化タイムアウトエラーを解決するには、次の手順に従ってください:
+
+ * **初期化を再試行する**: run を再起動してみてください。
+ * **ネットワーク接続を確認する**: 安定したインターネット接続があることを確認します。
+ * **wandb のバージョンを更新する**: wandb の最新バージョンをインストールします。
+ * **タイムアウト設定を増やす**: `WANDB_INIT_TIMEOUT` 環境変数を変更します:
+ ```python
+ import os
+ os.environ['WANDB_INIT_TIMEOUT'] = '600'
+ ```
+ * **デバッグを有効化する**: 詳細なログを取得するために `WANDB_DEBUG=true` と `WANDB_CORE_DEBUG=true` を設定します。
+ * **設定を確認する**: API キーと project 設定が正しいことを確認します。
+ * **ログを確認する**: エラーを確認するために `debug.log`、`debug-internal.log`、`debug-core.log`、`output.log` を確認します。
+
-
+
+ このエラーは、サーバーにデータを同期するプロセスの起動時に、ライブラリが問題に遭遇したことを示します。
-このエラーは、サーバーにデータを同期するプロセスの起動にライブラリが失敗したことを示しています。
+ 次の回避策は、特定の環境でこの問題を解決します:
-以下の回避策で、特定の環境における問題が解決します。
+
+
+ ```python
+ wandb.init(settings=wandb.Settings(start_method="fork"))
+ ```
+
-
-
-```python
-wandb.init(settings=wandb.Settings(start_method="fork"))
-```
+
+ バージョン `0.13.0` より前の場合は、次を使用してください:
-
-
-
-`0.13.0` より前のバージョンの場合は、以下を使用してください。
-
-```python
-wandb.init(settings=wandb.Settings(start_method="thread"))
-```
-
-
-
+ ```python
+ wandb.init(settings=wandb.Settings(start_method="thread"))
+ ```
+
+
+
-
-
-テーブルは、WYSIWYG に直接対応する機能がない唯一の Markdown 機能です。テーブルを追加するには、 Markdown ブロックを挿入し、その中にテーブルを作成してください。
-
+
+ テーブルは、Markdown の機能の中で唯一、WYSIWYG に直接対応する機能がありません。テーブルを追加するには、Markdown ブロックを挿入し、その中でテーブルを作成します。
+
-
+
+ `wandb` をインストールする際に次のようなエラーが発生した場合:
-`wandb` のインストール時に以下のようなエラーが発生する場合：
-
-```
-unable to execute 'gcc': No such file or directory
-error: command 'gcc' failed with exit status 1
-```
+ ```
+ unable to execute 'gcc': No such file or directory
+ error: command 'gcc' failed with exit status 1
+ ```
-プリビルドされた wheel から `psutil` を直接インストールしてください。 [https://pywharf.github.io/pywharf-pkg-repo/psutil](https://pywharf.github.io/pywharf-pkg-repo/psutil) で Python のバージョンとオペレーティングシステムを確認してください。
+ 事前にビルド済みの wheel から `psutil` を直接インストールします。Python のバージョンとオペレーティングシステムを確認し、[https://pywharf.github.io/pywharf-pkg-repo/psutil/](https://pywharf.github.io/pywharf-pkg-repo/psutil/) から対応するものを探します。
-例えば、 Linux 上の Python 3.8 に `psutil` をインストールするには：
+ たとえば、Linux 上の Python 3.8 に `psutil` をインストールするには次のようにします:
-```bash
-WHEEL_URL=https://github.com/pywharf/pywharf-pkg-repo/releases/download/psutil-5.7.0-cp38-cp38-manylinux2010_x86_64.whl#sha256=adc36dabdff0b9a4c84821ef5ce45848f30b8a01a1d5806316e068b5fd669c6d
-pip install $WHEEL_URL
-```
+ ```bash
+ WHEEL_URL=https://github.com/pywharf/pywharf-pkg-repo/releases/download/psutil-5.7.0-cp38-cp38-manylinux2010_x86_64.whl#sha256=adc36dabdff0b9a4c84821ef5ce45848f30b8a01a1d5806316e068b5fd669c6d
+ pip install $WHEEL_URL
+ ```
-`psutil` のインストール後、 `pip install wandb` を実行して `wandb` のインストールを完了させます。
-
+ `psutil` をインストールした後に `pip install wandb` を実行して、`wandb` のインストールを完了します。
+
-
-
-W&B は、アップロードするファイルやデータを明示的に指定することで、スカラーのみをログに記録するプロジェクトもサポートしています。画像を使用せずにログを記録する方法を示す [PyTorch での例](https://wandb.me/pytorch-colab) を参照してください。
-
+
+ W&B は、アップロードするファイルやデータを明示的に指定できるため、スカラー値のみをログするプロジェクトもサポートしています。画像を使用せずにログを記録する方法を示した [PyTorch の例](https://wandb.me/pytorch-colab) を参照してください。
+
-
-
-ライブラリがインターネットに接続できない場合、リトライループに入り、ネットワークが復旧するまでメトリクスのストリーミングを試行し続けます。その間もプログラムは実行を続けます。
+
+ ライブラリがインターネットに接続できない場合、リトライループに入り、ネットワークが復旧するまでメトリクスの送信を試行し続けます。この間もプログラムの実行は継続されます。
-インターネットのないマシンで実行するには、 `WANDB_MODE=offline` を設定してください。この設定では、メトリクスがローカルハードドライブに保存されます。後で、 `wandb sync DIRECTORY` を呼び出してデータをサーバーにストリーミングできます。
-
+ インターネットに接続されていないマシンで実行するには、`WANDB_MODE=offline` を設定します。この設定により、メトリクスはローカルのハードドライブに保存されます。後から `wandb sync DIRECTORY` を実行して、データをサーバーへ送信できます。
+
-
-
-チームに参加するには、以下の手順に従ってください。
+
+ チームに参加するには、次の手順を実行します。
-- チームの管理者または管理権限を持つ人に連絡して、招待を依頼します。
-- 招待メールを確認し、指示に従ってチームに参加してください。
-
+ * チーム管理者、または管理権限を持つメンバーに連絡し、招待を依頼します。
+ * 招待メールを確認し、案内に従ってチームに参加します。
+
-
+
+ デフォルトでは、W&B はデータセットの例をログしません。デフォルトでは、W&B はコードとシステムメトリクスをログします。
-デフォルトでは、W&B はデータセットの例を記録しません。一方で、デフォルトでコードとシステムメトリクスは記録されます。
+ 環境変数を使ってコードのログを無効にする方法が 2 つあります。
-環境変数を使用してコードのログ記録をオフにする方法は2つあります。
+ 1. すべてのコードトラッキングを無効にするには、`WANDB_DISABLE_CODE` を `true` に設定します。この操作により、git SHA や diff パッチの取得が行われなくなります。
+ 2. diff パッチをサーバーと同期せず、ローカルには `wandb restore` で適用できるよう保持しておくには、`WANDB_IGNORE_GLOBS` を `*.patch` に設定します。
-1. `WANDB_DISABLE_CODE` を `true` に設定して、すべてのコード追跡をオフにします。これにより、 git SHA や diff パッチの取得が行われなくなります。
-2. `WANDB_IGNORE_GLOBS` を `*.patch` に設定して、 diff パッチのサーバーへの同期を停止します。ローカルには残るため、 `wandb restore` で適用可能です。
+ 管理者であれば、チーム設定からチーム全体のコード保存を無効にすることもできます。
-管理者の方は、チーム設定でチーム全体のコード保存をオフにすることもできます。
-
-1. `https://wandb.ai//settings` にあるチームの設定に移動します（ `` はチーム名です）。
-2. Privacy セクションまでスクロールします。
-3. **Enable code saving by default** のトグルをオフにします。
-
+ 1. `https://wandb.ai//settings` でチームの設定ページに移動します。ここで `` はチーム名です。
+ 2. **Privacy** セクションまでスクロールします。
+ 3. **Enable code saving by default** のトグルを切り替えます。
+
-
-
-はい。 Run 名を Run ID で上書きするには、以下のコードスニペットを使用してください。
+
+ はい。run 名を run ID で上書きするには、次のコードスニペットを使用します。
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init() as run:
- run.name = run.id
- run.save()
-```
-
+ with wandb.init() as run:
+ run.name = run.id
+ run.save()
+ ```
+
-
-
-W&B が組み込まれたスクリプトを停止するには、キーボードで `Ctrl+D` を押します。
-
+
+ W&B を組み込んだスクリプトを停止するには、キーボードで `Ctrl+D` を押します。
+
-
-
-1つのスクリプト内で複数の Run をログに記録するには、新しい Run を開始する前に前の Run を終了させる必要があります。
+
+ 1 つのスクリプト内で複数の run を記録するには、新しい run を開始する前に前の run を必ず完了させてください。
-推奨される方法は、 `wandb.init()` をコンテキストマネージャーとして使用することです。これにより Run が確実に終了し、スクリプトが例外をスローした場合には Run に失敗のマークが付きます。
+ 推奨される方法は、`wandb.init()` をコンテキストマネージャーとして使うことです。こうすることで、スクリプトが例外を送出した場合に run を終了し、その run を失敗としてマークできます。
-```python
-import wandb
+ ```python
+ import wandb
-for x in range(10):
- with wandb.init() as run:
- for y in range(100):
- run.log({"metric": x + y})
-```
+ for x in range(10):
+ with wandb.init() as run:
+ for y in range(100):
+ run.log({"metric": x + y})
+ ```
-明示的に `run.finish()` を呼び出すこともできます。
+ `run.finish()` を明示的に呼び出すこともできます。
-```python
-import wandb
+ ```python
+ import wandb
-for x in range(10):
- run = wandb.init()
+ for x in range(10):
+ run = wandb.init()
- try:
- for y in range(100):
- run.log({"metric": x + y})
+ try:
+ for y in range(100):
+ run.log({"metric": x + y})
- except Exception:
- run.finish(exit_code=1)
- raise
+ except Exception:
+ run.finish(exit_code=1)
+ raise
- finally:
- run.finish()
-```
+ finally:
+ run.finish()
+ ```
-## 複数のアクティブな Run
+ ## 複数のアクティブな run
-wandb 0.19.10 以降、 `reinit` 設定を `"create_new"` にすることで、同時に複数の Run をアクティブにできます。
+ wandb 0.19.10 以降では、`reinit` 設定を `"create_new"` に設定することで、同時に複数のアクティブな run を作成できます。
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init(reinit="create_new") as tracking_run:
- for x in range(10):
- with wandb.init(reinit="create_new") as run:
- for y in range(100):
- run.log({"x_plus_y": x + y})
+ with wandb.init(reinit="create_new") as tracking_run:
+ for x in range(10):
+ with wandb.init(reinit="create_new") as run:
+ for y in range(100):
+ run.log({"x_plus_y": x + y})
- tracking_run.log({"x": x})
-```
+ tracking_run.log({"x": x})
+ ```
-W&B インテグレーションに関する注意事項など、 `reinit="create_new"` の詳細については [プロセスごとの複数 Run](/models/runs/initialize-run) を参照してください。
-
+ `reinit="create_new"` に関する詳細や、W&B インテグレーションに関する注意点については、[Multiple runs per process](/ja/models/runs/initialize-run) を参照してください。
+
-
+
+ `Debug Bundle` を確認してください。管理者は、右上隅の W&B アイコンを選択して `/system-admin` ページを開き、`Debug Bundle` を選択することで取得できます。
-`Debug Bundle` を確認してください。管理者は、右上隅の W&B アイコンから `/system-admin` ページにアクセスし、 `Debug Bundle` を選択することで取得できます。
+
+
-
-
-実験を管理する方法はいくつかあります。
+
+ 実験を管理する方法はいくつかあります。
-複雑なワークフローの場合は、複数の Runs を使用し、 [`wandb.init()`](/models/track/create-an-experiment) の group パラメーターに、単一の実験内のすべてのプロセスで共通の一意の値を設定します。 [**Runs** タブ](/models/track/project-page#runsタブ) ではテーブルがグループ ID ごとにグループ化され、可視化が適切に機能します。このアプローチにより、結果を1か所にログ記録しながら、並行して実験やトレーニング Run を行うことが可能になります。
+ ワークフローが複雑な場合は、複数の run を使用し、[`wandb.init()`](/ja/models/track/create-an-experiment) の group パラメーターを、1 つの実験内のすべてのプロセスで一意になる値に設定してください。[**Runs** タブ](/ja/models/track/project-page#runs-tab) はテーブルを group ID ごとにグループ化し、可視化が正しく機能するようにします。この方法により、結果を 1 か所に記録しながら、実験やトレーニング run を同時に実行できます。
-よりシンプルなワークフローの場合は、 `resume=True` と `id=UNIQUE_ID` を指定して `wandb.init()` を呼び出し、再度同じ `id=UNIQUE_ID` で `wandb.init()` を呼び出します。通常通り [`run.log()`](/models/track/log/) または `run.summary()` でログを記録すれば、 Run の値が適宜更新されます。
-
+ ワークフローが単純な場合は、`wandb.init()` を `resume=True` かつ `id=UNIQUE_ID` で呼び出し、その後同じ `id=UNIQUE_ID` で再度 `wandb.init()` を呼び出します。[`run.log()`](/ja/models/track/log/) または `run.summary()` を使って通常どおりログを記録すると、その run の値が更新されます。
+
-
-
-以前にログ記録された Run の出力として Artifact をマークする必要がある場合があります。この場合は、古い Run を再初期化して、以下のように新しい Artifacts を記録します。
+
+ 以前に記録した run の出力として Artifacts をマークする必要が生じることがあります。その場合は、古い run を再初期化し、次のように新しい Artifacts をログします。
-```python
-with wandb.init(id="existing_run_id", resume="allow") as run:
- artifact = wandb.Artifact("artifact_name", "artifact_type")
- artifact.add_file("my_data/file.txt")
- run.log_artifact(artifact)
-```
-
+ ```python
+ with wandb.init(id="existing_run_id", resume="allow") as run:
+ artifact = wandb.Artifact("artifact_name", "artifact_type")
+ artifact.add_file("my_data/file.txt")
+ run.log_artifact(artifact)
+ ```
+
-
+
+ W&B にログを記録する自動テストや社内ツールを起動するには、チーム設定ページで **Service Account** を作成します。これにより、継続的インテグレーションを含む自動ジョブに対して service API キーを使用できるようになります。Service Account のジョブを特定のユーザーに紐づけるには、`WANDB_USERNAME` または `WANDB_USER_EMAIL` 環境変数を設定してください。
-W&B にログを記録する自動テストや内部ツールを起動するには、チーム設定ページで **Service Account** を作成してください。これにより、継続的インテグレーションを通じて実行されるものを含め、自動化されたジョブにサービス API キーを使用できるようになります。サービスアカウントのジョブを特定のユーザーに関連付けるには、環境変数 `WANDB_USERNAME` または `WANDB_USER_EMAIL` を設定してください。
-
-
+
-
-
-以下の例では、 [`wandb.Run.log()`](/models/ref/python/experiments/run/#method-runlog/) を使用して、損失（loss）のリストをいくつかの方法でログに記録する方法を示しています。
-
-
-
-```python
-import wandb
-
-# 新しい run を初期化
-with wandb.init(project="log-list-values", name="log-dict") as run:
- # 損失を辞書としてログ
- losses = [0.1, 0.2, 0.3, 0.4, 0.5]
- run.log({"losses": losses})
- run.log({f"losses/loss-{ii}": loss for ii, loss in enumerate(losses)})
-```
-
-
-```python
-import wandb
-
-# 新しい run を初期化
-with wandb.init(project="log-list-values", name="log-hist") as run:
- # 損失をヒストグラムとしてログ
- losses = [0.1, 0.2, 0.3, 0.4, 0.5]
- run.log({"losses": wandb.Histogram(losses)})
-```
-
-
-
-詳細は、 [ログ記録に関するドキュメント](/models/track/log/) を参照してください。
-
+
+ 次の例では、[`wandb.Run.log()`](/ja/models/ref/python/experiments/run/#method-runlog/) を使って loss を複数の方法でログする方法を示しています。
+
+
+
+ ```python
+ import wandb
+
+ # 新しい run を初期化
+ with wandb.init(project="log-list-values", name="log-dict") as run:
+ # loss を辞書としてログする
+ losses = [0.1, 0.2, 0.3, 0.4, 0.5]
+ run.log({"losses": losses})
+ run.log({f"losses/loss-{ii}": loss for ii, loss in enumerate(losses)})
+ ```
+
+
+
+ ```python
+ import wandb
+
+ # 新しい run を初期化
+ with wandb.init(project="log-list-values", name="log-hist") as run:
+ # loss をヒストグラムとしてログする
+ losses = [0.1, 0.2, 0.3, 0.4, 0.5]
+ run.log({"losses": wandb.Histogram(losses)})
+ ```
+
+
+
+ 詳細については、[ログに関するドキュメント](/ja/models/track/log/) を参照してください。
+
-
-
-`run.log({'final_accuracy': 0.9})` を使用すると、最終的な精度が正しく更新されます。デフォルトでは、 `run.log({'final_accuracy': <値>})` は `run.settings['final_accuracy']` を更新し、これが runs テーブルの値に反映されます。
-
+
+ `run.log({'final_accuracy': 0.9})` を使うと、最終精度は正しく更新されます。デフォルトでは、`run.log({'final_accuracy': })` は `run.settings['final_accuracy']` を更新し、この値が runs テーブルに反映されます。
+
-
-
-各バッチで特定のメトリクスを記録し、プロットを標準化するには、メトリクスと一緒に希望する X 軸の値をログに記録します。カスタムプロットで edit をクリックし、カスタム X 軸を選択します。
+
+ 各バッチで特定のメトリクスをログし、プロットを標準化するには、メトリクスと一緒に目的の x 軸の値もログします。カスタムプロットでは、編集をクリックしてカスタム x 軸を選択します。
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init() as run:
- run.log({"batch": batch_idx, "loss": 0.3})
- run.log({"epoch": epoch, "val_acc": 0.94})
-```
-
+ with wandb.init() as run:
+ run.log({"batch": batch_idx, "loss": 0.3})
+ run.log({"epoch": epoch, "val_acc": 0.94})
+ ```
+
-
+
+ 例えば、トレーニング精度はバッチごとに、検証精度はエポックごとにログしたいとします。
-例えば、バッチごとのトレーニング精度と、エポックごとの検証精度を記録したい場合などです。
+ はい、`batch` や `epoch` などのインデックスをメトリクスと一緒にログしてください。あるステップでは `wandb.Run.log()({'train_accuracy': 0.9, 'batch': 200})` を、別のステップでは `wandb.Run.log()({'val_accuracy': 0.8, 'epoch': 4})` を使います。UI では、各チャートの x 軸として目的の値を設定します。特定のインデックスに対してデフォルトの x 軸を設定するには、[Run.define_metric()](/ja/models/ref/python/experiments/run#define_metric) を使用します。上記の例では、次のコードを使用します。
-はい、メトリクスと一緒に `batch` や `epoch` といったインデックスをログに記録してください。あるステップでは `wandb.Run.log()({'train_accuracy': 0.9, 'batch': 200})` を、別のステップでは `wandb.Run.log()({'val_accuracy': 0.8, 'epoch': 4})` を使用します。UI 上で、各チャートの X 軸として希望する値を設定してください。特定のインデックスをデフォルトの X 軸として設定するには、 [Run.define_metric()](/models/ref/python/experiments/run#define_metric) を使用します。上記の例では、以下のコードを使用します。
-
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init() as run:
- run.define_metric("batch")
- run.define_metric("epoch")
+ with wandb.init() as run:
+ run.define_metric("batch")
+ run.define_metric("epoch")
- run.define_metric("train_accuracy", step_metric="batch")
- run.define_metric("val_accuracy", step_metric="epoch")
-```
-
+ run.define_metric("train_accuracy", step_metric="batch")
+ run.define_metric("val_accuracy", step_metric="epoch")
+ ```
+
-
-
-送信されるポイントの数は、 UI のグラフの読み込み時間に影響します。 1,000 ポイントを超える線の場合、バックエンドはブラウザに送信する前にデータを 1,000 ポイントにダウンサンプリングします。このサンプリングは非決定的であるため、ページを更新するたびにサンプリングされるポイントが異なる場合があります。
+
+ 送信されるポイント数は、UI でグラフを読み込む時間に影響します。1,000 ポイントを超える折れ線については、バックエンドがブラウザに送信する前にデータを 1,000 ポイントまでサンプリングします。このサンプリングは非決定的であり、ページを更新するとサンプリングされるポイントが毎回異なります。
-メトリクスごとに記録するポイントは 10,000 未満にすることをお勧めします。 1つの線で 100 万ポイント以上をログに記録すると、ページの読み込み時間が大幅に長くなります。精度の低下を抑えつつログのフットプリントを最小限に抑える戦略については、こちらの [Colab](https://wandb.me/log-hf-colab) をご覧ください。 config および summary メトリクスのカラムが 500 を超える場合、テーブルには 500 個のみ表示されます。
-
+ 1 つのメトリクスあたり 10,000 ポイント未満をログしてください。1 本の線に 100 万ポイント以上をログすると、ページの読み込み時間が大幅に増加します。精度を犠牲にせずログのフットプリントを最小化するための戦略については、この [Colab](https://wandb.me/log-hf-colab) を参照してください。config やサマリーメトリクスの列が 500 列を超える場合、テーブルに表示されるのは 500 列のみです。
+
-
-
-2024年5月21日以降に作成されたアカウントでは、個人エンティティは利用できません。W&B は、結果の共有を可能にするために、すべてのユーザーが新しいプロジェクトをチームに記録することを推奨しています。
-
+
+ 2024 年 5 月 21 日以降に作成されたアカウントでは、Personal Entities は利用できません。W&B は、結果を共有できるように、新しいプロジェクトはすべて Team にログすることを推奨しています。
+
-
-
-共有マシンを使用する際は、認証のために環境変数 `WANDB_API_KEY` を設定することで、 Runs が正しい W&B アカウントに記録されるようにしてください。環境内でこの変数が読み込まれていると、ログイン時に正しい認証情報が提供されます。あるいは、スクリプト内で直接環境変数を設定することも可能です。
+
+ 共有マシンを使用する場合、認証用に `WANDB_API_KEY` 環境変数を設定して、run が正しい W&B アカウントにログされるようにします。環境に読み込まれていれば、ログイン時にこの変数から正しい認証情報が使用されます。あるいは、スクリプト内でこの環境変数を直接設定することもできます。
-`export WANDB_API_KEY=X` コマンドを実行します（X をあなたの API キーに置き換えてください）。 API キーは [wandb.ai/settings](https://wandb.ai/settings) で作成できます。
-
+ コマンド `export WANDB_API_KEY=X` を実行し、X を自分の API キーに置き換えてください。API キーは [wandb.ai/settings](https://wandb.ai/settings) で作成できます。
+
-
-
-「ログ機能は遅延評価（lazy）ですか？ローカル操作の実行中に、サーバーに結果を送信するためにネットワークに依存したくありません。」
+
+ 「ロギング関数は遅延実行されていますか？ローカルの処理を実行している間に、結果をネットワーク経由でサーバーに送信することに依存したくありません。」
-`wandb.log` 関数はローカルファイルに行を書き込むだけで、ネットワーク呼び出しをブロックしません。 `wandb.init` を呼び出すと、同じマシン上で新しいプロセスが開始されます。このプロセスがファイルシステムの変更を監視し、ウェブサービスと非同期に通信するため、ローカル操作は中断されることなく継続できます。
-
+ `wandb.log` 関数はローカルファイルに 1 行書き込むだけであり、ネットワーク呼び出しをブロックしません。`wandb.init` を呼び出すと、同じマシン上で新しいプロセスが開始されます。このプロセスはファイルシステムの変更を監視し、Web サービスと非同期に通信するため、ローカルの処理は中断されることなく継続できます。
+
-
+
+ `wandb offline` コマンドは環境変数 `WANDB_MODE=offline` を設定し、データがリモートの W&B サーバーに同期されないようにします。この操作はすべてのプロジェクトに影響し、W&B サーバーへのデータのロギングを停止します。
-`wandb offline` コマンドを実行すると、環境変数 `WANDB_MODE=offline` が設定され、リモートの W&B サーバーへのデータ同期が停止します。これはすべてのプロジェクトに影響し、 W&B サーバーへのデータログ記録が停止されます。
+ 警告メッセージを抑制するには、次のコードを使用します。
-警告メッセージを抑制するには、以下のコードを使用してください。
-
-```python
-import logging
+ ```python
+ import logging
-logger = logging.getLogger("wandb")
-logger.setLevel(logging.WARNING)
-```
-
+ logger = logging.getLogger("wandb")
+ logger.setLevel(logging.WARNING)
+ ```
+
-
+
+ W&B のメトリクス名は、UI で正しくソートおよびフィルタできるようにするため、GraphQL の命名規則に従う必要があります。
-W&B のメトリクス名は、 UI で適切にソートおよびフィルタリングできるようにするために、 GraphQL の命名規則に従う必要があります。
+ ## 有効なメトリクス名
-## 有効なメトリクス名
+ * **使用可能な文字**: 英字 (A-Z, a-z)、数字 (0-9)、およびアンダースコア (_)
+ * **先頭文字**: 名前は英字またはアンダースコアで始まる必要があります
+ * **パターン**: メトリクス名は `/^[_a-zA-Z][_a-zA-Z0-9]*$/` に一致する必要があります
-* **使用可能な文字**: 英字 (A-Z, a-z)、数字 (0-9)、およびアンダースコア (_)
-* **先頭の文字**: 名前は英字またはアンダースコアで始まる必要があります
-* **パターン**: メトリクス名は `/^[_a-zA-Z][_a-zA-Z0-9]*$/` にマッチする必要があります
+ これらのルールに従わないメトリクスは、W&B UI でソートやフィルタができない場合があります。
-これらのルールに従わないメトリクスは、 W&B UI でソートやフィルタリングができない可能性があります。
+ ## 例
-## 例
+ **有効なメトリクス名:**
-**有効なメトリクス名:**
-```python
-with wandb.init() as run:
- run.log({"accuracy": 0.9, "val_loss": 0.1, "epoch_5": 5})
- run.log({"modelAccuracy": 0.95, "learning_rate": 0.001})
-```
+ ```python
+ with wandb.init() as run:
+ run.log({"accuracy": 0.9, "val_loss": 0.1, "epoch_5": 5})
+ run.log({"modelAccuracy": 0.95, "learning_rate": 0.001})
+ ```
-**無効なメトリクス名 (これらは避けてください):**
-```python
-with wandb.init() as run:
- run.log({"acc,val": 0.9}) # コンマが含まれている
- run.log({"loss-train": 0.1}) # ハイフンが含まれている
- run.log({"test acc": 0.95}) # スペースが含まれている
- run.log({"5_fold_cv": 0.8}) # 数字で始まっている
-```
+ **無効なメトリクス名 (以下は避けてください):**
+
+ ```python
+ with wandb.init() as run:
+ run.log({"acc,val": 0.9}) # カンマを含む
+ run.log({"loss-train": 0.1}) # ハイフンを含む
+ run.log({"test acc": 0.95}) # スペースを含む
+ run.log({"5_fold_cv": 0.8}) # 数字で始まる
+ ```
+ ## 推奨される解決策
-## 推奨される解決策
+ 無効な文字を、アンダースコアなどの有効な文字に置き換えてください。
-無効な文字をアンダースコアなどの有効な文字に置き換えてください：
-- `"test acc"` の代わりに `"test_acc"` を使用
-- `"loss-train"` の代わりに `"loss_train"` を使用
-- `"acc,val"` の代わりに `"acc_val"` を使用
+ * `"test acc"` の代わりに `"test_acc"` を使用
+ * `"loss-train"` の代わりに `"loss_train"` を使用
+ * `"acc,val"` の代わりに `"acc_val"` を使用
-詳細については、 [メトリクス命名の制約](/models/track/log/#メトリクス命名の制約) を参照してください。
-
+ 詳しくは、[Metric naming constraints](/ja/models/track/log/#metric-naming-constraints) を参照してください。
+
-
-
-Teams プランには月額払いのオプションはありません。このサブスクリプションは年単位で請求されます。
-
+
+ Teams プランに月額サブスクリプションはありません。このサブスクリプションは年額課金のみです。
+
-
+
+ 次の手順で、run をあるプロジェクトから別のプロジェクトへ移動できます。
-以下の手順で Run を別のプロジェクトに移動できます。
+ * 対象の run があるプロジェクトページに移動します。
+ * **Runs** タブをクリックして runs テーブルを開きます。
+ * 移動したい run を選択します。
+ * **Move** ボタンをクリックします。
+ * 移動先のプロジェクトを選択し、操作を確定します。
-- 移動したい Run があるプロジェクトページに移動します。
-- **Runs** タブをクリックして runs table を開きます。
-- 移動する Runs を選択します。
-- **Move** ボタンをクリックします。
-- 移動先のプロジェクトを選択し、操作を確定します。
-
-W&B は UI を通じた Run の移動をサポートしていますが、 Run のコピーはサポートしていません。 Run と一緒にログに記録された Artifacts は、新しいプロジェクトには転送されません。 Artifacts を Run の新しい場所に手動で移動するには、 [`wandb artifact get`](/models/ref/cli/wandb-artifact/wandb-artifact-get/) SDK コマンドまたは [`Api.artifact` API](/models/ref/python/public-api/api/#artifact) を使用して Artifact をダウンロードし、次に [wandb artifact put](/models/ref/cli/wandb-artifact/wandb-artifact-put/) または `Api.artifact` API を使用して Run の新しい場所にアップロードしてください。
-
+ W&B は UI を通じた run の移動をサポートしていますが、run のコピーはサポートしていません。run とともにログされた Artifacts は新しいプロジェクトには移動されません。 Artifacts を run の新しい場所に手動で移動するには、[`wandb artifact get`](/ja/models/ref/cli/wandb-artifact/wandb-artifact-get/) SDK コマンドまたは [`Api.artifact` API](/ja/models/ref/python/public-api/api/#artifact) を使用して Artifacts をダウンロードし、その後 [wandb artifact put](/ja/models/ref/cli/wandb-artifact/wandb-artifact-put/) もしくは `Api.artifact` API を使用して、run の新しい場所にアップロードしてください。
+
-
-
-W&B Reports で以下の手順を行ってください。
+
+ W&B Reports を使用する場合は、次の手順に従います。
-1. 複数のパネルグリッドを作成します。
-2. 各パネルグリッドに対してフィルタを適用し、希望する Run セットを選択します。
-3. パネルグリッド内に目的のチャートを生成します。
-
+ 1. 複数のパネル グリッドを作成します。
+ 2. 各パネル グリッドに対してフィルターを適用し、目的の run セットを選択します。
+ 3. パネル グリッド内で目的のチャートを作成します。
+
-
-
-トレーニングプログラムが複数のプロセスを使用する場合、 `wandb.init()` を実行していないプロセスから wandb メソッドを呼び出さないようにプログラムを構成してください。
+
+ トレーニング プログラムが複数のプロセスを使用する場合、`wandb.init()` を呼び出していないプロセスから wandb のメソッドを呼び出さないよう、プログラムを構成してください。
-マルチプロセスのトレーニングは、以下のいずれかのアプローチで管理してください。
+ マルチプロセスのトレーニングは、次の方法で管理できます。
-1. すべてのプロセスで `wandb.init` を呼び出し、 [group](/models/runs/grouping) キーワード引数を使用して共有グループを作成します。各プロセスが独自の wandb run を持ち、 UI 上でそれらのトレーニングプロセスがグループ化されます。
-2. 1つのプロセスからのみ `wandb.init` を呼び出し、ログに記録するデータを [マルチプロセッシングキュー](https://docs.python.org/3/library/multiprocessing.html#exchanging-objects-between-processes) を介して渡します。
+ 1. すべてのプロセスで `wandb.init` を呼び出し、[group](/ja/models/runs/grouping) キーワード引数を使用して共有グループを作成します。各プロセスには独自の wandb run が作成され、UI 上でトレーニング プロセスがまとめてグループ化されます。
+ 2. 1 つのプロセスからのみ `wandb.init` を呼び出し、[multiprocessing queues](https://docs.python.org/3/library/multiprocessing.html#exchanging-objects-between-processes) を通じてログに記録するデータを渡します。
-
-Torch DDP を使用したコード例を含むこれらのアプローチの詳細な説明については、 [分散トレーニングガイド](/models/track/log/distributed-training) を参照してください。
-
-
+
+ これらのアプローチの詳細な説明や Torch DDP を用いたコード例については、[Distributed Training Guide](/ja/models/track/log/distributed-training) を参照してください。
+
+
-
+
+ はい、W&B は `multiprocessing` ライブラリを使用します。次のようなエラーメッセージは、問題が発生している可能性を示します。
-はい、W&B は `multiprocessing` ライブラリを使用しています。以下のようなエラーメッセージが表示される場合は、問題が発生している可能性があります。
-
-```
-An attempt has been made to start a new process before the current process
-has finished its bootstrapping phase.
-```
+ ```
+ An attempt has been made to start a new process before the current process
+ has finished its bootstrapping phase.
+ ```
-これを解決するには、 `if __name__ == "__main__":` によるエントリポイント保護を追加してください。これは、スクリプトから直接 W&B を実行する際に必要です。
-
+ この問題を解決するには、`if __name__ == "__main__":` によるエントリポイント保護を追加してください。W&B をスクリプトから直接実行する場合、この保護が必要です。
+
-
+
+ sweep の設定から `run.config()` を使用してハイパーパラメーター名と値にアクセスできます。これは辞書のように動作します。
-辞書のように機能する `(run.config())` を使用して、 sweep configuration からハイパーパラメーターの名前と値にアクセスできます。
+ sweep の外側の run では、`wandb.init()` の `config` 引数に辞書を渡すことで `wandb.Run.config()` の値を設定します。sweep 内では、`wandb.init()` に渡された任意の設定はデフォルト値として扱われ、sweep によって上書きされる可能性があります。
-Sweep 以外の Run の場合は、 `wandb.init()` の `config` 引数に辞書を渡すことで `wandb.Run.config()` の値を設定します。 Sweep では、 `wandb.init()` に提供された構成はデフォルト値として機能し、 Sweep によって上書きされる可能性があります。
+ より明示的な動作には `wandb.Run.config.setdefaults()` を使用します。次のコード スニペットは、両方の方法を示しています。
-明示的な動作をさせるには `run.config.setdefaults()` を使用してください。以下のコードスニペットで両方の方法を示します。
+
+
+ ```python
+ # ハイパーパラメーターのデフォルト値を設定
+ config_defaults = {"lr": 0.1, "batch_size": 256}
-
-
-```python
-# ハイパーパラメーターのデフォルト値を設定
-config_defaults = {"lr": 0.1, "batch_size": 256}
+ # run を開始し、sweep が上書き可能な
+ # デフォルト値を指定
+ with wandb.init(config=config_defaults) as run:
+ # ここにトレーニングコードを追加
+ ...
+ ```
+
-# Run を開始し、デフォルト値を指定
-# これらは Sweep によって上書き可能
-with wandb.init(config=config_defaults) as run:
- # ここにトレーニングコードを追加
- ...
-```
-
-
-```python
-# ハイパーパラメーターのデフォルト値を設定
-config_defaults = {"lr": 0.1, "batch_size": 256}
+
+ ```python
+ # ハイパーパラメーターのデフォルト値を設定
+ config_defaults = {"lr": 0.1, "batch_size": 256}
-# Run を開始
-with wandb.init() as run:
- # Sweep で設定されていない値を更新
- run.config.setdefaults(config_defaults)
+ # run を開始
+ with wandb.init() as run:
+ # sweep で設定されていない値を更新
+ run.config.setdefaults(config_defaults)
- # ここにトレーニングコードを追加
-```
-
-
-
+ # ここにトレーニングコードを追加
+ ```
+
+
+
-
-
-1回の Run で複数のメトリクスを最適化するには、個々のメトリクスの加重和を使用します。
-
-```python
-with wandb.init() as run:
- # 個々のメトリクスを取得
- metric_a = run.summary.get("metric_a", 0.5)
- metric_b = run.summary.get("metric_b", 0.7)
- # ... 必要に応じて他のメトリクスを取得
- metric_n = run.summary.get("metric_n", 0.9)
+
+ 1 つの run で複数のメトリクスを最適化するには、個々のメトリクスの加重和を使用します。
- # 重み付けしてメトリクスを結合
- # 最適化の目標に合わせて重みを調整してください
- # 例： metric_a と metric_n をより重視する場合:
- metric_combined = 0.3 * metric_a + 0.2 * metric_b + ... + 1.5 * metric_n
- run.log({"metric_combined": metric_combined})
-```
+ ```python
+ with wandb.init() as run:
+ # 個々のメトリクスを取得
+ metric_a = run.summary.get("metric_a", 0.5)
+ metric_b = run.summary.get("metric_b", 0.7)
+ # 必要に応じて他のメトリクスも取得
+ metric_n = run.summary.get("metric_n", 0.9)
+
+ # 重み付きでメトリクスを結合
+ # 最適化の目的に応じて重みを調整
+ # たとえば metric_a と metric_n をより重視する場合:
+ metric_combined = 0.3 * metric_a + 0.2 * metric_b + ... + 1.5 * metric_n
+ run.log({"metric_combined": metric_combined})
+ ```
-新しい結合メトリクスをログに記録し、それを最適化目標として設定します。
+ 新しい結合メトリクスをログに記録し、それを最適化の目的として設定します。
-```yaml
-metric:
- name: metric_combined
- goal: minimize
-```
-
+ ```yaml
+ metric:
+ name: metric_combined
+ goal: minimize
+ ```
+
-
-
-W&B UI では `/` 文字がパネルを区切る役割を果たします。デフォルトでは、ログに記録されたアイテム名の `/` より前の部分が「Panel Section」と呼ばれるパネルのグループを定義します。
+
+ `/` 文字は、W&B UI でログされたパネルを区切るために使われます。デフォルトでは、ログされた項目名の `/` より前の部分が、「Panel Section」と呼ばれるパネルのグループを定義します。
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init() as run:
+ with wandb.init() as run:
- run.log({"val/loss": 1.1, "val/acc": 0.3})
- run.log({"train/loss": 0.1, "train/acc": 0.94})
-```
+ run.log({"val/loss": 1.1, "val/acc": 0.3})
+ run.log({"train/loss": 0.1, "train/acc": 0.94})
+ ```
-[Workspace](/models/track/project-page#workspaceタブ) 設定で、最初のセグメントに基づいたグループ化、または `/` で区切られたすべてのセグメントに基づいたグループ化に調整できます。
-
+ [Workspace](/ja/models/track/project-page#workspace-tab) の設定で、`/` で区切られた最初のセグメント、またはすべてのセグメントのいずれかに基づいてパネルのグループ化を調整します。
+
-
-
-このエラーを解決するには、 URL の末尾に `?workspace=clear` を追加して Enter キーを押してください。これにより、プロジェクトページのワークスペースがクリアされた状態になります。
-
+
+ このエラーを解消するには、URL の末尾に `?workspace=clear` を追加して Enter を押します。この操作により、クリアされた状態のプロジェクトページの Workspace に移動します。
+
-
-
-クラス属性を直接 `wandb.Run.log()` に渡すのは避けてください。ネットワーク呼び出しが実行される前に属性が変更される可能性があります。メトリクスをクラス属性として保存している場合は、ディープコピー（deep copy）を使用して、ログに記録されるメトリクスが `wandb.Run.log()` 呼び出し時の属性値と一致するようにしてください。
-
+
+ `wandb.Run.log()` にクラス属性を渡すことは避けてください。属性は、ネットワーク呼び出しが実行される前に変更される可能性があります。メトリクスをクラス属性として保存する場合は、ディープコピーを使用して、`wandb.Run.log()` 呼び出し時点で属性の値とログされるメトリクスが一致するようにしてください。
+
-
-
-メトリクスの散布図（scatter plot）を作成してください。 **Edit** メニューを開き、 **Annotations** を選択します。そこから、値のランニング最大値（running maximum）をプロットできます。
-
+
+ そのメトリクスの散布図を作成します。**Edit** メニューを開き、**Annotations** を選択します。そこから、値の累積最大値をプロットできます。
+
-
+
+ `wandb.plot.line_series()` を使って、複数本の線からなるカスタムチャートを作成します。[プロジェクトページ](/ja/models/track/project-page) に移動すると、その折れ線グラフを確認できます。凡例を追加するには、`wandb.plot.line_series()` に `keys` 引数を含めます。例:
-`wandb.plot.line_series()` を使用してマルチラインのカスタムチャートを作成します。 [プロジェクトページ](/models/track/project-page) に移動して、折れ線グラフを確認してください。凡例を追加するには、 `wandb.plot.line_series()` に `keys` 引数を含めます。例：
-
-```python
+ ```python
-with wandb.init(project="my_project") as run:
+ with wandb.init(project="my_project") as run:
- run.log(
- {
- "my_plot": wandb.plot.line_series(
- xs=x_data, ys=y_data, keys=["metric_A", "metric_B"]
- )
- }
- )
-```
+ run.log(
+ {
+ "my_plot": wandb.plot.line_series(
+ xs=x_data, ys=y_data, keys=["metric_A", "metric_B"]
+ )
+ }
+ )
+ ```
-マルチラインプロットの詳細は、 [こちら](/models/track/log/plots#基本的なグラフ) の **Multi-line** タブを参照してください。
-
+ 複数線プロットの詳細については、**Multi-line** タブの [こちら](/ja/models/track/log/plots#basic-charts) を参照してください。
+
-
-
-[`wandb.Run`](/models/ref/python/experiments/run) の `.name` 属性には以下のようにアクセスできます。
+
+ [`wandb.Run`](/ja/models/ref/python/experiments/run) の `.name` 属性には、次のようにアクセスできます。
-```python
-import wandb
+ ```python
+ import wandb
-with wandb.init() as run:
- run_name = run.name
- print(f"The human-readable run name is: {run_name}")
-```
-
+ with wandb.init() as run:
+ run_name = run.name
+ print(f"The human-readable run name is: {run_name}")
+ ```
+
-
+
+ プロジェクトのプライバシー (公開範囲) を変更するには、次の手順に従います。
-プロジェクトのプライバシー（可視性）を変更するには：
+ 1. W&B App で、そのプロジェクト内の任意のページから左側のナビゲーションで **Overview** をクリックします。
+ 2. 右上で **Edit** をクリックします。
+ 3. **Project visibility** の新しい値を選択します。
-1. W&B App で、プロジェクト内の任意のページから左ナビゲーションの **Overview** をクリックします。
-1. 右上の **Edit** をクリックします。
-1. **Project visibility** で新しい値を選択します：
+ * **Team** (デフォルト): チームメンバーのみがプロジェクトを表示および編集できます。
+ * **Restricted**: 招待されたメンバーのみがプロジェクトにアクセスでき、公開アクセスは無効になります。
+ * **Open**: だれでも run を送信したりレポートを作成できますが、編集できるのはチームだけです。クラスでの利用、公的なベンチマークコンペティション、その他永続性を必要としないコンテキストにのみ適しています。
+ * **Public**: だれでもプロジェクトを閲覧できますが、編集できるのはチームだけです。
- - **Team** (デフォルト): 自分のチームだけがプロジェクトを表示および編集できます。
- - **Restricted**: 招待されたメンバーのみがプロジェクトにアクセスでき、一般公開はオフになります。
- - **Open**: 誰でも Run を送信したりレポートを作成したりできますが、編集できるのは自分のチームだけです。教室での授業やパブリックなベンチマークコンペティションなど、非永続的な文脈でのみ適切です。
- - **Public**: 誰でもプロジェクトを表示できますが、編集できるのは自分のチームだけです。
+
+ W&B 管理者が **Public** の公開範囲を無効にしている場合、このオプションは選択できません。その代わりに、閲覧専用の [W&B Report](/ja/models/reports/collaborate-on-reports#share-a-report) を共有するか、W&B 組織の管理者に連絡して支援を依頼してください。
+
+ 4. **Save** をクリックします。
-
- W&B 管理者が **Public** の可視性をオフに設定している場合、これを選択することはできません。代わりに、閲覧専用の [W&B レポート](/models/reports/collaborate-on-reports#report-を共有する) を共有するか、 W&B 組織の管理者に相談してください。
-
-1. **Save** をクリックします。
-
-プロジェクトをより厳格なプライバシー設定に更新した場合、以前アクセスできていた個々のユーザーが引き続きアクセスできるように、再招待が必要になる場合があります。
-
+ プロジェクトをより厳しいプライバシー設定に更新した場合、プロジェクトへのアクセス権を復元するために、個々のユーザーを再招待する必要がある場合があります。
+
-
+
+ エラーメッセージ `"Failed to query for notebook name, you can set it manually with the WANDB_NOTEBOOK_NAME environment variable,"` が表示された場合は、環境変数を設定することで解決できます。次のいずれかの方法で設定します:
-`"Failed to query for notebook name, you can set it manually with the WANDB_NOTEBOOK_NAME environment variable,"` というエラーメッセージが表示された場合は、環境変数を設定することで解決します。以下のいくつかの方法があります。
+
+
+ ```python
+ %env "WANDB_NOTEBOOK_NAME" "notebook name here"
+ ```
+
-
-
-```python
-%env "WANDB_NOTEBOOK_NAME" "notebook name here"
-```
-
-
-```python
-import os
+
+ ```python
+ import os
-os.environ["WANDB_NOTEBOOK_NAME"] = "notebook name here"
-```
-
-
-
+ os.environ["WANDB_NOTEBOOK_NAME"] = "notebook name here"
+ ```
+
+
+
-
-
-Run オブジェクトの `.save()` メソッドを呼び出して、現在の Run を保存します。Run オブジェクトの `name` 属性を使用して名前を取得してください。
-
+
+ 現在の run を保存するには、run オブジェクトの `.save()` メソッドを呼び出します。run オブジェクトの `name` 属性を使って名前を取得できます。
+
-
-
-Run を削除する際、関連する Artifacts も削除するかどうかの確認が表示されます。このオプションを選択すると、 Artifacts は永久に削除され、後で Run 自体を復元したとしても復旧させることは不可能です。
-
+
+ run を削除する際、関連する Artifacts を削除するかどうか確認するプロンプトが表示されます。このオプションを選択すると Artifacts は完全に削除され、後で run 自体を復元した場合でも Artifacts を復元することはできません。
+
-
+
+ 削除された runs を復元するには、次の手順を実行します:
-削除した Run を復元するには、以下の手順を行ってください。
+ * Project Overview ページに移動します。
+ * 右上の三点リーダーをクリックします。
+ * **Undelete recently deleted runs** を選択します。
-- プロジェクトの Overview ページに移動します。
-- 右上の3つの点をクリックします。
-- **Undelete recently deleted runs** を選択します。
+ **注意**:
-**注意**:
-- 復元できるのは過去7日以内に削除された Run のみです。
-- 復元が不可能な場合は、 W&B API を使用してログを手動でアップロードできます。
-
+ * 復元できるのは、過去 7 日以内に削除された runs のみです。
+ * 復元オプションが利用できない場合は、W&B API を使用してログを手動でアップロードできます。
+
-
-
-Workspaces は更新されたデータを自動的に読み込みます。レポートには自動更新は適用されません。レポートのデータを更新するには、ページを再読み込みしてください。
-
+
+ Workspace は自動的に最新のデータを読み込みます。自動更新はレポートには適用されません。レポートのデータを更新するには、ページを再読み込みしてください。
+
-
-
-パスワードリセットメールが届かずアカウントにアクセスできない場合：
+
+ パスワード再設定メールを受信できない状況でアカウントへのアクセスを回復するには、次の手順を実行します:
-1. **迷惑メールフォルダを確認する:** メールのフィルタリング設定を確認してください。
-2. **メールアドレスの確認:** アカウントに関連付けられたメールアドレスが正しいか確認してください。
-3. **SSO オプションを確認:** 利用可能であれば "Sign in with Google" などのサービスを使用してください。
-4. **サポートに連絡:** 問題が解決しない場合は、ユーザー名とメールアドレスを添えてサポート (support@wandb.com) までお問い合わせください。
-
+ 1. **迷惑メールフォルダーを確認:** メールが迷惑メールやスパムとしてフィルタリングされていないか確認します。
+ 2. **メールアドレスの確認:** アカウントに紐づいている正しいメールアドレスであることを確認します。
+ 3. **SSO オプションの確認:** 利用可能な場合は「Sign in with Google」などのサービスを利用します。
+ 4. **サポートへの連絡:** 問題が解決しない場合は、サポート (support@wandb.com) に連絡し、サポートを受けるためにユーザー名とメールアドレスを伝えてください。
+
-
+
+ 管理者権限なしでチームスペースからプロジェクトを削除するには、次のいずれかの方法を検討してください:
-管理者権限なしでチームスペースからプロジェクトを削除するには、以下のオプションがあります。
+ * 現在の管理者に、プロジェクトを削除してもらうよう依頼します。
+ * 管理者に、プロジェクト管理用の一時的なアクセス権を付与してもらいます。
-- 現在の管理者にプロジェクトの削除を依頼します。
-- プロジェクト管理のために一時的なアクセス権限を付与するよう管理者に依頼します。
-
-管理者に連絡が取れない場合は、組織内の請求担当管理者や他の権限を持つユーザーに相談してください。
-
+ 管理者に連絡できない場合は、請求管理者や組織内の別の権限を持つユーザーに支援を依頼してください。
+
-
-
-プロジェクト名を変更するには：
+
+ プロジェクト名を変更するには:
-- Project overview に移動します。
-- **Edit Project** をクリックします。
+ * Project overview に移動します。
+ * **Edit Project** をクリックします。
-注意：
+ 注意:
-- `model-registry` などの保護されたプロジェクト名は変更できません。保護された名前に関するサポートが必要な場合は、お問い合わせください。
-
+ * `model-registry` のように保護されたプロジェクト名は変更できません。保護された名前についてはサポートに連絡してください。
+
-
-
-期限切れのライセンスを更新するには、サポートチーム (support@wandb.com) にお問い合わせください。更新プロセスおよび新しいライセンスキーの取得についてサポートいたします。
-
+
+ 期限切れのライセンスを更新するには、support@wandb.com のサポートチームに連絡し、更新手続きおよび新しいライセンスキーの受け取りについてサポートを受けてください。
+
-
-
-WYSIWYG への移行後も元の外観を維持することを目指していますが、変換プロセスが完璧でない場合があります。大きな不一致が生じた場合は、調査のために報告してください。編集セッションが終了するまでは、以前の状態に戻すことができます。
-
+
+ WYSIWYG への移行後も元の見た目を維持することを目標としていますが、変換処理は完全ではありません。大きな差異が生じた場合は、評価のためにその問題を報告してください。ユーザーは編集セッションが終了するまでは以前の状態に戻すことができます。
+
-
-
-古いハードウェアや非常に大きなレポートでは、パフォーマンスの問題が発生する可能性があります。これを軽減するには、現在使用していないレポートのセクションを折りたたんでください。
-
+
+ 古いハードウェアや非常に大きなレポートでは、パフォーマンスの問題が発生する場合があります。これを軽減するには、現在使用していないレポートのセクションを折りたたんでください。
+
-
-
-はい。ドキュメントの任意の場所で "/mark" と入力して Enter キーを押すと、 Markdown ブロックが挿入されます。これにより、以前と同様に Markdown を使用して編集できます。
-
+
+ はい。ドキュメント内の任意の場所で "/mark" と入力して Enter キーを押すと、Markdown ブロックを挿入できます。これにより、従来どおり Markdown で編集できます。
+
-
-
-W&B アカウントを削除するには、 **User settings** ページに移動し、一番下までスクロールして **Delete Account** ボタンをクリックしてください。
-
+
+ W&B アカウントを削除するには、**User settings** ページに移動し、一番下までスクロールして **Delete Account** ボタンをクリックします。
+
-
-
-グリッド検索は完了したが、クラッシュなどにより一部の W&B Runs を再実行する必要がある場合、まずそれらの特定の W&B Runs を削除します。次に、 [sweep control ページ](/models/sweeps/sweeps-ui) で **Resume** ボタンを選択します。新しい Sweep ID を使用して、新しい W&B Sweep エージェントを開始してください。
+
+ グリッドサーチが完了したものの、一部の W&B Runs がクラッシュにより再実行を必要とする場合は、再実行したい特定の W&B Runs を削除します。その後、[sweep control page](/ja/models/sweeps/sweeps-ui) で **Resume** ボタンをクリックします。新しい Sweep ID を使用して新しい W&B Sweep エージェントを起動します。
-すでに完了している W&B Run のパラメータの組み合わせは再実行されません。
-
+ 完了済みの W&B Run のパラメーター組み合わせは再実行されません。
+
-
-
-ログインに関する問題を解決するには、以下の手順に従ってください。
-
-- **アクセスの確認**: 正しいメールアドレスまたはユーザー名を使用しているか確認し、関連するチームやプロジェクトのメンバーシップを確認してください。
-- **ブラウザのトラブルシューティング**:
- - キャッシュの干渉を避けるためにシークレットウィンドウを使用してください。
- - ブラウザのキャッシュをクリアしてください。
- - 別のブラウザやデバイスからログインを試みてください。
-- **SSO と権限**:
- - ID プロバイダー (IdP) とシングルサインオン (SSO) の設定を確認してください。
- - SSO を使用している場合は、適切な SSO グループに含まれていることを確認してください。
-- **技術的な問題**:
- - 特定のエラーメッセージを控えて、さらに調査を行ってください。
- - 問題が解決しない場合は、サポートチームにお問い合わせください。
-
+
+ ログインの問題を解決するには、次の手順に従ってください。
+
+ * **アクセスの確認**: 正しいメールアドレスまたはユーザー名を使用していることを確認し、関連する Teams やプロジェクトのメンバーシップを確認します。
+ * **ブラウザーのトラブルシューティング**:
+ * キャッシュデータの影響を避けるため、シークレット ウィンドウを使用します。
+ * ブラウザーのキャッシュをクリアします。
+ * 別のブラウザーまたはデバイスからログインを試します。
+ * **SSO と権限**:
+ * IdP（アイデンティティプロバイダー）および Single Sign-On (SSO) の設定を確認します。
+ * SSO を使用している場合は、適切な SSO グループに含まれていることを確認します。
+ * **技術的な問題**:
+ * さらなるトラブルシューティングのために、特定のエラーメッセージを記録します。
+ * 問題が解決しない場合は、サポート チームに連絡して追加の支援を受けてください。
+
-
-
-W&B エンティティに Run を記録する際、権限エラーが発生した場合は以下の手順に従ってください。
-
-- **エンティティ名とプロジェクト名の確認**: コード内の W&B エンティティ名とプロジェクト名が、大文字小文字を含めて正しく入力されているか確認してください。
-- **権限の確認**: 管理者によって必要な権限が付与されていることを確認してください。
-- **ログイン認証情報の確認**: 正しい W&B アカウントにログインしていることを確認してください。以下のコードで Run を作成してテストします。
- ```python
- import wandb
-
- run = wandb.init(entity="your_entity", project="your_project")
- run.log({'example_metric': 1})
- run.finish()
- ```
-- **APIキーの設定**: `WANDB_API_KEY` 環境変数を使用します：
- ```bash
- export WANDB_API_KEY='your_api_key'
- ```
-- **ホスト情報の確認**: カスタムデプロイメントの場合は、ホスト URL を設定してください：
- ```bash
- wandb login --relogin --host=
- export WANDB_BASE_URL=
- ```
-
+
+ W&B entity に run をログするときの権限エラーを解決するには、次の手順に従ってください。
+
+ * **entity 名と project 名の確認**: コード内の W&B entity 名と project 名のスペルおよび大文字・小文字が正しいことを確認します。
+ * **権限の確認**: 管理者から必要な権限が付与されていることを確認します。
+ * **ログイン情報の確認**: 正しい W&B アカウントにログインしていることを確認します。次のコードで run を作成してテストします。
+ ```python
+ import wandb
+
+ run = wandb.init(entity="your_entity", project="your_project")
+ run.log({'example_metric': 1})
+ run.finish()
+ ```
+ * **API キーの設定**: `WANDB_API_KEY` 環境変数を使用します。
+ ```bash
+ export WANDB_API_KEY='your_api_key'
+ ```
+ * **ホスト情報の確認**: カスタム デプロイメントの場合は、ホスト URL を設定します。
+ ```bash
+ wandb login --relogin --host=
+ export WANDB_BASE_URL=
+ ```
+
-
-
-W&B で `resume` パラメータを使用するには、 `wandb.init()` で `entity` 、 `project` 、 `id` を指定した上で `resume` 引数を設定します。 `resume` 引数は `"must"` または `"allow"` の値を受け入れます。
+
+ W&B で `resume` パラメーターを使用するには、`wandb.init()` の `resume` 引数を `entity`、`project`、`id` とともに指定します。`resume` 引数には `"must"` または `"allow"` を指定できます。
- ```python
- run = wandb.init(entity="your-entity", project="your-project", id="your-run-id", resume="must")
- ```
-
+ ```python
+ run = wandb.init(entity="your-entity", project="your-project", id="your-run-id", resume="must")
+ ```
+
-
-
-Sweep を再開するには、 `sweep_id` を `wandb.agent()` 関数に渡します。
+
+ sweep を再開するには、`sweep_id` を `wandb.agent()` 関数に渡します。
-```python
-import wandb
+ ```python
+ import wandb
-sweep_id = "your_sweep_id"
+ sweep_id = "your_sweep_id"
-def train():
- # ここにトレーニングコード
- pass
+ def train():
+ # Training code here
+ pass
-wandb.agent(sweep_id=sweep_id, function=train)
-```
-
+ wandb.agent(sweep_id=sweep_id, function=train)
+ ```
+
-
-
-機密データを含む Artifacts を管理したり、 Artifact バージョンの削除をスケジュールしたりするには、 TTL（time-to-live）ポリシーを設定します。詳細な手順については、 [TTL ガイド](/models/artifacts/ttl) を参照してください。
-
+
+ 機密データを含む Artifacts を管理したり、 Artifacts のバージョン削除をスケジュールしたりするには、TTL（time-to-live）ポリシーを設定します。詳細な手順については、[TTL guide](/ja/models/artifacts/ttl) を参照してください。
+
-
-
-個人用キーおよびサービスアカウントキーは、ローテーションや取り消しが可能です。新しい API キーまたはサービスアカウントユーザーを作成し、新しいキーを使用するようにスクリプトを再設定してください。設定変更後、プロフィールまたはチームから古い API キーを削除します。
-
+
+ 個人アカウント キーおよびサービスアカウント キーはローテーションまたは失効させることができます。新しい API キーまたはサービスアカウント ユーザーを作成し、スクリプトを新しいキーを使用するように再設定します。再設定後、プロフィールまたはチームから古い API キーを削除します。
+
-
-
-いいえ。 **Run Finished** アラート（ユーザー設定の **Run Finished** 設定で有効化）は Python スクリプトのみで動作し、各セルの実行ごとに通知が届くのを防ぐために Jupyter Notebook 環境ではオフにされています。
+
+ いいえ。**Run Finished** アラート（User Settings の **Run Finished** 設定で有効化）は Python スクリプトでのみ動作し、Jupyter Notebook 環境では各セル実行ごとに通知が出るのを避けるためオフのままになっています。
-ノートブック環境では、代わりに `run.alert()` を使用してください。
-
+ 代わりに、ノートブック環境では `run.alert()` を使用してください。
+
-
-
-これは接続の問題を示しています。サーバーのインターネットアクセスが失われ、 W&B へのデータ同期が停止した場合、短期間のリトライ後、システムはその Run を crashed としてマークします。
-
+
+ これは接続の問題を示しています。サーバーがインターネット接続を失い、W&B へのデータ同期が停止すると、短い再試行期間のあとにシステムはその run を crashed とマークします。
+
-
-
-スクリプトを `anonymous="allow"` で実行すると、以下のようになります：
+
+ 誰かが `anonymous="allow"` を付けてスクリプトを実行した場合:
-1. **匿名アカウントの自動作成**: W&B はサインイン済みのアカウントがあるか確認します。なければ新しい匿名アカウントを作成し、そのセッション用の API キーを保存します。
-2. **結果を素早くログ記録**: ユーザーは繰り返しスクリプトを実行し、 W&B ダッシュボードで即座に結果を確認できます。これらの申請（claim）されていない匿名 Run は 7日間保存されます。
-3. **役立つデータがあれば申請**: 有益な結果が見つかったら、ページ上部のバナーにあるボタンをクリックして、 Run データを実際のアカウントに保存（申請）できます。申請されない場合、 Run データは 7日後に削除されます。
+ 1. **一時アカウントの自動作成**: W&B はサインイン済みアカウントがあるか確認します。存在しない場合、W&B は新しい匿名アカウントを作成し、そのセッション用の API キーを保存します。
+ 2. **結果をすばやく記録**: ユーザーはスクリプトを繰り返し実行し、その結果を W&B ダッシュボードで即座に確認できます。これらの未取得の匿名 run は 7 日間利用可能なまま保持されます。
+ 3. **有用になったタイミングでデータを取得**: ユーザーが W&B で価値のある結果を見つけたら、ページ上部のバナー内のボタンをクリックして、その run データを実際のアカウントに保存できます。取得しない場合、run データは 7 日後に削除されます。
-
-**匿名 Run のリンクは機密情報です**。これらのリンクを知っていれば、誰でも 7日間実験結果を閲覧し、申請することができます。リンクは信頼できる相手にのみ共有してください。著者の正体を隠したまま結果を一般公開共有したい場合は、 support@wandb.com までお問い合わせください。
-
+
+ **匿名 run のリンクは機密性があります。** これらのリンクを知っていれば誰でも 7 日間、実験結果を閲覧および取得できるため、信頼できる相手にのみ共有してください。著者の身元を隠したまま結果を公開共有したい場合は、support@wandb.com までお問い合わせください。
+
-W&B ユーザーがスクリプトを見つけて実行した場合、その結果は通常の Run と同様にそのユーザーのアカウントに正しく記録されます。
-
+ W&B ユーザーがスクリプトを見つけて実行した場合、その結果は通常の run と同様に、そのユーザーのアカウントに正しく記録されます。
+
-
-
-[SLURM スケジューリングシステム](https://slurm.schedmd.com/documentation.html) で Sweeps を使用する場合、各スケジューリングジョブ内で `wandb agent --count 1 SWEEP_ID` を実行してください。このコマンドは1つのトレーニングジョブのみを実行して終了するため、ハイパーパラメーター探索の並列性を活かしつつ、リソース要求のための実行時間予測が容易になります。
-
+
+ [SLURM scheduling system](https://slurm.schedmd.com/documentation.html) で sweep を使用する場合は、スケジュールした各ジョブ内で `wandb agent --count 1 SWEEP_ID` を実行してください。このコマンドは単一のトレーニングジョブを実行して終了し、ハイパーパラメーター探索の並列性を活用しつつ、リソース要求の実行時間予測を容易にします。
+
-
+
+ トレーニングがオフラインマシンで行われる場合、結果をサーバーにアップロードするには次の手順を実行します。
-オフラインのマシンでトレーニングを行う場合、以下の手順で結果をサーバーにアップロードできます：
+ 1. 環境変数 `WANDB_MODE=offline` を設定し、インターネット接続なしでメトリクスをローカルに保存します。
+ 2. アップロードの準備ができたら、ディレクトリ内で `wandb init` を実行してプロジェクト名を設定します。
+ 3. `wandb sync YOUR_RUN_DIRECTORY` を使用して、メトリクスをクラウドサービスに転送し、ホストされた Web アプリで結果にアクセスします。
-1. 環境変数 `WANDB_MODE=offline` を設定して、インターネット接続なしでメトリクスをローカルに保存します。
-2. アップロードの準備ができたら、ディレクトリ内で `wandb init` を実行してプロジェクト名を設定します。
-3. `wandb sync YOUR_RUN_DIRECTORY` を使用して、メトリクスをクラウドサービスに転送し、ウェブアプリで結果を確認します。
-
-Run がオフラインであることを確認するには、 `wandb.init()` 実行後に `run.settings._offline` または `run.settings.mode` をチェックしてください。
-
+ run がオフラインであることを確認するには、`wandb.init()` 実行後に `run.settings._offline` または `run.settings.mode` を確認してください。
+
-
-
-最適なパフォーマンスを得るために、各プロジェクトの Run 数は 10,000 件程度に制限してください。
-
+
+ 最適なパフォーマンスのため、各プロジェクトあたりおよそ 10,000 個の run に制限してください。
+
-
-
-トレーニング中にマシンへの接続が切断された可能性があります。 [`wandb sync [PATH_TO_RUN]`](/models/ref/cli/wandb-sync) を実行してデータを復旧させてください。 Run へのパスは、実行中の Run ID と一致する `wandb` ディレクトリ内のフォルダです。
-
+
+ トレーニング中にマシンとの接続が失われた可能性があります。[`wandb sync [PATH_TO_RUN]`](/ja/models/ref/cli/wandb-sync) を実行してデータを復元してください。run へのパスは、進行中の run の Run ID と一致する、`wandb` ディレクトリ内のフォルダです。
+
-
+
+ 同じキーの下でさまざまなデータ型をログすると、データベース内で分割されます。その結果、UI のドロップダウンに同じメトリクス名の項目が複数表示されます。グループ化されるデータ型は、`number`、`string`、`bool`、`other`（主に配列）、および `Histogram` や `Image` などの任意の `wandb` データ型です。この問題を防ぐには、1 つのキーにつき 1 種類のデータ型のみを送信してください。
-同じキーで異なるデータ型をログに記録すると、データベース内で分割されます。その結果、 UI のドロップダウンに同じメトリクス名のエントリが複数表示されることになります。グループ化されるデータ型は、 `number` 、 `string` 、 `bool` 、 `other` （主に配列）、および `Histogram` や `Image` などの `wandb` データ型です。この問題を避けるため、1つのキーに対して送信する型は1つだけにしてください。
-
-メトリクス名は大文字と小文字を区別しません。 `"My-Metric"` と `"my-metric"` のように、大文字小文字の違いしかない名前の使用は避けてください。
-
+ メトリクス名は大文字・小文字を区別しません。`"My-Metric"` と `"my-metric"` のように、大文字・小文字だけが異なる名前の使用は避けてください。
+
-
-
-`wandb.init` で `save_code=True` を使用すると、 Run を開始したメインスクリプトやノートブックが保存されます。 Run のすべてのコードを保存するには、 Artifacts でコードをバージョン管理してください。以下の例でその手順を示します：
+
+ `wandb.init` で `save_code=True` を指定すると、run を起動するメインスクリプトまたはノートブックを保存できます。run のすべてのコードを保存するには、 Artifacts でコードをバージョン管理します。次の例は、この手順を示しています。
-```python
-code_artifact = wandb.Artifact(type="code")
-code_artifact.add_file("./train.py")
-wandb.log_artifact(code_artifact)
-```
-
+ ```python
+ code_artifact = wandb.Artifact(type="code")
+ code_artifact.add_file("./train.py")
+ wandb.log_artifact(code_artifact)
+ ```
+
-
-
-`wandb.init` が呼び出されると、システムはリモートリポジトリのリンクや最新コミットの SHA を含む git 情報を自動的に収集します。この情報は [run ページ](/models/runs/#view-logged-runs) に表示されます。この情報を表示させるには、スクリプト実行時の現在の作業ディレクトリが git 管理下のフォルダ内にあることを確認してください。
+
+ `wandb.init` が呼び出されると、システムはリモートリポジトリのリンクと最新コミットの SHA を含む git 情報を自動的に収集します。この情報は [run ページ](/ja/models/runs/#view-logged-runs) に表示されます。スクリプトを実行する際のカレントディレクトリが git 管理下のフォルダ内になっていることを確認すると、この情報を参照できます。
-git コミットや実験の実行に使用されたコマンドは、本人には表示されますが、外部ユーザーからは隠されます。パブリックプロジェクトでも、これらの詳細は非公開のままです。
-
+ git コミットと実験を実行したコマンドは、該当ユーザーには表示されますが、外部のユーザーからは非表示になります。公開プロジェクトでも、これらの詳細は非公開のままです。
+
-
+
+ デフォルトでは、`wandb.init` はメトリクスをリアルタイムでクラウドに同期するプロセスを開始します。オフラインで使用する場合は、オフラインモードを有効にして後で同期できるように、2 つの環境変数を設定します。
-デフォルトでは、 `wandb.init` はリアルタイムでメトリクスをクラウドに同期するプロセスを開始します。オフラインで使用する場合は、2つの環境変数を設定してオフラインモードを有効にし、後で同期するようにしてください。
+ 次の環境変数を設定します。
-以下の環境変数を設定します：
+ 1. `WANDB_API_KEY=$KEY`（`$KEY` は [User Settings](https://wandb.ai/settings) で作成した API キー）。
+ 2. `WANDB_MODE="offline"`。
-1. `WANDB_API_KEY=$KEY` ($KEY は [ユーザー設定](https://wandb.ai/settings) で作成した API キー)。
-2. `WANDB_MODE="offline"`。
+ これをスクリプト内で実装する例を次に示します。
-スクリプトでの実装例は以下の通りです：
-
-```python
-import wandb
-import os
+ ```python
+ import wandb
+ import os
-os.environ["WANDB_API_KEY"] = "YOUR_KEY_HERE"
-os.environ["WANDB_MODE"] = "offline"
+ os.environ["WANDB_API_KEY"] = "YOUR_KEY_HERE"
+ os.environ["WANDB_MODE"] = "offline"
-config = {
- "dataset": "CIFAR10",
- "machine": "offline cluster",
- "model": "CNN",
- "learning_rate": 0.01,
- "batch_size": 128,
-}
+ config = {
+ "dataset": "CIFAR10",
+ "machine": "offline cluster",
+ "model": "CNN",
+ "learning_rate": 0.01,
+ "batch_size": 128,
+ }
-with wandb.init(project="offline-demo") as run:
- for i in range(100):
- run.log({"accuracy": i})
-```
+ with wandb.init(project="offline-demo") as run:
+ for i in range(100):
+ run.log({"accuracy": i})
+ ```
-ターミナル出力のサンプル：
+ サンプルのターミナル出力は次のとおりです。
-
+
-
-
-組織設定内で、組織の保存バイト数（bytes stored）、追跡バイト数（bytes tracked）、および追跡時間（tracked hours）を確認できます：
+
+ 組織設定から、組織の bytes stored、bytes tracked、tracked hours を確認できます。
-1. `https://wandb.ai/account-settings//settings` にある組織設定に移動します。
-2. **Billing** タブを選択します。
-3. **Usage this billing period** セクションで、 **View usage** ボタンをクリックします。
+ 1. `https://wandb.ai/account-settings//settings` にアクセスして、該当組織の設定ページを開きます。
+ 2. **Billing** タブを選択します。
+ 3. **Usage this billing period** セクション内の **View usage** ボタンを選択します。
-`` の部分は、実際の組織名に置き換えてください。
-
+ `<>` で囲まれている値は、組織名に置き換えてください。
+
-
+
+ X 軸に `Step` 以外を指定してメトリクスを可視化すると、表示されるデータポイントが少なくなることがあります。メトリクスを同期させるには、同じ `Step` でログする必要があります。同じ `Step` でログされたメトリクスのみが、サンプリング時に補間対象として扱われます。
-`Step` 以外の X 軸に対してメトリクスを可視化する場合、表示されるデータポイントが少なくなることがあります。メトリクスが同期した状態を維持するには、同じ `Step` でログを記録する必要があります。サンプル間の補間中、同じ `Step` でログ記録されたメトリクスのみがサンプリングされます。
+ **ガイドライン**
-**ガイドライン**
+ メトリクスは 1 回の `log()` 呼び出しにまとめてログします。たとえば、次のようにする代わりに:
-メトリクスは 1回の `log()` 呼び出しにまとめてください。例えば、次のように書く代わりに：
-
-```python
-import wandb
-with wandb.init() as run:
- run.log({"Precision": precision})
- ...
- run.log({"Recall": recall})
-```
+ ```python
+ import wandb
+ with wandb.init() as run:
+ run.log({"Precision": precision})
+ ...
+ run.log({"Recall": recall})
+ ```
-次のように記述します：
+ 次のようにします。
-```python
-import wandb
-with wandb.init() as run:
- run.log({"Precision": precision, "Recall": recall})
-```
+ ```python
+ import wandb
+ with wandb.init() as run:
+ run.log({"Precision": precision, "Recall": recall})
+ ```
-ステップパラメータを手動で制御する場合は、次のようにコード内でメトリクスを同期させます：
+ step パラメーターを手動で制御したい場合は、次のようにコード内でメトリクスを同期させます。
-```python
-with wandb.init() as run:
- step = 100 # ステップ値の例
- # 同じステップで Precision と Recall をログ
- run.log({"Precision": precision, "Recall": recall}, step=step)
-```
+ ```python
+ with wandb.init() as run:
+ step = 100 # 例としての step の値
+ # 同じ step で Precision と Recall をログする
+ run.log({"Precision": precision, "Recall": recall}, step=step)
+ ```
-メトリクスが同じステップの下でログに記録され、一緒にサンプリングされるように、両方の `log()` 呼び出しで `step` の値が同じであることを確認してください。 `step` の値は各呼び出しで単調増加する必要があります。そうでない場合、 `step` の値は無視されます。
-
+ 両方の `log()` 呼び出しで `step` の値を同じにして、メトリクスを同じ step の下にログし、同じサンプルとして扱われるようにしてください。`step` の値は、呼び出しごとに単調増加している必要があります。そうでない場合、`step` の値は無視されます。
+
-
-
-Teams で W&B アラートを受け取るには、以下の手順に従ってください：
+
+ Teams で W&B アラートを受信するには、次の手順に従います。
-- **Teams チャネルのメールアドレスを設定する。** アラートを受信したい Teams チャネル用のメールアドレスを作成します。
-- **W&B のアラートメールを Teams チャネルのメールアドレスに転送する。** W&B がメールでアラートを送信するように設定し、それらのメールを Teams チャネルのメールアドレスに転送するように設定してください。
-
+ * **Teams チャンネル用のメールアドレスを設定します。** アラートを受信したい Teams チャンネル用にメールアドレスを作成します。
+ * **W&B アラートメールを Teams チャンネルのメールアドレスに転送します。** W&B がメールでアラートを送信するように設定し、そのメールを Teams チャンネルのメールアドレスに転送します。
+
-
+
+ **service account（サービスアカウント）** は、人間ではない機械のアイデンティティを表し、チームやプロジェクトをまたいだ一般的なタスクを自動化できます。サービスアカウントは、CI/CD パイプライン、自動トレーニングジョブ、その他のマシン同士のワークフローに最適です。
-**サービスアカウント（Service account）** は人間ではないマシンアイデンティティを表し、チームやプロジェクト全体で共通のタスクを自動化できます。サービスアカウントは、 CI/CD パイプライン、自動トレーニングジョブ、その他のマシン間ワークフローに最適です。
+ サービスアカウントの主な利点:
-サービスアカウントの主な利点：
-- **ライセンスの消費なし**: サービスアカウントはユーザーシートやライセンスを消費しません。
-- **専用の API キー**: 自動ワークフロー用の安全な認証情報。
-- **ユーザーの属性付け**: オプションで、自動化された Runs を人間のユーザーに関連付けることができます。
-- **エンタープライズ対応**: 大規模なプロダクション自動化のために構築されています。
-- **委任された操作**: サービスアカウントは、それを作成したユーザーまたは組織に代わって動作します。
+ * **ライセンスを消費しない**: サービスアカウントはユーザーシートやライセンスを消費しません
+ * **専用の API キー**: 自動化ワークフロー用の安全な認証情報
+ * **ユーザー帰属**: 自動化された run を人間のユーザーに帰属させることが可能
+ * **エンタープライズ対応**: 大規模な本番環境での自動化向けに設計
+ * **委任された操作**: サービスアカウントは、それを作成したユーザーまたは組織の代理として動作します
-特に、サービスアカウントは、定期的な再トレーニングやナイトリービルドなど、 wandb にログ記録される自動ジョブの追跡に役立ちます。必要であれば、 [環境変数](/models/track/environment-variables) `WANDB_USERNAME` または `WANDB_USER_EMAIL` を使用して、これらのマシンから起動された Run にユーザー名を関連付けることができます。
+ サービスアカウントは、定期的な再トレーニングやナイトリービルドなど、wandb にログされた自動ジョブのトラッキングに役立ちます。必要に応じて、これらのマシンによって起動された run に、[environment variables](/ja/models/track/environment-variables) `WANDB_USERNAME` または `WANDB_USER_EMAIL` を使ってユーザー名を関連付けることができます。
-ベストプラクティスや詳細な設定手順を含むサービスアカウントの包括的な情報については、 [サービスアカウントを使用してワークフローを自動化する](/platform/hosting/iam/service-accounts) を参照してください。チーム内でのサービスアカウントの振る舞いについては、 [チームのサービスアカウントの振る舞い](/platform/app/settings-page/teams#チームサービスアカウントの振る舞い) を参照してください。
+ ベストプラクティスや詳細なセットアップ手順など、サービスアカウントに関する包括的な情報については、[Use service accounts to automate workflows](/ja/platform/hosting/iam/service-accounts) を参照してください。チームコンテキストでのサービスアカウントの挙動については、[Team Service Account Behavior](/ja/platform/app/settings-page/teams#team-service-account-behavior) を参照してください。
-
-**組み込み（Built-in）** のサービスアカウント以外にも、 W&B は [SDK および CLI 用のアイデンティティ連携](/platform/hosting/iam/identity_federation#外部サービスアカウント) を使用した **外部サービスアカウント（External service accounts）** もサポートしています。 JSON Web Token (JWT) を発行できる ID プロバイダーで管理されているサービスアイデンティティを使用して、 W&B のタスクを自動化したい場合は、外部サービスアカウントを使用してください。
-
-
+
+ **Built-in** サービスアカウントとは別に、W&B は [identity federation for SDK and CLI](/ja/platform/hosting/iam/identity_federation#external-service-accounts) を利用した **External service accounts** もサポートしています。identity provider で管理され、JSON Web Tokens (JWT) を発行できるサービスアイデンティティを使って W&B のタスクを自動化したい場合は、External service account を使用してください。
+
+
-
-
-カスタムチャートエディターの “Other settings” ページでこのオプションを有効にします。クエリを `summaryTable` ではなく `historyTable` を使用するように変更すると、カスタムチャートエディターに “Show step selector” オプションが表示されます。この機能には、ステップを選択するためのスライダーが含まれます。
-
+
+ カスタムチャートエディタの「Other settings」ページでこのオプションを有効にします。クエリを `summaryTable` ではなく `historyTable` を使用するように変更すると、カスタムチャートエディタで「Show step selector」オプションが利用できるようになります。この機能には、ステップを選択するためのスライダーが含まれます。
+
-
+
+ ノートブック内で、次のようなログメッセージを抑制するには:
-ノートブックで以下のようなログメッセージを抑制するには：
+ ```
+ INFO SenderThread:11484 [sender.py:finish():979]
+ ```
-```
-INFO SenderThread:11484 [sender.py:finish():979]
-```
+ ログレベルを `logging.ERROR` に設定してエラーのみを表示し、INFO レベルのログ出力を抑制します。
-ログレベルを `logging.ERROR` に設定してエラーのみを表示し、情報（info）レベルのログ出力を抑制してください。
+ ```python
+ import logging
-```python
-import logging
+ logger = logging.getLogger("wandb")
+ logger.setLevel(logging.ERROR)
+ ```
-logger = logging.getLogger("wandb")
-logger.setLevel(logging.ERROR)
-```
+ ログ出力を大幅に減らすには、`WANDB_QUIET` 環境変数を `True` に設定します。ログ出力を完全に無効にするには、`WANDB_SILENT` 環境変数を `True` に設定します。ノートブックでは、`wandb.login` を実行する前に `WANDB_QUIET` または `WANDB_SILENT` を設定します:
-ログ出力を大幅に減らすには、環境変数 `WANDB_QUIET` を `True` に設定します。完全に消すには、環境変数 `WANDB_SILENT` を `True` に設定してください。ノートブックでは、 `wandb.login` を実行する前に `WANDB_QUIET` または `WANDB_SILENT` を設定します：
+
+
+ ```python
+ %env WANDB_SILENT=True
+ ```
+
-
-
-```python
-%env WANDB_SILENT=True
-```
-
-
-```python
-import os
+
+ ```python
+ import os
-os.environ["WANDB_SILENT"] = "True"
-```
-
-
-
+ os.environ["WANDB_SILENT"] = "True"
+ ```
+
+
+
-
-
-通常の利用状況下では、 W&B がトレーニングパフォーマンスに与える影響は最小限です。通常の利用とは、 1秒に 1回未満の頻度でのログ記録や、 1ステップあたり数メガバイト程度にデータを制限することを指します。 W&B は非ブロッキングな関数呼び出しを行う別プロセスで動作するため、一時的なネットワーク停止や断続的なディスクの読み書きの問題がパフォーマンスを阻害することはありません。大量のデータを過剰にログに記録すると、ディスク I/O の問題につながる可能性があります。詳細についてはサポートにお問い合わせください。
-
+
+ 通常の使用条件下では、W&B がトレーニングパフォーマンスに与える影響は最小限です。通常の使用とは、1 秒あたり 1 回未満の頻度でログを記録し、1 ステップあたりのデータ量を数メガバイト程度に抑えることを指します。W&B は別プロセスで動作し、ノンブロッキングな関数呼び出しを行うため、短時間のネットワーク障害や一時的なディスクの読み書き問題によってパフォーマンスが阻害されることはありません。大量のデータを過剰にログに記録すると、ディスク I/O の問題が発生する場合があります。さらに質問がある場合は、サポートにお問い合わせください。
+
-
-
-W&B は Auth0 を通じてマルチテナント提供向けのシングルサインオン（SSO）をサポートしています。 SSO 統合は、 Okta や Azure AD などの OIDC 準拠の ID プロバイダーと互換性があります。 OIDC プロバイダーを設定するには、以下の手順に従ってください：
+
+ W&B は、マルチテナント版向けに Auth0 を通じて Single Sign-On (SSO) をサポートしています。SSO インテグレーションは Okta や Azure AD などの OIDC 準拠 IdP と互換性があります。OIDC プロバイダーを設定するには、次の手順に従います。
-* ID プロバイダーでシングルページアプリケーション（SPA）を作成します。
-* `grant_type` を `implicit` フローに設定します。
-* コールバック URI を `https://wandb.auth0.com/login/callback` に設定します。
+ * アイデンティティプロバイダー上で Single Page Application (SPA) を作成します。
+ * `grant_type` を `implicit` フローに設定します。
+ * コールバック URI を `https://wandb.auth0.com/login/callback` に設定します。
-**W&B 側の要件**
+ **W&B の要件**
-セットアップ完了後、アプリケーションの `Client ID` と `Issuer URL` を添えてカスタマーサクセスマネージャー（CSM）までご連絡ください。 W&B はこれらの詳細情報を使用して Auth0 接続を確立し、 SSO を有効にします。
-
+ セットアップ完了後、アプリケーションの `Client ID` と `Issuer URL` を添えてカスタマーサクセスマネージャー (CSM) に連絡してください。W&B がこれらの情報を使用して Auth0 接続を確立し、SSO を有効化します。
+
-
-
-環境変数 [`WANDB_SILENT`](/models/track/environment-variables) を `true` に設定してください。
-
-
-
-```python
-os.environ["WANDB_SILENT"] = "true"
-```
-
-
-```python
-%env WANDB_SILENT=true
-```
-
-
-```shell
-WANDB_SILENT=true
-```
-
-
-
+
+ 環境変数 [`WANDB_SILENT`](/ja/models/track/environment-variables) を `true` に設定します。
+
+
+
+ ```python
+ os.environ["WANDB_SILENT"] = "true"
+ ```
+
+
+
+ ```python
+ %env WANDB_SILENT=true
+ ```
+
+
+
+ ```shell
+ WANDB_SILENT=true
+ ```
+
+
+
-
-
-- 処理の遅延により、 Run の削除直後にはストレージメーターが更新されないことがあります。
-- バックエンドシステムが同期し、使用状況の変更を正確に反映するまでに時間がかかります。
-- ストレージメーターが更新されない場合は、変更が処理されるまでお待ちください。
-
+
+ * run を削除しても、処理の遅延によりストレージメーターはすぐには更新されません。
+ * バックエンドシステムが使用状況の変化を正確に反映するまでに同期のための時間が必要です。
+ * ストレージメーターが更新されていない場合は、変更が処理されるまでお待ちください。
+
-
+
+ W&B はイベントをメモリ上にキューし、非同期的にディスクへ書き込むことで、障害への対応と `WANDB_MODE=offline` 設定をサポートし、ログ記録後の同期を可能にしています。
-W&B は、障害への対応や `WANDB_MODE=offline` 設定（ログ記録後の同期を可能にする）をサポートするために、イベントをメモリ内のキューに入れ、非同期にディスクに書き込みます。
-
-ターミナルでローカルの Run ディレクトリへのパスを確認してください。このディレクトリにはデータストアとして機能する `.wandb` ファイルが含まれています。画像のログ記録の場合、 W&B は画像を `media/images` サブディレクトリに保存してから、クラウドストレージにアップロードします。
-
+ ターミナルにはローカル run ディレクトリへのパスが表示されます。このディレクトリにはデータストアとして機能する `.wandb` ファイルが含まれます。画像をログする場合、W&B は画像をクラウドストレージへアップロードする前に `media/images` サブディレクトリに保存します。
+
-
-
-任意の W&B Sweep エージェントがアクセスできるように `sweep_id` を公開するために、これらのエージェントが `sweep_id` を読み取って実行するための方法を実装してください。
+
+ 任意の W&B Sweep エージェントが `sweep_id` にアクセスできるように公開するには、これらのエージェントが `sweep_id` を読み取って実行できる仕組みを実装します。
-例えば、 Amazon EC2 インスタンスを起動し、その上で `wandb agent` を実行します。 SQS キューを使用して `sweep_id` を複数の EC2 インスタンスにブロードキャストします。各インスタンスはキューから `sweep_id` を取得し、プロセスを開始できます。
-
+ たとえば、Amazon EC2 インスタンスを起動して、その上で `wandb agent` を実行します。SQS キューを使用して `sweep_id` を複数の EC2 インスタンスへブロードキャストします。各インスタンスはキューから `sweep_id` を取得し、処理を開始できます。
+
-
-
-W&B の認証を行うには、 Amazon SageMaker の組み込み Estimator を使用している場合は `requirements.txt` ファイルを作成してください。認証と `requirements.txt` ファイルの設定の詳細については、 [SageMaker インテグレーション](/models/integrations/sagemaker) ガイドを参照してください。
+
+ W&B で認証を行うには、次のステップを完了します。組み込みの Amazon SageMaker estimator を使用する場合は、`requirements.txt` ファイルを作成します。認証と `requirements.txt` ファイルのセットアップの詳細については、[SageMaker integration](/ja/models/integrations/sagemaker) ガイドを参照してください。
-
-完全な例は [GitHub](https://github.com/wandb/examples/tree/master/examples/pytorch/pytorch-cifar10-sagemaker) にあります。また、 [ブログ](https://wandb.ai/site/articles/running-sweeps-with-sagemaker) でもさらに詳しく解説しています。\
-SageMaker と W&B を使用して感情分析器をデプロイするチュートリアルについては、 [Deploy Sentiment Analyzer Using SageMaker and W&B](https://wandb.ai/authors/sagemaker/reports/Deploy-Sentiment-Analyzer-Using-SageMaker-and-W-B--VmlldzoxODA1ODE) にアクセスしてください。
-
-
+
+ [GitHub](https://github.com/wandb/examples/tree/master/examples/pytorch/pytorch-cifar10-sagemaker) に完全なサンプルがあり、追加情報は当社の [blog](https://wandb.ai/site/articles/running-sweeps-with-sagemaker) で確認できます。\
+ SageMaker と W&B を使用して感情分析器をデプロイする方法については、[Deploy Sentiment Analyzer Using SageMaker and W&B tutorial](https://wandb.ai/authors/sagemaker/reports/Deploy-Sentiment-Analyzer-Using-SageMaker-and-W-B--VmlldzoxODA1ODE) にアクセスしてください。
+
+
-
+
+ 同じマシンで 2 つの W&B アカウントを扱うには、両方の API キーをファイルに保存します。リポジトリ内で次のコードを使用してキーを安全に切り替え、秘密キーがソース管理にチェックインされないようにします。
-同じマシンから 2つの W&B アカウントを管理するには、両方の API キーをファイルに保存してください。リポジトリ内で以下のコードを使用することで、秘密鍵がソース管理にチェックインされるのを防ぎつつ、安全にキーを切り替えることができます。
-
-```python
-if os.path.exists("~/keys.json"):
- os.environ["WANDB_API_KEY"] = json.loads("~/keys.json")["work_account"]
-```
-
+ ```python
+ if os.path.exists("~/keys.json"):
+ os.environ["WANDB_API_KEY"] = json.loads("~/keys.json")["work_account"]
+ ```
+
-
-
-メトリクスはデフォルトで 10秒ごとに収集されます。より高解像度なメトリクスが必要な場合は、 contact@wandb.com までメールでお問い合わせください。
-
+
+ メトリクスはデフォルトで 10 秒ごとに収集されます。より高解像度のメトリクスが必要な場合は、contact@wandb.com までメールでお問い合わせください。
+
-
-
-チームに関する詳細については、 [チームセクション](/platform/app/settings-page/teams) をご覧ください。
-
+
+ チームに関する詳細は、[teams セクション](/ja/platform/app/settings-page/teams)を参照してください。
+
-
+
+ テスト目的で W&B を no-operation (NOOP) として構成するには、`wandb.init(mode="disabled")` を使用するか、`WANDB_MODE=disabled` を設定します。
-テスト目的で W&B を何もしない（NOOP）ように設定するには、 `wandb.init(mode="disabled")` を使用するか、 `WANDB_MODE=disabled` を設定してください。
-
-
-`wandb.init(mode="disabled")` を使用しても、 W&B が `WANDB_CACHE_DIR` に Artifacts を保存するのを防ぐことはできません。
-
-
+
+ `wandb.init(mode="disabled")` を使用しても、W&B が `WANDB_CACHE_DIR` に Artifacts を保存することは防げません。
+
+
-
-
-データセットをトレーニング Run に関連付けるには、 SHA または一意の識別子を `wandb.Run.config.update(...)` に渡してください。 `wandb.Run.save()` がローカルファイル名と共に呼び出されない限り、 W&B がデータを保存することはありません。
-
+
+ `wandb.Run.config.update(...)` に SHA または一意の識別子を渡して、データセットをトレーニング run に関連付けてください。`wandb.Run.save()` がローカルファイル名を指定して呼び出されない限り、W&B はデータを保存しません。
+
-
-
-利用可能な役割と権限の概要については、 [チームの役割と権限](/platform/app/settings-page/teams#チームのロールと権限) ページをご覧ください。
-
+
+ 利用可能なロールと権限の概要については、[Team roles and permissions](/ja/platform/app/settings-page/teams#team-roles-and-permissions) ページを参照してください。
+
-
+
+ 支払い方法を更新するには、次の手順に従ってください。
-支払い方法を更新するには、以下の手順に従ってください：
+ 1. **プロフィールページに移動する**: まず、自分のユーザープロフィールページに移動します。
+ 2. **Organization を選択する**: アカウントセレクターから該当する Organization を選択します。
+ 3. **Billing 設定にアクセスする**: **Account** で **Billing** を選択します。
+ 4. **新しい支払い方法を追加する**:
+ * **Add payment method** をクリックします。
+ * 新しいカード情報を入力し、それを **primary** な支払い方法にするオプションを選択します。
-1. **プロフィールページに移動する**: まず、ユーザープロフィールページに移動します。
-2. **組織（Organization）を選択する**: アカウントセレクターから関連する組織を選択します。
-3. **請求（Billing）設定にアクセスする**: **Account** の下にある **Billing** を選択します。
-4. **新しい支払い方法を追加する**:
- - **Add payment method** をクリックします。
- - 新しいカード情報を入力し、それを **primary**（優先）の支払い方法にするオプションを選択します。
-
-> **注意:** 請求を管理するには、組織の請求担当管理者に割り当てられている必要があります。
-
+ > **Note:** 請求を管理するには、自分が所属する Organization の billing admin に割り当てられている必要があります。
+
-
-
-レポートに CSV をアップロードするには、 `wandb.Table` 形式を使用してください。 Python スクリプトで CSV を読み込み、 `wandb.Table` オブジェクトとしてログに記録します。これにより、データがレポート内でテーブルとしてレンダリングされます。
-
+
+ CSV をレポートにアップロードするには、`wandb.Table` フォーマットを使用します。Python スクリプトで CSV を読み込み、`wandb.Table` オブジェクトとしてログします。この操作により、データはレポート内でテーブルとしてレンダリングされます。
+
-
-
-新しい行で `/` を押し、 Image オプションまでスクロールして、画像をレポートにドラッグ＆ドロップしてください。
+
+ 新しい行で `/` を押し、Image オプションまでスクロールして、画像をレポート内にドラッグ＆ドロップします。
-
+
-
-
-W&B の主要なエンジニアおよびサポートスタッフは、ユーザーの許可を得た上で、デバッグ目的でログ記録された値にアクセスすることがあります。すべてのデータストアは保存時に暗号化され、アクセスは監査ログに記録されます。 W&B 従業員に対する完全なデータセキュリティを確保するには、セルフマネージド（Self-Managed）ソリューションをライセンス契約し、自社のインフラ内で W&B サーバーを実行してください。
-
+
+ W&B の主要なエンジニアとサポートスタッフは、ユーザーの許可を得たうえでデバッグ目的でログされた値にアクセスします。すべてのデータストアは保存データを暗号化し、監査ログでアクセスを記録します。W&B 従業員からの完全なデータ分離を行うには、Self-Managed ソリューションをライセンスして、自身のインフラストラクチャ内で W&B サーバーを実行してください。
+
-
-
-[wandb.ai](https://wandb.ai) 上の W&B マルチテナントクラウドに障害が発生しているかどうかは、[W&B ステータスページ](https://status.wandb.com)で確認できます。
-
+
+ W&B Multi-tenant Cloud (wandb.ai) で障害が発生していないか確認するには、https://status.wandb.com の W&B status ページを参照してください。
+
-
-
-トレーニングスクリプトで `wandb.init()` が実行されると、 API 呼び出しによってサーバー上に Run オブジェクトが作成されます。メトリクスをストリーミングおよび収集するための新しいプロセスが開始され、メインプロセスは通常通り動作できるようになります。スクリプトはローカルファイルに書き込み、別のプロセスがシステムメトリクスを含むデータをサーバーにストリーミングします。ストリーミングをオフにするには、トレーニングディレクトリから `wandb off` を実行するか、環境変数 `WANDB_MODE` を `offline` に設定してください。
-
+
+ トレーニングスクリプト内で `wandb.init()` が実行されると、API コールによってサーバー上に run オブジェクトが作成されます。新しいプロセスが開始されてメトリクスのストリーミングと収集を行うため、メインプロセスは通常どおり動作できます。スクリプトはローカルファイルに書き込みを行い、別プロセスがシステムメトリクスを含むデータをサーバーにストリーミングします。ストリーミングをオフにするには、トレーニングディレクトリで `wandb off` を実行するか、`WANDB_MODE` 環境変数を `offline` に設定します。
+
-
+
+ sweep の実行中は次のように動作します。
-Sweep の実行中：
-- Sweep が使用している `train.py` スクリプトが変更された場合、 Sweep は元の `train.py` を使い続けます。
-- `train.py` スクリプトが参照しているファイル（ `helper.py` 内のヘルパー関数など）が変更された場合、 Sweep は更新された `helper.py` を使用し始めます。
-
+ * sweep が使用している `train.py` スクリプトが変更されても、sweep は元の `train.py` を引き続き使用します。
+ * `helper.py` スクリプト内のヘルパー関数など、`train.py` スクリプトが参照するファイルが変更された場合、sweep は更新された `helper.py` を使用し始めます。
+
-
+
+ デフォルトでは、 Artifacts は `artifacts/` フォルダにダウンロードされます。保存先を変更するには、次のいずれかの方法を使用します。
-デフォルトでは、 Artifacts は `artifacts/` フォルダにダウンロードされます。場所を変更するには：
+ * [`wandb.Artifact().download`](/ja/models/ref/python/public-api/api) にパスを渡します:
-- [`wandb.Artifact().download`](/models/ref/python/public-api/api) にパスを渡します：
+ ```python
+ wandb.Artifact().download(root="")
+ ```
- ```python
- wandb.Artifact().download(root="<ダウンロードパス>")
- ```
+ * `WANDB_ARTIFACT_DIR` [環境変数](/ja/models/track/environment-variables) を設定します:
-- 環境変数 `WANDB_ARTIFACT_DIR` を設定します：
-
- ```python
- import os
- os.environ["WANDB_ARTIFACT_DIR"] = "<ダウンロードパス>"
- ```
-
+ ```python
+ import os
+ os.environ["WANDB_ARTIFACT_DIR"] = ""
+ ```
+
-
-
-エクスポートの制限により、 Run の履歴全体を CSV や `run.history` API を使用してエクスポートできない場合があります。 Run の完全な履歴にアクセスするには、 Parquet 形式を使用して Run history artifact をダウンロードしてください。
+
+ エクスポートの制限により、run の履歴全体が CSV として、または `run.history` API を使ってエクスポートできない場合があります。完全な run 履歴にアクセスするには、run 履歴 Artifacts を Parquet 形式でダウンロードしてください。
-```python
-import wandb
-import pandas as pd
+ ```python
+ import wandb
+ import pandas as pd
-run = wandb.init()
-artifact = run.use_artifact('//-history:v0', type='wandb-history')
-artifact_dir = artifact.download()
-df = pd.read_parquet('<.parquet ファイルへのパス>')
-```
-
+ run = wandb.init()
+ artifact = run.use_artifact('//-history:v0', type='wandb-history')
+ artifact_dir = artifact.download()
+ df = pd.read_parquet('')
+ ```
+
-
-
-ライブラリは Python 2.7 以降、および Python 3.6 以降をサポートしています。このアーキテクチャーは、他のプログラミング言語との統合も容易にするように設計されています。他の言語のモニタリングについては、 [contact@wandb.com](mailto:contact@wandb.com) までお問い合わせください。
-
-
+
+ このライブラリは Python 2.7 以降および Python 3.6 以降をサポートしています。このアーキテクチャは、他のプログラミング言語とのインテグレーションも容易になるように設計されています。その他の言語の監視については、[contact@wandb.com](mailto:contact@wandb.com) までお問い合わせください。
+
+
\ No newline at end of file
diff --git a/ja/training.mdx b/ja/training.mdx
index eaa8758d65..ff62d4d50a 100644
--- a/ja/training.mdx
+++ b/ja/training.mdx
@@ -1,15 +1,18 @@
---
-title: W&B トレーニング
-description: 強化学習 を使用して モデル を Post-train する
+title: W&B Training
+description: 強化学習と教師ありファインチューニングを使ってモデルをポストトレーニングする
mode: wide
---
-現在パブリックプレビュー中の W&B Training は、大規模言語モデル（LLM）のポストトレーニング向けにサーバーレスの 強化学習（RL）を提供します。これにより、マルチターンのエージェントタスクを実行する際の信頼性を向上させつつ、スピードの向上とコストの削減を実現します。RL は、モデルが自身の出力に対するフィードバックを通じて 振る舞い を改善することを学ぶ トレーニング 手法です。
+現在パブリックプレビュー中の W&B Training は、大規模言語モデル (LLM) 向けに、強化学習 (RL) と教師ありファインチューニング (SFT) の両方を含むサーバーレスなポストトレーニングを提供します。
-W&B Training は以下の インテグレーション を含んでいます：
+* **[Serverless RL](/ja/training/serverless-rl)**: マルチターンのエージェントタスクにおける信頼性を高めつつ、高速化とコスト削減を実現します。RL は、モデルが出力に対するフィードバックを通じて振る舞いを改善することを学習するトレーニング手法です。
+* **[Serverless SFT](/ja/training/sft-training)**: 蒸留のためのキュレーションされたデータセットを使ったり、出力のスタイルやフォーマットを教えたり、RL の前段としてウォームアップしたりするために、モデルをファインチューニングします。
-* [ART](https://art.openpipe.ai/getting-started/about): 柔軟な RL ファインチューニング フレームワーク。
-* [RULER](https://openpipe.ai/blog/ruler): ユニバーサルな検証ツール。
-* [CoreWeave Cloud](https://docs.coreweave.com/docs/platform) 上の完全に管理されたバックエンド。
+W&B Training には次のインテグレーションが含まれます:
-利用を開始するには、まず [前提条件](/training/prerequisites) を満たしてから、[OpenPipe のサーバーレス RL クイックスタート](https://art.openpipe.ai/getting-started/quick-start) を参照して Models のポストトレーニング方法を確認してください。
\ No newline at end of file
+* 柔軟なファインチューニング フレームワークである [ART](https://art.openpipe.ai/getting-started/about)。
+* 汎用検証ツールである [RULER](https://openpipe.ai/blog/ruler)。
+* [CoreWeave Cloud](https://docs.coreweave.com/docs/platform) 上のフルマネージドなバックエンド。
+
+利用を開始するには、まずサービス利用の [前提条件](/ja/training/prerequisites) を満たし、その後 [Serverless RL クイックスタート](https://art.openpipe.ai/getting-started/quick-start) または [Serverless SFT ドキュメント](https://art.openpipe.ai/fundamentals/sft-training) を参照して、モデルをポストトレーニングする方法を学んでください。
\ No newline at end of file
diff --git a/ja/training/api-reference.mdx b/ja/training/api-reference.mdx
index cc30eb77b0..f7e6583023 100644
--- a/ja/training/api-reference.mdx
+++ b/ja/training/api-reference.mdx
@@ -1,81 +1,76 @@
---
-title: API の概要
-description: W&B トレーニング (Training) に関する完全な API ドキュメント
+title: API 概要
+description: W&B Training 用の完全な API ドキュメント
---
-W&B Training API は、サーバーレスな 強化学習 の トレーニング ジョブを管理し、やり取りするためのエンドポイントを提供します。この API は、チャット完了（chat completions）において OpenAI 互換となっています。
+ W&B Training API は、サーバーレス強化学習 (RL) や教師ありファインチューニング (SFT) を含むトレーニング ジョブを管理・操作するためのエンドポイントを提供します。この API は chat completions API として OpenAI 互換です。
-## 認証
+
+ ## 認証
+
-すべての API リクエストには、W&B APIキー を使用した認証が必要です。APIキー は [wandb.ai/settings](https://wandb.ai/settings) で作成してください。
+すべての API リクエストには、W&B API キーによる認証が必要です。API キーは [wandb.ai/settings](https://wandb.ai/settings) で作成します。
-`Authorization` ヘッダーに APIキー を含めてください：
+`Authorization` ヘッダーに API キーを含めます：
```
Authorization: Bearer YOUR_API_KEY
```
-## ベース URL
+
+ ## ベース URL
+
```
https://api.training.wandb.ai/v1
```
-## 利用可能なエンドポイント
-
-
-### chat-completions
-
-- **[POST /v1/chat/completions](https://docs.wandb.ai/training/api-reference/chat-completions/create-chat-completion-v1-chat-completions)** - Chat Completion の作成
-- **[POST /v1/chat/completions/](https://docs.wandb.ai/training/api-reference/chat-completions/create-chat-completion-v1-chat-completions-)** - Chat Completion の作成
-
-### models
-
-- **[POST /v1/preview/models](https://docs.wandb.ai/training/api-reference/models/create-model-v1-preview-models)** - Models の作成
-- **[DELETE /v1/preview/models/{model_id}/checkpoints](https://docs.wandb.ai/training/api-reference/models/delete-model-checkpoints-v1-preview-models--model-id--checkpoints)** - モデル チェックポイント の削除
-- **[GET /v1/preview/models/{model_id}/checkpoints](https://docs.wandb.ai/training/api-reference/models/list-model-checkpoints-v1-preview-models--model-id--checkpoints)** - モデル チェックポイント の一覧取得
-- **[POST /v1/preview/models/{model_id}/log](https://docs.wandb.ai/training/api-reference/models/log-v1-preview-models--model-id--log)** - ログ
-
-### training-jobs
-
-- **[POST /v1/preview/training-jobs](https://docs.wandb.ai/training/api-reference/training-jobs/create-training-job-v1-preview-training-jobs)** - トレーニング ジョブの作成
-- **[GET /v1/preview/training-jobs/{training_job_id}](https://docs.wandb.ai/training/api-reference/training-jobs/get-training-job-v1-preview-training-jobs--training-job-id-)** - トレーニング ジョブの取得
-- **[GET /v1/preview/training-jobs/{training_job_id}/events](https://docs.wandb.ai/training/api-reference/training-jobs/get-training-job-events-v1-preview-training-jobs--training-job-id--events)** - トレーニング ジョブイベントの取得
-
-### 未分類
-
-- **[GET /v1/health](https://docs.wandb.ai/training/api-reference/uncategorized/health-check-v1-health)** - ヘルスチェック
-- **[GET /v1/system-check](https://docs.wandb.ai/training/api-reference/uncategorized/system-check-v1-system-check)** - システムチェック
-
-### chat-completions
-
-- **[POST /v1/chat/completions](https://docs.wandb.ai/training/api-reference/chat-completions/create-chat-completion-v1-chat-completions)** - Chat Completion の作成
-- **[POST /v1/chat/completions/](https://docs.wandb.ai/training/api-reference/chat-completions/create-chat-completion-v1-chat-completions-)** - Chat Completion の作成
-
-### models
-
-- **[POST /v1/preview/models](https://docs.wandb.ai/training/api-reference/models/create-model-v1-preview-models)** - Models の作成
-- **[DELETE /v1/preview/models/{model_id}/checkpoints](https://docs.wandb.ai/training/api-reference/models/delete-model-checkpoints-v1-preview-models--model-id--checkpoints)** - モデル チェックポイント の削除
-- **[GET /v1/preview/models/{model_id}/checkpoints](https://docs.wandb.ai/training/api-reference/models/list-model-checkpoints-v1-preview-models--model-id--checkpoints)** - モデル チェックポイント の一覧取得
-- **[POST /v1/preview/models/{model_id}/log](https://docs.wandb.ai/training/api-reference/models/log-v1-preview-models--model-id--log)** - ログ
-
-### training-jobs
-
-- **[POST /v1/preview/training-jobs](https://docs.wandb.ai/training/api-reference/training-jobs/create-training-job-v1-preview-training-jobs)** - トレーニング ジョブの作成
-- **[GET /v1/preview/training-jobs/{training_job_id}](https://docs.wandb.ai/training/api-reference/training-jobs/get-training-job-v1-preview-training-jobs--training-job-id-)** - トレーニング ジョブの取得
-- **[GET /v1/preview/training-jobs/{training_job_id}/events](https://docs.wandb.ai/training/api-reference/training-jobs/get-training-job-events-v1-preview-training-jobs--training-job-id--events)** - トレーニング ジョブイベントの取得
-
-### 未分類
-
-- **[GET /v1/health](https://docs.wandb.ai/training/api-reference/uncategorized/health-check-v1-health)** - ヘルスチェック
-- **[GET /v1/system-check](https://docs.wandb.ai/training/api-reference/uncategorized/system-check-v1-system-check)** - システムチェック
-
-## 関連リソース
-
-- [W&B Training 概要](/training)
-- [前提条件](/training/prerequisites)
-- [トレーニング済み モデル の使用](/training/serverless-rl/use-trained-models)
-- [利用可能な Models](/training/serverless-rl/available-models)
-- [使用制限](/training/serverless-rl/usage-limits)
\ No newline at end of file
+
+ ## 利用可能なエンドポイント
+
+
+
+ ### chat-completions
+
+
+* **[POST /v1/chat/completions](https://docs.wandb.ai/training/api-reference/chat-completions/create-chat-completion)** - Chat Completion を作成する
+* **[POST /v1/chat/completions/](https://docs.wandb.ai/training/api-reference/chat-completions/create-chat-completion)** - Chat Completion を作成する
+
+
+ ### Models
+
+
+* **[POST /v1/preview/models](https://docs.wandb.ai/training/api-reference/models/create-model)** - モデルを作成
+* **[DELETE /v1/preview/models/{model_id}](https://docs.wandb.ai/training/api-reference/models/delete-model)** - モデルを削除
+* **[DELETE /v1/preview/models/{model_id}/checkpoints](https://docs.wandb.ai/training/api-reference/models/delete-model-checkpoints)** - モデルのチェックポイントを削除
+* **[GET /v1/preview/models/{model_id}/checkpoints](https://docs.wandb.ai/training/api-reference/models/list-model-checkpoints)** - モデルのチェックポイント一覧を取得
+* **[POST /v1/preview/models/{model_id}/log](https://docs.wandb.ai/training/api-reference/models/log)** - ログを記録
+
+
+ ### training-jobs
+
+
+* **[POST /v1/preview/sft-training-jobs](https://docs.wandb.ai/training/api-reference/training-jobs/create-sft-training-job)** - SFT トレーニングジョブを作成
+* **[POST /v1/preview/training-jobs](https://docs.wandb.ai/training/api-reference/training-jobs/create-rl-training-job)** - RL トレーニングジョブを作成
+* **[GET /v1/preview/training-jobs/{training_job_id}](https://docs.wandb.ai/training/api-reference/training-jobs/get-training-job)** - トレーニングジョブを取得
+* **[GET /v1/preview/training-jobs/{training_job_id}/events](https://docs.wandb.ai/training/api-reference/training-jobs/get-training-job-events)** - トレーニングジョブのイベントを取得
+
+
+ ### ヘルス
+
+
+* **[GET /v1/health](https://docs.wandb.ai/training/api-reference/health/health-check)** - ヘルスチェック
+* **[GET /v1/system-check](https://docs.wandb.ai/training/api-reference/health/system-check)** - システムチェック
+
+
+ ## 関連リソース
+
+
+* [W&B Training の概要](/ja/training)
+* [前提条件](/ja/training/prerequisites)
+* [Serverless SFT](/ja/training/sft-training)
+* [トレーニング済みモデルを利用する](/ja/training/serverless-rl/use-trained-models)
+* [利用可能なモデル](/ja/training/serverless-rl/available-models)
+* [利用制限](/ja/training/serverless-rl/usage-limits)
\ No newline at end of file
diff --git a/ja/training/api-reference/openapi.json b/ja/training/api-reference/openapi.json
new file mode 100644
index 0000000000..a6899d43d9
--- /dev/null
+++ b/ja/training/api-reference/openapi.json
@@ -0,0 +1,4613 @@
+{
+ "openapi": "3.1.0",
+ "info": {
+ "title": "W&B Training",
+ "version": "1.0.0"
+ },
+ "paths": {
+ "/v1/chat/completions/": {
+ "post": {
+ "tags": [
+ "chat-completions"
+ ],
+ "summary": "チャット補完を作成",
+ "description": "新しい chat completion を作成する",
+ "operationId": "create_chat_completion_v1_chat_completions__post",
+ "requestBody": {
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/ChatCompletionRequest"
+ }
+ }
+ },
+ "required": true
+ },
+ "responses": {
+ "200": {
+ "description": "成功時のレスポンス",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/ChatCompletionResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ },
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ]
+ }
+ },
+ "/v1/chat/completions": {
+ "post": {
+ "tags": [
+ "chat-completions"
+ ],
+ "summary": "チャット補完を作成",
+ "description": "新しい chat completion を作成する",
+ "operationId": "create_chat_completion_v1_chat_completions_post",
+ "requestBody": {
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/ChatCompletionRequest"
+ }
+ }
+ },
+ "required": true
+ },
+ "responses": {
+ "200": {
+ "description": "成功時のレスポンス",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/ChatCompletionResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ },
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ]
+ }
+ },
+ "/v1/preview/models": {
+ "post": {
+ "tags": [
+ "models"
+ ],
+ "summary": "モデルを作成",
+ "description": "新しいモデルを作成する",
+ "operationId": "create_model_v1_preview_models_post",
+ "requestBody": {
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/ModelCreate"
+ }
+ }
+ },
+ "required": true
+ },
+ "responses": {
+ "200": {
+ "description": "成功レスポンス",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/ModelResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ },
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ]
+ }
+ },
+ "/v1/preview/models/{model_id}/checkpoints": {
+ "get": {
+ "tags": [
+ "models"
+ ],
+ "summary": "モデルのチェックポイントを一覧表示",
+ "operationId": "list_model_checkpoints_v1_preview_models__model_id__checkpoints_get",
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ],
+ "parameters": [
+ {
+ "name": "model_id",
+ "in": "path",
+ "required": true,
+ "schema": {
+ "type": "string",
+ "title": "Model Id"
+ }
+ },
+ {
+ "name": "after",
+ "in": "query",
+ "required": false,
+ "schema": {
+ "type": "string",
+ "description": "前ページ最後のアイテムの ID を示すページネーション カーソル",
+ "title": "After"
+ },
+ "description": "前ページ最後のアイテムの ID を示すページネーション カーソル"
+ },
+ {
+ "name": "limit",
+ "in": "query",
+ "required": false,
+ "schema": {
+ "type": "integer",
+ "maximum": 100,
+ "minimum": 1,
+ "description": "返却するアイテム数",
+ "default": 20,
+ "title": "Limit"
+ },
+ "description": "返却するアイテム数"
+ },
+ {
+ "name": "order",
+ "in": "query",
+ "required": false,
+ "schema": {
+ "enum": [
+ "asc",
+ "desc"
+ ],
+ "type": "string",
+ "description": "並び順",
+ "default": "asc",
+ "title": "Order"
+ },
+ "description": "並び順"
+ }
+ ],
+ "responses": {
+ "200": {
+ "description": "成功レスポンス",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/PaginatedResponse_CheckpointResponse_"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ }
+ },
+ "delete": {
+ "tags": [
+ "models"
+ ],
+ "summary": "モデルのチェックポイントを削除",
+ "description": "モデルの特定の チェックポイントを削除します。",
+ "operationId": "delete_model_checkpoints_v1_preview_models__model_id__checkpoints_delete",
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ],
+ "parameters": [
+ {
+ "name": "model_id",
+ "in": "path",
+ "required": true,
+ "schema": {
+ "type": "string",
+ "title": "Model Id"
+ }
+ }
+ ],
+ "requestBody": {
+ "required": true,
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/DeleteCheckpointsRequest"
+ }
+ }
+ }
+ },
+ "responses": {
+ "200": {
+ "description": "成功応答",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/DeleteCheckpointsResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ }
+ }
+ },
+ "/v1/preview/models/{model_id}": {
+ "delete": {
+ "tags": [
+ "models"
+ ],
+ "summary": "モデルを削除",
+ "description": "この モデル、そのすべての チェックポイントと Artifacts、ならびに関連する W&B run を削除します。",
+ "operationId": "delete_model_v1_preview_models__model_id__delete",
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ],
+ "parameters": [
+ {
+ "name": "model_id",
+ "in": "path",
+ "required": true,
+ "schema": {
+ "type": "string",
+ "title": "Model Id"
+ }
+ }
+ ],
+ "responses": {
+ "200": {
+ "description": "成功応答",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/DeleteModelResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ }
+ }
+ },
+ "/v1/preview/models/{model_id}/log": {
+ "post": {
+ "tags": [
+ "models"
+ ],
+ "summary": "ログ",
+ "description": "トレースをログとして記録し、メトリクスを計算します。",
+ "operationId": "log_v1_preview_models__model_id__log_post",
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ],
+ "parameters": [
+ {
+ "name": "model_id",
+ "in": "path",
+ "required": true,
+ "schema": {
+ "type": "string",
+ "title": "Model Id"
+ }
+ }
+ ],
+ "requestBody": {
+ "required": true,
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/LogRequest"
+ }
+ }
+ }
+ },
+ "responses": {
+ "200": {
+ "description": "成功応答",
+ "content": {
+ "application/json": {
+ "schema": {}
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ }
+ }
+ },
+ "/v1/preview/training-jobs": {
+ "post": {
+ "tags": [
+ "training-jobs"
+ ],
+ "summary": "RL トレーニングジョブを作成",
+ "operationId": "create_training_job_v1_preview_training_jobs_post",
+ "requestBody": {
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/CreateTrainingJob"
+ }
+ }
+ },
+ "required": true
+ },
+ "responses": {
+ "200": {
+ "description": "成功応答",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/TrainingJobResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ },
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ]
+ }
+ },
+ "/v1/preview/sft-training-jobs": {
+ "post": {
+ "tags": [
+ "training-jobs"
+ ],
+ "summary": "SFT トレーニングジョブを作成",
+ "description": "新しい SFT（教師ありファインチューニング）トレーニングジョブを作成します。",
+ "operationId": "create_sft_training_job_v1_preview_sft_training_jobs_post",
+ "requestBody": {
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/CreateSFTTrainingJob"
+ }
+ }
+ },
+ "required": true
+ },
+ "responses": {
+ "200": {
+ "description": "成功レスポンス",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/TrainingJobResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ },
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ]
+ }
+ },
+ "/v1/preview/training-jobs/{training_job_id}": {
+ "get": {
+ "tags": [
+ "training-jobs"
+ ],
+ "summary": "トレーニングジョブを取得",
+ "description": "ID でトレーニングジョブを取得します。",
+ "operationId": "get_training_job_v1_preview_training_jobs__training_job_id__get",
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ],
+ "parameters": [
+ {
+ "name": "training_job_id",
+ "in": "path",
+ "required": true,
+ "schema": {
+ "type": "string",
+ "title": "Training Job Id"
+ }
+ }
+ ],
+ "responses": {
+ "200": {
+ "description": "成功レスポンス",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/TrainingJobResponse"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ }
+ }
+ },
+ "/v1/preview/training-jobs/{training_job_id}/events": {
+ "get": {
+ "tags": [
+ "training-jobs"
+ ],
+ "summary": "トレーニング ジョブのイベントを取得する",
+ "description": "トレーニングジョブのイベントを取得します。",
+ "operationId": "get_training_job_events_v1_preview_training_jobs__training_job_id__events_get",
+ "security": [
+ {
+ "HTTPBearer": []
+ }
+ ],
+ "parameters": [
+ {
+ "name": "training_job_id",
+ "in": "path",
+ "required": true,
+ "schema": {
+ "type": "string",
+ "title": "Training Job Id"
+ }
+ },
+ {
+ "name": "after",
+ "in": "query",
+ "required": false,
+ "schema": {
+ "type": "string",
+ "description": "ページネーション用のカーソル",
+ "title": "After"
+ },
+ "description": "ページネーション用のカーソル"
+ },
+ {
+ "name": "limit",
+ "in": "query",
+ "required": false,
+ "schema": {
+ "type": "integer",
+ "maximum": 100,
+ "minimum": 1,
+ "description": "返す項目数",
+ "default": 20,
+ "title": "Limit"
+ },
+ "description": "返す項目数"
+ }
+ ],
+ "responses": {
+ "200": {
+ "description": "成功時のレスポンス",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/PaginatedResponse_TrainingJobEventResponse_"
+ }
+ }
+ }
+ },
+ "422": {
+ "description": "検証エラー",
+ "content": {
+ "application/json": {
+ "schema": {
+ "$ref": "#/components/schemas/HTTPValidationError"
+ }
+ }
+ }
+ }
+ }
+ }
+ },
+ "/v1/health": {
+ "get": {
+ "tags": [
+ "health"
+ ],
+ "summary": "ヘルスチェック",
+ "operationId": "health_check_v1_health_get",
+ "responses": {
+ "200": {
+ "description": "成功時のレスポンス",
+ "content": {
+ "application/json": {
+ "schema": {}
+ }
+ }
+ }
+ }
+ }
+ },
+ "/v1/system-check": {
+ "get": {
+ "tags": [
+ "health"
+ ],
+ "summary": "システムチェック",
+ "description": "すべてのシステムコンポーネントのヘルスチェックを実行します。\n\n戻り値:\n 次の状態を含む JSON:\n - api: エンドポイントに到達可能であれば常に true\n - database: DB 接続が正常に機能しているかどうか\n - cpu_queue: 成否、処理時間、およびエラー情報\n - gpu_queue: 成否、処理時間、およびエラー情報\n\nいずれかのチェックが失敗した場合は HTTP 503 を返します。",
+ "operationId": "system_check_v1_system_check_get",
+ "responses": {
+ "200": {
+ "description": "成功時のレスポンス",
+ "content": {
+ "application/json": {
+ "schema": {}
+ }
+ }
+ }
+ }
+ }
+ }
+ },
+ "components": {
+ "schemas": {
+ "Annotation": {
+ "properties": {
+ "type": {
+ "type": "string",
+ "const": "url_citation",
+ "title": "Type"
+ },
+ "url_citation": {
+ "$ref": "#/components/schemas/AnnotationURLCitation"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "type",
+ "url_citation"
+ ],
+ "title": "Annotation",
+ "description": "Web 検索を使用する際の URL 出典情報。"
+ },
+ "AnnotationURLCitation": {
+ "properties": {
+ "end_index": {
+ "type": "integer",
+ "title": "End Index"
+ },
+ "start_index": {
+ "type": "integer",
+ "title": "Start Index"
+ },
+ "title": {
+ "type": "string",
+ "title": "Title"
+ },
+ "url": {
+ "type": "string",
+ "title": "Url"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "end_index",
+ "start_index",
+ "title",
+ "url"
+ ],
+ "title": "AnnotationURLCitation",
+ "description": "Web 検索を使用する際の URL 出典情報。"
+ },
+ "Audio": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "id"
+ ],
+ "title": "Audio",
+ "description": "モデルからの前回の音声レスポンスに関するデータです。\n[詳細はこちら](https://platform.openai.com/docs/guides/audio)。"
+ },
+ "AudioURL": {
+ "properties": {
+ "url": {
+ "type": "string",
+ "title": "Url"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "url"
+ ],
+ "title": "AudioURL"
+ },
+ "Author": {
+ "properties": {
+ "role": {
+ "$ref": "#/components/schemas/Role"
+ },
+ "name": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Name"
+ }
+ },
+ "type": "object",
+ "required": [
+ "role"
+ ],
+ "title": "Author"
+ },
+ "ChatCompletionAssistantMessageParam": {
+ "properties": {
+ "role": {
+ "type": "string",
+ "const": "assistant",
+ "title": "Role"
+ },
+ "audio": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/Audio"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartTextParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartRefusalParam"
+ }
+ ]
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Content"
+ },
+ "function_call": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/FunctionCall-Input"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "refusal": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Refusal"
+ },
+ "tool_calls": {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionMessageFunctionToolCallParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionMessageCustomToolCallParam"
+ }
+ ]
+ },
+ "type": "array",
+ "title": "Tool Calls"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "role"
+ ],
+ "title": "ChatCompletionAssistantMessageParam",
+ "description": "ユーザー からのメッセージに対して モデル が返したメッセージです。"
+ },
+ "ChatCompletionAudio": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ },
+ "data": {
+ "type": "string",
+ "title": "Data"
+ },
+ "expires_at": {
+ "type": "integer",
+ "title": "Expires At"
+ },
+ "transcript": {
+ "type": "string",
+ "title": "Transcript"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "id",
+ "data",
+ "expires_at",
+ "transcript"
+ ],
+ "title": "ChatCompletionAudio",
+ "description": "音声の出力モダリティが要求されている場合、このオブジェクトには モデル からの音声応答データが含まれます。\n[詳しくはこちら](https://platform.openai.com/docs/guides/audio)。"
+ },
+ "ChatCompletionContentPartAudioEmbedsParam": {
+ "properties": {
+ "audio_embeds": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "additionalProperties": {
+ "type": "string"
+ },
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Audio Embeds"
+ },
+ "type": {
+ "type": "string",
+ "const": "audio_embeds",
+ "title": "Type"
+ },
+ "uuid": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Uuid"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "type"
+ ],
+ "title": "ChatCompletionContentPartAudioEmbedsParam"
+ },
+ "ChatCompletionContentPartAudioParam": {
+ "properties": {
+ "audio_url": {
+ "$ref": "#/components/schemas/AudioURL"
+ },
+ "type": {
+ "type": "string",
+ "const": "audio_url",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "audio_url",
+ "type"
+ ],
+ "title": "ChatCompletionContentPartAudioParam"
+ },
+ "ChatCompletionContentPartImageEmbedsParam": {
+ "properties": {
+ "image_embeds": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "additionalProperties": {
+ "type": "string"
+ },
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Image Embeds"
+ },
+ "type": {
+ "type": "string",
+ "const": "image_embeds",
+ "title": "Type"
+ },
+ "uuid": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Uuid"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "type"
+ ],
+ "title": "ChatCompletionContentPartImageEmbedsParam"
+ },
+ "ChatCompletionContentPartImageParam": {
+ "properties": {
+ "image_url": {
+ "$ref": "#/components/schemas/ImageURL"
+ },
+ "type": {
+ "type": "string",
+ "const": "image_url",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "image_url",
+ "type"
+ ],
+ "title": "ChatCompletionContentPartImageParam",
+ "description": "[画像入力](https://platform.openai.com/docs/guides/vision)について学ぶ。"
+ },
+ "ChatCompletionContentPartInputAudioParam": {
+ "properties": {
+ "input_audio": {
+ "$ref": "#/components/schemas/InputAudio"
+ },
+ "type": {
+ "type": "string",
+ "const": "input_audio",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "input_audio",
+ "type"
+ ],
+ "title": "ChatCompletionContentPartInputAudioParam",
+ "description": "[音声入力](https://platform.openai.com/docs/guides/audio)について学ぶ。"
+ },
+ "ChatCompletionContentPartRefusalParam": {
+ "properties": {
+ "refusal": {
+ "type": "string",
+ "title": "Refusal"
+ },
+ "type": {
+ "type": "string",
+ "const": "refusal",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "refusal",
+ "type"
+ ],
+ "title": "ChatCompletionContentPartRefusalParam"
+ },
+ "ChatCompletionContentPartTextParam": {
+ "properties": {
+ "text": {
+ "type": "string",
+ "title": "Text"
+ },
+ "type": {
+ "type": "string",
+ "const": "text",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "text",
+ "type"
+ ],
+ "title": "ChatCompletionContentPartTextParam",
+ "description": "[テキスト入力](https://platform.openai.com/docs/guides/text-generation)について学ぶ。"
+ },
+ "ChatCompletionContentPartVideoParam": {
+ "properties": {
+ "video_url": {
+ "$ref": "#/components/schemas/VideoURL"
+ },
+ "type": {
+ "type": "string",
+ "const": "video_url",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "video_url",
+ "type"
+ ],
+ "title": "ChatCompletionContentPartVideoParam"
+ },
+ "ChatCompletionDeveloperMessageParam": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionContentPartTextParam"
+ },
+ "type": "array"
+ }
+ ],
+ "title": "Content"
+ },
+ "role": {
+ "type": "string",
+ "const": "developer",
+ "title": "Role"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "content",
+ "role"
+ ],
+ "title": "ChatCompletionDeveloperMessageParam",
+ "description": "ユーザー から送信されたメッセージに関係なく、モデル が必ず従うべき、開発者が指定する指示です。o1 モデル 以降では、`developer` メッセージが、従来の `system` メッセージに置き換わります。"
+ },
+ "ChatCompletionFunctionMessageParam": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Content"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "role": {
+ "type": "string",
+ "const": "function",
+ "title": "Role"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "content",
+ "name",
+ "role"
+ ],
+ "title": "ChatCompletionFunctionMessageParam"
+ },
+ "ChatCompletionFunctionToolParam": {
+ "properties": {
+ "function": {
+ "$ref": "#/components/schemas/openai__types__shared_params__function_definition__FunctionDefinition"
+ },
+ "type": {
+ "type": "string",
+ "const": "function",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "function",
+ "type"
+ ],
+ "title": "ChatCompletionFunctionToolParam",
+ "description": "応答を生成するために使用できる function ツールです。"
+ },
+ "ChatCompletionLogProb": {
+ "properties": {
+ "token": {
+ "type": "string",
+ "title": "Token"
+ },
+ "logprob": {
+ "type": "number",
+ "title": "Logprob",
+ "default": -9999
+ },
+ "bytes": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Bytes"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "token"
+ ],
+ "title": "ChatCompletionLogProb"
+ },
+ "ChatCompletionLogProbs": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionLogProbsContent"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Content"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "ChatCompletionLogProbs"
+ },
+ "ChatCompletionLogProbsContent": {
+ "properties": {
+ "token": {
+ "type": "string",
+ "title": "Token"
+ },
+ "logprob": {
+ "type": "number",
+ "title": "Logprob",
+ "default": -9999
+ },
+ "bytes": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Bytes"
+ },
+ "top_logprobs": {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionLogProb"
+ },
+ "type": "array",
+ "title": "Top Logprobs"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "token"
+ ],
+ "title": "ChatCompletionLogProbsContent"
+ },
+ "ChatCompletionMessage": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Content"
+ },
+ "refusal": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Refusal"
+ },
+ "role": {
+ "type": "string",
+ "const": "assistant",
+ "title": "Role"
+ },
+ "annotations": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/Annotation"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Annotations"
+ },
+ "audio": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionAudio"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "function_call": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/FunctionCall-Input"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "tool_calls": {
+ "anyOf": [
+ {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionMessageFunctionToolCall"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionMessageCustomToolCall"
+ }
+ ]
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tool Calls"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "role"
+ ],
+ "title": "ChatCompletionMessage",
+ "description": "モデル が生成した chat completion メッセージです。"
+ },
+ "ChatCompletionMessageCustomToolCall": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ },
+ "custom": {
+ "$ref": "#/components/schemas/Custom"
+ },
+ "type": {
+ "type": "string",
+ "const": "custom",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "id",
+ "custom",
+ "type"
+ ],
+ "title": "ChatCompletionMessageCustomToolCall",
+ "description": "モデル が作成したカスタム ツールへの呼び出しです。"
+ },
+ "ChatCompletionMessageCustomToolCallParam": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ },
+ "custom": {
+ "$ref": "#/components/schemas/Custom"
+ },
+ "type": {
+ "type": "string",
+ "const": "custom",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "id",
+ "custom",
+ "type"
+ ],
+ "title": "ChatCompletionMessageCustomToolCallParam",
+ "description": "モデル が作成したカスタム ツールへの呼び出しです。"
+ },
+ "ChatCompletionMessageFunctionToolCall": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ },
+ "function": {
+ "$ref": "#/components/schemas/Function"
+ },
+ "type": {
+ "type": "string",
+ "const": "function",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "id",
+ "function",
+ "type"
+ ],
+ "title": "ChatCompletionMessageFunctionToolCall",
+ "description": "モデルによって作成された function ツールの呼び出し。"
+ },
+ "ChatCompletionMessageFunctionToolCallParam": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ },
+ "function": {
+ "$ref": "#/components/schemas/Function"
+ },
+ "type": {
+ "type": "string",
+ "const": "function",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "id",
+ "function",
+ "type"
+ ],
+ "title": "ChatCompletionMessageFunctionToolCallParam",
+ "description": "モデルによって作成された function ツールの呼び出し。"
+ },
+ "ChatCompletionNamedFunction": {
+ "properties": {
+ "name": {
+ "type": "string",
+ "title": "Name"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "name"
+ ],
+ "title": "ChatCompletionNamedFunction"
+ },
+ "ChatCompletionNamedToolChoiceParam": {
+ "properties": {
+ "function": {
+ "$ref": "#/components/schemas/ChatCompletionNamedFunction"
+ },
+ "type": {
+ "type": "string",
+ "const": "function",
+ "title": "Type",
+ "default": "function"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "function"
+ ],
+ "title": "ChatCompletionNamedToolChoiceParam"
+ },
+ "ChatCompletionRequest": {
+ "properties": {
+ "messages": {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionDeveloperMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionSystemMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionUserMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionAssistantMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionToolMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionFunctionMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/CustomChatCompletionMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/Message"
+ }
+ ]
+ },
+ "type": "array",
+ "title": "Messages"
+ },
+ "model": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Model"
+ },
+ "frequency_penalty": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Frequency Penalty",
+ "default": 0
+ },
+ "logit_bias": {
+ "anyOf": [
+ {
+ "additionalProperties": {
+ "type": "number"
+ },
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Logit Bias"
+ },
+ "logprobs": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Logprobs",
+ "default": false
+ },
+ "top_logprobs": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Top Logprobs",
+ "default": 0
+ },
+ "max_tokens": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Max Tokens",
+ "deprecated": true
+ },
+ "max_completion_tokens": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Max Completion Tokens"
+ },
+ "n": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "N",
+ "default": 1
+ },
+ "presence_penalty": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Presence Penalty",
+ "default": 0
+ },
+ "response_format": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ResponseFormat"
+ },
+ {
+ "$ref": "#/components/schemas/StructuralTagResponseFormat"
+ },
+ {
+ "$ref": "#/components/schemas/LegacyStructuralTagResponseFormat"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Response Format"
+ },
+ "seed": {
+ "anyOf": [
+ {
+ "type": "integer",
+ "maximum": 9223372036854776000,
+ "minimum": -9223372036854776000
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Seed"
+ },
+ "stop": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "items": {
+ "type": "string"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Stop",
+ "default": []
+ },
+ "stream": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Stream",
+ "default": false
+ },
+ "stream_options": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/StreamOptions"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "temperature": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Temperature"
+ },
+ "top_p": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Top P"
+ },
+ "tools": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionToolsParam"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tools"
+ },
+ "tool_choice": {
+ "anyOf": [
+ {
+ "type": "string",
+ "const": "none"
+ },
+ {
+ "type": "string",
+ "const": "auto"
+ },
+ {
+ "type": "string",
+ "const": "required"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionNamedToolChoiceParam"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tool Choice",
+ "default": "none"
+ },
+ "reasoning_effort": {
+ "anyOf": [
+ {
+ "type": "string",
+ "enum": [
+ "low",
+ "medium",
+ "high"
+ ]
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Reasoning Effort"
+ },
+ "include_reasoning": {
+ "type": "boolean",
+ "title": "Include Reasoning",
+ "default": true
+ },
+ "parallel_tool_calls": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Parallel Tool Calls",
+ "default": true
+ },
+ "user": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "User"
+ },
+ "use_beam_search": {
+ "type": "boolean",
+ "title": "Use Beam Search",
+ "default": false
+ },
+ "top_k": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Top K"
+ },
+ "min_p": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Min P"
+ },
+ "repetition_penalty": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Repetition Penalty"
+ },
+ "length_penalty": {
+ "type": "number",
+ "title": "Length Penalty",
+ "default": 1
+ },
+ "stop_token_ids": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Stop Token Ids",
+ "default": []
+ },
+ "include_stop_str_in_output": {
+ "type": "boolean",
+ "title": "Include Stop Str In Output",
+ "default": false
+ },
+ "ignore_eos": {
+ "type": "boolean",
+ "title": "Ignore Eos",
+ "default": false
+ },
+ "min_tokens": {
+ "type": "integer",
+ "title": "Min Tokens",
+ "default": 0
+ },
+ "skip_special_tokens": {
+ "type": "boolean",
+ "title": "Skip Special Tokens",
+ "default": true
+ },
+ "spaces_between_special_tokens": {
+ "type": "boolean",
+ "title": "Spaces Between Special Tokens",
+ "default": true
+ },
+ "truncate_prompt_tokens": {
+ "anyOf": [
+ {
+ "type": "integer",
+ "minimum": -1
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Truncate Prompt Tokens"
+ },
+ "prompt_logprobs": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Prompt Logprobs"
+ },
+ "allowed_token_ids": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Allowed Token Ids"
+ },
+ "bad_words": {
+ "items": {
+ "type": "string"
+ },
+ "type": "array",
+ "title": "Bad Words"
+ },
+ "echo": {
+ "type": "boolean",
+ "title": "Echo",
+ "description": "true の場合、新しいメッセージが同じロールに属していれば、直前のメッセージに続けて追加されます。",
+ "default": false
+ },
+ "add_generation_prompt": {
+ "type": "boolean",
+ "title": "Add Generation Prompt",
+ "description": "true の場合、生成用のプロンプトがチャットテンプレートに追加されます。これは、モデルの tokenizer 設定の chat template で使用されるパラメーターです。",
+ "default": true
+ },
+ "continue_final_message": {
+ "type": "boolean",
+ "title": "Continue Final Message",
+ "description": "これが設定されている場合、チャット内の最後のメッセージが途中で終わるオープンエンドになり、EOS トークンが付与されないようにチャットがフォーマットされます。モデルは新しいメッセージを開始するのではなく、このメッセージを継続します。これにより、モデルの応答の一部をあらかじめ「prefill（プレフィル）」することができます。`add_generation_prompt` と同時には使用できません。",
+ "default": false
+ },
+ "add_special_tokens": {
+ "type": "boolean",
+ "title": "Add Special Tokens",
+ "description": "true の場合、チャットテンプレートによって追加される内容に加え、特別なトークン（例: BOS）がプロンプトに追加されます。ほとんどのモデルでは、チャットテンプレートが特別なトークンの追加を処理するため、この設定は false（デフォルト）のままにしておく必要があります。",
+ "default": false
+ },
+ "documents": {
+ "anyOf": [
+ {
+ "items": {
+ "additionalProperties": {
+ "type": "string"
+ },
+ "type": "object"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Documents",
+ "description": "RAG（retrieval-augmented generation）を実行する際に、モデル から参照可能なドキュメントを表す dict のリストです。テンプレートが RAG をサポートしていない場合、この引数は効果はありません。各ドキュメントは \"title\" と \"text\" キーを含む dict とすることを推奨します。"
+ },
+ "chat_template": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Chat Template",
+ "description": "この変換に使用する Jinja テンプレートです。transformers v4.44 以降ではデフォルトのチャットテンプレートは使用できないため、tokenizer がチャットテンプレートを定義していない場合は、チャットテンプレートを必ず指定する必要があります。"
+ },
+ "chat_template_kwargs": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Chat Template Kwargs",
+ "description": "テンプレートレンダラーに渡される追加のキーワード引数です。チャットテンプレートから参照可能になります。"
+ },
+ "mm_processor_kwargs": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Mm Processor Kwargs",
+ "description": "HF プロセッサーに渡す追加のキーワード引数（kwargs）です。"
+ },
+ "structured_outputs": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/StructuredOutputsParams"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "description": "構造化出力用の追加のキーワード引数（kwargs）です。"
+ },
+ "priority": {
+ "type": "integer",
+ "title": "Priority",
+ "description": "リクエストの優先度です（値が小さいほど早く処理されます。デフォルト: 0）。優先度が 0 以外の場合、指定した モデル が優先度付きスケジューリングを使用していなければエラーになります。",
+ "default": 0
+ },
+ "request_id": {
+ "type": "string",
+ "title": "Request Id",
+ "description": "このリクエストに関連付けられた request_id です。呼び出し元で設定しなかった場合は random_uuid が自動生成されます。この ID は推論処理全体を通して使用され、レスポンスにも含まれます。"
+ },
+ "logits_processors": {
+ "anyOf": [
+ {
+ "items": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "$ref": "#/components/schemas/LogitsProcessorConstructor"
+ }
+ ]
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Logits Processors",
+ "description": "サンプリング時に適用する logits processor の修飾名、またはそのコンストラクターを表すオブジェクトのリストです。コンストラクターは JSON オブジェクトで、必須フィールドとしてプロセッサークラス／ファクトリの修飾名を指定する 'qualname' を持ち、さらに位置引数を含む 'args' フィールドおよびキーワード引数を含む 'kwargs' フィールドを任意で持ちます。例: {'qualname': 'my_module.MyLogitsProcessor', 'args': [1, 2], 'kwargs': {'param': 'value'}}。"
+ },
+ "return_tokens_as_token_ids": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Return Tokens As Token Ids",
+ "description": "'logprobs' と一緒に指定した場合、トークンは 'token_id:{token_id}' という形式の文字列として表現されます。この形式により、JSON にエンコードできないトークンを識別できるようになります。"
+ },
+ "return_token_ids": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Return Token Ids",
+ "description": "指定した場合、生成されたテキストに加えてトークン ID が結果に含まれます。ストリーミングモードでは、prompt_token_ids は最初のチャンクにのみ含まれ、token_ids には各チャンクの差分トークンのみが含まれます。これはデバッグする際や、生成テキストを入力トークンにマッピングし直す必要がある場合に便利です。"
+ },
+ "cache_salt": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Cache Salt",
+ "description": "指定した場合、マルチユーザー環境で攻撃者にプロンプトを推測されないように、指定した文字列でプレフィックスキャッシュにソルトを付与します。ソルトはランダムで、第三者がアクセスできないよう保護され、かつ予測不可能な十分な長さである必要があります（例：256 ビットに相当する、43 文字の base64 エンコード文字列）。"
+ },
+ "kv_transfer_params": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Kv Transfer Params",
+ "description": "分離型サービング用に使用される KVTransfer パラメーター。"
+ },
+ "vllm_xargs": {
+ "anyOf": [
+ {
+ "additionalProperties": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "integer"
+ },
+ {
+ "type": "number"
+ },
+ {
+ "items": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "integer"
+ },
+ {
+ "type": "number"
+ }
+ ]
+ },
+ "type": "array"
+ }
+ ]
+ },
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Vllm Xargs",
+ "description": "カスタム拡張機能で使用される、値として文字列または数値（のリスト）を取る追加のリクエストパラメーター。"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "messages"
+ ],
+ "title": "ChatCompletionRequest"
+ },
+ "ChatCompletionResponse": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ },
+ "object": {
+ "type": "string",
+ "const": "chat.completion",
+ "title": "Object",
+ "default": "chat.completion"
+ },
+ "created": {
+ "type": "integer",
+ "title": "Created"
+ },
+ "model": {
+ "type": "string",
+ "title": "Model"
+ },
+ "choices": {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionResponseChoice"
+ },
+ "type": "array",
+ "title": "Choices"
+ },
+ "service_tier": {
+ "anyOf": [
+ {
+ "type": "string",
+ "enum": [
+ "auto",
+ "default",
+ "flex",
+ "scale",
+ "priority"
+ ]
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Service Tier"
+ },
+ "system_fingerprint": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "System Fingerprint"
+ },
+ "usage": {
+ "$ref": "#/components/schemas/UsageInfo"
+ },
+ "prompt_logprobs": {
+ "anyOf": [
+ {
+ "items": {
+ "anyOf": [
+ {
+ "additionalProperties": {
+ "$ref": "#/components/schemas/Logprob"
+ },
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Prompt Logprobs"
+ },
+ "prompt_token_ids": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Prompt Token Ids"
+ },
+ "kv_transfer_params": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Kv Transfer Params",
+ "description": "KVTransfer パラメーター。"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "model",
+ "choices",
+ "usage"
+ ],
+ "title": "ChatCompletionResponse"
+ },
+ "ChatCompletionResponseChoice": {
+ "properties": {
+ "index": {
+ "type": "integer",
+ "title": "Index"
+ },
+ "message": {
+ "$ref": "#/components/schemas/ChatMessage"
+ },
+ "logprobs": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionLogProbs"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "finish_reason": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Finish Reason",
+ "default": "stop"
+ },
+ "stop_reason": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Stop Reason"
+ },
+ "token_ids": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Token Ids"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "index",
+ "message"
+ ],
+ "title": "ChatCompletionResponseChoice"
+ },
+ "ChatCompletionSystemMessageParam": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionContentPartTextParam"
+ },
+ "type": "array"
+ }
+ ],
+ "title": "Content"
+ },
+ "role": {
+ "type": "string",
+ "const": "system",
+ "title": "Role"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "content",
+ "role"
+ ],
+ "title": "ChatCompletionSystemMessageParam",
+ "description": "ユーザーが送信するメッセージに関わらず、モデルが必ず従うべき、開発者が提供する指示です。o1 系およびそれ以降のモデルでは、この目的には代わりに `developer` メッセージを使用してください。"
+ },
+ "ChatCompletionTokenLogprob": {
+ "properties": {
+ "token": {
+ "type": "string",
+ "title": "Token"
+ },
+ "bytes": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Bytes"
+ },
+ "logprob": {
+ "type": "number",
+ "title": "Logprob"
+ },
+ "top_logprobs": {
+ "items": {
+ "$ref": "#/components/schemas/TopLogprob"
+ },
+ "type": "array",
+ "title": "Top Logprobs"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "token",
+ "logprob",
+ "top_logprobs"
+ ],
+ "title": "ChatCompletionTokenLogprob"
+ },
+ "ChatCompletionToolMessageParam": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionContentPartTextParam"
+ },
+ "type": "array"
+ }
+ ],
+ "title": "Content"
+ },
+ "role": {
+ "type": "string",
+ "const": "tool",
+ "title": "Role"
+ },
+ "tool_call_id": {
+ "type": "string",
+ "title": "Tool Call Id"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "content",
+ "role",
+ "tool_call_id"
+ ],
+ "title": "ChatCompletionToolMessageParam"
+ },
+ "ChatCompletionToolsParam": {
+ "properties": {
+ "type": {
+ "type": "string",
+ "const": "function",
+ "title": "Type",
+ "default": "function"
+ },
+ "function": {
+ "$ref": "#/components/schemas/FunctionDefinition"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "function"
+ ],
+ "title": "ChatCompletionToolsParam"
+ },
+ "ChatCompletionUserMessageParam": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartTextParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartImageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartInputAudioParam"
+ },
+ {
+ "$ref": "#/components/schemas/File"
+ }
+ ]
+ },
+ "type": "array"
+ }
+ ],
+ "title": "Content"
+ },
+ "role": {
+ "type": "string",
+ "const": "user",
+ "title": "Role"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "content",
+ "role"
+ ],
+ "title": "ChatCompletionUserMessageParam",
+ "description": "エンドユーザーから送信される、プロンプトや追加のコンテキスト情報を含むメッセージ。"
+ },
+ "ChatMessage": {
+ "properties": {
+ "role": {
+ "type": "string",
+ "title": "Role"
+ },
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Content"
+ },
+ "refusal": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Refusal"
+ },
+ "annotations": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/Annotation"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "audio": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionAudio"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "function_call": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/FunctionCall-Output"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "tool_calls": {
+ "items": {
+ "$ref": "#/components/schemas/ToolCall"
+ },
+ "type": "array",
+ "title": "Tool Calls"
+ },
+ "reasoning": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Reasoning"
+ },
+ "reasoning_content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Reasoning Content"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "role"
+ ],
+ "title": "ChatMessage"
+ },
+ "CheckpointResponse": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "format": "uuid",
+ "title": "Id"
+ },
+ "step": {
+ "type": "integer",
+ "title": "Step"
+ },
+ "metrics": {
+ "additionalProperties": {
+ "type": "number"
+ },
+ "type": "object",
+ "title": "Metrics"
+ }
+ },
+ "type": "object",
+ "required": [
+ "id",
+ "step",
+ "metrics"
+ ],
+ "title": "CheckpointResponse",
+ "description": "チェックポイント応答のスキーマ。"
+ },
+ "Choice": {
+ "properties": {
+ "finish_reason": {
+ "type": "string",
+ "enum": [
+ "stop",
+ "length",
+ "tool_calls",
+ "content_filter",
+ "function_call"
+ ],
+ "title": "Finish Reason"
+ },
+ "index": {
+ "type": "integer",
+ "title": "Index"
+ },
+ "logprobs": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChoiceLogprobs"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "message": {
+ "$ref": "#/components/schemas/ChatCompletionMessage"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "finish_reason",
+ "index",
+ "message"
+ ],
+ "title": "Choice"
+ },
+ "ChoiceLogprobs": {
+ "properties": {
+ "content": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionTokenLogprob"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Content"
+ },
+ "refusal": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionTokenLogprob"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Refusal"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "ChoiceLogprobs",
+ "description": "その選択肢に対するログ確率情報。"
+ },
+ "Content": {
+ "properties": {},
+ "type": "object",
+ "title": "Content"
+ },
+ "CreateSFTTrainingJob": {
+ "properties": {
+ "model_id": {
+ "type": "string",
+ "format": "uuid",
+ "title": "Model Id"
+ },
+ "training_data_url": {
+ "type": "string",
+ "title": "Training Data Url",
+ "description": "トレーニングデータ用の W&B Artifacts パス (例: 'wandb-artifact:///entity/project/artifact-name:version')"
+ },
+ "config": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/SFTTrainingConfig"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "experimental_config": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Experimental Config"
+ }
+ },
+ "type": "object",
+ "required": [
+ "model_id",
+ "training_data_url"
+ ],
+ "title": "CreateSFTTrainingJob",
+ "description": "新しい SFT (Supervised Fine-Tuning) TrainingJob を作成するためのスキーマ。\n\nクライアントはトレーニングデータ (trajectories.jsonl と metadata.json) を W&B Artifacts にアップロードし、そのArtifactsの URL を指定する必要があります。"
+ },
+ "CreateTrainingJob": {
+ "properties": {
+ "model_id": {
+ "type": "string",
+ "format": "uuid",
+ "title": "Model Id"
+ },
+ "trajectory_groups": {
+ "items": {
+ "$ref": "#/components/schemas/TrajectoryGroup"
+ },
+ "type": "array",
+ "title": "Trajectory Groups"
+ },
+ "experimental_config": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ExperimentalTrainingConfig"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ }
+ },
+ "type": "object",
+ "required": [
+ "model_id",
+ "trajectory_groups"
+ ],
+ "title": "CreateTrainingJob",
+ "description": "新しい TrainingJob を作成するためのスキーマ。"
+ },
+ "Custom": {
+ "properties": {
+ "input": {
+ "type": "string",
+ "title": "Input"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "input",
+ "name"
+ ],
+ "title": "Custom",
+ "description": "モデルが呼び出したカスタムツール。"
+ },
+ "CustomChatCompletionContentSimpleAudioParam": {
+ "properties": {
+ "audio_url": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Audio Url"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "CustomChatCompletionContentSimpleAudioParam",
+ "description": "単純な audio_url のみを受け付ける、より簡略化されたパラメーター版です。\n\n例:\n{\n \"audio_url\": \"https://example.com/audio.mp3\"\n}"
+ },
+ "CustomChatCompletionContentSimpleImageParam": {
+ "properties": {
+ "image_url": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Image Url"
+ },
+ "uuid": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Uuid"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "CustomChatCompletionContentSimpleImageParam",
+ "description": "単純な image_url のみを受け付ける、より簡略化されたパラメーター版です。\nこれは OpenAI API でサポートされていますが、ドキュメント化されていません。\n\n例:\n{\n \"image_url\": \"https://example.com/image.jpg\"\n}"
+ },
+ "CustomChatCompletionContentSimpleVideoParam": {
+ "properties": {
+ "video_url": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Video Url"
+ },
+ "uuid": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Uuid"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "CustomChatCompletionContentSimpleVideoParam",
+ "description": "プレーンな audio_url のみを受け取る、よりシンプルなバージョンのパラメーターです。\n\n例:\n{\n \"video_url\": \"https://example.com/video.mp4\"\n}"
+ },
+ "CustomChatCompletionMessageParam": {
+ "properties": {
+ "role": {
+ "type": "string",
+ "title": "Role"
+ },
+ "content": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartTextParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartImageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartInputAudioParam"
+ },
+ {
+ "$ref": "#/components/schemas/File"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartAudioParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartVideoParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartRefusalParam"
+ },
+ {
+ "$ref": "#/components/schemas/CustomChatCompletionContentSimpleImageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartImageEmbedsParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionContentPartAudioEmbedsParam"
+ },
+ {
+ "$ref": "#/components/schemas/CustomChatCompletionContentSimpleAudioParam"
+ },
+ {
+ "$ref": "#/components/schemas/CustomChatCompletionContentSimpleVideoParam"
+ },
+ {
+ "type": "string"
+ },
+ {
+ "$ref": "#/components/schemas/CustomThinkCompletionContentParam"
+ }
+ ]
+ },
+ "type": "array"
+ }
+ ],
+ "title": "Content"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "tool_call_id": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tool Call Id"
+ },
+ "tool_calls": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionMessageFunctionToolCallParam"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tool Calls"
+ },
+ "reasoning": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Reasoning"
+ },
+ "tools": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionFunctionToolParam"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tools"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "role"
+ ],
+ "title": "CustomChatCompletionMessageParam",
+ "description": "Chat Completions API でカスタムロールを有効にします。"
+ },
+ "CustomThinkCompletionContentParam": {
+ "properties": {
+ "thinking": {
+ "type": "string",
+ "title": "Thinking"
+ },
+ "closed": {
+ "type": "boolean",
+ "title": "Closed"
+ },
+ "type": {
+ "type": "string",
+ "const": "thinking",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "thinking",
+ "type"
+ ],
+ "title": "CustomThinkCompletionContentParam",
+ "description": "プレーンテキストとブール値を受け取る Think Completion content パラメーターです。\n\n例:\n{\n \"thinking\": \"I am thinking about the answer\",\n \"closed\": True,\n \"type\": \"thinking\"\n}"
+ },
+ "DeleteCheckpointsRequest": {
+ "properties": {
+ "steps": {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array",
+ "title": "Steps"
+ }
+ },
+ "type": "object",
+ "required": [
+ "steps"
+ ],
+ "title": "DeleteCheckpointsRequest",
+ "description": "チェックポイントを削除するためのスキーマです。"
+ },
+ "DeleteCheckpointsResponse": {
+ "properties": {
+ "deleted_count": {
+ "type": "integer",
+ "title": "Deleted Count"
+ },
+ "not_found_steps": {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array",
+ "title": "Not Found Steps"
+ }
+ },
+ "type": "object",
+ "required": [
+ "deleted_count",
+ "not_found_steps"
+ ],
+ "title": "DeleteCheckpointsResponse",
+ "description": "チェックポイント削除レスポンス用のスキーマです。"
+ },
+ "DeleteModelResponse": {
+ "properties": {
+ "model_id": {
+ "type": "string",
+ "format": "uuid",
+ "title": "Model Id"
+ },
+ "deleted_checkpoints": {
+ "type": "integer",
+ "title": "Deleted Checkpoints"
+ },
+ "deleted_run": {
+ "type": "boolean",
+ "title": "Deleted Run"
+ }
+ },
+ "type": "object",
+ "required": [
+ "model_id",
+ "deleted_checkpoints",
+ "deleted_run"
+ ],
+ "title": "DeleteModelResponse",
+ "description": "モデル削除レスポンス用のスキーマです。"
+ },
+ "ExperimentalTrainingConfig": {
+ "properties": {
+ "advantage_balance": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Advantage Balance"
+ },
+ "epsilon": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Epsilon"
+ },
+ "epsilon_high": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Epsilon High"
+ },
+ "importance_sampling_level": {
+ "anyOf": [
+ {
+ "type": "string",
+ "enum": [
+ "token",
+ "sequence",
+ "average",
+ "geometric_average"
+ ]
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Importance Sampling Level"
+ },
+ "kimi_k2_tau": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Kimi K2 Tau"
+ },
+ "learning_rate": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Learning Rate"
+ },
+ "mask_prob_ratio": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Mask Prob Ratio"
+ },
+ "max_negative_advantage_importance_sampling_weight": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Max Negative Advantage Importance Sampling Weight"
+ },
+ "ppo": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Ppo"
+ },
+ "precalculate_logprobs": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Precalculate Logprobs"
+ },
+ "scale_rewards": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Scale Rewards"
+ }
+ },
+ "type": "object",
+ "title": "ExperimentalTrainingConfig",
+ "description": "実験的なトレーニング設定用のスキーマです。"
+ },
+ "File": {
+ "properties": {
+ "file": {
+ "$ref": "#/components/schemas/FileFile"
+ },
+ "type": {
+ "type": "string",
+ "const": "file",
+ "title": "Type"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "file",
+ "type"
+ ],
+ "title": "File",
+ "description": "テキスト生成のための [file inputs](https://platform.openai.com/docs/guides/text) については、こちらを参照してください。"
+ },
+ "FileFile": {
+ "properties": {
+ "file_data": {
+ "type": "string",
+ "title": "File Data"
+ },
+ "file_id": {
+ "type": "string",
+ "title": "File Id"
+ },
+ "filename": {
+ "type": "string",
+ "title": "Filename"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "FileFile"
+ },
+ "Function": {
+ "properties": {
+ "arguments": {
+ "type": "string",
+ "title": "Arguments"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "arguments",
+ "name"
+ ],
+ "title": "Function",
+ "description": "モデルによって呼び出された関数。"
+ },
+ "FunctionCall-Input": {
+ "properties": {
+ "arguments": {
+ "type": "string",
+ "title": "Arguments"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "arguments",
+ "name"
+ ],
+ "title": "FunctionCall",
+ "description": "非推奨で、`tool_calls` に置き換えられました。\n\nモデルによって生成される、呼び出すべき関数の名前と引数。"
+ },
+ "FunctionCall-Output": {
+ "properties": {
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "arguments": {
+ "type": "string",
+ "title": "Arguments"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "name",
+ "arguments"
+ ],
+ "title": "FunctionCall"
+ },
+ "FunctionDefinition": {
+ "properties": {
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "description": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Description"
+ },
+ "parameters": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Parameters"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "name"
+ ],
+ "title": "FunctionDefinition"
+ },
+ "HTTPValidationError": {
+ "properties": {
+ "detail": {
+ "items": {
+ "$ref": "#/components/schemas/ValidationError"
+ },
+ "type": "array",
+ "title": "Detail"
+ }
+ },
+ "type": "object",
+ "title": "HTTPValidationError"
+ },
+ "History": {
+ "properties": {
+ "messages_and_choices": {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionDeveloperMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionSystemMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionUserMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionAssistantMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionToolMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionFunctionMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/Choice"
+ }
+ ]
+ },
+ "type": "array",
+ "title": "Messages And Choices"
+ },
+ "tools": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionFunctionToolParam"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tools"
+ }
+ },
+ "type": "object",
+ "required": [
+ "messages_and_choices"
+ ],
+ "title": "History"
+ },
+ "ImageURL": {
+ "properties": {
+ "url": {
+ "type": "string",
+ "title": "Url"
+ },
+ "detail": {
+ "type": "string",
+ "enum": [
+ "auto",
+ "low",
+ "high"
+ ],
+ "title": "Detail"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "url"
+ ],
+ "title": "ImageURL"
+ },
+ "InputAudio": {
+ "properties": {
+ "data": {
+ "type": "string",
+ "title": "Data"
+ },
+ "format": {
+ "type": "string",
+ "enum": [
+ "wav",
+ "mp3"
+ ],
+ "title": "Format"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "data",
+ "format"
+ ],
+ "title": "InputAudio"
+ },
+ "JsonSchemaResponseFormat": {
+ "properties": {
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "description": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Description"
+ },
+ "schema": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Schema"
+ },
+ "strict": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Strict"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "name"
+ ],
+ "title": "JsonSchemaResponseFormat"
+ },
+ "LegacyStructuralTag": {
+ "properties": {
+ "begin": {
+ "type": "string",
+ "title": "Begin"
+ },
+ "schema": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Schema"
+ },
+ "end": {
+ "type": "string",
+ "title": "End"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "begin",
+ "end"
+ ],
+ "title": "LegacyStructuralTag"
+ },
+ "LegacyStructuralTagResponseFormat": {
+ "properties": {
+ "type": {
+ "type": "string",
+ "const": "structural_tag",
+ "title": "Type"
+ },
+ "structures": {
+ "items": {
+ "$ref": "#/components/schemas/LegacyStructuralTag"
+ },
+ "type": "array",
+ "title": "Structures"
+ },
+ "triggers": {
+ "items": {
+ "type": "string"
+ },
+ "type": "array",
+ "title": "Triggers"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "type",
+ "structures",
+ "triggers"
+ ],
+ "title": "LegacyStructuralTagResponseFormat"
+ },
+ "LogRequest": {
+ "properties": {
+ "split": {
+ "type": "string",
+ "title": "Split"
+ },
+ "trajectory_groups": {
+ "items": {
+ "$ref": "#/components/schemas/TrajectoryGroup"
+ },
+ "type": "array",
+ "title": "Trajectory Groups"
+ }
+ },
+ "type": "object",
+ "required": [
+ "split",
+ "trajectory_groups"
+ ],
+ "title": "LogRequest",
+ "description": "ルートをログするためのスキーマ。"
+ },
+ "LogitsProcessorConstructor": {
+ "properties": {
+ "qualname": {
+ "type": "string",
+ "title": "Qualname"
+ },
+ "args": {
+ "anyOf": [
+ {
+ "items": {},
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Args"
+ },
+ "kwargs": {
+ "anyOf": [
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Kwargs"
+ }
+ },
+ "additionalProperties": false,
+ "type": "object",
+ "required": [
+ "qualname"
+ ],
+ "title": "LogitsProcessorConstructor"
+ },
+ "Logprob": {
+ "properties": {
+ "logprob": {
+ "type": "number",
+ "title": "Logprob"
+ },
+ "rank": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Rank"
+ },
+ "decoded_token": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Decoded Token"
+ }
+ },
+ "type": "object",
+ "required": [
+ "logprob"
+ ],
+ "title": "Logprob"
+ },
+ "Message": {
+ "properties": {
+ "author": {
+ "$ref": "#/components/schemas/Author"
+ },
+ "content": {
+ "items": {
+ "$ref": "#/components/schemas/Content"
+ },
+ "type": "array",
+ "title": "Content"
+ },
+ "channel": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Channel"
+ },
+ "recipient": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Recipient"
+ },
+ "content_type": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Content Type"
+ }
+ },
+ "type": "object",
+ "required": [
+ "author"
+ ],
+ "title": "Message"
+ },
+ "ModelCreate": {
+ "properties": {
+ "entity": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Entity",
+ "description": "使用している W&B API キー に紐づく開発者の Team 名またはユーザー名",
+ "examples": [
+ "my-team"
+ ]
+ },
+ "project": {
+ "type": "string",
+ "title": "Project",
+ "description": "モデルを保存する先の W&B 内のプロジェクト名",
+ "examples": [
+ "my-awesome-project"
+ ]
+ },
+ "name": {
+ "type": "string",
+ "title": "Name",
+ "description": "プロジェクト内でのモデルの一意な名前",
+ "examples": [
+ "my-awesome-model"
+ ]
+ },
+ "base_model": {
+ "type": "string",
+ "title": "Base Model",
+ "description": "ファインチューニング元となるベースモデルの識別子、または Hugging Face モデルパス",
+ "examples": [
+ "OpenPipe/Qwen3-14B-Instruct"
+ ]
+ },
+ "return_existing": {
+ "type": "boolean",
+ "title": "Return Existing",
+ "description": "true の場合、同じ名前のモデルがすでに存在していれば新規作成せず、その既存モデルを返します",
+ "default": false
+ }
+ },
+ "type": "object",
+ "required": [
+ "project",
+ "name",
+ "base_model"
+ ],
+ "title": "ModelCreate",
+ "description": "新しいモデルを作成するためのスキーマ。"
+ },
+ "ModelResponse": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "format": "uuid",
+ "title": "Id"
+ },
+ "entity": {
+ "type": "string",
+ "title": "Entity"
+ },
+ "project": {
+ "type": "string",
+ "title": "Project"
+ },
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "base_model": {
+ "type": "string",
+ "title": "Base Model"
+ },
+ "run_id": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Run Id"
+ }
+ },
+ "type": "object",
+ "required": [
+ "id",
+ "entity",
+ "project",
+ "name",
+ "base_model"
+ ],
+ "title": "ModelResponse",
+ "description": "モデル応答用のスキーマ。"
+ },
+ "PaginatedResponse_CheckpointResponse_": {
+ "properties": {
+ "object": {
+ "type": "string",
+ "title": "Object",
+ "description": "オブジェクト種別の識別子",
+ "default": "list"
+ },
+ "data": {
+ "items": {
+ "$ref": "#/components/schemas/CheckpointResponse"
+ },
+ "type": "array",
+ "title": "Data",
+ "description": "要素の配列"
+ },
+ "first_id": {
+ "type": "string",
+ "title": "First Id",
+ "description": "このページでの最初のアイテムの ID",
+ "default": ""
+ },
+ "last_id": {
+ "type": "string",
+ "title": "Last Id",
+ "description": "このページでの最後のアイテムの ID",
+ "default": ""
+ },
+ "has_more": {
+ "type": "boolean",
+ "title": "Has More",
+ "description": "さらにアイテムが存在するかどうか"
+ }
+ },
+ "type": "object",
+ "required": [
+ "data",
+ "has_more"
+ ],
+ "title": "PaginatedResponse[CheckpointResponse]"
+ },
+ "PaginatedResponse_TrainingJobEventResponse_": {
+ "properties": {
+ "object": {
+ "type": "string",
+ "title": "Object",
+ "description": "オブジェクトタイプの識別子",
+ "default": "list"
+ },
+ "data": {
+ "items": {
+ "$ref": "#/components/schemas/TrainingJobEventResponse"
+ },
+ "type": "array",
+ "title": "Data",
+ "description": "アイテムの配列"
+ },
+ "first_id": {
+ "type": "string",
+ "title": "First Id",
+ "description": "このページでの最初のアイテムの ID",
+ "default": ""
+ },
+ "last_id": {
+ "type": "string",
+ "title": "Last Id",
+ "description": "このページでの最後のアイテムの ID",
+ "default": ""
+ },
+ "has_more": {
+ "type": "boolean",
+ "title": "Has More",
+ "description": "さらにアイテムが存在するかどうか"
+ }
+ },
+ "type": "object",
+ "required": [
+ "data",
+ "has_more"
+ ],
+ "title": "PaginatedResponse[TrainingJobEventResponse]"
+ },
+ "PromptTokenUsageInfo": {
+ "properties": {
+ "cached_tokens": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Cached Tokens"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "PromptTokenUsageInfo"
+ },
+ "ResponseFormat": {
+ "properties": {
+ "type": {
+ "type": "string",
+ "enum": [
+ "text",
+ "json_object",
+ "json_schema"
+ ],
+ "title": "Type"
+ },
+ "json_schema": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/JsonSchemaResponseFormat"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "type"
+ ],
+ "title": "ResponseFormat"
+ },
+ "Role": {
+ "type": "string",
+ "enum": [
+ "user",
+ "assistant",
+ "system",
+ "developer",
+ "tool"
+ ],
+ "title": "Role",
+ "description": "メッセージ作成者のロール（`chat::Role` を反映）。"
+ },
+ "SFTTrainingConfig": {
+ "properties": {
+ "batch_size": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "string",
+ "const": "auto"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Batch Size"
+ },
+ "learning_rate": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "items": {
+ "type": "number"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Learning Rate"
+ }
+ },
+ "type": "object",
+ "title": "SFTTrainingConfig",
+ "description": "SFT トレーニング設定用スキーマ。"
+ },
+ "StreamOptions": {
+ "properties": {
+ "include_usage": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Include Usage",
+ "default": true
+ },
+ "continuous_usage_stats": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Continuous Usage Stats",
+ "default": false
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "StreamOptions"
+ },
+ "StructuralTagResponseFormat": {
+ "properties": {
+ "type": {
+ "type": "string",
+ "const": "structural_tag",
+ "title": "Type"
+ },
+ "format": {
+ "title": "Format"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "type",
+ "format"
+ ],
+ "title": "StructuralTagResponseFormat"
+ },
+ "StructuredOutputsParams": {
+ "properties": {
+ "json": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "additionalProperties": true,
+ "type": "object"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Json"
+ },
+ "regex": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Regex"
+ },
+ "choice": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "string"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Choice"
+ },
+ "grammar": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Grammar"
+ },
+ "json_object": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Json Object"
+ },
+ "disable_fallback": {
+ "type": "boolean",
+ "title": "Disable Fallback",
+ "default": false
+ },
+ "disable_any_whitespace": {
+ "type": "boolean",
+ "title": "Disable Any Whitespace",
+ "default": false
+ },
+ "disable_additional_properties": {
+ "type": "boolean",
+ "title": "Disable Additional Properties",
+ "default": false
+ },
+ "whitespace_pattern": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Whitespace Pattern"
+ },
+ "structural_tag": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Structural Tag"
+ },
+ "_backend": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Backend"
+ },
+ "_backend_was_auto": {
+ "type": "boolean",
+ "title": "Backend Was Auto",
+ "default": false
+ }
+ },
+ "type": "object",
+ "title": "StructuredOutputsParams"
+ },
+ "ToolCall": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "title": "Id"
+ },
+ "type": {
+ "type": "string",
+ "const": "function",
+ "title": "Type",
+ "default": "function"
+ },
+ "function": {
+ "$ref": "#/components/schemas/FunctionCall-Output"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "function"
+ ],
+ "title": "ToolCall"
+ },
+ "TopLogprob": {
+ "properties": {
+ "token": {
+ "type": "string",
+ "title": "Token"
+ },
+ "bytes": {
+ "anyOf": [
+ {
+ "items": {
+ "type": "integer"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Bytes"
+ },
+ "logprob": {
+ "type": "number",
+ "title": "Logprob"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "token",
+ "logprob"
+ ],
+ "title": "TopLogprob"
+ },
+ "TrainingJobEventResponse": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "format": "uuid",
+ "title": "Id"
+ },
+ "type": {
+ "$ref": "#/components/schemas/TrainingJobEventType"
+ },
+ "data": {
+ "additionalProperties": true,
+ "type": "object",
+ "title": "Data"
+ }
+ },
+ "type": "object",
+ "required": [
+ "id",
+ "type",
+ "data"
+ ],
+ "title": "TrainingJobEventResponse",
+ "description": "TrainingJob 応答スキーマ。"
+ },
+ "TrainingJobEventType": {
+ "type": "string",
+ "enum": [
+ "training_started",
+ "gradient_step",
+ "training_ended",
+ "training_failed"
+ ],
+ "title": "TrainingJobEventType",
+ "description": "トレーニング ジョブのイベント種別を表す列挙体。"
+ },
+ "TrainingJobResponse": {
+ "properties": {
+ "id": {
+ "type": "string",
+ "format": "uuid",
+ "title": "Id"
+ }
+ },
+ "type": "object",
+ "required": [
+ "id"
+ ],
+ "title": "TrainingJobResponse",
+ "description": "TrainingJob 応答スキーマ。"
+ },
+ "Trajectory": {
+ "properties": {
+ "messages_and_choices": {
+ "items": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/ChatCompletionDeveloperMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionSystemMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionUserMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionAssistantMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionToolMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/ChatCompletionFunctionMessageParam"
+ },
+ {
+ "$ref": "#/components/schemas/Choice"
+ }
+ ]
+ },
+ "type": "array",
+ "title": "Messages And Choices"
+ },
+ "tools": {
+ "anyOf": [
+ {
+ "items": {
+ "$ref": "#/components/schemas/ChatCompletionFunctionToolParam"
+ },
+ "type": "array"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Tools"
+ },
+ "additional_histories": {
+ "items": {
+ "$ref": "#/components/schemas/History"
+ },
+ "type": "array",
+ "title": "Additional Histories",
+ "default": []
+ },
+ "reward": {
+ "type": "number",
+ "title": "Reward"
+ },
+ "initial_policy_version": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Initial Policy Version"
+ },
+ "final_policy_version": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Final Policy Version"
+ },
+ "metrics": {
+ "additionalProperties": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "integer"
+ },
+ {
+ "type": "boolean"
+ }
+ ]
+ },
+ "type": "object",
+ "title": "Metrics",
+ "default": {}
+ },
+ "auto_metrics": {
+ "additionalProperties": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "integer"
+ },
+ {
+ "type": "boolean"
+ }
+ ]
+ },
+ "type": "object",
+ "title": "Auto Metrics",
+ "default": {}
+ },
+ "metadata": {
+ "additionalProperties": {
+ "anyOf": [
+ {
+ "type": "number"
+ },
+ {
+ "type": "integer"
+ },
+ {
+ "type": "string"
+ },
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ },
+ "type": "object",
+ "title": "Metadata",
+ "default": {}
+ },
+ "logs": {
+ "items": {
+ "type": "string"
+ },
+ "type": "array",
+ "title": "Logs",
+ "default": []
+ },
+ "start_time": {
+ "type": "string",
+ "format": "date-time",
+ "title": "Start Time"
+ }
+ },
+ "type": "object",
+ "required": [
+ "messages_and_choices",
+ "reward"
+ ],
+ "title": "Trajectory"
+ },
+ "TrajectoryGroup": {
+ "properties": {
+ "trajectories": {
+ "items": {
+ "$ref": "#/components/schemas/Trajectory"
+ },
+ "type": "array",
+ "title": "Trajectories"
+ }
+ },
+ "type": "object",
+ "required": [
+ "trajectories"
+ ],
+ "title": "TrajectoryGroup"
+ },
+ "UsageInfo": {
+ "properties": {
+ "prompt_tokens": {
+ "type": "integer",
+ "title": "Prompt Tokens",
+ "default": 0
+ },
+ "total_tokens": {
+ "type": "integer",
+ "title": "Total Tokens",
+ "default": 0
+ },
+ "completion_tokens": {
+ "anyOf": [
+ {
+ "type": "integer"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Completion Tokens",
+ "default": 0
+ },
+ "prompt_tokens_details": {
+ "anyOf": [
+ {
+ "$ref": "#/components/schemas/PromptTokenUsageInfo"
+ },
+ {
+ "type": "null"
+ }
+ ]
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "title": "UsageInfo"
+ },
+ "ValidationError": {
+ "properties": {
+ "loc": {
+ "items": {
+ "anyOf": [
+ {
+ "type": "string"
+ },
+ {
+ "type": "integer"
+ }
+ ]
+ },
+ "type": "array",
+ "title": "Location"
+ },
+ "msg": {
+ "type": "string",
+ "title": "Message"
+ },
+ "type": {
+ "type": "string",
+ "title": "Error Type"
+ }
+ },
+ "type": "object",
+ "required": [
+ "loc",
+ "msg",
+ "type"
+ ],
+ "title": "ValidationError"
+ },
+ "VideoURL": {
+ "properties": {
+ "url": {
+ "type": "string",
+ "title": "Url"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "url"
+ ],
+ "title": "VideoURL"
+ },
+ "openai__types__shared_params__function_definition__FunctionDefinition": {
+ "properties": {
+ "name": {
+ "type": "string",
+ "title": "Name"
+ },
+ "description": {
+ "type": "string",
+ "title": "Description"
+ },
+ "parameters": {
+ "additionalProperties": true,
+ "type": "object",
+ "title": "Parameters"
+ },
+ "strict": {
+ "anyOf": [
+ {
+ "type": "boolean"
+ },
+ {
+ "type": "null"
+ }
+ ],
+ "title": "Strict"
+ }
+ },
+ "additionalProperties": true,
+ "type": "object",
+ "required": [
+ "name"
+ ],
+ "title": "FunctionDefinition"
+ }
+ },
+ "securitySchemes": {
+ "HTTPBearer": {
+ "type": "http",
+ "scheme": "bearer"
+ }
+ }
+ }
+}
\ No newline at end of file
diff --git a/ja/training/prerequisites.mdx b/ja/training/prerequisites.mdx
index 4e346da03a..0f998103fb 100644
--- a/ja/training/prerequisites.mdx
+++ b/ja/training/prerequisites.mdx
@@ -1,29 +1,35 @@
---
title: 前提条件
-description: W&B トレーニング を使用するための 環境 を設定する
+description: W&B Training を使用するための環境を設定する
---
-import ApiKeyCreate from "/snippets/en/_includes/api-key-create.mdx";
+import ApiKeyCreate from "/snippets/ja/_includes/api-key-create.mdx";
-OpenPipe ART フレームワークまたは API を通じて W&B Training 機能を使用する前に、以下の手順を完了してください。
+OpenPipe ART フレームワークまたは API 経由で W&B Training 機能を使用する前に、以下の手順を完了してください。
-開始する前に、[使用方法と制限事項](/training/serverless-rl/usage-limits) を確認し、コストと制限について理解してください。
+ 開始する前に、コストや制限を理解するために [利用情報と制限](/ja/training/serverless-rl/usage-limits) を確認してください。
-## サインアップして API キーを作成する
+
+ ## サインアップして API キーを作成する
+
-マシンを W&B で認証するには、まず API キーを生成する必要があります。
+マシンを W&B で認証するには、まず API キーを発行する必要があります。
-
+ ## W&B でプロジェクトを作成する
+
-使用状況の追跡、トレーニング メトリクスの記録、およびトレーニング済み Models の保存を行うために、W&B アカウントで Project を作成します。詳細については [Projects ガイド](https://docs.wandb.ai/models/track/project-page) を参照してください。
+W&B アカウント内にプロジェクトを作成して、使用状況を追跡し、トレーニング メトリクスを記録し、学習済みモデルを保存します。詳細については、[Projects guide](https://docs.wandb.ai/models/track/project-page) を参照してください。
-## 次のステップ
+
+ ## 次のステップ
+
-前提条件を完了した後のステップ：
+前提条件を完了したら、次のステップに進みます。
-* [API リファレンス](/training/api-reference) を確認して、利用可能なエンドポイントについて学ぶ
-* [ART クイックスタート](https://art.openpipe.ai/getting-started/quick-start) を試す
\ No newline at end of file
+* 利用可能なエンドポイントについて知るには、[API リファレンス](/ja/training/api-reference) を確認してください
+* [ART クイックスタート](https://art.openpipe.ai/getting-started/quick-start) を試してください
\ No newline at end of file
diff --git a/ja/training/serverless-rl.mdx b/ja/training/serverless-rl.mdx
index 8e65ed94c3..0a06335303 100644
--- a/ja/training/serverless-rl.mdx
+++ b/ja/training/serverless-rl.mdx
@@ -1,35 +1,40 @@
---
-title: サーバーレス RL
-description: thought 強化学習 を使用して、より効率的に モデル の事後学習（post-train）を行う方法について学びましょう。
+title: Serverless RL
+description: 強化学習を用いてモデルをより効率的に追加トレーニングする方法について説明します
---
-現在パブリックプレビュー中の Serverless RL は、開発者が LLM をポストトレーニングして新しい振る舞いを学習させ、マルチターンのエージェントタスクを実行する際の信頼性、速度、コストを向上させるのに役立ちます。W&B はトレーニング用の インフラストラクチャー（[CoreWeave 上](https://docs.coreweave.com/docs/platform)）をプロビジョニングしつつ、環境 のセットアップには完全な柔軟性を提供します。Serverless RL を使用すると、数十台の GPU に弾力的にオートスケールする管理されたトレーニング クラスター に即座に アクセス できます。RL の ワークフロー を推論フェーズとトレーニングフェーズに分割し、ジョブ間でそれらを多重化することで、Serverless RL は GPU の利用率を高め、トレーニング 時間とコストを削減します。
+現在パブリックプレビュー中の Serverless RL は、開発者が LLM を追加学習させて新しい振る舞いを身につけさせ、マルチターンのエージェントタスクを実行する際の信頼性、速度、およびコストを改善できるようにします。W&B がトレーニングインフラストラクチャ（[CoreWeave 上](https://docs.coreweave.com/docs/platform)）を用意しつつ、環境のセットアップには十分な柔軟性を提供します。Serverless RL により、弾性的に自動スケールして数十基の GPU を扱えるマネージドなトレーニングクラスターへ即座にアクセスできます。RL ワークフローを推論フェーズとトレーニングフェーズに分割し、それらをジョブ間で多重化することで、Serverless RL は GPU 利用率を高め、トレーニング時間とコストを削減します。
-Serverless RL は、以下のようなタスクに最適です：
-* ボイスエージェント
+Serverless RL は次のようなタスクに最適です:
+
+* 音声エージェント
* 高度なリサーチアシスタント
* オンプレミス モデル
-* コンテンツマーケティングの 分析 エージェント
+* コンテンツマーケティング分析エージェント
-Serverless RL は Low-Rank Adapters (LoRAs) をトレーニングして、エージェントの特定のタスクに モデル を特化させます。これにより、実務経験を通じて元の モデル の機能を拡張します。トレーニングした LoRA は Artifacts として W&B アカウントに自動的に保存され、ローカルやサードパーティに バックアップ として保存することも可能です。Serverless RL を通じてトレーニングされた Models は、W&B Inference 上でも自動的にホストされます。
+Serverless RL は低ランクアダプター（LoRA）をトレーニングし、エージェント固有のタスクにモデルを特化させます。これにより、元のモデルの能力が運用中に得られる経験によって拡張されます。トレーニングした LoRA は W&B アカウント内に Artifacts として自動保存され、ローカルやサードパーティにバックアップとして保存できます。Serverless RL でトレーニングしたモデルは、W&B Inference 上に自動的にホスティングされます。
-使い始めるには、ART [クイックスタート](https://art.openpipe.ai/getting-started/quick-start) または [Colabノートブック](https://colab.research.google.com/github/openpipe/art-notebooks/blob/main/examples/2048/2048.ipynb) をご覧ください。
+開始するには、ART の [クイックスタート](https://art.openpipe.ai/getting-started/quick-start) または [Google Colab ノートブック](https://colab.research.google.com/github/openpipe/art-notebooks/blob/main/examples/2048/2048.ipynb) を参照してください。
-## なぜ Serverless RL なのか？
+
+ ## なぜ Serverless RL なのか？
+
-強化学習 (RL) は、自身で所有または直接レンタルしている GPU を含む、多くの種類のトレーニング設定で使用できる強力なトレーニング手法のセットです。Serverless RL は、RL ポストトレーニングにおいて以下の利点を提供します：
+強化学習 (RL) は強力なトレーニング手法の集合であり、自前やレンタルの GPU を含むさまざまなトレーニング環境で利用できます。Serverless RL を使うことで、RL のポストトレーニングにおいて次のような利点が得られます。
-* **トレーニングコストの削減**: 共有 インフラストラクチャー を多くの ユーザー 間で多重化し、各ジョブのセットアップ プロセス をスキップし、アクティブにトレーニングしていないときは GPU コストを 0 までスケールダウンすることで、Serverless RL はトレーニングコストを大幅に削減します。
-* **トレーニング時間の短縮**: 推論リクエストを多くの GPU に分散させ、必要なときに即座にトレーニング インフラストラクチャー をプロビジョニングすることで、Serverless RL はトレーニングジョブをスピードアップし、より迅速な反復を可能にします。
-* **自動デプロイメント**: Serverless RL はトレーニングするすべての チェックポイント を自動的に デプロイ するため、ホスティング インフラストラクチャー を手動でセットアップする必要がありません。トレーニングされた モデル は、ローカル、ステージング、または プロダクション 環境 ですぐに アクセス してテストできます。
+* **トレーニングコストの削減**: 多くのユーザー間でインフラを共有し、ジョブごとのセットアッププロセスを省略し、アクティブにトレーニングしていないときには GPU コストを 0 までスケールダウンすることで、Serverless RL はトレーニングコストを大幅に削減します。
+* **トレーニング時間の短縮**: 推論リクエストを多数の GPU に分散し、必要なときにすぐトレーニング用インフラをプロビジョニングすることで、Serverless RL はトレーニングジョブを高速化し、より高速に反復できるようにします。
+* **自動デプロイ**: Serverless RL はトレーニングしたすべてのチェックポイントを自動的にデプロイし、ホスティングインフラを手動でセットアップする必要をなくします。トレーニング済みモデルにはローカル、ステージング、本番の各環境から即座にアクセスしてテストできます。
-## Serverless RL が W&B サービスをどのように使用するか
+
+ ## Serverless RL が W&B サービスをどのように利用するか
+
-Serverless RL は、以下の W&B コンポーネントを組み合わせて動作します：
+Serverless RL は、以下の W&B コンポーネントを組み合わせて動作します。
-* [Inference](/inference): モデル の実行
-* [Models](/models): LoRA アダプターのトレーニング中のパフォーマンス メトリクス の追跡
-* [Artifacts](/models/artifacts): LoRA アダプターの保存と バージョン 管理
-* [Weave (任意)](/weave): トレーニングループの各ステップで モデル がどのように応答するかを可視化（オブザーバビリティ）
+* [Inference](/ja/inference): モデルを実行するために使用
+* [Models](/ja/models): LoRA アダプターのトレーニング中のパフォーマンス メトリクスを追跡するために使用
+* [Artifacts](/ja/models/artifacts): LoRA アダプターを保存およびバージョン管理するために使用
+* [Weave (optional)](/ja/weave): トレーニング ループの各ステップにおけるモデルの応答を観測するために使用
-Serverless RL はパブリックプレビュー中です。プレビュー期間中、課金対象となるのは推論の使用と Artifacts のストレージのみです。W&B はプレビュー期間中のアダプターのトレーニングに対しては課金しません。
\ No newline at end of file
+Serverless RL はパブリック プレビュー中です。プレビュー期間中は、Inference の利用および Artifacts の保存に対してのみ料金が発生します。プレビュー期間中のアダプター トレーニングについては、W&B による課金はありません。
\ No newline at end of file
diff --git a/ja/training/serverless-rl/available-models.mdx b/ja/training/serverless-rl/available-models.mdx
index 0be1f7d3ce..9fbca2fb4f 100644
--- a/ja/training/serverless-rl/available-models.mdx
+++ b/ja/training/serverless-rl/available-models.mdx
@@ -1,14 +1,19 @@
---
-title: 利用可能な モデル
-description: Serverless RL でトレーニング可能な Models を確認する
+title: 利用可能なモデル
+description: Serverless RL でトレーニング可能なモデルを確認できます
---
-Serverless RL は現在、トレーニング用に単一のオープンソース・ファウンデーション・モデルのみをサポートしています。
+Serverless RL は現在、以下の基盤モデルでのトレーニングをサポートしています。
-特定のモデルへの対応をご希望の場合は、[support](mailto:support@wandb.ai) までお問い合わせください。
+特定のモデルの利用を希望される場合は、[サポート](mailto:support@wandb.ai) までお問い合わせください。
-## モデルカタログ
+
+ ## モデルカタログ
+
-| モデル | モデル ID (API 使用時) | タイプ | コンテキストウィンドウ | パラメータ | 説明 |
-|-------|--------------------------|------|----------------|------------|-------------|
-| OpenPipe Qwen3 14B Instruct | `OpenPipe/Qwen3-14B-Instruct` | Text | 32.8K | 14.8B (Active-Total) | ファインチューニングによる エージェント 構築向けに OpenPipe によって最適化された、効率的な多言語対応の dense 型インストラクション・チューニング済みモデルです。 |
\ No newline at end of file
+{/* takeru training-serverless-rl-catalog - このテーブルは自動生成されたものです。手動で編集しないでください。 */}
+
+| モデル | モデル ID (API 利用時) | 型 | コンテキストウィンドウ | パラメーター | 説明 |
+| --------------------------- | ---------------------------------- | ---- | ----------- | --------------------- | ------------------------------------------------------------------------------------------ |
+| OpenPipe Qwen3 14B Instruct | `OpenPipe/Qwen3-14B-Instruct` | テキスト | 32.8K | 14.8B (合計) | 効率的な多言語対応の高密度な指示チューニング済みモデルで、エージェント構築のためのファインチューニング向けに OpenPipe により最適化されています。 |
+| Qwen3 30B A3B | `Qwen/Qwen3-30B-A3B-Instruct-2507` | テキスト | 262K | 3.3B-30.5B (アクティブ-合計) | Qwen3-30B-A3B-Instruct-2507 は、推論・コーディング・長コンテキスト理解が強化された、30.5B パラメーターの MoE 指示チューニング済みモデルです。 |
diff --git a/ja/training/serverless-rl/serverless-rl.mdx b/ja/training/serverless-rl/serverless-rl.mdx
index 8783dba594..911768395d 100644
--- a/ja/training/serverless-rl/serverless-rl.mdx
+++ b/ja/training/serverless-rl/serverless-rl.mdx
@@ -2,9 +2,9 @@
title: Serverless RL の使用方法
---
-Serverless RL は、 [OpenPipe の ART フレームワーク](https://art.openpipe.ai/getting-started/about) および [W&B Training API](/training/api-reference) を通じてサポートされています。
+Serverless RL は [OpenPipe の ART フレームワーク](https://art.openpipe.ai/getting-started/about) と [W&B Training API](/ja/training/api-reference) を通じて利用できます。
-Serverless RL の使用を開始するには、 W&B ツールを使用するための [前提条件](/training/prerequisites) を満たしてから、 ART の [クイックスタート](https://art.openpipe.ai/getting-started/quick-start) を進めてください。
+Serverless RL を使い始めるには、まず W&B ツールを使用するための [前提条件](/ja/training/prerequisites) を満たしてから、ART の [クイックスタート](https://art.openpipe.ai/getting-started/quick-start) に従ってください。
-- コード 例や ワークフロー については、 [Google Colabノートブック](https://colab.research.google.com/github/openpipe/art-notebooks/blob/main/examples/2048/2048.ipynb) を参照してください。
-- Serverless RL の API エンドポイントについては、 [W&B Training API リファレンス](/training/api-reference) を参照してください。
\ No newline at end of file
+* コード例やワークフローについては、[Google Colab ノートブック](https://colab.research.google.com/github/openpipe/art-notebooks/blob/main/examples/2048/2048.ipynb) を参照してください。
+* Serverless RL の API エンドポイントについて学ぶには、[W&B Training API リファレンス](/ja/training/api-reference) を参照してください。
\ No newline at end of file
diff --git a/ja/training/serverless-rl/usage-limits.mdx b/ja/training/serverless-rl/usage-limits.mdx
index cddfa50388..93125b5dbc 100644
--- a/ja/training/serverless-rl/usage-limits.mdx
+++ b/ja/training/serverless-rl/usage-limits.mdx
@@ -1,28 +1,38 @@
---
-title: 使用情報と制限事項
-description: W&B Serverless の料金体系、使用制限、およびアカウントの制限事項について理解する
+title: 利用情報と制限
+description: W&B Serverless RL の料金、利用制限、およびアカウント制限について説明します
---
-## 料金
+
+ ## 料金
+
-料金体系は、推論 (inference)、トレーニング (training)、ストレージ (storage) の 3 つの要素で構成されています。具体的な請求単価については、[料金ページ](https://wandb.ai/site/pricing/reinforcement-learning) をご確認ください。
+料金は、推論、トレーニング、およびストレージの 3 つの要素で構成されます。具体的な課金レートについては、[料金ページ](https://wandb.ai/site/pricing/reinforcement-learning)をご覧ください。
-### 推論 (Inference)
+
+ ### 推論
+
-Serverless RL の推論リクエストの料金は、W&B Inference の料金に準じます。詳細は [モデルごとのコスト](https://site.wandb.ai/pricing/reinforcement-learning) を参照してください。クレジットの購入、アカウントティア、および使用制限の詳細については、[W&B Inference ドキュメント](/inference/usage-limits#purchase-more-credits) をご覧ください。
+Serverless RL の推論リクエストの料金は、W&B Inference の料金と同一です。詳細については、[モデル固有のコスト](https://site.wandb.ai/pricing/reinforcement-learning) を参照してください。クレジットの購入方法、アカウントティア、利用上限の詳細については、[W&B Inference ドキュメント](/ja/inference/usage-limits#purchase-more-credits) を参照してください。
-### トレーニング (Training)
+
+ ### トレーニング
+
-各トレーニングステップにおいて、Serverless RL は agent の出力と（報酬関数によって計算された）関連する報酬を含む軌跡 (trajectories) のバッチを収集します。収集されたバッチは、タスクに合わせてベースモデルを特化させる LoRA アダプターの重みを更新するために使用されます。これらの LoRA を更新するためのトレーニングジョブは、Serverless RL が管理する専用の GPU クラスター上で実行されます。
+各トレーニングステップごとに、Serverless RL はエージェントの出力と、それに対応する報酬 (報酬関数によって計算される) を含むトラジェクトリのバッチを収集します。バッチ化されたトラジェクトリは、その後、対象タスク向けにベースモデルを特化させる LoRA アダプターの重みを更新するために使用されます。これらの LoRA を更新するトレーニング ジョブは、Serverless RL が管理する専用の GPU クラスター上で実行されます。
-パブリックプレビュー期間中、トレーニングは無料です。
+トレーニングはパブリックプレビュー期間中は無料です。
-### モデルストレージ
+
+ ### モデルのストレージ
+
-Serverless RL は、トレーニングされた LoRA の チェックポイント を保存するため、いつでも評価、サービング、またはトレーニングの続行が可能です。ストレージ料金は、チェックポイント の合計サイズと、お客様の [料金プラン](https://wandb.ai/site/pricing) に基づいて月単位で請求されます。すべてのプランには少なくとも 5GB の無料ストレージが含まれており、これは約 30 個の LoRA を保存するのに十分な容量です。スペースを節約するために、パフォーマンスの低い LoRA は削除することをお勧めします。削除方法については、[ART SDK](https://art.openpipe.ai/features/checkpoint-deletion) の手順を参照してください。
+Serverless RL は、学習済み LoRA のチェックポイントを保存し、いつでも評価・提供・トレーニングの再開を行えるようにします。ストレージの料金は、チェックポイントの合計サイズとお使いの [料金プラン](https://wandb.ai/site/pricing) に基づき、月単位で請求されます。すべてのプランには少なくとも 5GB の無料ストレージが含まれており、これは約 30 個の LoRA に相当します。空き容量を確保するため、パフォーマンスの低い LoRA は削除することを推奨します。削除方法については [ART SDK](https://art.openpipe.ai/features/checkpoint-deletion) を参照してください。
-## 制限事項
+
+ ## 制限事項
+
-* **推論の同時実行制限**: デフォルトでは、Serverless RL は現在、1 Users あたり最大 2000、1 Projects あたり最大 6000 の同時リクエストをサポートしています。レート制限を超えると、Inference API は `429 Concurrency limit reached for requests` レスポンスを返します。このエラーを回避するには、トレーニングジョブまたは production ワークロードが一度に行う同時リクエストの数を減らしてください。より高いレート制限が必要な場合は、support@wandb.com までリクエストしてください。
+* **Inference の同時実行制限**: デフォルトでは、Serverless RL は現在、ユーザーごとに最大 2000 件、プロジェクトごとに最大 6000 件の同時リクエストをサポートしています。レート制限を超えると、Inference API は `429 Concurrency limit reached for requests` レスポンスを返します。このエラーを回避するには、トレーニング ジョブや本番ワークロードが一度に発行する同時リクエスト数を減らしてください。より高いレート制限が必要な場合は、support@wandb.com まで引き上げをリクエストできます。
-* **地理的制限**: Serverless RL は、サポートされている地理的な場所でのみ利用可能です。詳細については、[サービス利用規約](https://site.wandb.ai/terms/) を参照してください。
\ No newline at end of file
+* **地理的制限**: Serverless RL は、サポートされている地域でのみ利用できます。詳細については、[Terms of Service](https://site.wandb.ai/terms/) を参照してください。
\ No newline at end of file
diff --git a/ja/training/serverless-rl/use-trained-models.mdx b/ja/training/serverless-rl/use-trained-models.mdx
index 7a7de47910..bbf9a23034 100644
--- a/ja/training/serverless-rl/use-trained-models.mdx
+++ b/ja/training/serverless-rl/use-trained-models.mdx
@@ -1,37 +1,40 @@
---
-title: 学習済み Models を使用する
-description: トレーニングした Models に対して推論リクエストを作成する
+title: 学習済みモデルを使用する
+description: 学習済みモデルに推論リクエストを送信する
---
-Serverless RL を使用してモデルをトレーニングすると、そのモデルは自動的に推論に利用可能になります。
+Serverless RL でモデルをトレーニングすると、自動的に推論に利用可能になります。
-トレーニング済みモデルにリクエストを送信するには、以下が必要です。
-* [W&B APIキー](https://wandb.ai/settings)
-* [Training API](/training/api-reference) のベース URL：`https://api.training.wandb.ai/v1/`
-* モデルのエンドポイント
+学習済みモデルにリクエストを送信するには、次のものが必要です。
-モデルのエンドポイントは以下のスキーマを使用します。
+* [W&B API キー](https://wandb.ai/settings)
+* [Training API](/ja/training/api-reference) のベース URL、`https://api.training.wandb.ai/v1/`
+* モデルのエンドポイント
+
+モデルのエンドポイントは、次の形式です。
```
wandb-artifact://///:
```
-このスキーマは以下の要素で構成されています。
+スキーマは次の要素で構成されます:
-* W&B の Entity (チーム) 名
-* モデルに関連付けられた Project の名前
-* トレーニング済みモデルの名前
-* デプロイしたいモデルのトレーニングステップ (通常、Evaluations で最もパフォーマンスが高かったステップ)
+* あなたの W&B entity（チーム）の名前
+* モデルに関連付けられたプロジェクトの名前
+* 学習済みモデルの名前
+* デプロイしたいモデルのトレーニングステップ（通常は評価でモデルの性能が最も良かったステップ）
-例えば、W&B のチーム名が `email-specialists`、プロジェクト名が `mail-search`、トレーニング済みモデルの名前が `agent-001` で、ステップ 25 のモデルをデプロイしたい場合、エンドポイントは以下のようになります。
+たとえば、W&B チームの名前が `email-specialists`、プロジェクト名が `mail-search`、学習済みモデル名が `agent-001` で、ステップ 25 でデプロイしたい場合、エンドポイントは次のようになります:
```
wandb-artifact:///email-specialists/mail-search/agent-001:step25
```
-エンドポイントを取得したら、通常の推論ワークフローに統合できます。以下の例では、cURL リクエストまたは [Python OpenAI SDK](https://github.com/openai/openai-python) を使用して、トレーニング済みモデルに推論リクエストを送信する方法を示します。
+エンドポイントを作成したら、通常の推論ワークフローに統合できます。次の例では、cURL リクエストまたは [Python OpenAI SDK](https://github.com/openai/openai-python) を使用して、学習済みモデルに推論リクエストを送信する方法を示します。
-### cURL
+
+ ### cURL
+
```shell
curl https://api.training.wandb.ai/v1/chat/completions \
@@ -48,7 +51,9 @@ curl https://api.training.wandb.ai/v1/chat/completions \
}'
```
-### OpenAI SDK
+
+ ### OpenAI SDK
+
```python
from openai import OpenAI
@@ -72,6 +77,5 @@ response = client.chat.completions.create(
top_p=0.95,
)
-# レスポンスを表示
print(response.choices[0].message.content)
-```
\ No newline at end of file
+```
diff --git a/ja/training/sft-training.mdx b/ja/training/sft-training.mdx
new file mode 100644
index 0000000000..e395dd5999
--- /dev/null
+++ b/ja/training/sft-training.mdx
@@ -0,0 +1,39 @@
+---
+title: Serverless SFT
+description: W&B 上で教師ありファインチューニング (SFT) を使ってモデルをファインチューニングする方法を学ぶ
+---
+
+現在パブリックプレビュー中の Serverless SFT は、厳選されたデータセット上での教師あり学習を使って、開発者が LLM をファインチューニングできるようにします。W&B は、環境のセットアップにおける柔軟性を十分に保ちながら、トレーニング用インフラストラクチャ（[CoreWeave 上](https://docs.coreweave.com/docs/platform)）を自動的にプロビジョニングします。Serverless SFT により、トレーニングワークロードに応じて弾力的に自動スケーリングするマネージドなトレーニングクラスターへ即座にアクセスできます。
+
+Serverless SFT は次のようなタスクに最適です。
+
+* **蒸留 (Distillation)**: より大きく高性能なモデルから、より小さく高速なモデルへ知識を転移する
+* **出力スタイルとフォーマットの学習**: 特定の応答フォーマット、トーン、構造に従うようにモデルをトレーニングする
+* **強化学習前のウォームアップ**: さらなる洗練のために強化学習を適用する前に、教師ありのサンプルでモデルを事前学習する
+
+Serverless SFT は low-rank adapter (LoRA) をトレーニングし、特定のタスク向けにモデルを特化させます。トレーニングした LoRA は、あなたの W&B アカウント内に Artifacts として自動的に保存され、ローカルやサードパーティのサービスにバックアップとして保存できます。Serverless SFT を通じてトレーニングしたモデルは、W&B Inference 上に自動的にホスティングされます。
+
+使い始めるには、ART の [Serverless SFT ドキュメント](https://art.openpipe.ai/fundamentals/sft-training) を参照してください。
+
+
+ ## なぜ Serverless SFT なのか？
+
+
+教師ありファインチューニング (SFT) は、キュレーションされた入出力例からモデルを学習させるトレーニング手法です。W&B 上の Serverless SFT には、次のような利点があります。
+
+* **トレーニングコストの削減**: 多くのユーザー間でインフラを共有し、ジョブごとのセットアッププロセスを省略し、アクティブにトレーニングしていないときは GPU コストを 0 までスケールダウンすることで、Serverless SFT はトレーニングコストを大幅に削減します。
+* **トレーニング時間の短縮**: 必要なときにすぐトレーニング用インフラをプロビジョニングすることで、Serverless SFT はトレーニングジョブを高速化し、より素早く反復できるようにします。
+* **自動デプロイ**: Serverless SFT は、トレーニングしたすべてのチェックポイントを自動的にデプロイし、ホスティングインフラを手動でセットアップする必要をなくします。トレーニング済みモデルは、ローカル、ステージング、本番環境でただちにアクセスしてテストできます。
+
+
+ ## Serverless SFT が W&B のサービスをどのように利用しているか
+
+
+Serverless SFT は、次の W&B コンポーネントを組み合わせて動作します。
+
+* [Inference](/ja/inference): モデルを実行するため
+* [Models](/ja/models): LoRA アダプターのトレーニング中の性能メトリクスを追跡するため
+* [Artifacts](/ja/models/artifacts): LoRA アダプターを保存・バージョン管理するため
+* [Weave (optional)](/ja/weave): トレーニングループの各ステップでモデルがどのように応答するかを可視化するため
+
+Serverless SFT はパブリックプレビュー中です。プレビュー期間中は、推論の実行と Artifacts の保存に対してのみ課金されます。W&B は、プレビュー期間中のアダプターのトレーニングに対しては課金しません。
\ No newline at end of file
diff --git a/ja/training/sft-training/sft-training.mdx b/ja/training/sft-training/sft-training.mdx
new file mode 100644
index 0000000000..b7c6336f86
--- /dev/null
+++ b/ja/training/sft-training/sft-training.mdx
@@ -0,0 +1,9 @@
+---
+title: Serverless SFT の使用方法
+---
+
+Serverless SFT は、[OpenPipe の ART フレームワーク](https://art.openpipe.ai/getting-started/about) と [W&B Training API](/ja/training/api-reference) を通じて利用できます。
+
+Serverless SFT の利用を開始するには、まず W&B ツールを使用するための [前提条件](/ja/training/prerequisites) を満たし、その後 ART の [Serverless SFT ドキュメント](https://art.openpipe.ai/fundamentals/sft-training) を参照してください。
+
+* Serverless SFT の API エンドポイントについては、[W&B Training API リファレンス](/ja/training/api-reference) を参照してください。
\ No newline at end of file
diff --git a/ja/tutorials.mdx b/ja/tutorials.mdx
deleted file mode 100644
index e98541fcad..0000000000
--- a/ja/tutorials.mdx
+++ /dev/null
@@ -1,68 +0,0 @@
----
-title: チュートリアル
-description: Weights & Biases を使用するためのインタラクティブなチュートリアルを始めましょう。
-no_list: true
-type: docs
----
-
-## 基本
-
-次のチュートリアルでは、機械学習の実験管理、モデル評価、ハイパーパラメータチューニング、モデルとデータセットのバージョン管理などにおける W&B の基本を紹介します。
-
-
-
-W&B を使用して、機械学習の実験管理、モデルのチェックポイント、チームとのコラボレーションなどを行います。
-
-
-PyTorch を使用して、トレーニングの過程でモデル予測を追跡、可視化、比較します。データは MNIST を使用。
-
-
-
-
-
-W&B Sweeps を使用して、学習率、バッチサイズ、隠れ層の数などのハイパーパラメーターの組み合わせを自動的に検索するための組織化された方法を作成します。
-
-
-W&B Artifacts を使用して、ML 実験パイプラインを追跡します。
-
-
-
-## 人気のある ML フレームワークチュートリアル
-
-以下のチュートリアルでは、W&B を使用して人気のある ML フレームワークやライブラリを使用するためのステップバイステップの情報を提供します。
-
-
-
-W&B を PyTorch のコードに統合して、実験管理をパイプラインに追加します。
-
-
-W&B インテグレーションを使って Hugging Face モデルのパフォーマンスをすばやく可視化します。
-
-
-
-
-
-W&B と Keras を使用して、機械学習の実験管理、データセットのバージョン管理、プロジェクトのコラボレーションを行います。
-
-
-W&B と XGBoost を使用して、機械学習の実験管理、データセットのバージョン管理、プロジェクトのコラボレーションを行います。
-
-
-
-## その他のリソース
-
-W&B AI アカデミーで、アプリケーションでの LLM のトレーニング、ファインチューン、および使用方法を学ぶことができます。 MLOps および LLMOps ソリューションを実装します。 W&B コースを使用して、現実世界の ML 課題に取り組みましょう。
-
-- 大規模言語モデル (LLMs)
- - [LLM エンジニアリング: 構造化出力](https://www.wandb.courses/courses/steering-language-models?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
- - [LLM 搭載アプリの構築](https://www.wandb.courses/courses/building-llm-powered-apps?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
- - [大規模言語モデルのトレーニングとファインチューニング](https://www.wandb.courses/courses/training-fine-tuning-LLMs?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
-- 効果的な MLOps
- - [モデル CI/CD](https://www.wandb.courses/courses/enterprise-model-management?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
- - [効果的な MLOps: モデル開発](https://www.wandb.courses/courses/effective-mlops-model-development?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
- - [機械学習の CI/CD (GitOps)](https://www.wandb.courses/courses/ci-cd-for-machine-learning?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
- - [プロダクション ML パイプラインにおけるデータの検証](https://www.wandb.courses/courses/data-validation-for-machine-learning?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
- - [ビジネス意思決定最適化のための機械学習](https://www.wandb.courses/courses/decision-optimization?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
-- W&B Models
- - [W&B 101](https://wandb.ai/site/courses/101/?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
- - [W&B 201: Model Registry](https://www.wandb.courses/courses/201-model-registry?utm_source=wandb_docs&utm_medium=code&utm_campaign=tutorials)
\ No newline at end of file
diff --git a/ja/tutorials/artifacts.mdx b/ja/tutorials/artifacts.mdx
deleted file mode 100644
index 5e13d231c5..0000000000
--- a/ja/tutorials/artifacts.mdx
+++ /dev/null
@@ -1,647 +0,0 @@
----
-title: モデルとデータセットをトラッキングする
-weight: 4
----
-
-
-**注意:** `train_transform` を `train_dataset` に適用する代わりに、`val_transform` をトレーニングおよび検証データセットの両方に適用します。これは、トレーニングの前に、データセットの2つのスプリットからのサンプルを視覚化するためです。
-
-
-### データセットの可視化
-
-Weights & Biasesは画像、ビデオ、オーディオなどをサポートしています。リッチメディアをログに取り込み、結果を探索し、run、モデル、データセットを視覚的に比較できます。[セグメンテーションマスクオーバーレイシステム](/ja/models/track/log/media/#image-overlays-in-tables)を使用してデータボリュームを可視化します。 [テーブル](/ja/models/tables/)にセグメンテーションマスクをログに追加するには、テーブル内の各行に`wandb.Image` オブジェクトを提供する必要があります。
-
-次の擬似コードは、その例です。
-
-```python
-table = wandb.Table(columns=["ID", "Image"])
-
-for id, img, label in zip(ids, images, labels):
- mask_img = wandb.Image(
- img,
- masks={
- "prediction": {"mask_data": label, "class_labels": class_labels}
- # ...
- },
- )
-
- table.add_data(id, img)
-
-wandb.log({"Table": table})
-```
-
-次に、サンプル画像、ラベル、`wandb.Table` オブジェクトと関連するメタデータを受け取り、Weights & Biases ダッシュボードにログされるテーブルの行を埋めるユーティリティ関数を作成します。
-
-```python
-def log_data_samples_into_tables(
- sample_image: np.array,
- sample_label: np.array,
- split: str = None,
- data_idx: int = None,
- table: wandb.Table = None,
-):
- num_channels, _, _, num_slices = sample_image.shape
- with tqdm(total=num_slices, leave=False) as progress_bar:
- for slice_idx in range(num_slices):
- ground_truth_wandb_images = []
- for channel_idx in range(num_channels):
- ground_truth_wandb_images.append(
- masks = {
- "ground-truth/Tumor-Core": {
- "mask_data": sample_label[0, :, :, slice_idx],
- "class_labels": {0: "background", 1: "Tumor Core"},
- },
- "ground-truth/Whole-Tumor": {
- "mask_data": sample_label[1, :, :, slice_idx] * 2,
- "class_labels": {0: "background", 2: "Whole Tumor"},
- },
- "ground-truth/Enhancing-Tumor": {
- "mask_data": sample_label[2, :, :, slice_idx] * 3,
- "class_labels": {0: "background", 3: "Enhancing Tumor"},
- },
- }
- wandb.Image(
- sample_image[channel_idx, :, :, slice_idx],
- masks=masks,
- )
- )
- table.add_data(split, data_idx, slice_idx, *ground_truth_wandb_images)
- progress_bar.update(1)
- return table
-```
-
-次に、`wandb.Table` オブジェクトと、それが含む列を定義し、データ可視化を使用してそれを埋めます。
-
-```python
-table = wandb.Table(
- columns=[
- "Split",
- "Data Index",
- "Slice Index",
- "Image-Channel-0",
- "Image-Channel-1",
- "Image-Channel-2",
- "Image-Channel-3",
- ]
-)
-```
-
-次に、それぞれ`train_dataset` と`val_dataset` をループして、データサンプルの可視化を生成し、ダッシュボードにログを取るためのテーブルの行を埋めます。
-
-```python
-# train_dataset の可視化を生成
-max_samples = (
- min(config.max_train_images_visualized, len(train_dataset))
- if config.max_train_images_visualized > 0
- else len(train_dataset)
-)
-progress_bar = tqdm(
- enumerate(train_dataset[:max_samples]),
- total=max_samples,
- desc="Generating Train Dataset Visualizations:",
-)
-for data_idx, sample in progress_bar:
- sample_image = sample["image"].detach().cpu().numpy()
- sample_label = sample["label"].detach().cpu().numpy()
- table = log_data_samples_into_tables(
- sample_image,
- sample_label,
- split="train",
- data_idx=data_idx,
- table=table,
- )
-
-# val_dataset の可視化を生成
-max_samples = (
- min(config.max_val_images_visualized, len(val_dataset))
- if config.max_val_images_visualized > 0
- else len(val_dataset)
-)
-progress_bar = tqdm(
- enumerate(val_dataset[:max_samples]),
- total=max_samples,
- desc="Generating Validation Dataset Visualizations:",
-)
-for data_idx, sample in progress_bar:
- sample_image = sample["image"].detach().cpu().numpy()
- sample_label = sample["label"].detach().cpu().numpy()
- table = log_data_samples_into_tables(
- sample_image,
- sample_label,
- split="val",
- data_idx=data_idx,
- table=table,
- )
-
-# ダッシュボードにテーブルをログ
-wandb.log({"Tumor-Segmentation-Data": table})
-```
-
-データはW&Bダッシュボード上でインタラクティブな表形式で表示されます。我々はデータボリュームの特定のスライスの各チャンネルを、各行の対応するセグメンテーションマスクと重ね合わせて見ることができます。テーブルのデータを論理的にフィルタリングして、特定の行に集中するために [Weave クエリ](/ja/guides/weave) を書くことができます。
-
-
-**注意:** データセットのラベルはクラス間で重ならないマスクで構成されています。オーバーレイはラベルをオーバーレイ内の個別のマスクとしてログします。
-
-
-### データのロード
-
-データセットからデータをロードするための PyTorch DataLoaders を作成します。 DataLoaders を作成する前に、`train_dataset` の `transform` を `train_transform` に設定して、トレーニング用のデータを前処理および変換します。
-
-```python
-# トレーニングデータセットにtrain_transformsを適用
-train_dataset.transform = train_transform
-
-# train_loaderを作成
-train_loader = DataLoader(
- train_dataset,
- batch_size=config.batch_size,
- shuffle=True,
- num_workers=config.num_workers,
-)
-
-# val_loaderを作成
-val_loader = DataLoader(
- val_dataset,
- batch_size=config.batch_size,
- shuffle=False,
- num_workers=config.num_workers,
-)
-```
-
-## モデル、損失、およびオプティマイザーの作成
-
-このチュートリアルでは、 [3D MRI brain tumor segmentation using auto-encoder regularization](https://arxiv.org/pdf/1810.11654.pdf) に基づいた `SegResNet` モデルを作成します。`SegResNet` モデルは、 `monai.networks` API の一部として PyTorch モジュールとして実装されています。これはオプティマイザーと学習率スケジューラともに利用可能です。
-
-```python
-device = torch.device("cuda:0")
-
-# モデルの作成
-model = SegResNet(
- blocks_down=[1, 2, 2, 4],
- blocks_up=[1, 1, 1],
- init_filters=16,
- in_channels=4,
- out_channels=3,
- dropout_prob=0.2,
-).to(device)
-
-# オプティマイザーの作成
-optimizer = torch.optim.Adam(
- model.parameters(),
- config.initial_learning_rate,
- weight_decay=config.weight_decay,
-)
-
-# 学習率スケジューラの作成
-lr_scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(
- optimizer, T_max=config.max_train_epochs
-)
-```
-
-損失を `monai.losses` API を使用してマルチラベル `DiceLoss` として定義し、それに対応するダイスメトリクスを `monai.metrics` API を使用して定義します。
-
-```python
-loss_function = DiceLoss(
- smooth_nr=config.dice_loss_smoothen_numerator,
- smooth_dr=config.dice_loss_smoothen_denominator,
- squared_pred=config.dice_loss_squared_prediction,
- to_onehot_y=config.dice_loss_target_onehot,
- sigmoid=config.dice_loss_apply_sigmoid,
-)
-
-dice_metric = DiceMetric(include_background=True, reduction="mean")
-dice_metric_batch = DiceMetric(include_background=True, reduction="mean_batch")
-post_trans = Compose([Activations(sigmoid=True), AsDiscrete(threshold=0.5)])
-
-# 自動混合精度を使用してトレーニングを加速
-scaler = torch.cuda.amp.GradScaler()
-torch.backends.cudnn.benchmark = True
-```
-
-混合精度推論のための小さなユーティリティを定義します。これはトレーニングプロセスの検証ステップおよびトレーニング後にモデルを実行したいときに役立ちます。
-
-```python
-def inference(model, input):
- def _compute(input):
- return sliding_window_inference(
- inputs=input,
- roi_size=(240, 240, 160),
- sw_batch_size=1,
- predictor=model,
- overlap=0.5,
- )
-
- with torch.cuda.amp.autocast():
- return _compute(input)
-```
-
-## トレーニングと検証
-
-トレーニングの前に、トレーニングと検証の実験管理を追跡するために `wandb.log()` でログを取るメトリクスプロパティを定義します。
-
-```python
-wandb.define_metric("epoch/epoch_step")
-wandb.define_metric("epoch/*", step_metric="epoch/epoch_step")
-wandb.define_metric("batch/batch_step")
-wandb.define_metric("batch/*", step_metric="batch/batch_step")
-wandb.define_metric("validation/validation_step")
-wandb.define_metric("validation/*", step_metric="validation/validation_step")
-
-batch_step = 0
-validation_step = 0
-metric_values = []
-metric_values_tumor_core = []
-metric_values_whole_tumor = []
-metric_values_enhanced_tumor = []
-```
-
-### 標準的な PyTorch トレーニングループの実行
-
-```python
-# W&B アーティファクトオブジェクトを定義
-artifact = wandb.Artifact(
- name=f"{wandb.run.id}-checkpoint", type="model"
-)
-
-epoch_progress_bar = tqdm(range(config.max_train_epochs), desc="Training:")
-
-for epoch in epoch_progress_bar:
- model.train()
- epoch_loss = 0
-
- total_batch_steps = len(train_dataset) // train_loader.batch_size
- batch_progress_bar = tqdm(train_loader, total=total_batch_steps, leave=False)
-
- # トレーニングステップ
- for batch_data in batch_progress_bar:
- inputs, labels = (
- batch_data["image"].to(device),
- batch_data["label"].to(device),
- )
- optimizer.zero_grad()
- with torch.cuda.amp.autocast():
- outputs = model(inputs)
- loss = loss_function(outputs, labels)
- scaler.scale(loss).backward()
- scaler.step(optimizer)
- scaler.update()
- epoch_loss += loss.item()
- batch_progress_bar.set_description(f"train_loss: {loss.item():.4f}:")
- ## バッチ単位のトレーニング損失を W&B にログ
- wandb.log({"batch/batch_step": batch_step, "batch/train_loss": loss.item()})
- batch_step += 1
-
- lr_scheduler.step()
- epoch_loss /= total_batch_steps
- ## エポック単位のトレーニング損失と学習率を W&B にログ
- wandb.log(
- {
- "epoch/epoch_step": epoch,
- "epoch/mean_train_loss": epoch_loss,
- "epoch/learning_rate": lr_scheduler.get_last_lr()[0],
- }
- )
- epoch_progress_bar.set_description(f"Training: train_loss: {epoch_loss:.4f}:")
-
- # 検証とモデルのチェックポイントステップ
- if (epoch + 1) % config.validation_intervals == 0:
- model.eval()
- with torch.no_grad():
- for val_data in val_loader:
- val_inputs, val_labels = (
- val_data["image"].to(device),
- val_data["label"].to(device),
- )
- val_outputs = inference(model, val_inputs)
- val_outputs = [post_trans(i) for i in decollate_batch(val_outputs)]
- dice_metric(y_pred=val_outputs, y=val_labels)
- dice_metric_batch(y_pred=val_outputs, y=val_labels)
-
- metric_values.append(dice_metric.aggregate().item())
- metric_batch = dice_metric_batch.aggregate()
- metric_values_tumor_core.append(metric_batch[0].item())
- metric_values_whole_tumor.append(metric_batch[1].item())
- metric_values_enhanced_tumor.append(metric_batch[2].item())
- dice_metric.reset()
- dice_metric_batch.reset()
-
- checkpoint_path = os.path.join(config.checkpoint_dir, "model.pth")
- torch.save(model.state_dict(), checkpoint_path)
-
- # W&Bアーティファクトを使用してモデルのチェックポイントをログとバージョン管理。
- artifact.add_file(local_path=checkpoint_path)
- wandb.log_artifact(artifact, aliases=[f"epoch_{epoch}"])
-
- # W&Bダッシュボードに検証メトリクスをログ。
- wandb.log(
- {
- "validation/validation_step": validation_step,
- "validation/mean_dice": metric_values[-1],
- "validation/mean_dice_tumor_core": metric_values_tumor_core[-1],
- "validation/mean_dice_whole_tumor": metric_values_whole_tumor[-1],
- "validation/mean_dice_enhanced_tumor": metric_values_enhanced_tumor[-1],
- }
- )
- validation_step += 1
-
-
-# このアーティファクトがログを終了するのを待ちます。
-artifact.wait()
-```
-
-コードを `wandb.log` で計装することで、トレーニングと検証プロセスに関連するメトリクスすべてを追跡するだけでなく、W&Bダッシュボード上のすべてのシステムメトリクス（この場合はCPUとGPU）も追跡できます。
-
-
-Jupyter ノートブックでスイープを開始する場合、スイープ設定はネストされた辞書でなければなりません。
-
-コマンドラインでスイープを行う場合は、[YAMLファイル](/ja/models/sweeps/define-sweep-configuration/)でスイープ設定を指定する必要があります。
-
-
-### 検索メソッドの選択
-
-最初に、設定辞書内でハイパーパラメータ検索メソッドを指定します。[選べるハイパーパラメータ検索戦略は、グリッド、ランダム、ベイズ探索です](/ja/models/sweeps/sweep-config-keys/#method)。
-
-このチュートリアルでは、ランダム検索を使用します。ノートブック内で辞書を作成し、`method` キーに対して `random` を指定します。
-
-```
-sweep_config = {
- 'method': 'random'
- }
-```
-
-最適化したいメトリクスを指定します。ランダム検索メソッドを使用するスイープでは、必ずしもメトリクスとゴールを指定する必要はありません。しかし、スイープの目標を把握しておくことで、後で参照することができるため、良い習慣です。
-
-```
-metric = {
- 'name': 'loss',
- 'goal': 'minimize'
- }
-
-sweep_config['metric'] = metric
-```
-
-### 検索するハイパーパラメータの指定
-
-スイープ設定で検索メソッドが指定されたので、検索したいハイパーパラメータを指定します。
-
-これを行うには、`parameter` キーに1つ以上のハイパーパラメータ名を指定し、`value` キーに1つ以上のハイパーパラメータ値を指定します。
-
-特定のハイパーパラメータに対して検索する値は、調査しているハイパーパラメータの種類に依存します。
-
-例えば、機械学習オプティマイザーを選択した場合、Adam オプティマイザーや確率的勾配降下法など、1つ以上の有限のオプティマイザー名を指定する必要があります。
-
-```
-parameters_dict = {
- 'optimizer': {
- 'values': ['adam', 'sgd']
- },
- 'fc_layer_size': {
- 'values': [128, 256, 512]
- },
- 'dropout': {
- 'values': [0.3, 0.4, 0.5]
- },
- }
-
-sweep_config['parameters'] = parameters_dict
-```
-
-時にはハイパーパラメータを追跡したいが、その値を変えたくない場合があります。この場合、スイープ設定にハイパーパラメータを追加し、使用したい正確な値を指定します。以下のコードセルでは、`epochs` が1に設定されています。
-
-```
-parameters_dict.update({
- 'epochs': {
- 'value': 1}
- })
-```
-
-`random` 検索の場合、
-特定の run で選ばれるパラメータの`values`は均等に確率が分布しています。
-
-あるいは、
-特定の`distribution`を指定し、
-例えば`normal` 分布の平均`mu`と標準偏差`sigma`をパラメータとして指定することもできます。
-
-```
-parameters_dict.update({
- 'learning_rate': {
- # 0から0.1のフラットな分布
- 'distribution': 'uniform',
- 'min': 0,
- 'max': 0.1
- },
- 'batch_size': {
- # 32から256の整数
- # 対数が均等分布
- 'distribution': 'q_log_uniform_values',
- 'q': 8,
- 'min': 32,
- 'max': 256,
- }
- })
-```
-
-最後に完成した`sweep_config`は、試してみたい`parameters`を具体的に示したネストされた辞書で、
-それらを試すための`method`を指定します。
-
-次に、スイープ設定がどのように見えるかを確認しましょう：
-
-```
-import pprint
-pprint.pprint(sweep_config)
-```
-
-設定オプションの全リストについては、[Sweep 設定オプション](/ja/models/sweeps/sweep-config-keys/)をご覧ください。
-
-
-可能性のある無限の選択肢を持つハイパーパラメータの場合
-選択した少数の`values`を試してみるのが通常意味があります。例えば、先のスイープ設定では、`layer_size`および`dropout`パラメータキーに対して限定された値のリストが指定されています。
-
-
-## ステップ 2️: スイープの初期化
-
-検索戦略を定義したら、それを実装するための準備をします。
-
-W&Bは、クラウドまたはローカルで複数のマシンにわたってスイープを管理する Sweep Controller を使用します。このチュートリアルでは、W&Bにより管理されるスイープコントローラを使用します。
-
-スイープコントローラーはスイープを管理しますが、実際にスイープを実行するコンポーネントは、_sweep agent_として知られています。
-
-
-デフォルトでは、スイープコントローラのコンポーネントはW&Bのサーバー上で開始され、スイープエージェントはローカルマシン上で作成されます。
-
-
-ノートブック内で、`wandb.sweep`メソッドを使用してスイープコントローラをアクティブにできます。先ほど定義したスイープ設定辞書を`sweep_config`フィールドに渡します：
-
-```
-sweep_id = wandb.sweep(sweep_config, project="pytorch-sweeps-demo")
-```
-
-`wandb.sweep`関数は、後のステップでスイープをアクティブ化するために使用する`sweep_id`を返します。
-
-
-コマンドラインでは、この関数は次のように置き換えられます
-```python
-wandb sweep config.yaml
-```
-
-
-ターミナルで W&B Sweeps を作成する方法についての詳細は、[W&B Sweep ウォークスルー](/ja/models/sweeps/walkthrough/)を参照してください。
-
-## ステップ 3: 機械学習コードを定義する
-
-スイープを実行する前に、
-試してみたいハイパーパラメータ値を使用するトレーニング手順を定義します。W&B Sweepsをトレーニングコードに統合するための鍵は、各トレーニング実験のために、あなたのトレーニングロジックがスイープ設定で定義されたハイパーパラメータ値にアクセスできるようにすることです。
-
-次のコード例では、ヘルパー関数`build_dataset`、`build_network`、`build_optimizer`、および`train_epoch`が、スイープハイパーパラメータ設定辞書にアクセスします。
-
-次の機械学習トレーニングコードをノートブック内で実行します。これらの関数は、PyTorchでの基本的な全結合ニューラルネットワークを定義しています。
-
-```python
-import torch
-import torch.optim as optim
-import torch.nn.functional as F
-import torch.nn as nn
-from torchvision import datasets, transforms
-
-device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-
-def train(config=None):
- # 新しい wandb run を初期化する
- with wandb.init(config=config):
- # wandb.agent によって呼ばれた場合、以下のようにスイープコントローラによってこの構成が設定されます
- config = wandb.config
-
- loader = build_dataset(config.batch_size)
- network = build_network(config.fc_layer_size, config.dropout)
- optimizer = build_optimizer(network, config.optimizer, config.learning_rate)
-
- for epoch in range(config.epochs):
- avg_loss = train_epoch(network, loader, optimizer)
- wandb.log({"loss": avg_loss, "epoch": epoch})
-```
-
-`train`関数内では、次のW&B Python SDKメソッドが見られます:
-* [`wandb.init()`](/ja/models/ref/python/init): 新しい W&B run を初期化します。各 run は、トレーニング関数の1回の実行です。
-* [`wandb.config`](/ja/models/track/config/): 試してみたいハイパーパラメータを含むスイープ設定を渡します。
-* [`wandb.log()`](/ja/models/ref/python/log): 各エポックのトレーニングlossをログに記録します。
-
-次のセルでは、4つの関数を定義します:
-`build_dataset`、`build_network`、`build_optimizer`、および`train_epoch`。
-これらの関数は基本的なPyTorchパイプラインの標準的な部分であり、
-W&Bの使用によってその実装に影響しません。
-
-```python
-def build_dataset(batch_size):
-
- transform = transforms.Compose(
- [transforms.ToTensor(),
- transforms.Normalize((0.1307,), (0.3081,))])
- # MNISTトレーニングデータセットをダウンロード
- dataset = datasets.MNIST(".", train=True, download=True,
- transform=transform)
- sub_dataset = torch.utils.data.Subset(
- dataset, indices=range(0, len(dataset), 5))
- loader = torch.utils.data.DataLoader(sub_dataset, batch_size=batch_size)
-
- return loader
-
-
-def build_network(fc_layer_size, dropout):
- network = nn.Sequential( # 完全連結のシングル隠れ層
- nn.Flatten(),
- nn.Linear(784, fc_layer_size), nn.ReLU(),
- nn.Dropout(dropout),
- nn.Linear(fc_layer_size, 10),
- nn.LogSoftmax(dim=1))
-
- return network.to(device)
-
-
-def build_optimizer(network, optimizer, learning_rate):
- if optimizer == "sgd":
- optimizer = optim.SGD(network.parameters(),
- lr=learning_rate, momentum=0.9)
- elif optimizer == "adam":
- optimizer = optim.Adam(network.parameters(),
- lr=learning_rate)
- return optimizer
-
-
-def train_epoch(network, loader, optimizer):
- cumu_loss = 0
- for _, (data, target) in enumerate(loader):
- data, target = data.to(device), target.to(device)
- optimizer.zero_grad()
-
- # ➡ Forward pass
- loss = F.nll_loss(network(data), target)
- cumu_loss += loss.item()
-
- # ⬅ Backward pass + weight update
- loss.backward()
- optimizer.step()
-
- wandb.log({"batch loss": loss.item()})
-
- return cumu_loss / len(loader)
-```
-
-PyTorch を使用した W&B のインストゥルメントについての詳細は、[この Colab](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/pytorch/Simple_PyTorch_Integration.ipynb)を参照してください。
-
-## ステップ 4: スイープエージェントのアクティベート
-
-スイープ設定が定義され、ハイパーパラメータを対話的に利用できるトレーニングスクリプトが準備できたので、スイープエージェントをアクティベートする準備ができました。スイープエージェントは、スイープ設定で定義されたハイパーパラメータ値のセットを使用して実験を実行する責任を負っています。
-
-`sweep_id`を持つスイープの一部として、スイープが実行する関数（この例では`train`関数を使用）、（オプションで）スイープコントローラーに何個の設定を要求するかを指定してください。
-
-
-同じ`sweep_id`を持つスイープエージェントを異なる計算リソース上で起動することができます。スイープコントローラーがあなたの定義したスイープ設定に基づいて協働することを保証します。
-
-
-次のセルは、トレーニング関数（`train`）を5回実行するスイープエージェントをアクティベートします：
-
-```python
-wandb.agent(sweep_id, train, count=5)
-```
-
-
-スイープ設定で`random` 検索メソッドが指定されていたため、スイープコントローラーはランダムに生成されたハイパーパラメータ値を提供します。
-
-
-ターミナルで W&B Sweeps を作成する方法についての詳細は、[W&B Sweep ウォークスルー](/ja/models/sweeps/walkthrough/)を参照してください。
-
-## スイープ結果の可視化
-
-### Parallel Coordinates プロット
-このプロットは、ハイパーパラメータ値をモデルメトリクスにマッピングします。最も良いモデルパフォーマンスをもたらしたハイパーパラメータの組み合わせを特定するのに役立ちます。
-
-
-W&B が初めてであるか、ログインしていない場合、`wandb.login()` を実行した後のリンクは、新規登録/ログインページへと案内します。
-
-
-## データセットの準備
-
-```python
-# トレーニングデータセットの準備
-(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
-
-x_train = x_train / 255.0
-x_test = x_test / 255.0
-x_train = np.reshape(x_train, (-1, 784))
-x_test = np.reshape(x_test, (-1, 784))
-```
-
-## 分類器 MLP の構築
-
-```python
-def Model():
- inputs = keras.Input(shape=(784,), name="digits")
- x1 = keras.layers.Dense(64, activation="relu")(inputs)
- x2 = keras.layers.Dense(64, activation="relu")(x1)
- outputs = keras.layers.Dense(10, name="predictions")(x2)
-
- return keras.Model(inputs=inputs, outputs=outputs)
-
-
-def train_step(x, y, model, optimizer, loss_fn, train_acc_metric):
- with tf.GradientTape() as tape:
- logits = model(x, training=True)
- loss_value = loss_fn(y, logits)
-
- grads = tape.gradient(loss_value, model.trainable_weights)
- optimizer.apply_gradients(zip(grads, model.trainable_weights))
-
- train_acc_metric.update_state(y, logits)
-
- return loss_value
-
-
-def test_step(x, y, model, loss_fn, val_acc_metric):
- val_logits = model(x, training=False)
- loss_value = loss_fn(y, val_logits)
- val_acc_metric.update_state(y, val_logits)
-
- return loss_value
-```
-
-## トレーニングループの記述
-
-```python
-def train(
- train_dataset,
- val_dataset,
- model,
- optimizer,
- loss_fn,
- train_acc_metric,
- val_acc_metric,
- epochs=10,
- log_step=200,
- val_log_step=50,
-):
-
- for epoch in range(epochs):
- print("\nStart of epoch %d" % (epoch,))
-
- train_loss = []
- val_loss = []
-
- # データセットのバッチを繰り返す
- for step, (x_batch_train, y_batch_train) in tqdm.tqdm(
- enumerate(train_dataset), total=len(train_dataset)
- ):
- loss_value = train_step(
- x_batch_train,
- y_batch_train,
- model,
- optimizer,
- loss_fn,
- train_acc_metric,
- )
- train_loss.append(float(loss_value))
-
- # 各エポックの終わりに検証ループを実行
- for step, (x_batch_val, y_batch_val) in enumerate(val_dataset):
- val_loss_value = test_step(
- x_batch_val, y_batch_val, model, loss_fn, val_acc_metric
- )
- val_loss.append(float(val_loss_value))
-
- # 各エポック終了時にメトリクスを表示
- train_acc = train_acc_metric.result()
- print("Training acc over epoch: %.4f" % (float(train_acc),))
-
- val_acc = val_acc_metric.result()
- print("Validation acc: %.4f" % (float(val_acc),))
-
- # 各エポック終了時にメトリクスをリセット
- train_acc_metric.reset_states()
- val_acc_metric.reset_states()
-
- # 3️⃣ wandb.log を使用してメトリクスをログ
- wandb.log(
- {
- "epochs": epoch,
- "loss": np.mean(train_loss),
- "acc": float(train_acc),
- "val_loss": np.mean(val_loss),
- "val_acc": float(val_acc),
- }
- )
-```
-
-## sweep を設定する
-
-sweep を設定する手順:
-* 最適化するハイパーパラメーターを定義する
-* 最適化メソッドを選択する: `random`、`grid`、または `bayes`
-* `bayes` の目標とメトリクスを設定する。例えば `val_loss` を最小化する
-* `hyperband` を使用して、実行中のものを早期終了する
-
-詳しくは [W&B Sweeps ドキュメント](/ja/models/sweeps/define-sweep-configuration/)を参照してください。
-
-```python
-sweep_config = {
- "method": "random",
- "metric": {"name": "val_loss", "goal": "minimize"},
- "early_terminate": {"type": "hyperband", "min_iter": 5},
- "parameters": {
- "batch_size": {"values": [32, 64, 128, 256]},
- "learning_rate": {"values": [0.01, 0.005, 0.001, 0.0005, 0.0001]},
- },
-}
-```
-
-## トレーニングループを包む
-
-`wandb.config` を使用してハイパーパラメーターを設定してから `train` を呼び出すような関数 `sweep_train` を作成します。
-
-```python
-def sweep_train(config_defaults=None):
- # デフォルト値の設定
- config_defaults = {"batch_size": 64, "learning_rate": 0.01}
- # サンプルプロジェクト名で wandb を初期化
- wandb.init(config=config_defaults) # これは Sweep で上書きされます
-
- # 他のハイパーパラメータを設定に指定、ある場合
- wandb.config.epochs = 2
- wandb.config.log_step = 20
- wandb.config.val_log_step = 50
- wandb.config.architecture_name = "MLP"
- wandb.config.dataset_name = "MNIST"
-
- # tf.data を使用して入力パイプラインを構築
- train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
- train_dataset = (
- train_dataset.shuffle(buffer_size=1024)
- .batch(wandb.config.batch_size)
- .prefetch(buffer_size=tf.data.AUTOTUNE)
- )
-
- val_dataset = tf.data.Dataset.from_tensor_slices((x_test, y_test))
- val_dataset = val_dataset.batch(wandb.config.batch_size).prefetch(
- buffer_size=tf.data.AUTOTUNE
- )
-
- # モデルを初期化
- model = Model()
-
- # モデルをトレーニングするためのオプティマイザーをインスタンス化
- optimizer = keras.optimizers.SGD(learning_rate=wandb.config.learning_rate)
- # 損失関数をインスタンス化
- loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)
-
- # メトリクスを準備
- train_acc_metric = keras.metrics.SparseCategoricalAccuracy()
- val_acc_metric = keras.metrics.SparseCategoricalAccuracy()
-
- train(
- train_dataset,
- val_dataset,
- model,
- optimizer,
- loss_fn,
- train_acc_metric,
- val_acc_metric,
- epochs=wandb.config.epochs,
- log_step=wandb.config.log_step,
- val_log_step=wandb.config.val_log_step,
- )
-```
-
-## sweep を初期化し、パーソナルデジタルアシスタントを実行
-
-```python
-sweep_id = wandb.sweep(sweep_config, project="sweeps-tensorflow")
-```
-
-`count` パラメーターで実行の数を制限します。迅速な実行のために 10 に設定します。必要に応じて増やしてください。
-
-```python
-wandb.agent(sweep_id, function=sweep_train, count=10)
-```
-
-## 結果を視覚化
-
-ライブ結果を見るには、先行する **Sweep URL** リンクをクリックしてください。
-
-## サンプルギャラリー
-
-W&B で追跡および視覚化されたプロジェクトを [Gallery](https://app.wandb.ai/gallery) で探索してください。
-
-## ベストプラクティス
-
-1. **Projects**: 複数の実行をプロジェクトに記録し、それらを比較します。`wandb.init(project="project-name")`
-2. **Groups**: 複数プロセスまたはクロスバリデーション折りたたみのために各プロセスを run として記録し、それらをグループ化します。`wandb.init(group='experiment-1')`
-3. **Tags**: ベースラインまたはプロダクションモデルを追跡するためにタグを使用します。
-4. **Notes**: テーブルのメモに run 間の変更を追跡するためのメモを入力します。
-5. **Reports**: レポートを使用して進捗メモを作成し、同僚と共有し、MLプロジェクトのダッシュボードとスナップショットを作成します。
-
-## 高度なセットアップ
-
-1. [環境変数](/ja/platform/hosting/env-vars/): 管理されたクラスターでのトレーニングのために API キーを設定します。
-2. [オフラインモード](/ja/models/support/run_wandb_offline/)
-3. [オンプレミス](/ja/platform/hosting/hosting-options/self-managed): W&B をプライベートクラウドまたはインフラストラクチャ内のエアギャップサーバーにインストールします。ローカルインストールは学術機関および企業チームに適しています。
\ No newline at end of file
diff --git a/ja/tutorials/weave_models_registry.mdx b/ja/tutorials/weave_models_registry.mdx
deleted file mode 100644
index 73a347fdfe..0000000000
--- a/ja/tutorials/weave_models_registry.mdx
+++ /dev/null
@@ -1,225 +0,0 @@
----
-title: Weave と Models インテグレーション デモ
----
-
-
-プログラムによるワークスペースとの対話は、現在[**Saved workspaces views**](/ja/tutorials/workspaces/#saved-workspace-views)でサポートされています。Saved workspaces viewsは、ワークスペースの協働スナップショットです。同じチームのメンバーであれば、誰でも保存されたワークスペースビューを表示、編集、保存できます。
-
-
-## 1. 依存関係のインストールとインポート
-
-```python
-# 依存関係のインストール
-!pip install wandb wandb-workspaces rich
-```
-
-```python
-# 依存関係のインポート
-import os
-import wandb
-import wandb_workspaces.workspaces as ws
-import wandb_workspaces.reports.v2 as wr # パネルを追加するためのReports APIを使用します
-
-# 出力フォーマットを改善
-%load_ext rich
-```
-
-## 2. 新しいプロジェクトとワークスペースの作成
-
-このチュートリアルでは、新しいプロジェクトを作成し、`wandb_workspaces` APIを使用して実験を行います。
-
-注：ユニークな `Saved view` URLを使用して既存のワークスペースを読み込むことができます。この方法は次のコードブロックで説明しています。
-
-```python
-# Weights & Biases を初期化してログイン
-wandb.login()
-
-# 新しいプロジェクトとサンプルデータをログに記録するための関数
-def create_project_and_log_data():
- project = "workspace-api-example" # デフォルトのプロジェクト名
-
- # サンプルデータをログに記録するためにrunを初期化
- with wandb.init(project=project, name="sample_run") as run:
- for step in range(100):
- wandb.log({
- "Step": step,
- "val_loss": 1.0 / (step + 1),
- "val_accuracy": step / 100.0,
- "train_loss": 1.0 / (step + 2),
- "train_accuracy": step / 110.0,
- "f1_score": step / 100.0,
- "recall": step / 120.0,
- })
- return project
-
-# 新しいプロジェクトを作成してデータをログ
-project = create_project_and_log_data()
-entity = wandb.Api().default_entity
-```
-
-### （オプション）既存のプロジェクトとワークスペースを読み込む
-
-新しいプロジェクトを作成する代わりに、既存のプロジェクトとワークスペースを読み込むことができます。そのためには、ユニークなワークスペースURLを見つけて、それを文字列として `ws.Workspace.from_url` に渡します。URLの形式は `https://wandb.ai/[SOURCE-ENTITY]/[SOURCE-USER]?nw=abc` です。
-
-例：
-
-```python
-wandb.login()
-
-workspace = ws.Workspace.from_url("https://wandb.ai/[SOURCE-ENTITY]/[SOURCE-USER]?nw=abc").
-
-workspace = ws.Workspace(
- entity="NEW-ENTITY",
- project=NEW-PROJECT,
- name="NEW-SAVED-VIEW-NAME"
-)
-```
-
-## 3. プログラムによるワークスペースの例
-
-以下に、プログラムによるワークスペースの特徴を使用するための例を示します：
-
-```python
-# ワークスペース、セクション、およびパネルに利用可能なすべての設定を確認します。
-all_settings_objects = [x for x in dir(ws) if isinstance(getattr(ws, x), type)]
-all_settings_objects
-```
-
-### `saved view` を使ってワークスペースを作成
-
-この例では、新しいワークスペースを作成し、それにセクションとパネルを配置する方法を示します。ワークスペースは通常のPythonオブジェクトのように編集できますので、柔軟性と使いやすさを提供します。
-
-```python
-def sample_workspace_saved_example(entity: str, project: str) -> str:
- workspace: ws.Workspace = ws.Workspace(
- name="Example W&B Workspace",
- entity=entity,
- project=project,
- sections=[
- ws.Section(
- name="Validation Metrics",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.BarPlot(metrics=["val_accuracy"]),
- wr.ScalarChart(metric="f1_score", groupby_aggfunc="mean"),
- ],
- is_open=True,
- ),
- ],
- )
- workspace.save()
- print("Sample Workspace saved.")
- return workspace.url
-
-workspace_url: str = sample_workspace_saved_example(entity, project)
-```
-
-### URLからワークスペースを読み込む
-
-元のセットアップに影響を与えずにワークスペースを複製してカスタマイズします。これを行うためには、既存のワークスペースを読み込み、新しいビューとして保存します。
-
-```python
-def save_new_workspace_view_example(url: str) -> None:
- workspace: ws.Workspace = ws.Workspace.from_url(url)
-
- workspace.name = "Updated Workspace Name"
- workspace.save_as_new_view()
-
- print(f"Workspace saved as new view.")
-
-save_new_workspace_view_example(workspace_url)
-```
-
-今、あなたのワークスペースの名前は "Updated Workspace Name" です。
-
-### 基本設定
-
-次のコードは、ワークスペースを作成し、パネルを追加して、ワークスペース、個々のセクション、およびパネルの設定を構成する方法を示します。
-
-```python
-# カスタム設定でワークスペースを作成して構成するための関数
-def custom_settings_example(entity: str, project: str) -> None:
- workspace: ws.Workspace = ws.Workspace(name="An example workspace", entity=entity, project=project)
- workspace.sections = [
- ws.Section(
- name="Validation",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.LinePlot(x="Step", y=["val_accuracy"]),
- wr.ScalarChart(metric="f1_score", groupby_aggfunc="mean"),
- wr.ScalarChart(metric="recall", groupby_aggfunc="mean"),
- ],
- is_open=True,
- ),
- ws.Section(
- name="Training",
- panels=[
- wr.LinePlot(x="Step", y=["train_loss"]),
- wr.LinePlot(x="Step", y=["train_accuracy"]),
- ],
- is_open=False,
- ),
- ]
-
- workspace.settings = ws.WorkspaceSettings(
- x_axis="Step",
- x_min=0,
- x_max=75,
- smoothing_type="gaussian",
- smoothing_weight=20.0,
- ignore_outliers=False,
- remove_legends_from_panels=False,
- tooltip_number_of_runs="default",
- tooltip_color_run_names=True,
- max_runs=20,
- point_visualization_method="bucketing",
- auto_expand_panel_search_results=False,
- )
-
- section = workspace.sections[0]
- section.panel_settings = ws.SectionPanelSettings(
- x_min=25,
- x_max=50,
- smoothing_type="none",
- )
-
- panel = section.panels[0]
- panel.title = "Validation Loss Custom Title"
- panel.title_x = "Custom x-axis title"
-
- workspace.save()
- print("Workspace with custom settings saved.")
-
-# ワークスペースを作成して設定する関数を実行
-custom_settings_example(entity, project)
-```
-
-今、あなたは "An example workspace" という名前の別の保存済みビューを見ています。
-
-## Run のカスタマイズ
-
-次のコードセルでは、runをフィルタリングし、色を変え、グループ化し、プログラムで並べ替える方法を示します。
-
-各例では、一般的なワークフローとして、適切なパラメータに引数として指定されたカスタマイズ情報を `ws.RunsetSettings` に渡します。
-
-### Run のフィルタリング
-
-Pythonの式と `wandb.log` でログしたメトリクス、または **Created Timestamp** のようにrunの一部として自動的にログされるメトリクスを使って、フィルターを作成できます。また、W&B App UI での表示方法、たとえば **Name**、**Tags**、または **ID** に基づいてフィルターを参照することもできます。
-
-次の例では、検証損失のサマリ、検証精度のサマリ、および指定された正規表現に基づいてrunをフィルタリングする方法を示します。
-
-```python
-def advanced_filter_example(entity: str, project: str) -> None:
- # プロジェクト内のすべてのrunを取得
- runs: list = wandb.Api().runs(f"{entity}/{project}")
-
- # 複数のフィルターを適用：val_loss < 0.1、val_accuracy > 0.8、およびrun名が正規表現に一致
- workspace: ws.Workspace = ws.Workspace(
- name="Advanced Filtered Workspace with Regex",
- entity=entity,
- project=project,
- sections=[
- ws.Section(
- name="Advanced Filtered Section",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.LinePlot(x="Step", y=["val_accuracy"]),
- ],
- is_open=True,
- ),
- ],
- runset_settings=ws.RunsetSettings(
- filters=[
- (ws.Summary("val_loss") < 0.1), # 'val_loss' のサマリでrunをフィルタ
- (ws.Summary("val_accuracy") > 0.8), # 'val_accuracy' のサマリでrunをフィルタ
- (ws.Metric("ID").isin([run.id for run in wandb.Api().runs(f"{entity}/{project}")])),
- ],
- regex_query=True,
- )
- )
-
- # run名が 's' で始まるものと一致するように正規表現検索を追加します
- workspace.runset_settings.query = "^s"
- workspace.runset_settings.regex_query = True
-
- workspace.save()
- print("Workspace with advanced filters and regex search saved.")
-
-advanced_filter_example(entity, project)
-```
-
-フィルター式のリストを渡すと、ブールの「AND」論理が適用されることに注意してください。
-
-### Run の色を変更
-
-この例では、ワークスペース内のrunの色を変更する方法を示します。
-
-```python
-def run_color_example(entity: str, project: str) -> None:
- # プロジェクト内のすべてのrunを取得
- runs: list = wandb.Api().runs(f"{entity}/{project}")
-
- # Runの色を動的に割り当てる
- run_colors: list = ['purple', 'orange', 'teal', 'magenta']
- run_settings: dict = {}
- for i, run in enumerate(runs):
- run_settings[run.id] = ws.RunSettings(color=run_colors[i % len(run_colors)])
-
- workspace: ws.Workspace = ws.Workspace(
- name="Run Colors Workspace",
- entity=entity,
- project=project,
- sections=[
- ws.Section(
- name="Run Colors Section",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.LinePlot(x="Step", y=["val_accuracy"]),
- ],
- is_open=True,
- ),
- ],
- runset_settings=ws.RunsetSettings(
- run_settings=run_settings
- )
- )
-
- workspace.save()
- print("Workspace with run colors saved.")
-
-run_color_example(entity, project)
-```
-
-### Run のグループ化
-
-この例では、特定のメトリクスでrunをグループ化する方法を示します。
-
-```python
-def grouping_example(entity: str, project: str) -> None:
- workspace: ws.Workspace = ws.Workspace(
- name="Grouped Runs Workspace",
- entity=entity,
- project=project,
- sections=[
- ws.Section(
- name="Grouped Runs",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.LinePlot(x="Step", y=["val_accuracy"]),
- ],
- is_open=True,
- ),
- ],
- runset_settings=ws.RunsetSettings(
- groupby=[ws.Metric("Name")]
- )
- )
- workspace.save()
- print("Workspace with grouped runs saved.")
-
-grouping_example(entity, project)
-```
-
-### Run をソート
-
-この例では、検証損失のサマリに基づいてrunをソートする方法を示します。
-
-```python
-def sorting_example(entity: str, project: str) -> None:
- workspace: ws.Workspace = ws.Workspace(
- name="Sorted Runs Workspace",
- entity=entity,
- project=project,
- sections=[
- ws.Section(
- name="Sorted Runs",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.LinePlot(x="Step", y=["val_accuracy"]),
- ],
- is_open=True,
- ),
- ],
- runset_settings=ws.RunsetSettings(
- order=[ws.Ordering(ws.Summary("val_loss"))] #val_lossサマリを使用して注文
- )
- )
- workspace.save()
- print("Workspace with sorted runs saved.")
-
-sorting_example(entity, project)
-```
-
-## 4. まとめ: 包括的な例
-
-この例では、包括的なワークスペースを作成し、その設定を構成し、セクションにパネルを追加する方法を示します。
-
-```python
-def full_end_to_end_example(entity: str, project: str) -> None:
- # プロジェクト内のすべてのrunを取得
- runs: list = wandb.Api().runs(f"{entity}/{project}")
-
- # Runの色を動的に割り当ててrunの設定を作成する
- run_colors: list = ['red', 'blue', 'green', 'orange', 'purple', 'teal', 'magenta', '#FAC13C']
- run_settings: dict = {}
- for i, run in enumerate(runs):
- run_settings[run.id] = ws.RunSettings(color=run_colors[i % len(run_colors)], disabled=False)
-
- workspace: ws.Workspace = ws.Workspace(
- name="My Workspace Template",
- entity=entity,
- project=project,
- sections=[
- ws.Section(
- name="Main Metrics",
- panels=[
- wr.LinePlot(x="Step", y=["val_loss"]),
- wr.LinePlot(x="Step", y=["val_accuracy"]),
- wr.ScalarChart(metric="f1_score", groupby_aggfunc="mean"),
- ],
- is_open=True,
- ),
- ws.Section(
- name="Additional Metrics",
- panels=[
- wr.ScalarChart(metric="precision", groupby_aggfunc="mean"),
- wr.ScalarChart(metric="recall", groupby_aggfunc="mean"),
- ],
- ),
- ],
- settings=ws.WorkspaceSettings(
- x_axis="Step",
- x_min=0,
- x_max=100,
- smoothing_type="none",
- smoothing_weight=0,
- ignore_outliers=False,
- remove_legends_from_panels=False,
- tooltip_number_of_runs="default",
- tooltip_color_run_names=True,
- max_runs=20,
- point_visualization_method="bucketing",
- auto_expand_panel_search_results=False,
- ),
- runset_settings=ws.RunsetSettings(
- query="",
- regex_query=False,
- filters=[
- ws.Summary("val_loss") < 1,
- ws.Metric("Name") == "sample_run",
- ],
- groupby=[ws.Metric("Name")],
- order=[ws.Ordering(ws.Summary("Step"), ascending=True)],
- run_settings=run_settings
- )
- )
- workspace.save()
- print("Workspace created and saved.")
-
-full_end_to_end_example(entity, project)
-```
\ No newline at end of file
diff --git a/ja/tutorials/xgboost_sweeps.mdx b/ja/tutorials/xgboost_sweeps.mdx
deleted file mode 100644
index 3c7a15b684..0000000000
--- a/ja/tutorials/xgboost_sweeps.mdx
+++ /dev/null
@@ -1,215 +0,0 @@
----
-title: XGBoost Sweeps
----
-
-
+ ## はじめに
+
-以下のドキュメントでは、Weave の一連のツールを使用するための基本的な方法をガイドします。
+以下のドキュメントでは、Weave の一連のツールの基本的な使い方を順を追って説明します。
-
- LLM への基本的な呼び出しをトレースし、W&B アカウントでデータを確認することから始めましょう。
+
+ まずは LLM への基本的な呼び出しをトレースし、そのデータを自分の W&B アカウントで確認します。
-
- Weave のスコアラーを使用して、アプリケーションのパフォーマンスをテストおよび追跡するための評価パイプラインを構築する方法を学びます。
+
+ Weave のスコアラーを使って評価パイプラインを構築し、アプリケーションのパフォーマンスをテストしトラッキングする方法を学びます。
-
- Weave と LLM judges を使用して RAG アプリケーションを構築・評価し、検索の質を測定します。
+
+ Weave と LLM ジャッジを用いて RAG アプリケーションを構築・評価し、リトリーバル品質を測定します。
-## Weave のインストール
+
+ ## Weave のインストール
+
-W&B Weave は Python および TypeScript ライブラリを提供しています。Weave ライブラリをインストールするには、以下のコマンドを実行します。
+W&B Weave は Python と TypeScript のライブラリを提供しています。Weave ライブラリをインストールするには、次のコマンドを実行します。
@@ -49,6 +41,7 @@ W&B Weave は Python および TypeScript ライブラリを提供していま
pip install weave
```
+
```bash
pnpm install weave
@@ -56,4 +49,4 @@ W&B Weave は Python および TypeScript ライブラリを提供していま
-Weave ライブラリの使用を開始するには、[Weights & Biases (W&B) アカウント](https://wandb.ai) を作成し、[ユーザー設定 (User Settings)](https://wandb.ai/settings) で [APIキー] を作成してください。APIキー を使用して W&B アカウントの認証を行い、データの送信を開始できます。
\ No newline at end of file
+Weave ライブラリの使用を開始するには、[Weights & Biases (W&B) アカウント](https://wandb.ai) と [User Settings での API キー](https://wandb.ai/settings) を作成します。API キーを使って W&B アカウントに認証し、データの送信を開始できます。
\ No newline at end of file
diff --git a/ja/weave/community.mdx b/ja/weave/community.mdx
index fb9eaf566d..a5bab4f369 100644
--- a/ja/weave/community.mdx
+++ b/ja/weave/community.mdx
@@ -1,10 +1,10 @@
---
title: コミュニティ
-description: Weights & Biases コミュニティと繋がり、エキスパートから学びましょう
+description: Weights & Biases コミュニティとつながり、エキスパートから学ぶ
mode: wide
---
-Weights & Biases の活気あるコミュニティに参加して、共に学び、共有し、成長しましょう。ML 実務家と繋がり、サポートを受け、最新の開発情報を常に入手してください。
+活気ある Weights & Biases コミュニティに参加して、学び、共有し、ともに成長しましょう。ML 実務者とつながり、助けを得たり、最新の動向をキャッチアップできます。
- LLM、MLOps、および AI アプリケーション 構築の ベストプラクティス に関する専門家主導の コース で学びましょう。
+ エキスパートが指導する LLM、MLOps、AI アプリケーション構築のベストプラクティスに関するコースで学べます。
- W&B コミュニティの ML 実務家からヘルプを得たり、知識を共有したり、アイデアを議論したりできます。
+ W&B コミュニティの ML 実務者とともに、質問したり、知識を共有したり、アイデアを議論できます。
- Weights & Biases チームからの最新のアップデート、ヒント、インサイトについては、こちらをフォローしてください。
+ Weights & Biases チームからの最新情報やヒント、インサイトを得るにはフォローしてください。
-## 最新情報を入手する
+
+ ## 最新情報を受け取る
+
-ソーシャルメディアをフォローして、アップデート、ヒント、コミュニティのハイライトをチェックしてください：
+最新情報やヒント、コミュニティの注目トピックは、以下のソーシャルメディアでフォローしてチェックしてください:
- [Twitter/X](https://x.com/weights_biases)
- [LinkedIn](https://www.linkedin.com/company/wandb/)
- [YouTube](https://www.youtube.com/c/WeightsBiases)
- [Discord](https://discord.com/invite/RgB8CPk2ce)
-- [ブログ](https://wandb.ai/site/articles)
\ No newline at end of file
+- [Blog](https://wandb.ai/site/articles)
\ No newline at end of file
diff --git a/ja/weave/concepts/what-is-weave.mdx b/ja/weave/concepts/what-is-weave.mdx
new file mode 100644
index 0000000000..21ec014519
--- /dev/null
+++ b/ja/weave/concepts/what-is-weave.mdx
@@ -0,0 +1,140 @@
+---
+title: "Weave とは？"
+description: "W&B Weave について学び、LLM アプリケーションの構築・評価・改善にどのように役立つのかを理解します"
+---
+
+W&B Weave は、信頼性の高い LLM アプリケーションを構築するための、オブザーバビリティと評価のためのプラットフォームです。Weave は、AI アプリケーションが何をしているのかを理解し、その性能を測定し、時間の経過とともに体系的に改善していくのに役立ちます。
+
+LLM アプリケーションの構築は、従来のソフトウェア開発とは本質的に異なります。LLM の出力は非決定的であり、デバッグを困難にします。品質は主観的かつ文脈依存です。わずかなプロンプトの変更で、予期せぬ動作の変化が生じることがあります。従来のテスト手法では不十分です。
+
+
+ ## Weave の主な柱
+
+
+Weave は次のような中核機能を提供します。
+
+* アプリケーション内のあらゆる LLM 呼び出し、その入力と出力の **可視化**。
+* 精選されたテストケースに対する性能を測定するための **体系的な評価**。
+* 何が変化したかを把握できるようにする、プロンプト、モデル、データの **バージョン管理**。
+* さまざまなプロンプトやモデルを比較するための **実験**。
+* 人間による判断やアノテーションを記録する **フィードバック収集**。
+* LLM の安全性と品質のためのガードレールやスコアラーを用いた本番環境での **モニタリング**。
+
+
+ ### トレース
+
+
+LLM アプリケーション内でのデータフローをエンドツーエンドで追跡します。
+
+* アプリケーションの各実行における入力と出力を確認できます。
+* LLM の応答を生成するために使用された元のドキュメントを確認できます。
+* LLM 呼び出しのコスト、トークン数、レイテンシを確認できます。
+* 特定のプロンプトと、その回答がどのように生成されたかを詳細に調査できます。
+* ユーザーからの応答に対するフィードバックを収集できます。
+* コード内では、関数が何をしているかを追跡するために Weave の [ops and calls](/ja/weave/guides/tracking/tracing) を使用できます。
+
+[トレースを始める](/ja/weave/quickstart)
+
+
+ ### 評価
+
+
+LLM アプリケーションのパフォーマンスを体系的にベンチマークし、本番環境へデプロイする際に確信を持てるようにします。
+
+* どのバージョンの モデル やプロンプトがどの程度のパフォーマンスを出したかを簡単に追跡できます。
+* 1 つ以上のスコアリング関数を用いてレスポンスを評価するためのメトリクスを定義します。
+* 複数のメトリクスにわたって 2 つ以上の異なる評価を比較できます。特定のサンプル同士を対比して、そのパフォーマンスの違いを確認できます。
+
+[評価パイプラインを構築する](/ja/weave/tutorial-eval)
+
+
+ ### すべてをバージョン管理する
+
+
+Weave は、プロンプト、データセット、モデルの設定のバージョンを追跡します。問題が起きたときには、何が変わったのかを正確に確認できます。うまくいったときには、その状態を再現できます。
+
+[バージョン管理について学ぶ](/ja/weave/guides/tracking/objects)
+
+
+ ### プロンプトとモデルを試す
+
+
+手元の API キーを用意して Playground を使い、さまざまな商用モデルに対するプロンプトをすばやくテストし、応答を比較しましょう。
+
+[Weave Playground で試す](/ja/weave/guides/tools/playground)
+
+
+ ### フィードバックの収集
+
+
+本番環境での利用状況から、人手によるフィードバック、アノテーション、修正を収集します。このデータを活用して、より良いテストケースを作成し、アプリケーションを改善します。
+
+[フィードバックを収集](/ja/weave/guides/tracking/feedback)
+
+
+ ### 本番環境を監視する
+
+
+評価で使用しているものと同じスコアラーを使って本番トラフィックにスコアを付けます。ガードレールを設定して、問題がユーザーに影響する前に検知します。
+
+[ガードレールとモニターを設定する](/ja/weave/guides/evaluation/monitors)
+
+
+ ## Weave の利用を開始する
+
+
+Weave は Python と TypeScript 向けの SDK を提供しています。どちらの SDK も、トレーシング、評価、データセット、およびコアとなる Weave の機能をサポートしています。クラスベースのモデルやスコアラーといった一部の高度な機能は、現在のところ Weave TypeScript SDK では利用できません。
+
+Weave の利用を開始するには、次の手順に従います。
+
+1. [https://wandb.ai/site](https://wandb.ai/site/?utm_source=course\&utm_medium=course\&utm_campaign=weave) で Weights & Biases アカウントを作成し、[https://wandb.ai/authorize](https://wandb.ai/authorize?utm_source=course\&utm_medium=course\&utm_campaign=weave) から API キーを取得します
+2. Weave をインストールします:
+
+
+ ```Python Python
+ pip install weave
+ ```
+
+ ```Typescript Typescript
+ npm install weave
+ ```
+
+
+3. スクリプト内で Weave をインポートし、プロジェクトを初期化します:
+
+
+ ```Python Python
+ import weave
+ client = weave.init('your-team/your-project-name')
+ ```
+
+ ```TypeScript Typescript
+ import * as weave from 'weave';
+ const client = await weave.init('your-team/your-project-name');
+ ```
+
+
+これで Weave を使う準備が整いました。
+Weave は一般的な LLM プロバイダーやフレームワークと連携します。[サポートされているインテグレーション](/ja/weave/guides/integrations/) を使うと、追加のコード変更を行わなくても、Weave が自動的に LLM 呼び出しをトレースします。
+
+4. サポートされているインテグレーションに頼るだけでなく、対象の関数に 1 行追加することで、カスタム関数のトレースを Weave にログすることもできます。
+
+関数に `@weave.op()`（Python の場合）を付けるか、`weave.op()`（TypeScript の場合）でラップすると、Weave はそのコード、入力、出力、および実行メタデータを自動的に取得します。
+
+
+ ```python Python
+ @weave.op
+ async def my_function(){
+ ... }
+ ```
+
+ ```typescript Typescript
+ function myFunction() {
+ ...
+ }
+
+ const myFunctionOp = weave.op(myFunction)
+ ```
+
+
+ガイド付きチュートリアルで試すには、[トレーシングの開始ガイド](/ja/weave/quickstart) を参照してください。
\ No newline at end of file
diff --git a/ja/weave/cookbooks.mdx b/ja/weave/cookbooks.mdx
index 97a6ee1a5e..424b3551eb 100644
--- a/ja/weave/cookbooks.mdx
+++ b/ja/weave/cookbooks.mdx
@@ -1,90 +1,86 @@
---
-title: 概要
-description: Weights & Biases Weave を使用して構築するための実践的な ガイド と例
+title: "概要"
+description: "Weights & Biases Weave を使って構築するための実践的なガイドとサンプル"
mode: wide
---
-Weights & Biases Weave クックブックコレクションへようこそ。これらの実践的なガイドでは、 Weave を使用してアプリケーションを構築するための実用的な例とベストプラクティスを紹介します。
+Weights & Biases Weave クックブックコレクションへようこそ。これらのハンズオンガイドでは、Weave を使ったアプリケーション構築のための実践的なサンプルとベストプラクティスを紹介します。
-
- トレースと評価の基本をカバーする実践的な例を通じて、 Weave のジャーニーを始めましょう。
+
+ トレースと評価の基本を押さえた実践的なハンズオンサンプルを通じて Weave の学習を始めましょう。
-
-
- 評価の作成方法、 Datasets の活用方法、モデル比較のためのリーダーボードの構築方法を学びます。
+
+
+ 評価を作成し、データセットを扱い、モデル比較のためのリーダーボードを構築する方法を学びます。
-
-
- 実世界の例を用いて、モデル管理、プロンプトエンジニアリング、最適化手法を探求します。
+
+
+ 実践的なサンプルを通じて、モデル管理、プロンプトエンジニアリング、および最適化手法について学びます。
-
-
- マルチエージェントシステム、コード生成、専門的なパイプラインを含む複雑なユースケースを深く掘り下げます。
+
+
+ マルチエージェントシステム、コード生成、専用のパイプラインなどの複雑なユースケースを深く掘り下げます。
-
-
- モニタリング、フィードバック収集、セーフティガードレールなど、プロダクション対応のパターンを実装します。
+
+
+ モニタリング、フィードバック収集、安全性のためのガードレールに関する本番運用向けパターンの実装方法を学びます。
-
-
- サービス API を使用して Weave を統合し、外部システムと接続する方法を学びます。
+
+
+ サービス API を使って Weave をインテグレーションし、外部システムと接続する方法を学びます。
-## 注目のクックブック
-
-### クイックスタート
-- [Hello Trace](/weave/cookbooks/Intro_to_Weave_Hello_Trace) - Weave トレースの第一歩
-- [Hello Eval](/weave/cookbooks/Intro_to_Weave_Hello_Eval) - 評価コンセプトの紹介
-
-### 評価 ＆ Datasets
-- [Leaderboard Quickstart](/weave/cookbooks/leaderboard_quickstart) - モデル比較リーダーボードの構築
-- [HuggingFace Datasets](/weave/cookbooks/hf_dataset_evals) - HF データセットを使用したモデル評価
-- [Import from CSV](/weave/cookbooks/import_from_csv) - CSV データの読み込みと活用
-
-### Models ＆ プロンプト
-- [Models and Weave Integration](/weave/cookbooks/Models_and_Weave_Integration_Demo) - 包括的なモデル統合ガイド
-- [Chain of Density](/weave/cookbooks/chain_of_density) - 高度なプロンプティング手法
-- [DSPy Prompt Optimization](/weave/cookbooks/dspy_prompt_optimization) - プログラムによるプロンプトの最適化
-- [NotDiamond Custom Routing](/weave/cookbooks/notdiamond_custom_routing) - インテリジェントなモデルルーティングの実装
-
-### 高度なトピック
-- [Multi-Agent Structured Output](/weave/cookbooks/multi-agent-structured-output) - 複雑なマルチエージェントシステム
-- [Code Generation](/weave/cookbooks/codegen) - コード生成パイプラインの構築
-- [OCR Pipeline](/weave/cookbooks/ocr-pipeline) - OCR によるドキュメント処理
-- [Audio Processing](/weave/cookbooks/audio_with_weave) - Weave での音声データの取り扱い
-
-### プロダクション ＆ モニタリング
-- [Online Monitoring](/weave/cookbooks/online_monitoring) - リアルタイムのシステムモニタリング
-- [Production Feedback](/weave/cookbooks/feedback_prod) - ユーザーフィードバックの収集と分析
-- [Scorers as Guardrails](/weave/cookbooks/scorers_as_guardrails) - 安全対策の実装
-- [Custom Model Costs](/weave/cookbooks/custom_model_cost) - コストの追跡と最適化
-- [PII Protection](/weave/cookbooks/pii) - 機密データの安全な取り扱い
-
-### API ＆ インテグレーション
-- [Service API Usage](/weave/cookbooks/weave_via_service_api) - 直接的な API 統合パターン
\ No newline at end of file
+
+ ## 注目のクックブック
+
+
+
+ ### はじめに
+
+
+* [Hello Trace](/ja/weave/cookbooks/Intro_to_Weave_Hello_Trace) - Weave tracing を始めるための最初のステップ
+* [Hello Eval](/ja/weave/cookbooks/Intro_to_Weave_Hello_Eval) - evaluation の基本概念への入門
+
+
+ ### 評価とデータセット
+
+
+* [Leaderboard クイックスタート](/ja/weave/cookbooks/leaderboard_quickstart) - モデル比較用のリーダーボードを構築する
+* [HuggingFace Datasets](/ja/weave/cookbooks/hf_dataset_evals) - HF データセットを使ってモデルを評価する
+* [Import from CSV](/ja/weave/cookbooks/import_from_csv) - CSV データを読み込んで操作する
+
+
+ ### Models & Prompts
+
+
+* [Models and Weave Integration](/ja/weave/cookbooks/Models_and_Weave_Integration_Demo) - 包括的な モデル インテグレーション ガイド
+* [Chain of Density](/ja/weave/cookbooks/chain_of_density) - 高度なプロンプト設計手法
+* [DSPy Prompt Optimization](/ja/weave/cookbooks/dspy_prompt_optimization) - プロンプトをプログラムで最適化する
+* [NotDiamond Custom Routing](/ja/weave/cookbooks/notdiamond_custom_routing) - インテリジェントな モデル ルーティングを実装する
+
+
+ ### 高度なトピック
+
+
+* [マルチエージェント構造化出力](/ja/weave/cookbooks/multi-agent-structured-output) - 複雑なマルチエージェントシステム
+* [コード生成](/ja/weave/cookbooks/codegen) - コード生成パイプラインの構築
+* [OCR パイプライン](/ja/weave/cookbooks/ocr-pipeline) - OCR を用いた文書処理
+* [音声処理](/ja/weave/cookbooks/audio_with_weave) - Weave で音声データを扱う
+
+
+ ### 本番運用と監視
+
+
+* [オンライン監視](/ja/weave/cookbooks/online_monitoring) - リアルタイムにシステムを監視
+* [本番環境でのフィードバック](/ja/weave/cookbooks/feedback_prod) - ユーザー フィードバックを収集して分析
+* [スコアラーによるガードレール](/ja/weave/cookbooks/scorers_as_guardrails) - 安全対策を実装
+* [カスタム モデル コスト](/ja/weave/cookbooks/custom_model_cost) - コストを追跡して最適化
+* [PII 保護](/ja/weave/cookbooks/pii) - 機密データを安全に扱う
+
+
+ ### API とインテグレーション
+
+
+* [Service API の利用](/ja/weave/cookbooks/weave_via_service_api) - API を直接利用するインテグレーション パターン
\ No newline at end of file
diff --git a/ja/weave/cookbooks/Intro_to_Weave_Hello_Eval.mdx b/ja/weave/cookbooks/Intro_to_Weave_Hello_Eval.mdx
index 7d818a8385..2717732ecc 100644
--- a/ja/weave/cookbooks/Intro_to_Weave_Hello_Eval.mdx
+++ b/ja/weave/cookbooks/Intro_to_Weave_Hello_Eval.mdx
@@ -1,21 +1,24 @@
---
-title: Evaluations へのイントロダクション
-description: W&B Weave を使用した 評価 (Evaluations) の イントロダクション (intro) について学習します
+title: "Evaluations 入門"
+description: "W&B Weave で Evaluations を使い始める方法を学ぶ"
---
-これは対話型の ノートブック です。ローカルで実行するか、以下のリンクを使用してください。
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Eval.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Eval.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから利用できます。
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Eval.ipynb)
+ * [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Eval.ipynb)
-## 🔑 事前準備
+
+ ## 🔑 前提条件
+
-Weave の評価を実行する前に、以下の準備を完了してください。
+Weave の評価を実行する前に、次の前提条件を満たしてください。
-1. W&B Weave SDK をインストールし、 [APIキー](https://wandb.ai/settings#apikeys) でログインします。
-2. OpenAI SDK をインストールし、 [APIキー](https://platform.openai.com/api-keys) でログインします。
-3. W&B の Projects を初期化します。
+1. W&B Weave SDK をインストールし、[API キー](https://wandb.ai/settings#apikeys) を使ってログインします。
+2. OpenAI SDK をインストールし、[API キー](https://platform.openai.com/api-keys) を使ってログインします。
+3. W&B のプロジェクトを初期化します。
```python lines
# 依存関係のインストールとインポート
@@ -29,30 +32,32 @@ from pydantic import BaseModel
import weave
-# 🔑 APIキーの設定
-# このセルを実行すると getpass により APIキー の入力が求められます。入力内容はターミナルには表示されません。
+# 🔑 API キーの設定
+# このセルを実行すると、`getpass` を使用して API キーの入力を求められます。入力内容はターミナルに表示されません。
#####
print("---")
print(
- "W&B APIキーの作成はこちら: https://wandb.ai/settings#apikeys"
+ "Create a W&B API key at: https://wandb.ai/settings#apikeys"
)
-os.environ["WANDB_API_KEY"] = getpass("W&B APIキーを入力してください: ")
+os.environ["WANDB_API_KEY"] = getpass("Enter your W&B API key: ")
print("---")
-print("OpenAI APIキーはこちらで生成できます: https://platform.openai.com/api-keys")
-os.environ["OPENAI_API_KEY"] = getpass("OpenAI APIキーを入力してください: ")
+print("You can generate your OpenAI API key here: https://platform.openai.com/api-keys")
+os.environ["OPENAI_API_KEY"] = getpass("Enter your OpenAI API key: ")
print("---")
#####
-# 🏠 W&B の プロジェクト 名を入力
-weave_client = weave.init("MY_PROJECT_NAME") # 🐝 あなたの W&B プロジェクト 名
+# 🏠 W&B のプロジェクト名を入力してください
+weave_client = weave.init("MY_PROJECT_NAME") # 🐝 W&B のプロジェクト名
```
-## 🐝 初めての評価を実行する
+
+ ## 🐝 最初の評価を実行する
+
-以下の コード サンプルは、 Weave の `Model` および `Evaluation` API を使用して LLM を評価する方法を示しています。まず、 `weave.Model` を継承して Weave の Models を定義し、 モデル 名とプロンプト形式を指定して、 `@weave.op` で `predict` メソッド をトレースします。 `predict` メソッド は OpenAI にプロンプトを送信し、 Pydantic スキーマ（ `FruitExtract` ）を使用してレスポンスを構造化された出力にパースします。次に、入力文と期待されるターゲットで構成される小さな評価用 Datasets を作成します。続いて、 モデル の出力とターゲットラベルを比較するカスタムスコアリング関数（これも `@weave.op` でトレース）を定義します。最後に、すべてを `weave.Evaluation` にラップし、 Datasets とスコアラーを指定して、 `evaluate()` を呼び出し、評価 パイプライン を非同期で実行します。
+次のコードサンプルは、Weave の `Model` と `Evaluation` API を使って LLM を評価する方法を示しています。まず、`weave.Model` を継承して Weave モデルを定義し、モデル名とプロンプト形式を指定し、`@weave.op` を使って `predict` メソッドを追跡します。`predict` メソッドはプロンプトを OpenAI に送信し、Pydantic スキーマ（`FruitExtract`）を使ってレスポンスを構造化された出力にパースします。次に、入力文と期待されるターゲットから成る小さな評価用データセットを作成します。続いて、`@weave.op` を使って追跡されるカスタムのスコアリング関数を定義し、モデルの出力とターゲットラベルを比較します。最後に、`weave.Evaluation` にすべてをまとめて、データセットとスコアラーを指定し、`evaluate()` を呼び出して評価パイプラインを非同期で実行します。
```python lines
-# 1. Weave モデルを構築
+# 1. Weave モデルを構築する
class FruitExtract(BaseModel):
fruit: str
color: str
@@ -85,7 +90,7 @@ model = ExtractFruitsModel(
prompt_template='Extract fields ("fruit": , "color": , "flavor": ) as json, from the following text : {sentence}',
)
-# 2. サンプルを集める
+# 2. サンプルを収集する
sentences = [
"There are many fruits that were found on the recently discovered planet Goocrux. There are neoskizzles that grow there, which are purple and taste like candy.",
"Pounits are a bright green color and are more savory than sweet.",
@@ -102,16 +107,16 @@ examples = [
{"id": "2", "sentence": sentences[2], "target": labels[2]},
]
-# 3. 評価のためのスコアリング関数を定義
+# 3. 評価用のスコアリング関数を定義する
@weave.op()
def fruit_name_score(target: dict, output: FruitExtract) -> dict:
target_flavors = [f.strip().lower() for f in target["flavor"].split(",")]
output_flavors = [f.strip().lower() for f in output.flavor.split(",")]
- # ターゲットのフレーバーのいずれかが出力のフレーバーに含まれているかチェック
+ # ターゲットのフレーバーが出力フレーバーに含まれているか確認する
matches = any(tf in of for tf in target_flavors for of in output_flavors)
return {"correct": matches}
-# 4. 評価を実行
+# 4. 評価を実行する
evaluation = weave.Evaluation(
name="fruit_eval",
dataset=examples,
@@ -120,7 +125,9 @@ evaluation = weave.Evaluation(
await evaluation.evaluate(model)
```
-## 🚀 他の例をお探しですか？
+
+ ## 🚀 さらに例をお探しですか？
+
-- [評価パイプラインをエンドツーエンドで構築する方法](/weave/tutorial-eval) を学ぶ。
-- [RAGアプリケーションを構築して評価する方法](/weave/tutorial-rag) を学ぶ。
\ No newline at end of file
+* [evaluation pipeline をエンドツーエンドで構築する方法](/ja/weave/tutorial-eval) を学びましょう。
+* [RAG アプリケーションを構築して評価する方法](/ja/weave/tutorial-rag) を学びましょう。
\ No newline at end of file
diff --git a/ja/weave/cookbooks/Intro_to_Weave_Hello_Trace.mdx b/ja/weave/cookbooks/Intro_to_Weave_Hello_Trace.mdx
index f3b14f6ebf..fc03368f82 100644
--- a/ja/weave/cookbooks/Intro_to_Weave_Hello_Trace.mdx
+++ b/ja/weave/cookbooks/Intro_to_Weave_Hello_Trace.mdx
@@ -1,21 +1,24 @@
---
-title: トレース へのイントロダクション
-description: W&B Weave を使用した トレース のイントロダクションについて学びましょう。
+title: "Traces 入門"
+description: "W&B Weave で Traces を使う方法を学ぶ"
---
-これはインタラクティブな ノートブック です。ローカルで実行するか、以下のリンクを使用できます：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Trace.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Trace.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから開いてください：
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Trace.ipynb)
+ * [GitHub 上のソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/Intro_to_Weave_Hello_Trace.ipynb)
-## 🔑 事前準備
+
+ ## 🔑 前提条件
+
-Weave でトレースを開始する前に、以下の準備を完了してください。
+Weave でトレースを開始する前に、次の準備を済ませてください。
-1. W&B Weave SDK をインストールし、 [APIキー](https://wandb.ai/settings#apikeys) でログインします。
-2. OpenAI SDK をインストールし、 [APIキー](https://platform.openai.com/api-keys) でログインします。
-3. W&B Projects を初期化します。
+1. W&B Weave SDK をインストールし、[API キー](https://wandb.ai/settings#apikeys) でログインしてください。
+2. OpenAI SDK をインストールし、[API キー](https://platform.openai.com/api-keys) でログインしてください。
+3. W&B プロジェクトを初期化してください。
```python lines
# 依存関係のインストールとインポート
@@ -29,30 +32,32 @@ from openai import OpenAI
import weave
-# 🔑 APIキーの設定
-# このセルを実行すると `getpass` によりAPIキーの入力が求められ、ターミナルには表示されません。
+# 🔑 API キーの設定
+# このセルを実行すると、`getpass` を使用して API キーの入力を求められます。入力内容はターミナルに表示されません。
#####
print("---")
print(
- "W&B APIキーをこちらで作成してください: https://wandb.ai/settings#apikeys"
+ "Create a W&B API key at: https://wandb.ai/settings#apikeys"
)
-os.environ["WANDB_API_KEY"] = getpass("W&B APIキーを入力してください: ")
+os.environ["WANDB_API_KEY"] = getpass("Enter your W&B API key: ")
print("---")
-print("OpenAI APIキーはこちらで生成できます: https://platform.openai.com/api-keys")
-os.environ["OPENAI_API_KEY"] = getpass("OpenAI APIキーを入力してください: ")
+print("You can generate your OpenAI API key here: https://platform.openai.com/api-keys")
+os.environ["OPENAI_API_KEY"] = getpass("Enter your OpenAI API key: ")
print("---")
#####
# 🏠 W&B プロジェクト名を入力してください
-weave_client = weave.init("MY_PROJECT_NAME") # 🐝 あなたの W&B プロジェクト名
+weave_client = weave.init("MY_PROJECT_NAME") # 🐝 W&B プロジェクト名
```
-## 🐝 最初のトレースを実行する
+
+ ## 🐝 最初の trace を実行する
+
-以下の コード サンプルは、 `@weave.op` デコレータを使用して Weave でトレースをキャプチャし、可視化する方法を示しています。ここでは、OpenAI の GPT-4o にプロンプトを送信し、文章から構造化 データ （果物、色、味）を抽出する `extract_fruit` という関数を定義しています。関数に `@weave.op` をデコレートすることで、Weave は入力、出力、中間ステップを含む関数の実行を自動的に追跡します。サンプル文章で関数が呼び出されると、完全なトレースが保存され、 Weave UI で確認できるようになります。
+次のコードサンプルは、`@weave.op` デコレーターを使って Weave で trace を取得して可視化する方法を示します。ここでは、`extract_fruit` という関数を定義し、OpenAI の GPT-4o にプロンプトを送信して、文から構造化データ（果物、色、フレーバー）を抽出します。関数を `@weave.op` でデコレートすることで、Weave が入力、出力、中間ステップを含む関数実行を自動的に追跡します。この関数をサンプル文を引数に呼び出すと、trace 全体が保存され、Weave UI で閲覧できます。
```python lines
-@weave.op() # 🐝 リクエストを追跡するためのデコレータ
+@weave.op() # 🐝 リクエストを追跡するデコレーター
def extract_fruit(sentence: str) -> dict:
client = OpenAI()
system_prompt = (
@@ -74,7 +79,10 @@ sentence = "There are many fruits that were found on the recently discovered pla
extract_fruit(sentence)
```
-## 🚀 他の例をお探しですか？
-- [クイックスタート ガイド](/weave/quickstart) を確認してください。
-- [高度なトレースのトピック](/weave/tutorial-tracing_2) について詳しく学ぶ。
-- [Weave でのトレース](/weave/guides/tracking/tracing) について詳しく学ぶ。
\ No newline at end of file
+
+ ## 🚀 さらに例が必要ですか？
+
+
+* [クイックスタートガイド](/ja/weave/quickstart) を確認してください。
+* [高度なトレーシングのトピック](/ja/weave/tutorial-tracing_2) についてさらに学びましょう。
+* [Weave におけるトレーシング](/ja/weave/guides/tracking/tracing) についてさらに学びましょう。
\ No newline at end of file
diff --git a/ja/weave/cookbooks/Models_and_Weave_Integration_Demo.mdx b/ja/weave/cookbooks/Models_and_Weave_Integration_Demo.mdx
index 83908898fb..2da02a1e34 100644
--- a/ja/weave/cookbooks/Models_and_Weave_Integration_Demo.mdx
+++ b/ja/weave/cookbooks/Models_and_Weave_Integration_Demo.mdx
@@ -1,19 +1,21 @@
---
-title: W&B Models で Weave を使用する
-description: W&B Weave を使用して W&B Models で Weave を活用する方法を学ぶ
+title: "Weave を W&B Models で利用する"
+description: "W&B Weave を使って Weave と W&B Models を連携させる方法を学びます"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用できます：
+これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクからアクセスしてください：
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/Models_and_Weave_Integration_Demo.ipynb)
- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/Models_and_Weave_Integration_Demo.ipynb)
-## 事前準備
+
+ ## 前提条件
+
-まず、必要なライブラリをインストールし、APIキーを設定して、W&B にログインし、新しい W&B プロジェクトを作成します。
+まず、必要なライブラリをインストールし、API キーを設定して W&B にログインし、新しい W&B プロジェクトを作成します。
-1. `pip` を使用して `weave`、`pandas`、`unsloth`、`wandb`、`litellm`、`pydantic`、`torch`、および `faiss-gpu` をインストールします。
+1. `pip` を使用して `weave`、`pandas`、`unsloth`、`wandb`、`litellm`、`pydantic`、`torch`、`faiss-gpu` をインストールします。
```python lines
%%capture
@@ -21,27 +23,27 @@ description: W&B Weave を使用して W&B Models で Weave を活用する方
python
%%capture
!pip install unsloth
-# 最新の nightly 版 Unsloth も取得します！
+# 最新のナイトリービルド版 Unsloth も取得する！
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
```
-2. 環境から必要な APIキー を追加します。
+2. 環境にある必要な API キーを追加します。
```python lines
import os
from google.colab import userdata
-os.environ["WANDB_API_KEY"] = userdata.get("WANDB_API_KEY") # W&B Models と Weave 用
+os.environ["WANDB_API_KEY"] = userdata.get("WANDB_API_KEY") # W&B Models と Weave
os.environ["OPENAI_API_KEY"] = userdata.get(
"OPENAI_API_KEY"
-) # OpenAI - 検索用エンベディング用
+) # OpenAI - 検索埋め込み用
os.environ["GEMINI_API_KEY"] = userdata.get(
"GEMINI_API_KEY"
-) # Gemini - ベースのチャットモデル用
+) # Gemini - ベースチャットモデル用
```
-3. W&B にログインし、新しいプロジェクトを作成します。
+3. W&B にログインし、新しいプロジェクトを作成します。
```python lines
import pandas as pd
@@ -57,17 +59,19 @@ ENTITY = "wandb-smle"
weave.init(ENTITY + "/" + PROJECT)
```
-## Models Registry から `ChatModel` をダウンロードし、`UnslothLoRAChatModel` を実装する
+
+ ## Models Registry から `ChatModel` をダウンロードして `UnslothLoRAChatModel` を実装する
+
-このシナリオでは、Llama-3.2 モデルがパフォーマンス最適化のために `unsloth` ライブラリを使用してモデルチームによってすでにファインチューニングされており、[W&B Models Registry で利用可能](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/object-versions?filter=%7B%22objectName%22%3A%22RagModel%22%7D&peekPath=%2Fwandb-smle%2Fweave-rag-experiments%2Fobjects%2FChatModelRag%2Fversions%2F2mhdPb667uoFlXStXtZ0MuYoxPaiAXj3KyLS1kYRi84%3F%26) です。このステップでは、ファインチューニング済みの [`ChatModel`](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/object-versions?filter=%7B%22objectName%22%3A%22RagModel%22%7D&peekPath=%2Fwandb-smle%2Fweave-rag-experiments%2Fobjects%2FChatModelRag%2Fversions%2F2mhdPb667uoFlXStXtZ0MuYoxPaiAXj3KyLS1kYRi84%3F%26) を Registry から取得し、それを `weave.Model` に変換して [`RagModel`](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/object-versions?filter=%7B%22objectName%22%3A%22RagModel%22%7D&peekPath=%2Fwandb-smle%2Fweave-cookboook-demo%2Fobjects%2FRagModel%2Fversions%2FcqRaGKcxutBWXyM0fCGTR1Yk2mISLsNari4wlGTwERo%3F%26) と互換性を持たせます。
+このシナリオでは、Llama-3.2 モデルはすでに Model Team によってパフォーマンス最適化のために `unsloth` ライブラリを使ってファインチューニングされており、[W&B Models Registry で利用可能](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/object-versions?filter=%7B%22objectName%22%3A%22RagModel%22%7D&peekPath=%2Fwandb-smle%2Fweave-rag-experiments%2Fobjects%2FChatModelRag%2Fversions%2F2mhdPb667uoFlXStXtZ0MuYoxPaiAXj3KyLS1kYRi84%3F%26) になっています。このステップでは、Registry からファインチューニング済みの [`ChatModel`](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/object-versions?filter=%7B%22objectName%22%3A%22RagModel%22%7D&peekPath=%2Fwandb-smle%2Fweave-rag-experiments%2Fobjects%2FChatModelRag%2Fversions%2F2mhdPb667uoFlXStXtZ0MuYoxPaiAXj3KyLS1kYRi84%3F%26) を取得し、`weave.Model` に変換して [`RagModel`](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/object-versions?filter=%7B%22objectName%22%3A%22RagModel%22%7D&peekPath=%2Fwandb-smle%2Fweave-cookboook-demo%2Fobjects%2FRagModel%2Fversions%2FcqRaGKcxutBWXyM0fCGTR1Yk2mISLsNari4wlGTwERo%3F%26) と互換性を持たせます。
-以下で参照される `RagModel` は、完全な RAG アプリケーションと見なすことができるトップレベルの `weave.Model` です。これには、`ChatModel`、ベクトルデータベース、およびプロンプトが含まれています。`ChatModel` も `weave.Model` であり、W&B Registry から アーティファクト をダウンロードするコードが含まれています。`ChatModel` は、`RagModel` の一部として他のあらゆる種類の LLM チャットモデルをサポートするようにモジュール式に変更できます。詳細については、[Weave でモデルを表示](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/evaluations?peekPath=%2Fwandb-smle%2Fweave-cookboook-demo%2Fobjects%2FRagModel%2Fversions%2Fx7MzcgHDrGXYHHDQ9BA8N89qDwcGkdSdpxH30ubm8ZM%3F%26) してください。
+以下で参照されている `RagModel` はトップレベルの `weave.Model` であり、完全な RAG アプリケーションと見なすことができます。これには `ChatModel`、ベクトルデータベース、およびプロンプトが含まれます。`ChatModel` もまた `weave.Model` であり、W&B Registry から Artifacts をダウンロードするコードを含みます。`ChatModel` はモジュール的に差し替えることができ、`RagModel` の一部としてあらゆるタイプの他の LLM チャットモデルをサポートできます。詳細については、[Weave でモデルを表示](https://wandb.ai/wandb-smle/weave-cookboook-demo/weave/evaluations?peekPath=%2Fwandb-smle%2Fweave-cookboook-demo%2Fobjects%2FRagModel%2Fversions%2Fx7MzcgHDrGXYHHDQ9BA8N89qDwcGkdSdpxH30ubm8ZM%3F%26) してください。
-`ChatModel` をロードするには、アダプターを備えた `unsloth.FastLanguageModel` または `peft.AutoPeftModelForCausalLM` が使用され、アプリへの効率的な統合が可能になります。Registry からモデルをダウンロードした後、`model_post_init` メソッドを使用して初期化と予測ロジックを設定できます。このステップに必要なコードは Registry の **Use** タブにあり、実装に直接コピーできます。
+`ChatModel` をロードするために、アダプター付きの `unsloth.FastLanguageModel` または `peft.AutoPeftModelForCausalLM` を使用し、アプリへの効率的なインテグレーションを可能にします。Registry からモデルをダウンロードした後、`model_post_init` メソッドを使用して初期化および予測ロジックをセットアップできます。このステップに必要なコードは Registry の **Use** タブに用意されており、実装にそのままコピーできます。
-以下のコードは、W&B Models Registry から取得したファインチューニング済み Llama-3.2 モデルを管理、初期化、および使用するための `UnslothLoRAChatModel` クラスを定義しています。`UnslothLoRAChatModel` は、最適化された推論のために `unsloth.FastLanguageModel` を使用します。`model_post_init` メソッドはモデルのダウンロードとセットアップを処理し、`predict` メソッドはユーザーのクエリを処理して応答を生成します。コードをユースケースに合わせるには、`MODEL_REG_URL` をファインチューニング済みモデルの正しい Registry パスに更新し、ハードウェアや要件に基づいて `max_seq_length` や `dtype` などのパラメータを調整してください。
+以下のコードでは、W&B Models Registry から取得したファインチューニング済み Llama-3.2 モデルを管理・初期化・利用するための `UnslothLoRAChatModel` クラスを定義しています。`UnslothLoRAChatModel` は推論を最適化するために `unsloth.FastLanguageModel` を使用します。`model_post_init` メソッドはモデルのダウンロードとセットアップを処理し、`predict` メソッドはユーザーのクエリを処理して応答を生成します。ご自身のユースケースに合わせてコードを調整するには、ファインチューニング済みモデルに対応する正しい Registry パスで `MODEL_REG_URL` を更新し、ハードウェアや要件に応じて `max_seq_length` や `dtype` などのパラメーターを調整してください。
```python lines
from typing import Any
@@ -79,8 +83,8 @@ import weave
class UnslothLoRAChatModel(weave.Model):
"""
- モデル名だけでなく、より多くのパラメータを保存およびバージョン管理できるように、追加の ChatModel クラスを定義します。
- 特に、特定のパラメータが必要なファインチューニング（ローカルまたは aaS）を考慮する場合に関連します。
+ モデル名だけでなく、より多くのパラメーターを保存してバージョン管理できるよう、追加の ChatModel クラスを定義します。
+ 特に、特定のパラメーターが必要なファインチューニング（ローカルまたは aaS）を考慮する場合に有用です。
"""
chat_model: str
@@ -94,12 +98,12 @@ class UnslothLoRAChatModel(weave.Model):
_tokenizer: Any = PrivateAttr()
def model_post_init(self, __context):
- # これは単に registry の "Use" タブから貼り付けることができます
+ # レジストリの「Use」タブからそのまま貼り付けることができます
run = wandb.init(project=PROJECT, job_type="model_download")
artifact = run.use_artifact(f"{self.chat_model}")
model_path = artifact.download()
- # unsloth 版（ネイティブな 2 倍高速な推論を有効にします）
+ # unsloth バージョン（ネイティブで 2 倍高速な推論を有効化）
self._model, self._tokenizer = FastLanguageModel.from_pretrained(
model_name=model_path,
max_seq_length=self.cm_max_new_tokens,
@@ -110,7 +114,7 @@ class UnslothLoRAChatModel(weave.Model):
@weave.op()
async def predict(self, query: list[str]) -> dict:
- # add_generation_prompt = true - 生成には必須です
+ # add_generation_prompt = true - 生成時に必ず追加する必要があります
input_ids = self._tokenizer.apply_chat_template(
query,
tokenize=True,
@@ -134,11 +138,11 @@ class UnslothLoRAChatModel(weave.Model):
python
MODEL_REG_URL = "wandb32/wandb-registry-RAG Chat Models/Finetuned Llama-3.2:v3"
-max_seq_length = 2048 # 任意の値を選択してください！内部で RoPE スケーリングを自動サポートしています！
+max_seq_length = 2048 # 任意の値を選択してください！内部で RoPE Scaling を自動サポートしています！
dtype = (
- None # 自動検出の場合は None。Tesla T4, V100 の場合は Float16、Ampere+ の場合は Bfloat16
+ None # 自動検出には None を指定。Tesla T4、V100 には Float16、Ampere 以降には Bfloat16 を使用
)
-load_in_4bit = True # メモリ使用量を削減するために 4bit 量子化を使用します。False も可能です。
+load_in_4bit = True # メモリ使用量を削減するために 4bit 量子化を使用。False にすることも可能。
new_chat_model = UnslothLoRAChatModel(
name="UnslothLoRAChatModelRag",
@@ -156,11 +160,13 @@ await new_chat_model.predict(
)
```
-## 新しい `ChatModel` バージョンを `RagModel` に統合する
+
+ ## 新しい `ChatModel` バージョンを `RagModel` に統合する
+
-ファインチューニングされたチャットモデルから RAG アプリケーションを構築すると、パイプライン全体を再構築することなく、カスタマイズされたコンポーネントを使用して会話型 AI を向上させることができます。このステップでは、既存の `RagModel` を Weave プロジェクトから取得し、その `chat_model` を新しくファインチューニングされたモデルを使用するように更新します。このシームレスな入れ替えにより、ベクトルデータベース（VDB）やプロンプトなどの他のコンポーネントは変更されず、アプリケーション全体の構造を維持しながらパフォーマンスを向上させることができます。
+ファインチューニング済みのチャットモデルから RAG アプリケーションを構築すると、パイプライン全体を作り直すことなく、用途に合わせたコンポーネントを利用して会話型 AI を改善できます。このステップでは、既存の `RagModel` を Weave プロジェクトから取得し、その `ChatModel` を新しくファインチューニングしたモデルを使うように更新します。このようにシームレスに差し替えることで、ベクターデータベース (VDB) やプロンプトなどの他のコンポーネントには手を加えず、アプリケーション全体の構造を保ったままパフォーマンスを向上させられます。
-以下のコードは、Weave プロジェクトからの参照を使用して `RagModel` オブジェクトを取得します。次に、`RagModel` の `chat_model` 属性を、前のステップで作成した新しい `UnslothLoRAChatModel` インスタンスを使用するように更新します。この後、更新された `RagModel` がパブリッシュされ、新しいバージョンが作成されます。最後に、更新された `RagModel` を使用してサンプルの予測クエリを実行し、新しいチャットモデルが使用されていることを確認します。
+以下のコードでは、Weave プロジェクトの参照を使って `RagModel` オブジェクトを取得します。その後、`RagModel` の `chat_model` 属性を、前のステップで作成した新しい `UnslothLoRAChatModel` インスタンスを使うように更新します。続いて、更新した `RagModel` を公開して新しいバージョンを作成します。最後に、更新された `RagModel` を使ってサンプルの推論クエリを実行し、新しいチャットモデルが使用されていることを検証します。
```python lines
RagModel = weave.ref(
@@ -171,41 +177,45 @@ RagModel.chat_model.chat_model
python
await RagModel.predict("When was the first conference on climate change?")
python
-# MAGIC: chat_model を入れ替えて新しいバージョンをパブリッシュします（他の RAG コンポーネントを心配する必要はありません）
+# MAGIC: chat_model を交換して新しいバージョンを公開する（他の RAG コンポーネントは変更不要）
RagModel.chat_model = new_chat_model
python
RagModel.chat_model.chat_model
python
-# 予測で新しいバージョンを参照するように、まず新しいバージョンをパブリッシュします
+# まず新しいバージョンを公開して、予測時に新しいバージョンを参照できるようにする
PUB_REFERENCE = weave.publish(RagModel, "RagModel")
python
await RagModel.predict("When was the first conference on climate change?")
```
-## `weave.Evaluation` を実行する
+
+ ## `weave.Evaluation` を実行する
+
-次のステップでは、既存の `weave.Evaluation` を使用して、更新された `RagModel` のパフォーマンスを評価します。このプロセスにより、新しいファインチューニング済みチャットモデルが RAG アプリケーション内で期待どおりに機能していることが保証されます。統合を合理化し、モデルチームとアプリチーム間のコラボレーションを可能にするために、モデルの W&B run と Weave ワークスペースの両方に評価結果をログに記録します。
+次のステップでは、既存の `weave.Evaluation` を使って、更新した `RagModel` の性能を評価します。このプロセスにより、新しくファインチューニングしたチャット モデルが RAG アプリケーション内で期待どおりに動作していることを確認できます。Models チームと Apps チームの連携を効率化し、コラボレーションを可能にするために、モデルの W&B run と Weave Workspace の両方に評価結果をログします。
-Models において：
-- 評価の概要は、ファインチューニングされたチャットモデルのダウンロードに使用された W&B run に記録されます。これには、分析のために [ワークスペース ビュー](https://wandb.ai/wandb-smle/weave-cookboook-demo/workspace?nw=eglm8z7o9) に表示されるサマリーメトリクスとグラフが含まれます。
-- 評価のトレース ID が run の設定に追加され、モデルチームによる追跡を容易にするために Weave ページに直接リンクされます。
+Models では:
-Weave において：
-- `ChatModel` の アーティファクト または registry リンクが `RagModel` への入力として保存されます。
-- W&B の run ID が、コンテキストをより良く把握するために評価トレースの追加カラムとして保存されます。
+* 評価サマリーは、ファインチューニング済みチャット モデルをダウンロードするために使用した W&B run にログされます。これには、分析用に [Workspace ビュー](https://wandb.ai/wandb-smle/weave-cookboook-demo/workspace?nw=eglm8z7o9) に表示される要約メトリクスとグラフが含まれます。
+* 評価の trace ID は run の設定に追加され、Model チームがトレースを追跡しやすいように Weave ページへ直接リンクされます。
-以下のコードは、評価オブジェクトを取得し、更新された `RagModel` を使用して評価を実行し、結果を W&B と Weave の両方に記録する方法を示しています。評価のリファレンス（`WEAVE_EVAL`）がプロジェクトのセットアップと一致していることを確認してください。
+Weave では:
+
+* `ChatModel` の Artifacts またはレジストリ リンクが、`RagModel` の入力として保存されます。
+* コンテキストを補うために、評価トレースに W&B run ID を追加の列として保存します。
+
+以下のコードは、`weave.Evaluation` オブジェクトを取得し、更新した `RagModel` を使って Evaluation を実行し、その結果を W&B と Weave の両方にログする方法を示しています。Evaluation の参照 (`WEAVE_EVAL`) が自分のプロジェクト設定と一致していることを確認してください。
```python lines
-# MAGIC: 評価データセットとスコアラーを含む評価を簡単に取得して使用できます
+# MAGIC: 評価データセットとスコアラーを使って評価を取得するだけでよい
WEAVE_EVAL = "weave://wandb-smle/weave-cookboook-demo/object/climate_rag_eval:ntRX6qn3Tx6w3UEVZXdhIh1BWGh7uXcQpOQnIuvnSgo"
climate_rag_eval = weave.ref(WEAVE_EVAL).get()
python
with weave.attributes({"wandb-run-id": wandb.run.id}):
- # 評価トレースを Models に保存するために、result と call の両方を取得できる .call 属性を使用します
+ # .call 属性を使って結果と呼び出しの両方を取得し、評価トレースを Models に保存する
summary, call = await climate_rag_eval.evaluate.call(climate_rag_eval, RagModel)
python
-# models にログを記録
+# Models にログを記録する
wandb.run.log(pd.json_normalize(summary, sep="/").to_dict(orient="records")[0])
wandb.run.config.update(
{"weave_url": f"https://wandb.ai/wandb-smle/weave-cookboook-demo/r/call/{call.id}"}
@@ -213,13 +223,15 @@ wandb.run.config.update(
wandb.run.finish()
```
-## 新しい RAG モデルを Registry に保存する
+
+ ## 新しい RAG モデルを Registry に保存する
+
-更新された `RagModel` をモデルチームとアプリチームの両方が将来利用できるように、参照 アーティファクト として W&B Models Registry にプッシュします。
+更新した `RagModel` を将来 Models チームと Apps チームの両方が利用できるようにするため、参照用の Artifacts として W&B Models Registry にプッシュします。
-以下のコードは、更新された `RagModel` の `weave` オブジェクトバージョンと名前を取得し、それらを使用してリファレンスリンクを作成します。次に、モデルの Weave URL を含むメタデータを持つ新しい アーティファクト が W&B に作成されます。この アーティファクト は W&B Registry に記録され、指定された registry パスにリンクされます。
+以下のコードでは、更新した `RagModel` の `weave` オブジェクトのバージョンと名前を取得し、それらを使って参照リンクを作成します。次に、モデルの Weave URL を含むメタデータ付きの新しい Artifacts を W&B に作成します。この Artifacts は W&B Registry にログされ、指定された Registry パスにリンクされます。
-コードを実行する前に、`ENTITY` と `PROJECT` 変数が W&B の設定と一致していること、およびターゲットの registry パスが正しく指定されていることを確認してください。このプロセスにより、新しい `RagModel` を W&B エコシステムにパブリッシュし、容易なコラボレーションと再利用を可能にすることで、ワークフローが完了します。
+コードを実行する前に、`ENTITY` と `PROJECT` 変数が自身の W&B 環境設定と一致していること、および対象の Registry パスが正しく指定されていることを確認してください。これにより、新しい `RagModel` が W&B エコシステムに公開され、共同作業や再利用が容易になり、ワークフローが完了します。
```python lines
MODELS_OBJECT_VERSION = PUB_REFERENCE.digest # weave オブジェクトバージョン
@@ -235,16 +247,16 @@ with wandb.init(project=PROJECT, entity=ENTITY) as run:
artifact_model = wandb.Artifact(
name="RagModel",
type="model",
- description="Models Link from RagModel in Weave",
+ description="Weave の RagModel からの Models リンク",
metadata={"url": models_url},
)
artifact_model.add_reference(models_link, name="model", checksum=False)
- # 新しいアーティファクトをログに記録
+ # 新しい artifact をログに記録
run.log_artifact(artifact_model, aliases=[MODELS_OBJECT_VERSION])
# registry にリンク
run.link_artifact(
artifact_model, target_path="wandb32/wandb-registry-RAG Models/RAG Model"
)
-```
\ No newline at end of file
+```
diff --git a/ja/weave/cookbooks/audio_with_weave.mdx b/ja/weave/cookbooks/audio_with_weave.mdx
index 49bc64b23c..da0e7d6de3 100644
--- a/ja/weave/cookbooks/audio_with_weave.mdx
+++ b/ja/weave/cookbooks/audio_with_weave.mdx
@@ -1,6 +1,6 @@
---
-title: Weave を使った Audio
-description: W&B Weave を使用して Weave でオーディオを扱う方法を学ぶ
+title: "Weave でのオーディオ"
+description: "W&B Weave でオーディオを扱う方法を学ぶ"
---
@@ -11,19 +11,23 @@ description: W&B Weave を使用して Weave でオーディオを扱う方法
##
-# Audio データで Weave を使用する方法：OpenAI の例
+
+ # Weave をオーディオデータと組み合わせて使う方法: OpenAI の例
+
-このデモでは、OpenAI の chat completions API と GPT 4o Audio Preview を使用して、テキストプロンプトに対する音声レスポンスを生成し、それらを Weave で追跡します。
+このデモでは、OpenAI chat completions API と GPT 4o Audio Preview を使用して、テキストプロンプトに対するオーディオ応答を生成し、それらを Weave で追跡します。
-
+ ## セットアップ
+
-まず、OpenAI (`openai`) と Weave (`weave`) の依存関係、および API キー管理用の依存関係 `set-env` をインストールします。
+まず、OpenAI (`openai`) と Weave (`weave`) の依存関係に加え、API キーを管理するための依存関係である `set-env` をインストールします。
```python lines
%%capture
@@ -32,23 +36,23 @@ description: W&B Weave を使用して Weave でオーディオを扱う方法
!pip install set-env-colab-kaggle-dotenv -q # 環境変数用
python
%%capture
-# openai のバグを修正するための暫定的な回避策：
+# openai のバグを修正するための一時的な回避策:
# TypeError: Client.__init__() got an unexpected keyword argument 'proxies'
-# 詳細は https://community.openai.com/t/error-with-openai-1-56-0-client-init-got-an-unexpected-keyword-argument-proxies/1040332/15 を参照
+# 参照: https://community.openai.com/t/error-with-openai-1-56-0-client-init-got-an-unexpected-keyword-argument-proxies/1040332/15
!pip install "httpx<0.28"
```
-次に、OpenAI と Weave に必要な API キーを読み込みます。ここでは、Google Colab のシークレットキーマネージャーと互換性があり、Colab 固有の `google.colab.userdata` の代替となる `set_env` を使用します。使用方法については [こちら](https://pypi.org/project/set-env-colab-kaggle-dotenv/) を参照してください。
+次に、OpenAI と Weave 用の必要な API キーを読み込みます。ここでは set_env を使用します。これは Google Colab のシークレットキー マネージャーと互換性があり、Colab 固有の `google.colab.userdata` の代替となります。使い方については [こちら](https://pypi.org/project/set-env-colab-kaggle-dotenv/) を参照してください。
```python lines
-# 環境変数を設定します。
+# 環境変数を設定する。
from set_env import set_env
_ = set_env("OPENAI_API_KEY")
_ = set_env("WANDB_API_KEY")
```
-最後に、必要なライブラリをインポートします。
+最後に必要なライブラリをインポートします。
```python lines
import base64
@@ -63,27 +67,29 @@ from openai import OpenAI
import weave
```
-## 音声ストリーミングと保存の例
+
+ ## 音声ストリーミングとストレージの例
+
-次に、音声モダリティを有効にした OpenAI の completions エンドポイントへのコールを設定します。まず、OpenAI クライアントを作成し、Weave の Projects を開始します。
+ここでは、音声モダリティを有効にした OpenAI の completions エンドポイントへの呼び出しを設定します。まず OpenAI クライアントを作成し、Weave プロジェクトを初期化します。
```python lines
client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
weave.init("openai-audio-chat")
```
-ここで、OpenAI の completions リクエストを定義し、Weave のデコレータ (op) を追加します。
+ここでは OpenAI completions リクエストを定義し、Weave デコレーター (op) を追加します。
-関数 `prompt_endpont_and_log_trace` を定義します。この関数には主に 3 つのステップがあります：
+ここで、関数 `prompt_endpont_and_log_trace` を定義します。この関数は主に 3 つのステップから成ります。
-1. テキストと音声の入出力に対応した `GPT 4o Audio Preview` モデルを使用して、completion オブジェクトを作成します。
+1. テキストと音声の入出力をサポートする `GPT 4o Audio Preview` モデルを使って completion オブジェクトを作成します。
- - モデルに対し、アクセントを変えながらゆっくりと 13 まで数えるようにプロンプトを出します。
- - completion を "stream" に設定します。
+ * モデルに対して、さまざまなアクセントでゆっくり 13 まで数えるようにプロンプトします。
+ * completion を「stream」モードに設定します。
-2. ストリームされたデータがチャンクごとに書き込まれる新しい出力ファイルを開きます。
+2. ストリーミングされたデータを書き込むための新しい出力ファイルを開き、チャンク単位で書き込みます。
-3. 音声ファイルへのオープンファイルハンドラーを返し、Weave がトレース内に音声データをログに記録するようにします。
+3. Weave が trace に音声データをログできるように、その音声ファイルへの開いたファイルハンドルを返します。
```python lines
SAMPLE_RATE = 22050
@@ -94,7 +100,7 @@ def prompt_endpoint_and_log_trace(system_prompt=None, user_prompt=None):
system_prompt = "You're the fastest counter in the world"
if not user_prompt:
user_prompt = "Count to 13 super super slow, enunciate each number with a dramatic flair, changing up accents as you go along. British, French, German, Spanish, etc."
- # 音声モダリティを指定して OpenAI API にリクエスト
+ # オーディオモダリティを使用して OpenAI API にリクエスト
completion = client.chat.completions.create(
model="gpt-4o-audio-preview",
modalities=["text", "audio"],
@@ -109,10 +115,10 @@ def prompt_endpoint_and_log_trace(system_prompt=None, user_prompt=None):
# 書き込み用に wave ファイルを開く
with wave.open("./output.wav", "wb") as wav_file:
wav_file.setnchannels(1) # モノラル
- wav_file.setsampwidth(2) # 16-bit
- wav_file.setframerate(SAMPLE_RATE) # サンプリングレート (必要に応じて調整)
+ wav_file.setsampwidth(2) # 16ビット
+ wav_file.setframerate(SAMPLE_RATE) # サンプルレート（必要に応じて調整）
- # API からストリームされるチャンクを書き込む
+ # API からストリーミングされたチャンクを書き込む
for chunk in completion:
if (
hasattr(chunk, "choices")
@@ -121,20 +127,22 @@ def prompt_endpoint_and_log_trace(system_prompt=None, user_prompt=None):
and hasattr(chunk.choices[0].delta, "audio")
and chunk.choices[0].delta.audio.get("data") is not None
):
- # base64 音声データをデコード
+ # base64 オーディオデータをデコード
audio_data = base64.b64decode(chunk.choices[0].delta.audio.get("data"))
# 現在のチャンクを wave ファイルに書き込む
wav_file.writeframes(audio_data)
- # ファイルを Weave op に返す
+ # Weave op にファイルを返す
return wave.open("output.wav", "rb")
```
-## テスト
+
+ ## テスト
+
-以下のセルを実行します。システムプロンプトとユーザープロンプト、および出力音声が Weave のトレースに保存されます。
-セルを実行した後、"🍩" 絵文字の隣にあるリンクをクリックしてトレースを確認してください。
+次のセルを実行します。system プロンプトと user プロンプトは、出力音声とともに Weave trace に保存されます。
+セルを実行したら、「🍩」の横にあるリンクをクリックして trace を表示します。
```python lines
from IPython.display import Audio
@@ -145,32 +153,34 @@ prompt_endpoint_and_log_trace(
user_prompt="Count to 13 super super slow, enunciate each number with a dramatic flair, changing up accents as you go along. British, French, German, Spanish, etc.",
)
-# 更新された音声ストリームを表示
+# 更新された音声ストリームを表示する
display(Audio("output.wav", rate=SAMPLE_RATE, autoplay=True))
```
-# 高度な使い方：Weave を使った Realtime Audio API
+
+ ## 高度な使い方: Weave と Realtime Audio API
+
+
+
- (高度な設定) Weave を使った Realtime Audio API
-OpenAI の realtime API は、リアルタイムの音声およびテキストアシスタントを構築するための、非常に機能的で信頼性の高い会話型 API です。
+OpenAI の realtime API は、リアルタイム音声およびテキストアシスタントを構築するための、高機能で信頼性の高い対話型 API です。
-注意点：
+注意事項:
-- [マイクの設定](#openai-realtime-api-スキーマの実装) のセルを確認してください。
-- Google Colab の実行環境の制限により、**これはホストマシン上で Jupyter Notebook として実行する必要があります**。ブラウザ内では実行できません。
- - MacOS の場合、Pyaudio を動作させるために Brew 経由で `portaudio` をインストールする必要があります（[こちら](https://formulae.brew.sh/formula/portaudio)を参照）。
-- OpenAI の Python SDK は、まだ Realtime API をサポートしていません。可読性を高めるために、Pydantic で完全な OAI Realtime API スキーマを実装しています。公式サポートがリリースされた後は非推奨になる可能性があります。
-- `enable_audio_playback` を切り替えると、アシスタントが出力した音声が再生されます。エコー検出には非常に複雑な実装が必要なため、**これを有効にする場合はヘッドフォンが必須です**。
+* [Microphone Configuration](#microphone-configuration) 内のセルを確認してください
+* Google Colab の実行環境の制約により、**これはブラウザ上では実行できず**、ホストマシン上の Jupyter Notebook として実行する必要があります。
+ * MacOS の場合、Pyaudio を動作させるために Brew 経由で `portaudio` をインストールする必要があります ([こちら](https://formulae.brew.sh/formula/portaudio) を参照) 。
+* `enable_audio_playback` トグルを有効にすると、アシスタントが出力する音声が再生されます。**これを有効にする場合はヘッドフォンが必須です**。エコー検出には極めて複雑な実装が必要となるためです。
-## 構成要件のセットアップ
+
+ ## 前提条件の設定
+
```python lines
%%capture
!pip install numpy==2.0
!pip install weave
-!pip install pyaudio # mac では、先に `brew install portaudio` で portaudio をインストールする必要がある場合があります
+!pip install pyaudio # Mac の場合、先に `brew install portaudio` で portaudio をインストールする必要があります
!pip install websocket-client
!pip install set-env-colab-kaggle-dotenv -q # 環境変数用
!pip install resampy
@@ -194,12 +204,14 @@ _ = set_env("OPENAI_API_KEY")
_ = set_env("WANDB_API_KEY")
```
-## マイクの設定
+
+ ## マイクの設定
+
-以下のセルを実行して、利用可能なすべてのオーディオデバイスを見つけます。次に、リストされたデバイスに基づいて `INPUT_DEVICE_INDEX` と `OUTPUT_DEVICE_INDEX` を入力します。入力デバイスは少なくとも 1 つの入力チャンネルを持ち、出力デバイスは少なくとも 1 つの出力チャンネルを持ちます。
+利用可能なすべてのオーディオデバイスを確認するには、次のセルを実行します。その後、表示されたデバイスに基づいて `INPUT_DEVICE_INDEX` と `OUTPUT_DEVICE_INDEX` を設定してください。入力デバイスには少なくとも 1 つの入力チャンネルがあり、出力デバイスには少なくとも 1 つの出力チャンネルがあります。
```python lines
-# 次のセルを設定できるように、pyaudio からデバイスリストを取得します
+# 次のセルを設定するために pyaudio からデバイスリストを取得する
p = pyaudio.PyAudio()
devices_data = {i: p.get_device_info_by_index(i) for i in range(p.get_device_count())}
for i, device in devices_data.items():
@@ -207,11 +219,11 @@ for i, device in devices_data.items():
f"Found device @{i}: {device['name']} with sample rate: {device['defaultSampleRate']} and input channels: {device['maxInputChannels']} and output channels: {device['maxOutputChannels']}"
)
python
-INPUT_DEVICE_INDEX = 3 # @param # 上記のデバイスリストに基づいて選択してください。入力チャンネルが 0 より大きいデバイスを選択してください。
-OUTPUT_DEVICE_INDEX = 12 # @param # 上記のデバイスリストに基づいて選択してください。出力チャンネルが 0 より大きいデバイスを選択してください。
-enable_audio_playback = True # @param {type:"boolean"} # アシスタントの音声再生をオンにします。ヘッドフォンが必要です。
+INPUT_DEVICE_INDEX = 3 # @param # 上記のデバイスリストに基づいて選択する。デバイスの入力チャンネルが 0 より多いことを確認すること。
+OUTPUT_DEVICE_INDEX = 12 # @param # 上記のデバイスリストに基づいて選択する。デバイスの出力チャンネルが 0 より多いことを確認すること。
+enable_audio_playback = True # @param {type:"boolean"} # アシスタントの音声再生をオンにする。ヘッドフォンが必要。
-# 音声録音とストリーミングのパラメータ
+# 音声録音およびストリーミングのパラメーター
INPUT_DEVICE_CHANNELS = devices_data[INPUT_DEVICE_INDEX][
"maxInputChannels"
] # 上記のデバイスリストより
@@ -219,20 +231,23 @@ SAMPLE_RATE = int(
devices_data[INPUT_DEVICE_INDEX]["defaultSampleRate"]
) # 上記のデバイスリストより
CHUNK = int(SAMPLE_RATE / 10) # フレームあたりのサンプル数
-SAMPLE_WIDTH = p.get_sample_size(pyaudio.paInt16) # フォーマットのフレームあたりのサンプル幅
-CHUNK_DURATION = 0.3 # OAI API に送信されるチャンクあたりの音声秒数
+SAMPLE_WIDTH = p.get_sample_size(pyaudio.paInt16) # フォーマットのフレームあたりのサンプル数
+CHUNK_DURATION = 0.3 # OAI API に送信する 1 チャンクあたりの音声秒数
OAI_SAMPLE_RATE = (
- 24000 # OAI のサンプリングレートは 24kHz です。アシスタントの音声を再生または保存するためにこれが必要です。
+ 24000 # OAI のサンプルレートは 24kHz。アシスタントの音声を再生または保存するために必要
)
-OUTPUT_DEVICE_CHANNELS = 1 # モノラル出力の場合は 1 に設定
+OUTPUT_DEVICE_CHANNELS = 1 # モノラル出力の場合は 1 に設定する
```
-## OpenAI Realtime API スキーマの実装
+
+ ## OpenAI Realtime API スキーマ実装
+
-OpenAI Python SDK はまだ Realtime API をサポートしていません。可読性を高めるために、Pydantic で完全な OAI Realtime API スキーマを実装しています。公式サポートがリリースされた後は非推奨になる可能性があります。
+OpenAI の Python SDK はまだ Realtime API をサポートしていません。公式サポートが提供されるまでの間、可読性を高めるために Pydantic で完全な OAI Realtime API スキーマを実装しており、公式サポートが提供され次第、この実装は非推奨となる可能性があります。
-
- OpenAI Realtime API 用の Pydantic スキーマ (OpenAI の SDK には Realtime API サポートが欠けています)
+
+ ### OpenAI Realtime API 用 Pydantic スキーマ
+
```python lines
from enum import Enum
@@ -242,10 +257,10 @@ from pydantic import BaseModel, Field, ValidationError
class BaseEvent(BaseModel):
type: Union["ClientEventTypes", "ServerEventTypes"]
- event_id: Optional[str] = None # すべてのイベントに対してオプションのフィールドとして event_id を追加
+ event_id: Optional[str] = None # すべてのイベントに対してオプションフィールドとして event_id を追加
# def model_dump_json(self, *args, **kwargs):
- # # None 以外のフィールドのみを含める
+ # # None でないフィールドのみを含める
# return super().model_dump_json(*args, exclude_none=True, **kwargs)
class ChatMessage(BaseModel):
@@ -253,7 +268,7 @@ class ChatMessage(BaseModel):
content: str
timestamp: float
-""" CLIENT EVENTS """
+""" クライアントイベント """
class ClientEventTypes(str, Enum):
SESSION_UPDATE = "session.update"
@@ -267,7 +282,7 @@ class ClientEventTypes(str, Enum):
INPUT_AUDIO_BUFFER_CLEAR = "input_audio_buffer.clear"
ERROR = "error"
-#### Session Update
+#### セッション更新
class TurnDetection(BaseModel):
type: Literal["server_vad"]
threshold: float = Field(..., ge=0.0, le=1.0)
@@ -308,7 +323,7 @@ class SessionUpdate(BaseEvent):
type: Literal[ClientEventTypes.SESSION_UPDATE] = ClientEventTypes.SESSION_UPDATE
session: Session
-#### Audio Buffers
+#### オーディオバッファ
class InputAudioBufferAppend(BaseEvent):
type: Literal[ClientEventTypes.INPUT_AUDIO_BUFFER_APPEND] = (
ClientEventTypes.INPUT_AUDIO_BUFFER_APPEND
@@ -325,7 +340,7 @@ class InputAudioBufferClear(BaseEvent):
ClientEventTypes.INPUT_AUDIO_BUFFER_CLEAR
)
-#### Messages
+#### メッセージ
class MessageContent(BaseModel):
type: Literal["input_audio"]
audio: str
@@ -377,14 +392,14 @@ class ConversationItemDelete(BaseEvent):
)
item_id: str
-#### Responses
+#### レスポンス
class ResponseCreate(BaseEvent):
type: Literal[ClientEventTypes.RESPONSE_CREATE] = ClientEventTypes.RESPONSE_CREATE
class ResponseCancel(BaseEvent):
type: Literal[ClientEventTypes.RESPONSE_CANCEL] = ClientEventTypes.RESPONSE_CANCEL
-# Event union を更新してすべてのイベントタイプを含める
+# すべてのイベントタイプを含むように Event ユニオンを更新
ClientEvent = Union[
SessionUpdate,
InputAudioBufferAppend,
@@ -397,7 +412,7 @@ ClientEvent = Union[
ResponseCancel,
]
-""" SERVER EVENTS """
+""" サーバーイベント """
class ServerEventTypes(str, Enum):
ERROR = "error"
@@ -433,7 +448,7 @@ class ServerEventTypes(str, Enum):
RESPONSE_FUNCTION_CALL_ARGUMENTS_DONE = "response.function_call_arguments.done"
RATE_LIMITS_UPDATED = "rate_limits.updated"
-#### Errors
+#### エラー
class ErrorDetails(BaseModel):
type: Optional[str] = None
code: Optional[str] = None
@@ -444,7 +459,7 @@ class ErrorEvent(BaseEvent):
type: Literal[ServerEventTypes.ERROR] = ServerEventTypes.ERROR
error: ErrorDetails
-#### Session
+#### セッション
class SessionCreated(BaseEvent):
type: Literal[ServerEventTypes.SESSION_CREATED] = ServerEventTypes.SESSION_CREATED
session: Session
@@ -453,7 +468,7 @@ class SessionUpdated(BaseEvent):
type: Literal[ServerEventTypes.SESSION_UPDATED] = ServerEventTypes.SESSION_UPDATED
session: Session
-#### Conversation
+#### 会話
class Conversation(BaseModel):
id: str
object: Literal["realtime.conversation"]
@@ -501,7 +516,7 @@ class ConversationItemDeleted(BaseEvent):
)
item_id: str
-#### Response
+#### レスポンス
class ResponseUsage(BaseModel):
total_tokens: int
input_tokens: int
@@ -589,7 +604,7 @@ class ResponseContentPartDone(BaseEvent):
content_index: int
part: ResponseContentPart
-#### Response Text
+#### レスポンステキスト
class ResponseTextDelta(BaseEvent):
type: Literal[ServerEventTypes.RESPONSE_TEXT_DELTA] = (
ServerEventTypes.RESPONSE_TEXT_DELTA
@@ -610,7 +625,7 @@ class ResponseTextDone(BaseEvent):
content_index: int
text: str
-#### Response Audio
+#### レスポンスオーディオ
class ResponseAudioTranscriptDone(BaseEvent):
type: Literal[ServerEventTypes.RESPONSE_AUDIO_TRANSCRIPT_DONE] = (
ServerEventTypes.RESPONSE_AUDIO_TRANSCRIPT_DONE
@@ -667,7 +682,7 @@ class InputAudioBufferSpeechStopped(BaseEvent):
audio_end_ms: int
item_id: str
-#### Function Calls
+#### 関数呼び出し
class ResponseFunctionCallArgumentsDelta(BaseEvent):
type: Literal[ServerEventTypes.RESPONSE_FUNCTION_CALL_ARGUMENTS_DELTA] = (
ServerEventTypes.RESPONSE_FUNCTION_CALL_ARGUMENTS_DELTA
@@ -688,7 +703,7 @@ class ResponseFunctionCallArgumentsDone(BaseEvent):
call_id: str
arguments: str
-#### Rate Limits
+#### レート制限
class RateLimit(BaseModel):
name: str
limit: int
@@ -761,25 +776,25 @@ EVENT_TYPE_TO_MODEL = {
def parse_server_event(event_data: dict) -> ServerEvent:
event_type = event_data.get("type")
if not event_type:
- raise ValueError("Event data is missing 'type' field")
+ raise ValueError("イベントデータに 'type' フィールドがありません")
model_class = EVENT_TYPE_TO_MODEL.get(event_type)
if not model_class:
- raise ValueError(f"Unknown event type: {event_type}")
+ raise ValueError(f"不明なイベントタイプ: {event_type}")
try:
return model_class(**event_data)
except ValidationError as e:
- raise ValueError(f"Failed to parse event of type {event_type}: {str(e)}") from e
+ raise ValueError(f"タイプ {event_type} のイベントの解析に失敗しました: {str(e)}") from e
```
-
-
-## 音声ストリームライター (ディスクおよびメモリへ)
+
+ ## Audio Stream Writer（ディスクおよびメモリへの書き込み）
+
```python lines
class StreamingWavWriter:
- """音声の整数またはバイト配列チャンクを WAV ファイルに書き込みます。"""
+ """音声の整数またはバイト配列チャンクを WAV ファイルに書き込む。"""
wav_file = None
buffer = None
@@ -815,51 +830,55 @@ class StreamingWavWriter:
self.wav_file.close()
def get_wav_buffer(self):
- assert self.in_memory, "Buffer only available if stream is in memory."
+ assert self.in_memory, "バッファはストリームがメモリ上にある場合のみ利用可能です。"
return self.buffer
```
-## リアルタイム音声モデル
+
+ ## Realtime Audio Model
+
-リアルタイム (RT) 音声モデルは、websocket を使用して OpenAI の Realtime audio API にイベントを送信します。仕組みは以下の通りです：
+リアルタイム (RT) audio モデルは websocket を使用して、イベントを OpenAI の Realtime audio API に送信します。動作は次のとおりです。
-1. **init:** ローカルバッファ (入力音声) とストリーム (アシスタント再生ストリーム、ユーザー音声ディスクライターストリーム) を初期化し、Realtime API への接続を開きます。
-2. **receive_messages_thread**: スレッドが API からのメッセージ受信を処理します。主に 4 つのイベントタイプが処理されます： - RESPONSE_AUDIO_TRANSCRIPT_DONE:
+1. **init:** ローカルバッファ (入力音声) とストリーム (assistant 再生ストリーム、user 音声ディスク書き込みストリーム) を初期化し、Realtime API への接続を開きます。
+2. **receive_messages_thread**: API からのメッセージ受信を処理するスレッドです。4 つの主要なイベントタイプを処理します。
- サーバーがアシスタントのレスポンスが完了したことを示し、書き起こしを提供します。
+ * RESPONSE_AUDIO_TRANSCRIPT_DONE:
- - CONVERSATION_ITEM_INPUT_AUDIO_TRANSCRIPTION_COMPLETED:
+ サーバーは assistant の応答が完了したことを示し、書き起こし結果を提供します。
- サーバーがユーザーの音声が書き起こされたことを示し、ユーザー音声の書き起こしを送信します。この書き起こしを Weave に記録し、ユーザー向けに表示します。
+ * CONVERSATION_ITEM_INPUT_AUDIO_TRANSCRIPTION_COMPLETED:
- - RESPONSE_AUDIO_DELTA:
+ サーバーは user の音声が文字起こしされたことを示し、user の音声の書き起こし結果を送信します。この書き起こしを Weave にログに記録し、ユーザー向けに表示します。
- サーバーがアシスタントレスポンス音声の新しいチャンクを送信します。これをレスポンス ID を介して進行中のレスポンスデータに追加し、再生用の出力ストリームに加えます。
+ * RESPONSE_AUDIO_DELTA:
- - RESPONSE_DONE:
+ サーバーは assistant 応答音声の新しいチャンクを送信します。これを response ID を使って進行中の応答データに追加し、再生のために出力ストリームへ追加します。
- サーバーがアシスタントレスポンスの完了を示します。レスポンスに関連付けられたすべての音声チャンクと書き起こしを取得し、これらを Weave に記録します。
+ * RESPONSE_DONE:
- 3.**send_audio**: ハンドラーがユーザーの音声チャンクをバッファに追加し、音声バッファが特定のサイズに達したときに音声チャンクを送信します。
+ サーバーは assistant の応答が完了したことを示します。response に関連付けられたすべての音声チャンクと書き起こしを取得し、それらを Weave にログに記録します。
+
+ 3.**send_audio**: ハンドラーが user 音声チャンクをバッファに追加し、音声バッファが一定のサイズに達したときに音声チャンクを送信します。
```python lines
class RTAudioModel(weave.Model):
- """Weave ログ用の Whisper ユーザー書き起こしを備えた、OpenAI リアルタイム e2e 音声モデル対話用のモデルクラス。"""
+ """ログ用の Whisper ユーザー文字起こしを使用したリアルタイム e2e 音声 OpenAI モデルインタラクションのモデルクラス。"""
- realtime_model_name: str = "gpt-4o-realtime-preview-2024-10-01" # リアルタイム e2e 音声のみのモデル対話
+ realtime_model_name: str = "gpt-4o-realtime-preview-2024-10-01" # リアルタイム e2e 音声専用モデルインタラクション
- stop_event: Optional[threading.Event] = threading.Event() # モデルを停止させるためのイベント
- ws: Optional[websocket.WebSocket] = None # OpenAI 通信用の Websocket
+ stop_event: Optional[threading.Event] = threading.Event() # モデルを停止するイベント
+ ws: Optional[websocket.WebSocket] = None # OpenAI 通信用 Websocket
user_wav_writer: Optional[StreamingWavWriter] = (
- None # ユーザー出力をファイルに書き込むためのストリーム
+ None # ユーザー出力をファイルに書き込むストリーム
)
- input_audio_buffer: Optional[np.ndarray] = None # ユーザー音声チャンク用のバッファ
+ input_audio_buffer: Optional[np.ndarray] = None # ユーザー音声チャンク用バッファ
assistant_outputs: dict[str, StreamingWavWriter] = (
- None # Weave に送信するために集約されたアシスタント出力
+ None # Weave に送信するためにまとめたアシスタント出力
)
playback_stream: Optional[pyaudio.Stream] = (
- None # アシスタントのレスポンスを再生するための再生ストリーム
+ None # アシスタントの応答を再生するための再生ストリーム
)
def __init__(self):
@@ -882,7 +901,7 @@ class RTAudioModel(weave.Model):
output_device_index=OUTPUT_DEVICE_INDEX,
)
- # Websocket 接続
+ # Websocket に接続
try:
self.ws.connect(
f"wss://api.openai.com/v1/realtime?model={self.realtime_model_name}",
@@ -898,13 +917,13 @@ class RTAudioModel(weave.Model):
modalities=["text", "audio"], # 使用するモダリティ
input_audio_transcription=InputAudioTranscription(
model="whisper-1"
- ), # 書き起こし用の whisper-1
+ ), # 文字起こし用 whisper-1
turn_detection=TurnDetection(
type="server_vad",
threshold=0.3,
prefix_padding_ms=300,
silence_duration_ms=600,
- ), # 無音を検出するためのサーバー VAD
+ ), # 無音検出用サーバー VAD
)
)
self.ws.send(config_event.model_dump_json(exclude_none=True))
@@ -916,7 +935,7 @@ class RTAudioModel(weave.Model):
websocket_thread.start()
except Exception as e:
- print(f"Error connecting to WebSocket: {e}")
+ print(f"WebSocket への接続エラー: {e}")
##### Weave インテグレーションとメッセージハンドラー #####
def handle_assistant_response_audio_delta(self, data: ResponseAudioDelta):
@@ -942,7 +961,7 @@ class RTAudioModel(weave.Model):
"assistant_audio": wave.open(wave_file_stream.get_wav_buffer(), "rb"),
"assistant_transcript": data.response.output[0]
.content[0]
- .get("transcript", "Transcript Unavailable."),
+ .get("transcript", "文字起こしを取得できません。"),
}
return weave_payload
@@ -952,7 +971,7 @@ class RTAudioModel(weave.Model):
):
return {"user_transcript": data.transcript}
- ##### メッセージ受信機と送信機 #####
+ ##### メッセージ受信・送信 #####
def receive_messages_thread(self):
while not self.stop_event.is_set():
try:
@@ -962,12 +981,12 @@ class RTAudioModel(weave.Model):
parsed_event = parse_server_event(data)
if parsed_event.type == ServerEventTypes.RESPONSE_AUDIO_TRANSCRIPT_DONE:
- print("Assistant: ", parsed_event.transcript)
+ print("アシスタント: ", parsed_event.transcript)
elif (
parsed_event.type
== ServerEventTypes.CONVERSATION_ITEM_INPUT_AUDIO_TRANSCRIPTION_COMPLETED
):
- print("User: ", parsed_event.transcript)
+ print("ユーザー: ", parsed_event.transcript)
self.handle_user_transcription_done(parsed_event)
elif parsed_event.type == ServerEventTypes.RESPONSE_AUDIO_DELTA:
self.handle_assistant_response_audio_delta(parsed_event)
@@ -975,15 +994,15 @@ class RTAudioModel(weave.Model):
self.handle_assistant_response_done(parsed_event)
elif parsed_event.type == ServerEventTypes.ERROR:
print(
- f"\nError from server: {parsed_event.error.model_dump_json(exclude_none=True)}"
+ f"\nサーバーからのエラー: {parsed_event.error.model_dump_json(exclude_none=True)}"
)
except websocket.WebSocketConnectionClosedException:
- print("\nWebSocket connection closed")
+ print("\nWebSocket 接続が閉じられました")
break
except json.JSONDecodeError:
continue
except Exception as e:
- print(f"\nError in receive_messages: {e}")
+ print(f"\nreceive_messages でエラーが発生しました: {e}")
break
def send_audio(self, audio_chunk):
@@ -993,7 +1012,7 @@ class RTAudioModel(weave.Model):
)
if len(self.input_audio_buffer) >= SAMPLE_RATE * CHUNK_DURATION:
try:
- # 音声を OAI サンプリングレートにリサンプリング
+ # 音声を OAI サンプルレートにリサンプリング
resampled_audio = (
resampy.resample(
self.input_audio_buffer, SAMPLE_RATE, OAI_SAMPLE_RATE
@@ -1018,10 +1037,10 @@ class RTAudioModel(weave.Model):
# 音声バッファをクリア
self.input_audio_buffer = np.array([], dtype=np.int16)
else:
- print("Error sending audio: websocket not initialized.")
+ print("音声送信エラー: websocket が初期化されていません。")
- ##### 一般的なユーティリティ関数 #####
- def log_ws_message(self, message, direction="Received"):
+ ##### 汎用ユーティリティ関数 #####
+ def log_ws_message(self, message, direction="受信"):
with open("websocket_log.txt", "a") as log_file:
log_file.write(
f"{time.strftime('%Y-%m-%d %H:%M:%S')} - {direction}: {message}\n"
@@ -1036,14 +1055,16 @@ class RTAudioModel(weave.Model):
self.user_wav_writer.close()
```
-## オーディオレコーダー
+
+ ## 音声レコーダー
+
-RTAudio モデルの `send_audio` メソッドにリンクされたハンドラーを持つ pyaudio 入力ストリームを使用します。ストリームはメインスレッドに返され、プログラム終了時に安全に終了できるようになっています。
+RTAudio モデルの `send_audio` メソッドに関連付けられたハンドラー付きの PyAudio 入力ストリームを使用します。プログラム終了時に安全に終了できるように、このストリームはメインスレッドに返されます。
```python lines
# 音声キャプチャストリーム
def record_audio(realtime_model: RTAudioModel) -> pyaudio.Stream:
- """Pyaudio 入力ストリームを設定し、ストリーミングデータのコールバックとして RTAudioModel を使用します。"""
+ """Pyaudio 入力ストリームをセットアップし、ストリーミングデータのコールバックとして RTAudioModel を使用します。"""
def audio_callback(in_data, frame_count, time_info, status):
realtime_model.send_audio(in_data)
@@ -1061,13 +1082,15 @@ def record_audio(realtime_model: RTAudioModel) -> pyaudio.Stream:
)
stream.start_stream()
- print("Recording started. Please begin speaking to your personal assistant...")
+ print("録音を開始しました。パーソナルアシスタントに話しかけてください...")
return stream
```
-## メインスレッド（実行してください！）
+
+ ## メインスレッド (実行してみよう！)
+
-メインスレッドは Weave が統合された Realtime Audio Model を開始します。次に、録音が開始され、ユーザーからのキーボード割り込みを待ちます。
+メインスレッドは、Weave が統合されたリアルタイム音声モデルを初期化します。次に録音を開始し、ユーザーからのキーボード割り込みを待機します。
```python lines
weave.init(project_name="realtime-oai-audio-testing")
@@ -1083,20 +1106,18 @@ if realtime_model.ws and realtime_model.ws.connected:
except KeyboardInterrupt:
pass
except Exception as e:
- print(f"Error in main loop: {e}")
+ print(f"メインループでエラーが発生しました: {e}")
import traceback
traceback.print_exc()
finally:
- print("Exiting...")
+ print("終了中...")
realtime_model.stop()
if recording_stream and recording_stream.is_active():
recording_stream.stop_stream()
recording_stream.close()
else:
print(
- "WebSocket connection failed. Please check your API key and internet connection."
+ "WebSocket 接続に失敗しました。APIキーとインターネット接続を確認してください。"
)
```
-
-
\ No newline at end of file
diff --git a/ja/weave/cookbooks/chain_of_density.mdx b/ja/weave/cookbooks/chain_of_density.mdx
index b4b7ce2b28..6ae563f9c8 100644
--- a/ja/weave/cookbooks/chain_of_density.mdx
+++ b/ja/weave/cookbooks/chain_of_density.mdx
@@ -1,58 +1,67 @@
---
-title: Chain Of Density
-description: W&B Weave で Chain of Density を使用する方法について学ぶ
+title: "Chain Of Density"
+description: "W&B Weave で Chain of Density を使う方法を学ぶ"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
+これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから利用してください:
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/chain_of_density.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/chain_of_density.ipynb)
+- [GitHub 上のソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/chain_of_density.ipynb)
-# Chain of Density を用いた要約
+
+ # Chain of Density を用いた要約
+
-重要な詳細を維持しながら複雑な技術文書を要約することは、困難な課題です。Chain of Density（CoD）要約手法は、要約を繰り返し洗練させ、より簡潔で情報密度の高いものにすることで、この課題への解決策を提示します。このガイドでは、アプリケーションの追跡と評価に Weave を使用して CoD を実装する方法をデモします。
+重要な詳細を保ちつつ複雑な技術文書を要約することは、難しいタスクです。Chain of Density (CoD) 要約手法は、要約を反復的に改善して、より簡潔で情報密度の高いものにすることで、この課題に対する一つの解決策となります。このガイドでは、アプリケーションのトラッキングと評価のために Weave を用いて CoD を実装する方法を示します。
+ ## Chain of Density 要約とは?
+
[](https://arxiv.org/abs/2309.04269)
-Chain of Density（CoD）は、段階的に簡潔で情報密度の高い要約を作成する反復的な要約手法です。以下の手順で動作します。
+Chain of Density (CoD) は、要約を反復的に生成し、徐々により簡潔で情報密度の高い要約へと洗練していく手法です。次のように動作します。
-1. 最初の要約から開始する
-2. 要約を繰り返し洗練させ、主要な情報を保持しながらより簡潔にする
-3. 反復ごとにエンティティ（固有表現）や技術的な詳細の密度を高める
+1. 最初の要約を作成する
+2. 要約を反復的に洗練し、重要な情報を保ったままより簡潔にする
+3. 各反復で、エンティティや技術的な詳細の密度を高める
-このアプローチは、詳細な情報の保持が極めて重要な科学論文や技術文書の要約に特に有用です。
+このアプローチは、詳細な情報の保持が重要となる科学論文や技術文書の要約に特に有用です。
-## なぜ Weave を使うのか？
+
+ ## なぜ Weave を使うのか？
+
-このチュートリアルでは、Weave を使用して ArXiv 論文向けの Chain of Density 要約パイプラインを実装し、評価します。以下の方法を学習します。
+このチュートリアルでは、Weave を使って ArXiv 論文向けの Chain of Density（CoD）要約パイプラインを実装し、評価します。ここでは次のことを学びます。
-1. **LLM パイプラインの追跡**: Weave を使用して、要約プロセスの入力、出力、および中間ステップを自動的にログに記録します。
-2. **LLM 出力の評価**: Weave の組み込みツールを使用して、要約の厳密で公平な（apples-to-apples）評価を作成します。
-3. **構成可能な操作の構築**: 要約パイプラインの異なる部分で Weave の operation を組み合わせ、再利用します。
-4. **シームレスな統合**: 最小限のオーバーヘッドで、既存の Python コードに Weave を追加します。
+1. **LLM パイプラインをトラッキングする**: Weave を使って、要約処理の入力・出力・中間ステップを自動的にログに記録します。
+2. **LLM 出力を評価する**: Weave の組み込みツールを用いて、要約結果を厳密かつ条件を揃えて比較評価します。
+3. **コンポーザブルなオペレーションを構築する**: 要約パイプラインのさまざまな部分で、Weave のオペレーションを組み合わせて再利用します。
+4. **シームレスに統合する**: 既存の Python コードに、最小限のオーバーヘッドで Weave を追加します。
-このチュートリアルの最後には、モデルのサービング、評価、および結果の追跡に Weave の機能を活用した CoD 要約パイプラインが完成します。
+このチュートリアルを終える頃には、Weave の機能を活用してモデル提供、評価、結果トラッキングを行う CoD 要約パイプラインを構築できているはずです。
-## 環境のセットアップ
+
+ ## 環境を準備する
+
-まず、環境をセットアップし、必要なライブラリをインポートしましょう。
+まずは環境を準備し、必要なライブラリをインポートします。
```python lines
!pip install -qU anthropic weave pydantic requests PyPDF2 set-env-colab-kaggle-dotenv
```
-> Anthropic の APIキー を取得するには：
-> 1. https://www.anthropic.com でアカウントを登録します
+> Anthropic API キーを取得するには:
+>
+> 1. https://www.anthropic.com でアカウントにサインアップします
> 2. アカウント設定の API セクションに移動します
-> 3. 新しい APIキー を生成します
-> 4. .env ファイルに APIキー を安全に保存します
+> 3. 新しい API キーを生成します
+> 4. .env ファイルに API キーを安全に保存します
```python lines
import io
@@ -70,19 +79,21 @@ import weave
set_env("WANDB_API_KEY")
set_env("ANTHROPIC_API_KEY")
-# Weave プロジェクトを初期化
weave.init("summarization-chain-of-density-cookbook")
anthropic_client = anthropic.Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
```
-実験の追跡には Weave を、テキスト生成には Anthropic の Claude モデルを使用しています。`weave.init()` を呼び出すことで、要約タスク用の新しい Weave プロジェクトがセットアップされます。
+実験をトラッキングするために Weave を使用し、テキスト生成には Anthropic の Claude モデルを使用します。`weave.init()` の呼び出しによって、この要約タスク用の新しい Weave プロジェクトがセットアップされます。
+
-## ArxivPaper モデルの定義
+
+ ## ArxivPaper モデルを定義する
+
-データを表すためのシンプルな `ArxivPaper` クラスを作成します。
+データを表すために、シンプルな `ArxivPaper` クラスを作成します。
```python lines
-# ArxivPaper モデルの定義
+# ArxivPaper モデルを定義する
class ArxivPaper(BaseModel):
entry_id: str
updated: datetime
@@ -92,7 +103,7 @@ class ArxivPaper(BaseModel):
summary: str
pdf_url: str
-# サンプルの ArxivPaper を作成
+# サンプルの ArxivPaper を作成する
arxiv_paper = ArxivPaper(
entry_id="http://arxiv.org/abs/2406.04744v1",
updated=datetime(2024, 6, 7, 8, 43, 7, tzinfo=timezone.utc),
@@ -104,23 +115,26 @@ arxiv_paper = ArxivPaper(
)
```
-このクラスは ArXiv 論文のメタデータとコンテンツをカプセル化し、要約パイプラインへの入力となります。
+このクラスは ArXiv 論文のメタデータと本文を保持し、要約パイプラインへの入力となります。
+
-## PDF コンテンツのロード
+
+ ## PDF コンテンツを読み込む
+
-論文の全文を扱うために、PDF をロードしてテキストを抽出する関数を追加します。
+論文の本文全体を扱えるようにするために、PDF からテキストを読み込んで抽出する関数を追加します。
```python lines
@weave.op()
def load_pdf(pdf_url: str) -> str:
- # PDF をダウンロード
+ # PDF をダウンロードする
response = requests.get(pdf_url)
pdf_file = io.BytesIO(response.content)
- # PDF を読み込み
+ # PDF を読み込む
pdf_reader = PdfReader(pdf_file)
- # 全ページからテキストを抽出
+ # 全ページからテキストを抽出する
text = ""
for page in pdf_reader.pages:
text += page.extract_text()
@@ -128,16 +142,19 @@ def load_pdf(pdf_url: str) -> str:
return text
```
-## Chain of Density 要約の実装
-次に、Weave の operation を使用して CoD 要約のコアロジックを実装します。
+
+ ## Chain of Density 要約を実装する
+
+
+ここでは、Weave のオペレーションを使って CoD 要約ロジックのコア部分を実装します：
+ ## Weave モデルを作成する
+
-次に、要約パイプラインを Weave Model でラップしましょう。
+では、要約パイプラインを Weave モデルとして定義しましょう。
+ ## 評価メトリクスを実装する
+
+
+要約の品質を評価するために、いくつかの簡単な評価メトリクスを実装します。
```python lines
import json
@@ -307,18 +330,21 @@ def evaluate_summary(
}
```
-これらの評価関数は Claude モデルを使用し、関連性、簡潔さ、技術的正確性に基づいて生成された要約の質を評価します。
+これらの評価関数は Claude モデルを用いて、生成された要約の関連性、簡潔さ、および技術的な正確性に基づいてその品質を評価します。
+
-## Weave Dataset の作成と評価の実行
+
+ ## Weave Dataset を作成して評価を実行する
+
-パイプラインを評価するために、Weave Dataset を作成して評価を実行します。
+パイプラインを評価するために、Weave Dataset を作成し、評価を実行します。
+ ## 結論
+
-この例では、Weave を使用して ArXiv 論文用の Chain of Density 要約パイプラインを実装する方法を実演しました。以下の内容を紹介しました：
+この例では、Weave を使って arXiv 論文を対象とした Chain of Density 要約パイプラインを実装する方法を示しました。具体的には、次のことを行いました。
-1. 要約プロセスの各ステップに対して Weave operation を作成する方法
-2. 追跡と評価を容易にするためにパイプラインを Weave Model でラップする方法
-3. Weave operation を使用してカスタム評価メトリクスを実装する方法
-4. データセットを作成し、パイプラインの評価を実行する方法
+1. 要約プロセスの各ステップに対する Weave operation を定義する
+2. パイプラインを Weave Model でラップし、トラッキングと評価を容易にする
+3. Weave operation を使ってカスタム評価メトリクスを実装する
+4. データセットを作成し、パイプラインの評価を実行する
-Weave のシームレスな統合により、要約プロセス全体の入力、出力、中間ステップを追跡でき、LLM アプリケーションのデバッグ、最適化、評価が容易になります。
-この例を拡張して、より大規模なデータセットを扱ったり、より洗練された評価メトリクスを実装したり、他の LLM ワークフローと統合したりすることができます。
+Weave のシームレスなインテグレーションにより、要約プロセス全体を通して入力・出力・中間ステップをトラッキングできるため、LLM アプリケーションのデバッグ、最適化、評価が容易になります。
+この例を拡張して、より大きなデータセットを扱ったり、より高度な評価メトリクスを実装したり、他の LLM ワークフローとインテグレーションしたりすることもできます。
- W&B でフルレポートを表示
+ W&B 上でレポート全体を表示
\ No newline at end of file
diff --git a/ja/weave/cookbooks/codegen.mdx b/ja/weave/cookbooks/codegen.mdx
index 2a75498825..7beb3905f2 100644
--- a/ja/weave/cookbooks/codegen.mdx
+++ b/ja/weave/cookbooks/codegen.mdx
@@ -1,52 +1,51 @@
---
-title: コード生成
-description: W&B Weave で codegen を使用する方法について学ぶ
+title: "Codegen"
+description: "W&B Weave で Codegen を使う方法を学ぶ"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用できます：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/codegen.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/codegen.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから利用できます:
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/codegen.ipynb)
+ * [GitHub 上のソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/codegen.ipynb)
-##
+##
-# Weave と OpenAI を使用したコード生成
+
+ # Weave と OpenAI を用いたコード生成
+
-適切な構造、ドキュメント、およびテストを備えた高品質なコードを生成することは、困難な課題です。このガイドでは、コード生成パイプラインを実装する方法を説明します。humaneval テストスイートに対して高品質な Python 関数を生成するコード生成パイプラインの作成方法を学びます。
+適切な構造、ドキュメント、テストを備えた高品質なコードを生成することは、困難なタスクです。このガイドでは、humaneval テストスイートに対して高品質な Python 関数を生成するコード生成パイプラインの実装方法を解説します。
-評価の比較とトラッキングには Weave を使用し、構造化出力を用いたコード生成には OpenAI の GPT モデルを使用します。
+評価結果の比較とトラッキングには Weave を使用し、構造化出力を用いたコード生成には OpenAI の GPT モデルを使用します。
VIDEO
-
-この動画では、Weave を Groq と統合して強力なコード生成ツールを作成し、その後 E2B でコードを実行して検証するプロセスをステップバイステップで説明しています。以下の例では OpenAI を使用していますが、Weave では任意の LLM プロバイダーを使用できます。
-
-## なぜ Weave を使うのか？
+
+ ## なぜ Weave を使うのか？
+
-このチュートリアルでは、Weave を使用してコード生成パイプラインを実装し、評価します。以下の方法を学びます：
+このチュートリアルでは、Weave を使ってコード生成パイプラインを実装し、評価します。次のことを学びます。
-1. **LLM パイプラインのトラッキング**: コード生成プロセスの入力、出力、および中間ステップをログに記録します。
-2. **LLM 出力の評価**: 充実したデバッグツールと可視化機能を使用して、生成されたコードの評価を作成し、比較します。
+1. **LLM パイプラインをトラッキングする**: コード生成パイプラインにおける入力・出力や中間ステップをログとして記録します。
+2. **LLM の出力を評価する**: 生成されたコードに対する評価を作成・比較し、強力なデバッグツールと可視化機能を活用します。
-## 環境の設定
+
+ ## 環境を準備する
+
-まず、環境をセットアップし、必要なライブラリをインポートしましょう。
+まずは環境を整え、必要なライブラリをインポートします。
```python lines
!pip install -qU autopep8 autoflake weave isort openai set-env-colab-kaggle-dotenv datasets
python
%%capture
-# openai のバグを修正するためのワークアラウンド:
+# openai のバグを修正するための一時的な回避策:
# TypeError: Client.__init__() got an unexpected keyword argument 'proxies'
-# 詳細は https://community.openai.com/t/error-with-openai-1-56-0-client-init-got-an-unexpected-keyword-argument-proxies/1040332/15 を参照
+# 参照: https://community.openai.com/t/error-with-openai-1-56-0-client-init-got-an-unexpected-keyword-argument-proxies/1040332/15
!pip install "httpx<0.28"
python
import ast
@@ -80,18 +79,20 @@ selected_examples = human_eval["test"][:3]
```
-Weave は、入力、出力、メタデータを含む OpenAI API 呼び出しを自動的にトラッキングします。つまり、OpenAI とのやり取りのために追加のロギングコードを追加する必要はありません。Weave がバックグラウンドでシームレスに処理します。
+ Weave は OpenAI API 呼び出しを自動的に追跡し、入力・出力およびメタデータを記録します。つまり、OpenAI とのやり取りのために追加のロギング用コードを書く必要はありません。Weave がバックグラウンドでシームレスに処理します。
-## 構造化出力と Pydantic モデルの活用
+
+ ## Structured Outputs と Pydantic モデルの活用
+
-このコード生成パイプラインでは、言語モデルから一貫性のある適切にフォーマットされたレスポンスを確実にするために、OpenAI の [構造化出力モード](https://platform.openai.com/docs/guides/structured-outputs) と Pydantic モデルを利用します。このアプローチにはいくつかの利点があります。
+このコード生成パイプラインでは、OpenAI の [structured outputs モード](https://platform.openai.com/docs/guides/structured-outputs) と Pydantic モデルを利用して、言語モデルから一貫性があり、整った形式の応答を得られるようにしています。このアプローチには次のような利点があります。
-1. **型安全性**: 期待される出力に対して Pydantic モデルを定義することで、生成されたコード、プログラムランナー、およびユニットテストに対して厳格な構造を強制できます。
-2. **パースの容易さ**: 構造化出力モードにより、モデルのレスポンスを定義済みの Pydantic モデルに直接パースできるため、複雑な後処理の必要性が軽減されます。
-3. **信頼性の向上**: 期待する正確な形式を指定することで、言語モデルからの予期しない、または不正な形式の出力の可能性を減らすことができます。
+1. **型安全性**: 期待される出力に対して Pydantic モデルを定義することで、生成されるコード、プログラム実行コンポーネント、およびユニットテストに厳密な構造を課すことができます。
+2. **パースの容易さ**: structured outputs モードにより、モデルの応答を事前に定義した Pydantic モデルに直接パースでき、複雑な事後処理の必要性を減らします。
+3. **信頼性の向上**: 期待するフォーマットを正確に指定することで、言語モデルから予期しない形式や不正な形式の出力が返される可能性を低減できます。
-以下は、Pydantic モデルを定義し、OpenAI の構造化出力で使用する方法の例です。
+以下は、Pydantic モデルをどのように定義し、OpenAI の structured outputs とどのように組み合わせて使うかの例です。
```python lines
class GeneratedCode(BaseModel):
@@ -103,26 +104,28 @@ class FormattedGeneratedCode(BaseModel):
full_code: str
```
-## コードフォーマッターの実装
+
+ ## コードフォーマッターの実装
+
-一貫性のあるクリーンなコード出力を保証するために、Weave の operation を使用して `CodeFormatter` クラスを実装します。このフォーマッターは、生成されたコード、プログラムランナー、およびユニットテストにさまざまなリンティングおよびスタイリングルールを適用します。
+一貫性のあるクリーンなコード出力を確保するために、Weave のオペレーションを用いて `CodeFormatter` クラスを実装します。このフォーマッターは、生成されたコード、プログラムランナー、および単体テストに対して、さまざまな lint やスタイルのルールを適用します。
```python lines
class CodeFormatter(BaseModel):
@weave.op()
def lint_code(self, code: str) -> str:
- # エスケープされた改行を実際の改行に置換
+ # エスケープされた改行を実際の改行に置換する
code = code.replace("\\n", "\n")
- # 未使用のインポートと変数を削除
+ # 未使用のインポートと変数を削除する
code = fix_code(
code, remove_all_unused_imports=True, remove_unused_variables=True
)
- # インポートをソート
+ # インポートをソートする
code = isort.code(code)
- # PEP 8 フォーマットを適用
+ # PEP 8 フォーマットを適用する
code = autopep8.fix_code(code, options={"aggressive": 2})
return code
@@ -137,14 +140,14 @@ class CodeFormatter(BaseModel):
if isinstance(node, ast.Name) and node.id not in dir(__builtins__):
global_names.add(node.id)
- # 実際に使用されている typing インポートのみを追加
+ # 実際に使用されている typing のインポートのみを追加する
typing_imports = global_names.intersection(
{"List", "Dict", "Tuple", "Set", "Optional", "Union"}
)
if typing_imports:
from_imports["typing"] = typing_imports
- # 関数内で定義されている名前を削除
+ # 関数内で定義されている名前を削除する
function_def = next(
node for node in tree.body if isinstance(node, ast.FunctionDef)
)
@@ -156,9 +159,9 @@ class CodeFormatter(BaseModel):
)
global_names -= local_names
- global_names -= {"sorted"} # 組み込み関数を削除
+ global_names -= {"sorted"} # 組み込み関数を削除する
- # インポート文を構築
+ # import 文を構築する
import_statements = []
for module, names in from_imports.items():
names_str = ", ".join(sorted(names))
@@ -172,47 +175,49 @@ class CodeFormatter(BaseModel):
def format_generated_code(
self, generated_code: GeneratedCode
) -> FormattedGeneratedCode:
- # コードのパーツを結合
+ # コードのパーツを結合する
full_code = f"{generated_code.function_signature}\n{generated_code.function_args_with_docstring_within_triple_quotes}\n{generated_code.code_logic}"
- # 適切なインデントを確保
+ # 適切なインデントを確保する
lines = full_code.split("\n")
indented_lines = []
for i, line in enumerate(lines):
if i == 0: # 関数シグネチャ
indented_lines.append(line)
- elif i == 1: # 関数の引数 (docstring)
+ elif i == 1: # 関数の引数（docstring）
indented_lines.append(" " + line)
else: # 関数本体
indented_lines.append(" " + line)
full_code = "\n".join(indented_lines)
- # コードをリント
+ # コードをリントする
full_code = self.lint_code(full_code)
- # インポートを追加
+ # インポートを追加する
cleaned_code = self.add_imports(full_code)
return FormattedGeneratedCode(full_code=cleaned_code)
```
-この `CodeFormatter` クラスは、生成されたコードをクリーンアップしてフォーマットするためのいくつかの Weave operation を提供します。
+この `CodeFormatter` クラスは、生成されたコードをクリーンアップして整形するためのいくつかの Weave オペレーションを提供します：
-- エスケープされた改行を実際の改行に置換
-- 未使用のインポートと変数の削除
-- インポートのソート
-- PEP 8 フォーマットの適用
-- 不足しているインポートの追加
+* エスケープされた改行文字を実際の改行に置き換える
+* 未使用の import と変数を削除する
+* import をソートする
+* PEP 8 準拠のフォーマットを適用する
+* 不足している import を追加する
-## CodeGenerationPipeline の定義
+
+ ## CodeGenerationPipeline を定義する
+
+ ## 評価メトリクスを実装する
+
-生成されたコードの品質を評価するために、`weave.Scorer` サブクラスを使用してシンプルな評価メトリクスを実装します。これにより、データセットのすべての `model_output` に対して `score` が実行されます。`model_output` は、`weave.Model` 内の `predict` 関数の出力から得られます。`prompt` は、データセット `human-eval` から取得されます。
+生成されたコードの品質を評価するために、`weave.Scorer` のサブクラスを使って簡単な評価メトリクスを実装します。これにより、データセット内のすべての `model_output` に対して `score` が実行されます。`model_output` は、`weave.Model` における `predict` 関数の出力から得られます。`prompt` は データセット `human-eval` から取得されます。
```python lines
CODE_TEMPLATE = """
@@ -281,11 +288,11 @@ python
async def score_humaneval_test(test: str, entry_point: str, output: str):
generated_code = output
- # test 文字列からアサーションを抽出
+ # テスト文字列からテストケースを抽出する
test_cases = re.findall(r"assert.*", test)
test_cases_str = "\n ".join(test_cases)
- # 完全なソースコードを生成
+ # 完全なソースコードを生成する
full_code = CODE_TEMPLATE.format(
model_output=generated_code,
test=test,
@@ -293,19 +300,19 @@ async def score_humaneval_test(test: str, entry_point: str, output: str):
entry_point=entry_point,
)
- # コードを保存するためのテンポラリファイルを作成
+ # コードを保存するための一時ファイルを作成する
with tempfile.NamedTemporaryFile(delete=False, suffix=".py") as tmp_file:
- # 生成されたコードをテンポラリファイルに書き込む
+ # 生成されたコードを一時ファイルに書き込む
tmp_file.write(full_code.encode())
tmp_file_path = tmp_file.name
try:
- # テンポラリの Python ファイルをサブプロセスとして実行（タイムアウト付き）
+ # タイムアウト付きのサブプロセスとして一時 Python ファイルを実行する
result = subprocess.run(
["python", tmp_file_path],
capture_output=True,
text=True,
- timeout=10, # 10秒のタイムアウト
+ timeout=10, # タイムアウト: 10秒
)
print(result)
@@ -319,19 +326,21 @@ async def score_humaneval_test(test: str, entry_point: str, output: str):
except Exception as e:
return {"correct": False, "error": traceback.format_exc()}
finally:
- # 実行後にテンポラリファイルが削除されるようにする
+ # 実行後に一時ファイルを確実に削除する
os.remove(tmp_file_path)
```
-これらの評価関数は生成されたコードを実行し、そのコードがデータセットから提供されたテストに合格したかどうかを示すブール値を返します。
+これらの評価関数は生成されたコードを実行し、データセットに含まれるテストにコードが合格したかどうかを示す真偽値を返します。
+ ## Weave Dataset を作成して評価を実行する
+
-パイプラインを評価するために、Weave Dataset を作成して評価を実行します。
+このパイプラインを評価するために、Weave Dataset を作成し、評価を実行します。
```python lines
formatted_selected_examples = [
@@ -383,21 +392,23 @@ for model_name in ["gpt-4o-2024-08-06"]:
results = await evaluation.evaluate(pipeline)
```
-このコードは、サンプルプロンプトを含むデータセットを作成し、humaneval テストスコアラーを定義して、コード生成パイプラインの評価を実行します。
+このコードでは、サンプルプロンプトを含むデータセットを作成し、humaneval テストスコアラーを定義し、コード生成パイプラインの評価を実行します。
+ ## まとめ
+
-この例では、Weave と OpenAI の言語モデルを使用してコード生成パイプラインを実装する方法を実演しました。以下の方法を示しました。
+この例では、Weave と OpenAI の言語モデルを使ってコード生成パイプラインを実装する方法を説明しました。具体的には次のことを行いました。
-1. コード生成プロセスの各ステップに対して Weave operation を作成する
-2. 容易なトラッキングと評価のためにパイプラインを Weave Model でラップする
-3. Weave operation を使用してカスタム評価メトリクスを実装する
+1. コード生成プロセスの各ステップに対して Weave オペレーションを作成する
+2. パイプラインを Weave Model でラップして、トラッキングと評価を容易にする
+3. Weave オペレーションを使ってカスタム評価メトリクスを実装する
4. データセットを作成し、パイプラインの評価を実行する
-Weave のシームレスな統合により、コード生成プロセス全体を通じて入力、出力、および中間ステップをトラッキングできるため、LLM アプリケーションのデバッグ、最適化、評価が容易になります。
+Weave のシームレスなインテグレーションにより、コード生成プロセス全体を通して入力、出力、および中間ステップをトラッキングできるため、LLM アプリケーションのデバッグ、最適化、および評価が容易になります。
-Weave とその機能の詳細については、[Weave ドキュメント](/weave) をご覧ください。この例を拡張して、より大きなデータセットを扱ったり、より洗練された評価メトリクスを実装したり、他の LLM ワークフローと統合したりすることができます。
\ No newline at end of file
+Weave とその機能の詳細については、[Weave のドキュメント](/ja/weave) を参照してください。より大きなデータセットを扱ったり、より高度な評価メトリクスを実装したり、他の LLM ワークフローとインテグレーションしたりするように、この例を拡張できます。
\ No newline at end of file
diff --git a/ja/weave/cookbooks/custom_model_cost.mdx b/ja/weave/cookbooks/custom_model_cost.mdx
index 87a01f66dd..a420964439 100644
--- a/ja/weave/cookbooks/custom_model_cost.mdx
+++ b/ja/weave/cookbooks/custom_model_cost.mdx
@@ -1,31 +1,35 @@
---
-title: カスタムモデルコスト
-description: W&B Weave でカスタムモデルコストを使用する方法について説明します
+title: "カスタム モデルコスト"
+description: "W&B Weave でカスタム モデルコストの利用方法を学ぶ"
---
-これはインタラクティブな ノートブック です。ローカルで実行するか、以下のリンクを使用してください：
+これはインタラクティブなノートブックです。ローカルで実行するか、次のリンクから開いてください：
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/custom_model_cost.ipynb)
- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/custom_model_cost.ipynb)
-# カスタムコストモデルの設定
+
+ # カスタムコストモデルのセットアップ
+
-Weave は、使用されたトークン数と使用された モデル に基づいてコストを計算します。
-Weave は出力からこの使用量と モデル を取得し、それらをコールに関連付けます。
+Weave は、使用されたトークン数と モデル に基づいてコストを計算します。
+Weave はこの使用量と モデル を出力から取得し、それらを呼び出しに関連付けます。
-独自のトークン使用量を計算し、それを Weave に保存するシンプルなカスタム モデル を設定してみましょう。
+独自にトークン使用量を計算し、その結果を Weave に保存するシンプルなカスタム モデル をセットアップしてみましょう。
-## 環境 の設定
+
+ ## 環境をセットアップする
+
-必要なパッケージをすべてインストールし、インポートします。
-`wandb.login()` で簡単にログインできるように、環境 変数に `WANDB_API_KEY` を設定します（これは Colab の secret として提供される必要があります）。
+必要なパッケージをすべてインストールして import します。
+`WANDB_API_KEY` を環境変数に設定し、`wandb.login()` で簡単にログインできるようにします（これは Colab に secret として渡しておきます）。
-これを ログ に記録したい W&B の プロジェクト を `name_of_wandb_project` に設定します。
+W&B でこのログを記録したい Projects を、`name_of_wandb_project` に設定します。
-**_注意:_** `name_of_wandb_project` は、トレース を ログ に記録する チーム を指定するために `{team_name}/{project_name}` の形式にすることもできます。
+***NOTE:*** `name_of_wandb_project` は、トレースを記録するチームを指定するために、`{team_name}/{project_name}` という形式にすることもできます。
-次に、 `weave.init()` を呼び出して Weave クライアントを取得します。
+その後、`weave.init()` を呼び出して Weave クライアントを取得します。
```python lines
%pip install wandb weave datetime --quiet
@@ -45,7 +49,10 @@ python
weave_client = weave.init(name_of_wandb_project)
```
-## Weave を使用した モデル の設定
+
+
+ ## Weave でモデルをセットアップする
+
```python lines
from weave import Model
@@ -57,21 +64,21 @@ class YourModel(Model):
def simple_token_count(self, text: str) -> int:
return len(text) // 3
- # これは定義しているカスタム op です
- # 文字列を受け取り、使用量カウント、モデル名、および出力を含む辞書を出力します
+ # これは定義するカスタム op です
+ # 文字列を受け取り、使用量カウント、モデル名、出力を含む辞書を返します
@weave.op()
def custom_model_generate(self, input_data: str) -> dict:
- # ここにモデルのロジックを記述します
- # ここでカスタムの生成関数を使用します
+ # モデルのロジックをここに記述します
+ # カスタム生成関数はここに実装します
prediction = self.attribute1 + " " + input_data
# 使用量カウント
prompt_tokens = self.simple_token_count(input_data)
completion_tokens = self.simple_token_count(prediction)
- # 使用量カウント、モデル名、および出力を保持する辞書を返します
+ # 使用量カウント、モデル名、出力を含む辞書を返します
# Weave はこれを自動的にトレースに関連付けます
- # このオブジェクト {usage, model, output} は OpenAI コールの出力と一致します
+ # このオブジェクト {usage, model, output} は OpenAI 呼び出しの出力と一致します
return {
"usage": {
"input_tokens": prompt_tokens,
@@ -82,30 +89,33 @@ class YourModel(Model):
"output": prediction,
}
- # predict 関数内でカスタム生成関数を呼び出し、その出力を返します。
+ # predict 関数では、カスタム生成関数を呼び出して出力を返します。
@weave.op()
def predict(self, input_data: str) -> dict:
- # ここでデータのポストプロセッシングを行うことができます
+ # データの後処理はここで行います
outputs = self.custom_model_generate(input_data)
return outputs["output"]
```
-## カスタムコストの追加
-ここでカスタムコストを追加します。カスタムコストを設定し、コールに使用量が含まれているため、 `include_cost` を使用してコールを取得できるようになり、コールの `summary.weave.costs` の下にコストが表示されます。
+
+ ## カスタムコストを追加する
+
+
+ここではカスタムコストを追加します。カスタムコストが設定され、呼び出しに usage 情報が記録されるようになったら、`include_cost` を指定して呼び出しを取得できるようになり、取得した呼び出しのコストは `summary.weave.costs` 配下に格納されます。
```python lines
model = YourModel(attribute1="Hello", attribute2=1)
model.predict("world")
-# 次に、プロジェクトにカスタムコストを追加します
+# カスタムコストをプロジェクトに追加します
weave_client.add_cost(
llm_id="your_model_name", prompt_token_cost=0.1, completion_token_cost=0.2
)
-# その後、コールをクエリできます。include_costs=True を指定すると
-# コールに付随したコストを受け取ることができます
+# calls をクエリできます。include_costs=True を指定すると、
+# コストが calls に付与された状態で返されます
calls = weave_client.get_calls(filter={"trace_roots_only": True}, include_costs=True)
list(calls)
-```
\ No newline at end of file
+```
diff --git a/ja/weave/cookbooks/dspy_prompt_optimization.mdx b/ja/weave/cookbooks/dspy_prompt_optimization.mdx
index c9f74211e3..fb82202df2 100644
--- a/ja/weave/cookbooks/dspy_prompt_optimization.mdx
+++ b/ja/weave/cookbooks/dspy_prompt_optimization.mdx
@@ -1,33 +1,38 @@
---
-title: DSPy プロンプト最適化
-description: W&B Weave を使用して DSPy のプロンプト最適化を行う方法について学びます
+title: "DSPy プロンプト最適化"
+description: "W&B Weave で dspy のプロンプト最適化を使用する方法を学ぶ"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用できます：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/dspy_prompt_optimization.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/dspy_prompt_optimization.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから開いてください:
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/dspy_prompt_optimization.ipynb)
+ * [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/dspy_prompt_optimization.ipynb)
-# DSPy と Weave を使用した LLM ワークフローの最適化
+
+ # DSPy と Weave を用いた LLM ワークフローの最適化
+
-[BIG-bench (Beyond the Imitation Game Benchmark)](https://github.com/google/BIG-bench) は、大型言語モデルを調査し、その将来の能力を推測することを目的とした共同ベンチマークであり、200 以上のタスクで構成されています。[BIG-Bench Hard (BBH)](https://github.com/suzgunmirac/BIG-Bench-Hard) は、現世代の言語モデルでは解決が非常に困難な、最も難易度の高い 23 の BIG-Bench タスクのセットです。
+[BIG-bench (Beyond the Imitation Game Benchmark)](https://github.com/google/BIG-bench) は、大規模言語モデルを調査し、その将来の能力を推定することを目的とした、200 を超えるタスクから成る共同ベンチマークです。[BIG-Bench Hard (BBH)](https://github.com/suzgunmirac/BIG-Bench-Hard) は、その中でも特に難易度が高い 23 個の BIG-bench タスクから成るスイートで、現在の世代の言語モデルでは解くのが非常に難しい場合があります。
-このチュートリアルでは、BIG-bench Hard ベンチマークの **causal judgement（因果判断）タスク** で実装された LLM ワークフローのパフォーマンスを向上させ、プロンプティング戦略を評価する方法を実演します。LLM ワークフローの実装とプロンプティング戦略の最適化には [DSPy](https://dspy-docs.vercel.app/) を使用します。また、LLM ワークフローの追跡とプロンプティング戦略の評価には [Weave](/weave) を使用します。
+このチュートリアルでは、BIG-bench Hard ベンチマークの **causal judgement task** を題材にした LLM ワークフローを実装し、その性能をどのように向上させ、プロンプト戦略を評価できるかを説明します。LLM ワークフローの実装とプロンプト戦略の最適化には [DSPy](https://dspy.ai) を使用します。また、LLM ワークフローをトラッキングし、プロンプト戦略を評価するために [Weave](/ja/weave) も使用します。
-## 依存関係のインストール
+
+ ## 依存関係のインストール
+
-このチュートリアルには以下のライブラリが必要です。
+このチュートリアルには次のライブラリが必要です。
-- [DSPy](https://dspy-docs.vercel.app/): LLM ワークフローの構築と最適化に使用。
-- [Weave](/weave/quickstart): LLM ワークフローの追跡とプロンプティング戦略の評価に使用。
-- [datasets](https://huggingface.co/docs/datasets/index): HuggingFace Hub から Big-Bench Hard データセットにアクセスするために使用。
+* LLM ワークフローを構築し、最適化するための [DSPy](https://dspy.ai)。
+* LLM ワークフローを追跡し、プロンプト戦略を評価するための [Weave](/ja/weave)。
+* Hugging Face Hub から Big-Bench Hard データセットにアクセスするための [datasets](https://huggingface.co/docs/datasets/index)。
```python lines
!pip install -qU dspy-ai weave datasets
```
-LLM ベンダーとして [OpenAI API](https://openai.com/index/openai-api/) を使用するため、OpenAI の APIキー も必要です。OpenAI プラットフォームで [サインアップ](https://platform.openai.com/signup) して、独自の APIキー を取得できます。
+LLM ベンダーとして [OpenAI API](https://openai.com/index/openai-api/) を使用するため、OpenAI API キーも必要です。ご自身の API キーを取得するには、OpenAI プラットフォームで [サインアップ](https://platform.openai.com/signup) してください。
```python lines
import os
@@ -37,9 +42,11 @@ api_key = getpass("Enter you OpenAI API key: ")
os.environ["OPENAI_API_KEY"] = api_key
```
-## Weave を使用したトラッキングの有効化
+
+ ## Weave を使ってトラッキングを有効化する
+
-Weave は現在 DSPy と統合されており、コードの最初に [`weave.init`](/weave/reference/python-sdk/trace/weave_client#method-init) を含めることで、DSPy 関数のトレースを自動的に行い、Weave の UI で確認できるようになります。詳細は [DSPy の Weave インテグレーションガイド](/weave/guides/integrations/dspy) をご覧ください。
+Weave は現在 DSPy とインテグレーションされており、コードの先頭で [`weave.init`](/ja/weave/reference/python-sdk/trace/weave_client#method-init) を呼び出すことで、DSPy の関数を自動的にトレースし、その結果を Weave UI で確認できます。詳細は、[DSPy 向け Weave インテグレーション ドキュメント](/ja/weave/guides/integrations/dspy) を参照してください。
```python lines
import weave
@@ -47,7 +54,7 @@ import weave
weave.init(project_name="dspy-bigbench-hard")
```
-このチュートリアルでは、[`weave.Object`](/weave/reference/python-sdk#class-object) を継承したメタデータクラスを使用してメタデータを管理します。
+このチュートリアルでは、メタデータを管理するために、[`weave.Object`](/ja/weave/reference/python-sdk#class-object) を継承するメタデータクラスを使用します。
```python lines
class Metadata(weave.Object):
@@ -63,12 +70,14 @@ metadata = Metadata()
```
-**オブジェクトのバージョン管理**: `Metadata` オブジェクトは、それを使用する関数がトレースされる際に、自動的にバージョン管理（versioning）およびトレースされます。
+ **オブジェクトのバージョン管理**: `Metadata` オブジェクトは、それらを利用する関数がトレースされると、自動的にバージョン管理され、トレースされます
-## BIG-Bench Hard データセットのロード
+
+ ## BIG-Bench Hard データセットを読み込む
+
-HuggingFace Hub からこのデータセットをロードし、トレーニングセットと検証セットに分割して、Weave 上に [パブリッシュ](/weave/guides/core-types/datasets) します。これにより、Datasets のバージョン管理が可能になり、[`weave.Evaluation`](/weave/guides/core-types/evaluations) を使用してプロンプティング戦略を評価できるようになります。
+HuggingFace Hub からこのデータセットを読み込み、トレーニング用と検証用のセットに分割し、Weave 上で [publish](/ja/weave/guides/core-types/datasets) します。これにより、データセットをバージョン管理できるようになり、さらに [`weave.Evaluation`](/ja/weave/guides/core-types/evaluations) を使ってプロンプト戦略を評価できます。
```python lines
import dspy
@@ -76,23 +85,23 @@ from datasets import load_dataset
@weave.op()
def get_dataset(metadata: Metadata):
- # Huggingface Hub からタスクに対応する BIG-Bench Hard データセットをロード
+ # Huggingface Hub からタスクに対応する BIG-Bench Hard データセットを読み込む
dataset = load_dataset(metadata.dataset_address, metadata.big_bench_hard_task)[
"train"
]
- # トレーニング用と検証用のデータセットを作成
+ # トレーニングデータセットと検証データセットを作成する
rows = [{"question": data["input"], "answer": data["target"]} for data in dataset]
train_rows = rows[0 : metadata.num_train_examples]
val_rows = rows[metadata.num_train_examples :]
- # `dspy.Example` オブジェクトで構成されるトレーニング用と検証用の例を作成
+ # `dspy.Example` オブジェクトで構成されるトレーニングおよび検証サンプルを作成する
dspy_train_examples = [
dspy.Example(row).with_inputs("question") for row in train_rows
]
dspy_val_examples = [dspy.Example(row).with_inputs("question") for row in val_rows]
- # データセットを Weave にパブリッシュ。これによりデータのバージョン管理と評価への利用が可能になる
+ # データセットを Weave に公開する。これによりデータのバージョン管理と評価への利用が可能になる
weave.publish(
weave.Dataset(
name=f"bigbenchhard_{metadata.big_bench_hard_task}_train", rows=train_rows
@@ -110,41 +119,45 @@ dspy_train_examples, dspy_val_examples = get_dataset(metadata)
```
+ ## DSPy プログラム
+
-[DSPy](https://dspy-docs.vercel.app) は、新しい LM パイプラインの構築を、自由形式の文字列の操作から、プログラミング（テキスト変換グラフを構築するためのモジュール式オペレーターの構成）へとシフトさせるフレームワークです。コンパイラがプログラムから、最適化された LM 呼び出し戦略とプロンプトを自動的に生成します。
+[DSPy](https://dspy.ai) は、新しい LM パイプラインの構築を、自由形式の文字列操作に頼むやり方から、よりプログラミングに近い形 (モジュール型オペレーターを組み合わせてテキスト変換グラフを構築し、コンパイラがプログラムから最適化された LM 呼び出し戦略とプロンプトを自動生成する形) へと近づける フレームワーク です。
-ここでは [`dspy.OpenAI`](https://dspy-docs.vercel.app/api/language_model_clients/OpenAI) 抽象化を使用して、[GPT3.5 Turbo](https://platform.openai.com/docs/models/gpt-3-5-turbo) への LLM 呼び出しを行います。
+[`dspy.OpenAI`](https://dspy.ai/learn/programming/language_models/#__tabbed_1_1) 抽象化を使用して、[GPT3.5 Turbo](https://platform.openai.com/docs/models/gpt-3.5-turbo) への LLM 呼び出しを行います。
```python lines
system_prompt = """
-あなたは因果推論の分野の専門家です。与えられた質問を注意深く分析し、`Yes` または `No` で答えてください。
-また、あなたの答えを正当化する詳細な説明も提供してください。
+You are an expert in the field of causal reasoning. You are to analyze the a given question carefully and answer in `Yes` or `No`.
+You should also provide a detailed explanation justifying your answer.
"""
llm = dspy.OpenAI(model="gpt-3.5-turbo", system_prompt=system_prompt)
dspy.settings.configure(lm=llm)
```
-### 因果推論シグネチャの作成
+
+ ### 因果推論シグネチャの作成
+
-[シグネチャ (signature)](https://dspy-docs.vercel.app/docs/building-blocks/signatures) は、[DSPy モジュール](https://dspy-docs.vercel.app/docs/building-blocks/modules) の入出力動作を宣言的に定義する仕様です。DSPy モジュールはタスク適応型のコンポーネントであり、ニューラルネットワークのレイヤーに似ており、特定のテキスト変換を抽象化します。
+[signature](https://dspy.ai/learn/programming/signatures) は、タスクに応じて適応するコンポーネントで、特定のテキスト変換を抽象化する [DSPy module](https://dspy.ai/learn/programming/modules) の入出力の振る舞いを宣言的に指定するものです。DSPy module はニューラルネットワークのレイヤーに似たコンポーネントです。
```python lines
from pydantic import BaseModel, Field
class Input(BaseModel):
- query: str = Field(description="回答すべき質問")
+ query: str = Field(description="The question to be answered")
class Output(BaseModel):
- answer: str = Field(description="質問に対する回答")
+ answer: str = Field(description="The answer for the question")
confidence: float = Field(
- ge=0, le=1, description="回答の信頼度スコア"
+ ge=0, le=1, description="The confidence score for the answer"
)
- explanation: str = Field(description="回答の理由説明")
+ explanation: str = Field(description="The explanation for the answer")
class QuestionAnswerSignature(dspy.Signature):
input: Input = dspy.InputField()
@@ -159,7 +172,7 @@ class CausalReasoningModule(dspy.Module):
return self.prog(input=Input(query=question)).output.dict()
```
-Big-Bench Hard の因果推論サブセットの例を使用して、LLM ワークフロー（すなわち `CausalReasoningModule`）をテストしてみましょう。
+では、Big-Bench Hard の因果推論サブセットの例を使って、LLM ワークフロー、つまり `CausalReasoningModule` をテストしてみましょう。
```python lines
import rich
@@ -171,13 +184,14 @@ rich.print(prediction)
```
-Python スクリプトから実行する場合は、以下のコードを使用して評価を実行できます：
+ Python スクリプトから実行する場合は、次のコードで評価を実行できます：
-```python lines
-import asyncio
-asyncio.run(evaluation.evaluate(baseline_module.forward))
-```
+ ```python lines
+ import asyncio
+ asyncio.run(evaluation.evaluate(baseline_module.forward))
+ ```
-因果推論データセットの評価を実行すると、OpenAI のクレジットが約 0.24 ドル消費されます。
+ causal reasoning データセットの評価を実行すると、OpenAI クレジットで約 $0.24 のコストがかかります。
-## DSPy プログラムの最適化
+
+ ## DSPy プログラムの最適化
+
-ベースラインの DSPy プログラムが完成したので、指定されたメトリクスを最大化するように DSPy プログラムのパラメータをチューニングできる [DSPy テレプロンプター（optimizer）](https://dspy-docs.vercel.app/docs/building-blocks/optimizers) を使用して、因果推論のパフォーマンス向上を試みます。このチュートリアルでは、[BootstrapFewShot](https://dspy-docs.vercel.app/api/category/optimizers) テレプロンプターを使用します。
+ベースラインとなる DSPy プログラムが用意できたので、[BootstrapFewShot](https://dspy.ai/api/optimizers/BootstrapFewShot/) テレプロンプターを使って因果推論の性能を改善してみましょう。このテレプロンプターは、指定したメトリクスを最大化できるように DSPy プログラムのパラメーターをチューニングします。
```python lines
from dspy.teleprompt import BootstrapFewShot
@@ -242,14 +258,14 @@ optimized_module = get_optimized_program(baseline_module, metadata)
```
-因果推論データセットの評価を実行すると、OpenAI のクレジットが約 0.04 ドル消費されます。
+ 評価用の因果推論データセットを実行すると、OpenAI クレジットが約 0.04 ドル消費されます。
-最適化されたプログラム（最適化されたプロンプティング戦略）が完成したので、もう一度検証セットで評価し、ベースラインの DSPy プログラムと比較してみましょう。
+最適化されたプログラム (最適化されたプロンプト戦略) が用意できたので、もう一度検証用データセットで評価し、ベースラインの DSPy プログラムと比較してみましょう。
```python lines
evaluation = weave.Evaluation(
@@ -262,11 +278,13 @@ await evaluation.evaluate(optimized_module.forward)
```
+ ## まとめ
+
-このチュートリアルでは、プロンプトの最適化に DSPy を使用する方法と、Weave を使用して追跡および評価を行い、オリジナルと最適化されたプログラムを比較する方法を学びました。
\ No newline at end of file
+このチュートリアルでは、DSPy を使ったプロンプト最適化と、Weave を用いたトラッキングおよび評価によって、元のプログラムと最適化されたプログラムを比較する方法を学びました。
\ No newline at end of file
diff --git a/ja/weave/cookbooks/feedback_prod.mdx b/ja/weave/cookbooks/feedback_prod.mdx
index 50e0db72cc..ecd0bd5e80 100644
--- a/ja/weave/cookbooks/feedback_prod.mdx
+++ b/ja/weave/cookbooks/feedback_prod.mdx
@@ -1,35 +1,37 @@
---
-title: フィードバック Prod
-description: W&B Weave を使用してフィードバックを本番環境で活用する方法について学びます
+title: "Feedback Prod"
+description: "W&B Weave で feedback prod を使用する方法を学びます"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
+これはインタラクティブなノートブックです。ローカルで実行するか、次のリンクを使用してください：
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/feedback_prod.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/feedback_prod.ipynb)
+- [GitHub 上のソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/feedback_prod.ipynb)
##
-生成された LLM の応答を自動的に評価することはしばしば困難です。そのため、許容できるリスクレベルに応じて、ユーザーから直接フィードバックを収集し、改善すべき点を見つけ出すことができます。
+生成された LLM 応答を自動で評価するのは難しいことが多いため、リスク許容度に応じて、直接ユーザーからフィードバックを収集し、改善すべき箇所を見つけることができます。
-このチュートリアルでは、ユーザーフィードバックを収集するアプリケーションの例として、カスタムチャットボットを使用します。
-Streamlit を使用してインターフェースを構築し、LLM とのやり取りとフィードバックを Weave でキャプチャします。
+このチュートリアルでは、カスタム chatbot を、ユーザー フィードバックを収集するためのサンプルアプリとして使用します。
+インターフェースの構築には Streamlit を使い、LLM との対話とフィードバックを Weave に記録します。
-## セットアップ
+
+ ## セットアップ
+
```python lines
!pip install weave openai streamlit wandb
!pip install set-env-colab-kaggle-dotenv -q # 環境変数用
python
-# OpenAI と WandB の APIキーを含む .env ファイルを追加してください
+# OpenAI と WandB の API キーを含む .env ファイルを追加する
from set_env import set_env
_ = set_env("OPENAI_API_KEY")
_ = set_env("WANDB_API_KEY")
```
-次に、以下の内容で `chatbot.py` というファイルを作成します。
+次に、`chatbot.py` というファイルを作成し、以下の内容を記述します。
```python lines {13,15,27}
# chatbot.py
@@ -50,7 +52,7 @@ weave_client = weave.init("feedback-example")
oai_client = openai.OpenAI()
def init_states():
- """session_state のキーが存在しない場合はセットアップします。"""
+ """session_state のキーがまだ存在しない場合にセットアップする。"""
if "messages" not in st.session_state:
st.session_state["messages"] = []
if "calls" not in st.session_state:
@@ -61,8 +63,8 @@ def init_states():
@weave.op
def chat_response(full_history):
"""
- これまでの会話履歴全体を受け取り、ストリーミングモードで OpenAI API を呼び出します。
- full_history は辞書のリストです: [{"role":"user"|"assistant","content":...}, ...]
+ これまでの会話履歴全体を元に、ストリーミングモードで OpenAI API を呼び出す。
+ full_history は辞書のリスト: [{"role":"user"|"assistant","content":...}, ...]
"""
stream = oai_client.chat.completions.create(
model="gpt-4", messages=full_history, stream=True
@@ -71,40 +73,40 @@ def chat_response(full_history):
return {"response": response_text}
def render_feedback_buttons(call_idx):
- """call に対して Good/Bad ボタンとテキストフィードバックを表示します。"""
+ """呼び出しに対するサムズアップ/ダウンおよびテキストフィードバックをレンダリングする。"""
col1, col2, col3 = st.columns([1, 1, 4])
- # Good ボタン
+ # サムズアップボタン
with col1:
if st.button("👍", key=f"thumbs_up_{call_idx}"):
st.session_state.calls[call_idx].feedback.add_reaction("👍")
- st.success("フィードバックをありがとうございます！")
+ st.success("Thanks for the feedback!")
- # Bad ボタン
+ # サムズダウンボタン
with col2:
if st.button("👎", key=f"thumbs_down_{call_idx}"):
st.session_state.calls[call_idx].feedback.add_reaction("👎")
- st.success("フィードバックをありがとうございます！")
+ st.success("Thanks for the feedback!")
# テキストフィードバック
with col3:
- feedback_text = st.text_input("フィードバック", key=f"feedback_input_{call_idx}")
+ feedback_text = st.text_input("Feedback", key=f"feedback_input_{call_idx}")
if (
- st.button("フィードバックを送信", key=f"submit_feedback_{call_idx}")
+ st.button("Submit Feedback", key=f"submit_feedback_{call_idx}")
and feedback_text
):
st.session_state.calls[call_idx].feedback.add_note(feedback_text)
- st.success("フィードバックが送信されました！")
+ st.success("Feedback submitted!")
def display_old_messages():
- """st.session_state.messages に保存された会話をフィードバックボタンと共に表示します"""
+ """st.session_state.messages に保存された会話をフィードバックボタンとともに表示する"""
for idx, message in enumerate(st.session_state.messages):
with st.chat_message(message["role"]):
st.markdown(message["content"])
- # アシスタントのメッセージの場合、フィードバックフォームを表示
+ # アシスタントのメッセージであればフィードバックフォームを表示する
if message["role"] == "assistant":
- # st.session_state.calls 内のこのアシスタントメッセージのインデックスを特定
+ # st.session_state.calls 内のこのアシスタントメッセージのインデックスを特定する
assistant_idx = (
len(
[
@@ -115,43 +117,43 @@ def display_old_messages():
)
- 1
)
- # Good/Bad ボタンとテキストフィードバックを表示
+ # サムズアップ/ダウン & テキストフィードバックをレンダリングする
if assistant_idx < len(st.session_state.calls):
render_feedback_buttons(assistant_idx)
def display_chat_prompt():
- """チャットプロンプトの入力ボックスを表示します。"""
- if prompt := st.chat_input("何でも聞いてください！"):
- # 新しいユーザーメッセージを即座に表示
+ """チャットプロンプトの入力ボックスを表示する。"""
+ if prompt := st.chat_input("Ask me anything!"):
+ # 新しいユーザーメッセージを即座にレンダリングする
with st.chat_message("user"):
st.markdown(prompt)
- # セッションにユーザーメッセージを保存
+ # セッションにユーザーメッセージを保存する
st.session_state.messages.append({"role": "user", "content": prompt})
- # API 用にチャット履歴を準備
+ # API 用にチャット履歴を準備する
full_history = [
{"role": msg["role"], "content": msg["content"]}
for msg in st.session_state.messages
]
with st.chat_message("assistant"):
- # 会話インスタンスのトラッキング用に Weave 属性をアタッチ
+ # 会話インスタンスのトラッキングのために Weave の属性を付与する
with weave.attributes(
{"session": st.session_state["session_id"], "env": "prod"}
):
- # OpenAI API を呼び出し（ストリーム）
+ # OpenAI API を呼び出す（ストリーム）
result, call = chat_response.call(full_history)
- # アシスタントのメッセージを保存
+ # アシスタントのメッセージを保存する
st.session_state.messages.append(
{"role": "assistant", "content": result["response"]}
)
- # 特定の応答にフィードバックをリンクさせるため、weave の call オブジェクトを保存
+ # フィードバックを特定のレスポンスに紐付けるために weave の呼び出しオブジェクトを保存する
st.session_state.calls.append(call)
- # 新しいメッセージのフィードバックボタンを表示
+ # 新しいメッセージ用のフィードバックボタンをレンダリングする
new_assistant_idx = (
len(
[
@@ -163,12 +165,12 @@ def display_chat_prompt():
- 1
)
- # フィードバックボタンを表示
+ # フィードバックボタンをレンダリングする
if new_assistant_idx < len(st.session_state.calls):
render_feedback_buttons(new_assistant_idx)
def main():
- st.title("即時フィードバックフォーム付きチャットボット")
+ st.title("Chatbot with immediate feedback forms")
init_states()
display_old_messages()
display_chat_prompt()
@@ -177,14 +179,16 @@ if __name__ == "__main__":
main()
```
-これは `streamlit run chatbot.py` で実行できます。
+`streamlit run chatbot.py` を実行して、このアプリケーションを起動できます。
-アプリケーションを操作し、各応答の後にフィードバックボタンをクリックしてみてください。
-Weave の UI にアクセスして、アタッチされたフィードバックを確認してください。
+これで、このアプリケーションと対話し、各応答の後にフィードバックボタンをクリックできます。
+Weave UI にアクセスして、関連付けられたフィードバックを確認してください。
-## 解説
+
+ ## 解説
+
-デコレータを付けた予測関数を以下のように考えた場合：
+デコレータを適用した予測関数を次のように表すとします。
```python lines {5}
import weave
@@ -193,33 +197,35 @@ weave.init("feedback-example")
@weave.op
def predict(input_data):
- # ここに予測ロジックを記述
+ # 予測ロジックをここに記述
some_result = "hello world"
return some_result
```
-通常通りに使用して、ユーザーにモデルの応答を届けることができます。
+通常どおり利用して、ユーザーにモデルからの応答を返すことができます。
```python lines
with weave.attributes(
{"session": "123abc", "env": "prod"}
-): # 入力と出力と共に、任意の属性を call にアタッチします
- result = predict(input_data="your data here") # アプリ UI を通じたユーザーの質問
+): # 入力と出力とともに、呼び出しに任意の属性を付加する
+ result = predict(input_data="your data here") # App UI 経由のユーザーの質問
```
-フィードバックをアタッチするには、`call` オブジェクトが必要です。これは、通常のように関数を呼び出すのではなく、`.call()` メソッドを使用することで取得できます。
+feedback を関連付けるには、通常どおり関数を呼び出すのではなく、`.call()` メソッドで取得した `call` オブジェクトが必要です：
```python lines
result, call = predict.call(input_data="your data here")
```
-この call オブジェクトは、特定の応答にフィードバックをアタッチするために必要です。
-呼び出しを行った後、操作の結果は上記の `result` を使って利用できます。
+この call オブジェクトは、特定のレスポンスにフィードバックを関連付けるために必要です。
+この call の実行後は、上記の `result` を使って処理結果にアクセスできます。
```python lines
-call.feedback.add_reaction("👍") # アプリ UI を通じたユーザーのリアクション
+call.feedback.add_reaction("👍") # App UI を通じたユーザーの反応
```
-## まとめ
+
+ ## まとめ
+
-このチュートリアルでは、Streamlit を使用してチャット UI を構築しました。この UI では、入力と出力が Weave にキャプチャされ、さらにユーザーフィードバックを取得するための 👍👎 ボタンも備えています。
\ No newline at end of file
+このチュートリアルでは、Streamlit でチャット UI を構築し、入力と出力を Weave で記録するとともに、ユーザーからのフィードバックを収集するための 👍👎 ボタンも実装しました。
\ No newline at end of file
diff --git a/ja/weave/cookbooks/hf_dataset_evals.mdx b/ja/weave/cookbooks/hf_dataset_evals.mdx
index af6685dd33..024cb24553 100644
--- a/ja/weave/cookbooks/hf_dataset_evals.mdx
+++ b/ja/weave/cookbooks/hf_dataset_evals.mdx
@@ -1,34 +1,42 @@
---
-title: HuggingFace Datasets の評価
-description: W&B Weave を使用して Hugging Face の データセット 評価 を実行する方法を学ぶ
+title: "HuggingFace データセットの評価"
+description: "W&B Weave で HuggingFace データセットの評価を行う方法を学ぶ"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください。
+これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください:
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/hf_dataset_evals.ipynb)
- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/hf_dataset_evals.ipynb)
-# `preprocess_model_input` を使用した Evaluations での HuggingFace Datasets の利用
+
+ # `preprocess_model_input` を用いた評価で HuggingFace Datasets を使う
+
-## 注意：これは一時的なワークアラウンドです
-> このガイドでは、Weave の Evaluations で HuggingFace Datasets を使用するためのワークアラウンドを紹介します。
+ ## 注意: これは一時的な回避策です
+
-## セットアップとインポート
-まず、Weave を初期化し、実験を追跡するために Weights & Biases に接続します。
+> このガイドでは、HuggingFace Datasets を Weave の評価で使用するための回避策を説明します。
+ ## セットアップとインポート
+
+
+まず Weave を初期化し、Experiments をトラッキングするために Weights & Biases に接続します。
```python lines
!pip install datasets wandb weave
python
-# 変数の初期化
+# 変数を初期化する
HUGGINGFACE_DATASET = "wandb/ragbench-test-sample"
WANDB_KEY = ""
WEAVE_TEAM = ""
WEAVE_PROJECT = ""
-# weave と必要なライブラリの初期化
+# Weave と必要なライブラリを初期化する
import asyncio
import nest_asyncio
@@ -38,51 +46,60 @@ from datasets import load_dataset
import weave
from weave import Evaluation
-# wandb にログインし weave を初期化
+# wandb にログインして Weave を初期化する
wandb.login(key=WANDB_KEY)
client = weave.init(f"{WEAVE_TEAM}/{WEAVE_PROJECT}")
-# nest_asyncio を適用して入れ子になったイベントループを許可（一部のノートブック環境で必要）
+# ネストされたイベントループを許可するために nest_asyncio を適用する（一部のノートブック環境で必要）
nest_asyncio.apply()
```
-## HuggingFace dataset の読み込みと準備
-- HuggingFace dataset を読み込みます。
-- データセットの行を参照するためのインデックスマッピングを作成します。
-- このインデックスによるアプローチにより、元のデータセットへの参照を維持することができます。
+
+ ## HuggingFace データセットを読み込み、準備する
+
-> **注意:**
+ ## 処理関数と評価関数を定義する
+
+
+
+ ### 処理パイプライン
+
+
+* `preprocess_example`: インデックス参照を評価に必要な実際のデータに変換します
+* `hf_eval`: モデル出力にスコアを付ける方法を定義します
+* `function_to_evaluate`: 評価対象となる実際の関数／モデルです
```python lines
@weave.op()
def preprocess_example(example):
"""
- 評価前に各例をプリプロセッシングします。
- 引数:
- example: hf_id を含む辞書
- 戻り値:
- HF データセットからのプロンプトを含む辞書
+ 評価前に各サンプルを前処理します。
+ Args:
+ example: hf_id を含む Dict
+ Returns:
+ HF データセットのプロンプトを含む Dict
"""
hf_row = ds["train"][example["hf_id"]]
return {"prompt": hf_row["question"], "answer": hf_row["response"]}
@@ -90,12 +107,12 @@ def preprocess_example(example):
@weave.op()
def hf_eval(hf_id: int, output: dict) -> dict:
"""
- モデル出力を評価するためのスコアリング関数。
- 引数:
+ モデル出力を評価するスコアリング関数。
+ Args:
hf_id: HF データセット内のインデックス
- output: 評価対象のモデルからの出力
- 戻り値:
- 評価スコアを含む辞書
+ output: 評価対象のモデル出力
+ Returns:
+ 評価スコアを含む Dict
"""
hf_row = ds["train"][hf_id]
return {"scorer_value": True}
@@ -103,34 +120,37 @@ def hf_eval(hf_id: int, output: dict) -> dict:
@weave.op()
def function_to_evaluate(prompt: str):
"""
- 評価される関数（例：モデルやパイプライン）。
- 引数:
+ 評価対象の関数（例: モデルやパイプライン）。
+ Args:
prompt: データセットからの入力プロンプト
- 戻り値:
- モデルの出力を含む辞書
+ Returns:
+ モデル出力を含む Dict
"""
return {"generated_text": "testing "}
```
-### Evaluation の作成と実行
-- `hf_index` 内の各インデックスに対して：
- 1. `preprocess_example` が HF データセットから対応するデータを取得します。
- 2. プリプロセッシングされたデータが `function_to_evaluate` に渡されます。
- 3. 出力が `hf_eval` を使ってスコアリングされます。
- 4. 結果は Weave で追跡されます。
+
+ ### 評価の作成と実行
+
+
+* hf_index の各インデックスに対して：
+ 1. `preprocess_example` が対応するデータを HF データセットから取得します。
+ 2. 前処理されたデータが `function_to_evaluate` に渡されます。
+ 3. 出力に対して `hf_eval` でスコアを付けます。
+ 4. 結果は Weave で記録されます。
```python lines
-# Evaluation オブジェクトの作成
+# 評価オブジェクトを作成する
evaluation = Evaluation(
- dataset=hf_index, # インデックスマッピングを使用
+ dataset=hf_index, # インデックスマッピングを使用する
scorers=[hf_eval], # スコアリング関数のリスト
preprocess_model_input=preprocess_example, # 入力を準備する関数
)
-# 非同期で Evaluation を実行
+# 評価を非同期で実行する
async def main():
await evaluation.evaluate(function_to_evaluate)
asyncio.run(main())
-```
\ No newline at end of file
+```
diff --git a/ja/weave/cookbooks/import_from_csv.mdx b/ja/weave/cookbooks/import_from_csv.mdx
index 0ef2b375d3..a724542953 100644
--- a/ja/weave/cookbooks/import_from_csv.mdx
+++ b/ja/weave/cookbooks/import_from_csv.mdx
@@ -1,21 +1,24 @@
---
-title: CSV からのインポート
-description: W&B Weave で CSV からインポートする方法を学ぶ
+title: "CSV からのインポート"
+description: "W&B Weave で CSV インポート機能の使い方を学ぶ"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/import_from_csv.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/import_from_csv.ipynb)
+ これはインタラクティブな notebook です。ローカル環境で実行するか、以下のリンクから開いてください:
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/import_from_csv.ipynb)
+ * [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/import_from_csv.ipynb)
-# サードパーティシステムからの トレース のインポート
+
+ # サードパーティシステムからトレースをインポートする
+
-GenAI アプリケーションのリアルタイムな トレース を取得するために、Weave のシンプルなインテグレーションを使用して Python や Javascript コードをインストルメント化することが不可能な場合があります。多くの場合、これらの トレース は後で `csv` や `json` 形式で利用可能になります。
+場合によっては、GenAI アプリケーションのリアルタイムなトレースを取得するために、Python や JavaScript のコードを Weave のシンプルなインテグレーションで計装できないことがあります。多くの場合、これらのトレースは後になって `csv` や `json` 形式で利用できるようになります。
-このクックブックでは、低レベルの Weave Python API を探索し、CSV ファイルからデータを抽出して Weave にインポートし、インサイトの獲得や厳密な 評価 を推進する方法を説明します。
+このクックブックでは、より低レベルな Weave Python API を用いて CSV ファイルからデータを抽出し、それを Weave にインポートしてインサイトを得たり、厳密な評価を行ったりする方法を解説します。
-このクックブックで想定しているサンプル データセット の構造は以下の通りです：
+このクックブックで想定しているサンプルデータセットは、次のような構造を持ちます。
```
conversation_id,turn_index,start_time,user_input,ground_truth,answer_text
@@ -28,26 +31,28 @@ conversation_id,turn_index,start_time,user_input,ground_truth,answer_text
```
-このクックブックでのインポートに関する決定を理解するために、Weave の トレース には 1対多の継続的な親子関係があることを知っておく必要があります。つまり、1つの親が複数の子を持つことができ、その親自身が別の親の子である場合もあります。
+このクックブックにおけるインポートに関する判断を理解するには、Weave のトレースには 1 対多かつ連鎖的な親子関係があることを知っておく必要があります。つまり、1 つの親が複数の子を持つ場合があり、その親自体も別の親の子である可能性があります。
-そのため、完全な会話ログを提供するために、`conversation_id` を親の識別子として、`turn_index` を子の識別子として使用します。
+そのため、`conversation_id` を親の識別子、`turn_index` を子の識別子として使用し、会話全体を完全にログとして記録できるようにします。
必要に応じて変数を変更してください。
-# 環境のセットアップ
+
+ # 環境をセットアップする
+
-必要なパッケージをすべてインストールし、インポートします。
-環境変数に `WANDB_API_KEY` を設定することで、`wandb.login()` で簡単にログインできるようにします（これは Colab の secret として提供する必要があります）。
+必要なパッケージをすべてインストールして import します。
+`WANDB_API_KEY` を環境変数に設定しておき、`wandb.login()` で簡単にログインできるようにします (これは Colab にシークレットとして渡しておきます) 。
-Colab にアップロードするファイル名を `name_of_file` に設定し、ログを記録する W&B の プロジェクト 名を `name_of_wandb_project` に設定します。
+Colab にアップロードするファイル名を `name_of_file` に設定し、W&B 上でこのログを記録したいプロジェクトを `name_of_wandb_project` に設定します。
-**_注意:_** `name_of_wandb_project` は、トレース をログに記録するチームを指定するために `{team_name}/{project_name}` の形式にすることもできます。
+***NOTE:*** `name_of_wandb_project` は、トレースを記録する対象の Team を指定するために `{team_name}/{project_name}` という形式にすることもできます。
その後、`weave.init()` を呼び出して Weave クライアントを取得します。
```python lines
%pip install wandb weave pandas datetime --quiet
-
+python
import os
import pandas as pd
@@ -56,7 +61,7 @@ from google.colab import userdata
import weave
-## サンプルファイルをディスクに書き込みます
+## サンプルファイルをディスクに書き込む
with open("/content/import_cookbook_data.csv", "w") as f:
f.write(
"conversation_id,turn_index,start_time,user_input,ground_truth,answer_text\n"
@@ -83,27 +88,29 @@ name_of_file = "/content/import_cookbook_data.csv"
name_of_wandb_project = "import-weave-traces-cookbook"
wandb.login()
-
+python
weave_client = weave.init(name_of_wandb_project)
```
-# データの読み込み
+
+ # データの読み込み
+
-データを Pandas の DataFrame に読み込み、`conversation_id` と `turn_index` でソートして、親子関係が正しく並ぶようにします。
+データを Pandas の DataFrame に読み込み、`conversation_id` と `turn_index` でソートして、親と子が正しい順序になるようにします。
-これにより、`conversation_data` の下に会話のターンが配列として格納された 2 カラムの Pandas DF が作成されます。
+これにより、`conversation_data` 列に会話ターンが配列として格納された 2 列の Pandas の DataFrame が得られます。
```python lines
-## データを読み込み、整形します
+## データを読み込んで整形する
df = pd.read_csv(name_of_file)
sorted_df = df.sort_values(["conversation_id", "turn_index"])
-# 各会話に対して辞書の配列を作成する関数
+# 各会話の辞書配列を作成する関数
def create_conversation_dict_array(group):
return group.drop("conversation_id", axis=1).to_dict("records")
-# conversation_id でデータフレームをグループ化し、集計を適用します
+# conversation_id でデータフレームをグループ化して集計を適用する
result_df = (
sorted_df.groupby("conversation_id")
.apply(create_conversation_dict_array)
@@ -111,127 +118,137 @@ result_df = (
)
result_df.columns = ["conversation_id", "conversation_data"]
-# 集計結果の確認
+# 集計結果を確認する
result_df.head()
```
-# トレース を Weave に ログ
+
+ # Weave にトレースを記録する
+
+
+ここでは pandas のデータフレームを順に処理します:
+
+* 各 `conversation_id` ごとに親 call を作成します
+* `turn_index` でソートされた turn 配列をループして、子 call を作成します
-Pandas DF をイテレートします：
-- `conversation_id` ごとに親の call を作成します。
-- ターンの配列をイテレートし、`turn_index` でソートされた子の call を作成します。
+低レベルな Python API における重要な概念:
-低レベル Python API の重要な概念：
-- Weave の call は Weave の トレース と同等です。この call には親または子が関連付けられている場合があります。
-- Weave の call には、フィードバックや メタデータ など、他のものを関連付けることができます。ここでは入力と出力のみを関連付けますが、データが提供されている場合は、インポート時にこれらを追加することもできます。
-- Weave の call はリアルタイムで追跡されることを想定しているため、`created` と `finished` があります。今回は事後インポートであるため、オブジェクトが定義され、互いに関連付けられた時点で作成し、終了させます。
-- call の `op` 値は、Weave が同じ構成の call をどのように分類するかを決定します。この例では、すべての親の call は `Conversation` タイプ、すべての子の call は `Turn` タイプになります。これは必要に応じて変更可能です。
-- call は `inputs` と `output` を持つことができます。`inputs` は作成時に定義され、`output` は call が終了したときに定義されます。
+* Weave call は Weave trace と同等で、この call には親や子が関連付けられている場合があります
+* Weave call には、Feedback や Metadata などの情報も関連付けることができます。この例では入力と出力だけを関連付けていますが、データに含まれていればインポート時にこれらも追加できます。
+* Weave call はリアルタイムに追跡されることを想定しているため、`created` および `finished` という状態を持ちます。今回は事後インポートであるため、オブジェクトを定義して互いに紐づけた後に、一度だけ create と finish を行います。
+* call の `op` 値は、Weave が同じ構成の call を分類するために使う値です。この例では、すべての親 call は `Conversation` 型で、すべての子 call は `Turn` 型です。必要に応じてこの値は変更できます。
+* call には `inputs` と `output` を持たせることができます。`inputs` は作成時に定義し、`output` は call が終了したときに定義します。
```python lines
-# トレースを weave にログします
+
+ # Weave にトレースを記録する
+
-# 集計された会話をイテレートします
+# 集約した会話を反復処理する
for _, row in result_df.iterrows():
- # 会話の親を定義します。
- # 先ほど定義した weave_client を使用して "call" を作成します。
+ # 会話の親を定義する。
+ # 事前に定義した weave_client を使って "call" を作成する
parent_call = weave_client.create_call(
- # Op 値はこれを Weave Op として登録し、将来的にグループとして簡単に取得できるようにします。
+ # Op の値によってこれを Weave Op として登録し、将来的にグループとして簡単に取得できるようにする
op="Conversation",
- # 上位レベルの会話の入力を、その下のすべてのターンとして設定します。
+ # 上位レベルの会話の inputs として、その配下のすべてのターンを設定する
inputs={
"conversation_data": row["conversation_data"][:-1]
if len(row["conversation_data"]) > 1
else row["conversation_data"]
},
- # この Conversation の親は存在しないため None に設定します。
+ # Conversation の親にはさらに上の親は存在しない
parent=None,
- # UI上でこの特定の会話が表示される名前を設定します。
+ # この特定の会話が UI に表示される際の名前
display_name=f"conversation-{row['conversation_id']}",
)
- # 親の出力を会話の最後のトレースに設定します。
+ # 親の output を会話内の最後のトレースに設定する
parent_output = row["conversation_data"][len(row["conversation_data"]) - 1]
- # 親に関連するすべての会話ターンをイテレートし、
- # 会話の子としてログに記録します。
+ # 親に対するすべての会話ターンを反復処理し、
+ # 会話の子として記録する
for item in row["conversation_data"]:
item_id = f"{row['conversation_id']}-{item['turn_index']}"
- # ここで再度 call を作成し、会話の下に分類します。
+ # 会話の配下に分類されるよう、ここで再度 call を作成する
call = weave_client.create_call(
- # 単一の会話トレースを "Turn" として定義します。
+ # 単一の会話トレースを "Turn" として分類する
op="Turn",
- # RAG の 'ground_truth' を含むターンのすべての入力を提供します。
+ # RAG の 'ground_truth' を含む、ターンのすべての inputs を指定する
inputs={
"turn_index": item["turn_index"],
"start_time": item["start_time"],
"user_input": item["user_input"],
"ground_truth": item["ground_truth"],
},
- # これを先ほど定義した親の子として設定します。
+ # 定義した親の子として設定する
parent=parent_call,
- # Weave で識別するための名前を提供します。
+ # Weave 内で識別するための名前を指定する
display_name=item_id,
)
- # call の出力を回答に設定します。
+ # call の output を回答として設定する
output = {
"answer_text": item["answer_text"],
}
- # これらはすでに発生したトレースであるため、単一ターンの call を終了させます。
+ # これらはすでに発生したトレースであるため、単一ターンの call を終了する
weave_client.finish_call(call=call, output=output)
- # すべての子をログに記録したので、親の call も終了させます。
+ # すべての子を記録したので、親の call も終了する
weave_client.finish_call(call=parent_call, output=parent_output)
```
-# 結果: トレース が Weave にログされました
+
+ # 結果: トレースが Weave に記録される
+
トレース:
+ # ボーナス: トレースをエクスポートして厳密な評価を実行しよう！
+
-トレース が Weave に入り、会話の様子が把握できたら、後でそれらを別の プロセス にエクスポートして Weave 評価 を実行したくなるかもしれません。
+トレースが Weave に保存され、会話の内容がどのようになっているか把握できたら、後でそれらを別のプロセスにエクスポートして Weave Evaluations を実行したくなるかもしれません。
+ # 結果
+
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
+これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから開いてください:
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/leaderboard_quickstart.ipynb)
- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/leaderboard_quickstart.ipynb)
-# Leaderboard クイックスタート
+
+ # Leaderboard クイックスタート
+
-このノートブックでは、Weave の Leaderboard を使用して、さまざまな Datasets やスコアリング関数にわたる モデル のパフォーマンスを比較する方法を学びます。具体的には、以下の手順で行います：
+このノートブックでは、Weave の Leaderboard を使用して、異なるデータセットやスコアリング関数にわたって モデル の性能を比較する方法を学びます。具体的には、次のことを行います。
-1. 架空の郵便番号データの Datasets を生成する。
-2. スコアリング関数を作成し、baseline モデル を評価する。
-3. これらの手法を用いて、複数の モデル と 評価（Evaluations）の行列を評価する。
-4. Weave UI で Leaderboard を確認する。
+1. 架空の郵便番号データから データセット を生成する
+2. いくつかのスコアリング関数を作成し、ベースラインの モデル を評価する
+3. これらの手法を使用して、複数の モデル と評価（スコアリング関数）のマトリクスを評価する
+4. Weave UI で Leaderboard を確認する
-## ステップ 1: 架空の郵便番号データの Datasets を生成する
+
+ ## ステップ 1: 架空の郵便番号データのデータセットを作成する
+
-まず、架空の郵便番号データのリストを生成する関数 `generate_dataset_rows` を作成します。
+まず、架空の郵便番号データのリストを生成する関数 `generate_dataset_rows` を定義します。
```python lines
import json
@@ -67,17 +71,19 @@ def generate_dataset_rows(
python
import weave
-# プロジェクトを初期化
weave.init("leaderboard-demo")
```
-## ステップ 2: スコアリング関数の作成
-次に、3 つのスコアリング関数を作成します：
+
+ ## ステップ 2: スコアリング関数を定義する
+
-1. `check_concrete_fields`: モデル の出力が期待される市（city）と州（state）に一致するかをチェックします。
-2. `check_value_fields`: モデル の出力が、期待される人口（population）および世帯年収中央値（median income）の 10% 以内にあるかをチェックします。
-3. `check_subjective_fields`: LLM を使用して、モデル の出力が期待される「有名なもの（known for）」フィールドと一致するかをチェックします。
+次に、3 つのスコアリング関数を定義します。
+
+1. `check_concrete_fields`: モデルの出力が期待される市および州と一致しているかをチェックします。
+2. `check_value_fields`: モデルの出力が、期待される人口および中央値所得の値から 10% 以内に収まっているかをチェックします。
+3. `check_subjective_fields`: LLM を使用して、モデルの出力が期待される "known for" フィールドと一致しているかどうかをチェックします。
```python lines
@weave.op
@@ -126,9 +132,12 @@ def check_subjective_fields(zip_code: str, known_for: str, output: dict):
return json.loads(completion.choices[0].message.content)
```
-## ステップ 3: シンプルな 評価（Evaluation）の作成
-次に、生成したデータとスコアリング関数を使用して、シンプルな 評価 オブジェクト を定義します。
+
+ ## ステップ 3: 簡単な評価を作成する
+
+
+ここでは、ダミー データとスコアリング関数を使って簡単な評価を定義します。
```python lines
rows = generate_dataset_rows()
@@ -143,9 +152,12 @@ evaluation = weave.Evaluation(
)
```
-## ステップ 4: baseline モデル を評価する
-静的なレスポンスを返す baseline モデル を評価します。
+
+ ## ステップ 4: ベースラインモデルを評価する
+
+
+ここでは、常に同じ応答を返すベースラインモデルを評価します。
```python lines
@weave.op
@@ -159,13 +171,15 @@ def baseline_model(zip_code: str):
"known_for": "The Big Apple",
}
-# 評価の実行
await evaluation.evaluate(baseline_model)
```
-## ステップ 5: さらに モデル を作成する
-baseline と比較するために、さらに 2 つの モデル を作成します。
+
+ ## ステップ 5: さらに Models を作成する
+
+
+ここでは、ベースラインと比較するために、さらに 2 つのモデルを作成します。
```python lines
@weave.op
@@ -221,9 +235,12 @@ def gpt_4o_mini_with_context(zip_code: str):
await evaluation.evaluate(gpt_4o_mini_with_context)
```
-## ステップ 6: さらに 評価（Evaluations）を作成する
-モデル と 評価（Evaluations）の行列を評価します。
+
+ ## ステップ 6: より多くの Evaluation を作成する
+
+
+ここでは、モデルと Evaluation のマトリクスを評価します。
```python lines
scorers = [
@@ -269,11 +286,14 @@ for evaluation in evaluations:
)
```
-## ステップ 7: Leaderboard の確認
-UI の Leaderboard タブに移動し、「Create Leaderboard」をクリックすることで新しい Leaderboard を作成できます。
+
+ ## ステップ 7: Leaderboard を確認する
+
+
+UI の Leaderboard タブに移動し、「Create Leaderboard」をクリックして、新しい Leaderboard を作成できます。
-また、Python から直接 Leaderboard を生成することも可能です：
+Python から直接 Leaderboard を生成することもできます。
```python lines
from weave.flow import leaderboard
@@ -282,13 +302,13 @@ from weave.trace.ref_util import get_ref
spec = leaderboard.Leaderboard(
name="Zip Code World Knowledge",
description="""
-この Leaderboard は、郵便番号に関する一般知識における モデル のパフォーマンスを比較します。
+This leaderboard compares the performance of models in terms of world knowledge about zip codes.
-### カラム
+### Columns
-1. **State Match against `United States - 2022`**: モデルが州を正しく識別できた郵便番号の割合。
-2. **Avg Temp F Error against `California - 2022`**: モデルの平均気温予測の平均絶対誤差。
-3. **Correct Known For against `United States - 2000`**: モデルがその郵便番号で最も有名なものを正しく識別できた郵便番号の割合。
+1. **State Match against `United States - 2022`**: The fraction of zip codes that the model correctly identified the state for.
+2. **Avg Temp F Error against `California - 2022`**: The mean absolute error of the model's average temperature prediction.
+3. **Correct Known For against `United States - 2000`**: The fraction of zip codes that the model correctly identified the most well known thing about the zip code.
""",
columns=[
leaderboard.LeaderboardColumn(
@@ -311,4 +331,4 @@ spec = leaderboard.Leaderboard(
)
ref = weave.publish(spec)
-```
\ No newline at end of file
+```
diff --git a/ja/weave/cookbooks/multi-agent-structured-output.mdx b/ja/weave/cookbooks/multi-agent-structured-output.mdx
index 342da22489..b140882d0c 100644
--- a/ja/weave/cookbooks/multi-agent-structured-output.mdx
+++ b/ja/weave/cookbooks/multi-agent-structured-output.mdx
@@ -1,55 +1,60 @@
---
-title: マルチエージェント構造化出力
-description: W&B Weave を使用して、マルチ エージェント 構造化出力を利用する方法を学ぶ
+title: "マルチエージェント構造化出力"
+description: "W&B Weave でマルチエージェント構造化出力を使用する方法を学びます"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用できます：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/multi-agent-structured-output.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/multi-agent-structured-output.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください:
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/multi-agent-structured-output.ipynb)
+ * [GitHub 上のソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/multi-agent-structured-output.ipynb)
##
-# マルチエージェントシステムのための Structured Outputs
+
+ # マルチエージェントシステムにおける Structured Outputs
+
-OpenAI は、強い言葉でのプロンプトを使わずに、モデルが常に提供された JSON スキーマに準拠したレスポンスを生成することを保証する [Structured Outputs](https://openai.com/index/introducing-structured-outputs-in-the-api/) をリリースしました。Structured Outputs を使用すると、不適切な形式のレスポンスを検証したり、再試行したりする必要がなくなります。
+OpenAI は、ユーザーが強い文言のプロンプトを使わなくても、指定した JSON Schema に常に準拠した応答をモデルが生成できるようにするために、[Structured Outputs](https://openai.com/index/introducing-structured-outputs-in-the-api/) をリリースしました。Structured Outputs を使うことで、誤った形式の応答を検証したり再試行したりする必要がなくなります。
-新しいパラメータ `strict: true` を使用することで、レスポンスが提供されたスキーマに従うことを保証できます。
+新しいパラメータ `strict: true` を使用することで、応答が与えられたスキーマに従うことを保証できます。
-マルチエージェントシステムで Structured Outputs を使用すると、エージェント間で一貫性があり、処理しやすいデータが保証されるため、コミュニケーションが強化されます。また、明示的な拒否が可能になることで安全性が向上し、再試行や検証の必要がなくなることでパフォーマンスが向上します。これにより、相互作用が簡素化され、システム全体の効率が高まります。
+マルチエージェントシステムで Structured Outputs を使うと、エージェント間で一貫性があり処理しやすいデータをやり取りできるようになり、コミュニケーションが向上します。また、明示的な拒否を可能にすることで安全性を高め、再試行や検証の必要がなくなることでパフォーマンスも向上します。これにより、やり取りが簡素化され、システム全体の効率が高まります。
-このチュートリアルでは、マルチエージェントシステムで Structured Outputs を活用し、[Weave](/weave) でそれらをトレースする方法を紹介します。
+このチュートリアルでは、マルチエージェントシステムで Structured Outputs を活用し、それらを [Weave](/ja/weave) でトレースする方法を紹介します。
-**ソース**: このクックブックは、[OpenAI の Structured Outputs のサンプルコード](https://cookbook.openai.com/examples/structured_outputs_multi_agent)に基づいており、Weave を使用して可視化を向上させるための修正が加えられています。
+ **出典**: このクックブックは、[OpenAI の Structured Outputs のサンプルコード](https://cookbook.openai.com/examples/structured_outputs_multi_agent) をベースにしており、Weave を使った可視化を改善するための修正をいくつか加えています。
-## 依存関係のインストール
+
+ ## 依存関係のインストール
+
-このチュートリアルには以下のライブラリが必要です：
+このチュートリアルには次のライブラリが必要です。
-- マルチエージェントシステムを作成するための [OpenAI](https://openai.com/index/openai-api/)
-- LLM ワークフローを追跡し、プロンプティング戦略を評価するための [Weave](/weave)
+* マルチエージェント システムを作成するための [OpenAI](https://openai.com/index/openai-api/)。
+* LLM ワークフローを追跡し、プロンプト戦略を評価するための [Weave](/ja/weave)。
```python lines
!pip install -qU openai weave wandb
python
%%capture
-# OpenAI のバグを修正するための暫定的な回避策：
+# openai のバグを修正するための一時的な回避策:
# TypeError: Client.__init__() got an unexpected keyword argument 'proxies'
-# 詳細は https://community.openai.com/t/error-with-openai-1-56-0-client-init-got-an-unexpected-keyword-argument-proxies/1040332/15 を参照
+# 参照: https://community.openai.com/t/error-with-openai-1-56-0-client-init-got-an-unexpected-keyword-argument-proxies/1040332/15
!pip install "httpx<0.28"
```
-wandb.login() で簡単にログインできるように、環境変数に `WANDB_API_KEY` を設定します（これは Colab の secret として提供する必要があります）。
+環境変数に `WANDB_API_KEY` を設定しておき、`wandb.login()` で簡単にログインできるようにします (これは Colab にシークレットとして渡す必要があります) 。
-ログを記録したい W&B のプロジェクトを `name_of_wandb_project` に設定します。
+W&B 上でログを記録したいプロジェクトを `name_of_wandb_project` に設定します。
-**注意**: `name_of_wandb_project` は、トレースをログに記録するチームを指定するために `{team_name}/{project_name}` の形式にすることもできます。
+**NOTE**: `name_of_wandb_project` は、トレースを記録する team を指定するために `{team_name}/{project_name}` の形式にすることもできます。
次に、weave.init() を呼び出して Weave クライアントを取得します。
-[OpenAI API](https://openai.com/index/openai-api/) を使用するため、OpenAI API キーも必要です。OpenAI プラットフォームで [サインアップ](https://platform.openai.com/signup) して、独自の API キーを取得できます（これも Colab の secret として提供する必要があります）。
+[OpenAI API](https://openai.com/index/openai-api/) を使用するため、OpenAI API キーも必要です。OpenAI プラットフォームの [サインアップ](https://platform.openai.com/signup) ページから自分の API キーを取得できます (これも Colab にシークレットとして渡す必要があります) 。
```python lines
import base64
@@ -77,50 +82,53 @@ client = OpenAI()
MODEL = "gpt-4o-2024-08-06"
```
-## エージェントのセットアップ
+
+ ## エージェントのセットアップ
+
+
+ここでは、データ分析タスクを取り扱います。
+まずは 4 つのエージェントからなるシステムをセットアップします:
-今回取り組むユースケースはデータ分析タスクです。
-まず、4 つのエージェントシステムをセットアップしましょう：
+* トリアージエージェント: どのエージェント (複数可) を呼び出すかを決定する
+* データ前処理エージェント: たとえばクレンジングなどを行い、分析用にデータを準備する
+* データ分析エージェント: データに対して分析を実行する
+* Data Visualization エージェント: 分析結果を可視化してインサイトを抽出する
-- Triaging agent（振り分けエージェント）：どのアージェントを呼び出すかを決定します。
-- Data pre-processing Agent（データ前処理エージェント）：クリーニングなどを行い、分析のためのデータを準備します。
-- Data Analysis Agent（データ分析エージェント）：データに対して分析を実行します。
-- Data Visualization Agent（データ可視化エージェント）：分析結果を可視化してインサイトを抽出します。
- まず、これらの各エージェントのシステムプロンプトを定義することから始めます。
+これら各エージェントのシステムプロンプトを定義することから始めます。
```python lines
-triaging_system_prompt = """あなたは Triaging Agent です。あなたの役割は、ユーザーのクエリを評価し、関連するエージェントにルーティングすることです。利用可能なエージェントは以下の通りです：
-- Data Processing Agent: データのクリーニング、変換、集計を行います。
-- Analysis Agent: 統計分析、相関分析、回帰分析を行います。
-- Visualization Agent: 棒グラフ、折れ線グラフ、円グラフを作成します。
+triaging_system_prompt = """You are a Triaging Agent. Your role is to assess the user's query and route it to the relevant agents. The agents available are:
+- Data Processing Agent: Cleans, transforms, and aggregates data.
+- Analysis Agent: Performs statistical, correlation, and regression analysis.
+- Visualization Agent: Creates bar charts, line charts, and pie charts.
-send_query_to_agents ツールを使用して、ユーザーのクエリを関連するエージェントに転送してください。また、必要に応じて speak_to_user ツールを使用してユーザーから詳細情報を取得してください。"""
+Use the send_query_to_agents tool to forward the user's query to the relevant agents. Also, use the speak_to_user tool to get more information from the user if needed."""
-processing_system_prompt = """あなたは Data Processing Agent です。あなたの役割は、以下のツールを使用してデータのクリーニング、変換、集計を行うことです：
+processing_system_prompt = """You are a Data Processing Agent. Your role is to clean, transform, and aggregate data using the following tools:
- clean_data
- transform_data
- aggregate_data"""
-analysis_system_prompt = """あなたは Analysis Agent です。あなたの役割は、以下のツールを使用して統計分析、相関分析、回帰分析を行うことです：
+analysis_system_prompt = """You are an Analysis Agent. Your role is to perform statistical, correlation, and regression analysis using the following tools:
- stat_analysis
- correlation_analysis
- regression_analysis"""
-visualization_system_prompt = """あなたは Visualization Agent です。あなたの役割は、以下のツールを使用して棒グラフ、折れ線グラフ、円グラフを作成することです：
+visualization_system_prompt = """You are a Visualization Agent. Your role is to create bar charts, line charts, and pie charts using the following tools:
- create_bar_chart
- create_line_chart
- create_pie_chart"""
```
-次に、各エージェントのツールを定義します。
+次に、各エージェントに使わせるツールを定義します。
-Triaging agent を除き、各エージェントにはその役割に特化したツールが装備されます：
+トリアージ エージェントを除き、各エージェントには役割に応じた専用ツールを用意します。
-**Data pre-processing agent**: 1. Clean data, 2. Transform data, 3. Aggregate data
+**データ前処理エージェント** : 1. データのクリーンアップ、2. データの変換、3. データの集約
-**Data analysis agent**: 1. Statistical analysis, 2. Correlation analysis, 3. Regression Analysis
+**データ分析エージェント** : 1. 統計解析、2. 相関解析、3. 回帰分析
-**Data visualization agent**: 1. Create bar chart, 2. Create line chart, 3. Create pie chart
+**データ可視化エージェント** : 1. 棒グラフの作成、2. 折れ線グラフの作成、3. 円グラフの作成
```python lines
triage_tools = [
@@ -128,18 +136,18 @@ triage_tools = [
"type": "function",
"function": {
"name": "send_query_to_agents",
- "description": "能力に基づいてユーザーのクエリを関連するエージェントに送信します。",
+ "description": "ユーザーのクエリを、エージェントの能力に基づいて関連するエージェントに送信します。",
"parameters": {
"type": "object",
"properties": {
"agents": {
"type": "array",
"items": {"type": "string"},
- "description": "クエリを送信するエージェント名の配列。",
+ "description": "クエリの送信先となるエージェント名の配列。",
},
"query": {
"type": "string",
- "description": "送信するユーザークエリ。",
+ "description": "送信するユーザーのクエリ。",
},
},
"required": ["agents", "query"],
@@ -154,13 +162,13 @@ preprocess_tools = [
"type": "function",
"function": {
"name": "clean_data",
- "description": "重複を削除し、欠損値を処理することで、提供されたデータをクリーニングします。",
+ "description": "重複の削除と欠損値の処理により、提供されたデータをクリーニングします。",
"parameters": {
"type": "object",
"properties": {
"data": {
"type": "string",
- "description": "クリーニングするデータセット。JSON や CSV などの適切な形式である必要があります。",
+ "description": "クリーニング対象のデータセット。JSON や CSV などの適切な形式である必要があります。",
}
},
"required": ["data"],
@@ -179,11 +187,11 @@ preprocess_tools = [
"properties": {
"data": {
"type": "string",
- "description": "変換するデータ。JSON や CSV などの適切な形式である必要があります。",
+ "description": "変換対象のデータ。JSON や CSV などの適切な形式である必要があります。",
},
"rules": {
"type": "string",
- "description": "適用する変換ルール。構造化された形式で指定します。",
+ "description": "構造化された形式で指定された、適用する変換ルール。",
},
},
"required": ["data", "rules"],
@@ -196,13 +204,13 @@ preprocess_tools = [
"type": "function",
"function": {
"name": "aggregate_data",
- "description": "指定された列と操作でデータを集計します。",
+ "description": "指定された列と操作によってデータを集計します。",
"parameters": {
"type": "object",
"properties": {
"data": {
"type": "string",
- "description": "集計するデータ。JSON や CSV などの適切な形式である必要があります。",
+ "description": "集計対象のデータ。JSON や CSV などの適切な形式である必要があります。",
},
"group_by": {
"type": "array",
@@ -211,7 +219,7 @@ preprocess_tools = [
},
"operations": {
"type": "string",
- "description": "実行する集計操作。構造化された形式で指定します。",
+ "description": "構造化された形式で指定された、実行する集計操作。",
},
},
"required": ["data", "group_by", "operations"],
@@ -233,7 +241,7 @@ analysis_tools = [
"properties": {
"data": {
"type": "string",
- "description": "分析するデータセット。JSON や CSV などの適切な形式である必要があります。",
+ "description": "分析対象のデータセット。JSON や CSV などの適切な形式である必要があります。",
}
},
"required": ["data"],
@@ -252,7 +260,7 @@ analysis_tools = [
"properties": {
"data": {
"type": "string",
- "description": "分析するデータセット。JSON や CSV などの適切な形式である必要があります。",
+ "description": "分析対象のデータセット。JSON や CSV などの適切な形式である必要があります。",
},
"variables": {
"type": "array",
@@ -276,16 +284,16 @@ analysis_tools = [
"properties": {
"data": {
"type": "string",
- "description": "分析するデータセット。JSON や CSV などの適切な形式である必要があります。",
+ "description": "分析対象のデータセット。JSON や CSV などの適切な形式である必要があります。",
},
"dependent_var": {
"type": "string",
- "description": "回帰の従属変数。",
+ "description": "回帰の目的変数。",
},
"independent_vars": {
"type": "array",
"items": {"type": "string"},
- "description": "独立変数のリスト。",
+ "description": "説明変数のリスト。",
},
},
"required": ["data", "dependent_var", "independent_vars"],
@@ -309,8 +317,8 @@ visualization_tools = [
"type": "string",
"description": "棒グラフ用のデータ。JSON や CSV などの適切な形式である必要があります。",
},
- "x": {"type": "string", "description": "X 軸の列。"},
- "y": {"type": "string", "description": "Y 軸の列。"},
+ "x": {"type": "string", "description": "x 軸の列。"},
+ "y": {"type": "string", "description": "y 軸の列。"},
},
"required": ["data", "x", "y"],
"additionalProperties": False,
@@ -330,8 +338,8 @@ visualization_tools = [
"type": "string",
"description": "折れ線グラフ用のデータ。JSON や CSV などの適切な形式である必要があります。",
},
- "x": {"type": "string", "description": "X 軸の列。"},
- "y": {"type": "string", "description": "Y 軸の列。"},
+ "x": {"type": "string", "description": "x 軸の列。"},
+ "y": {"type": "string", "description": "y 軸の列。"},
},
"required": ["data", "x", "y"],
"additionalProperties": False,
@@ -353,11 +361,11 @@ visualization_tools = [
},
"labels": {
"type": "string",
- "description": "ラベル用の列。",
+ "description": "ラベルの列。",
},
"values": {
"type": "string",
- "description": "値用の列。",
+ "description": "値の列。",
},
},
"required": ["data", "labels", "values"],
@@ -369,19 +377,21 @@ visualization_tools = [
]
```
-## Weave を使用したマルチエージェントの追跡の有効化
+
+ ## Weave を使用してマルチエージェントをトラッキングできるようにする
+
-以下の処理を行うコードロジックを書く必要があります：
+次のコードロジックを実装する必要があります:
-- ユーザーのクエリをマルチエージェントシステムに渡す
-- マルチエージェントシステムの内部動作を処理する
-- ツール呼び出しを実行する
+* ユーザーのクエリをマルチエージェントシステムに渡す
+* マルチエージェントシステムの内部動作を処理する
+* ツール呼び出しを実行する
```python lines
# クエリの例
user_query = """
-以下にいくつかのデータがあります。まず重複を削除してから、データの統計を分析し、折れ線グラフをプロットしてください。
+Below is some data. I want you to first remove the duplicates then analyze the statistics of the data as well as plot a line chart.
house_size (m3), house_price ($)
90, 100
@@ -391,13 +401,13 @@ house_size (m3), house_price ($)
"""
```
-ユーザーのクエリから、呼び出す必要があるツールは `clean_data`、`start_analysis`、および `use_line_chart` であることが推測できます。
+ユーザーのクエリから、呼び出す必要があるツールは `clean_data`、`start_analysis`、`use_line_chart` であると判断できます。
-まず、ツール呼び出しを実行する実行関数を定義します。
+まず、ツール呼び出しを実行する関数を定義します。
-Python 関数を `@weave.op()` でデコレートすることで、言語モデルの入力、出力、およびトレースを記録し、デバッグできます。
+Python 関数に `@weave.op()` を付けてデコレートすると、言語モデルの入力、出力、およびトレースをログに記録してデバッグできます。
-マルチエージェントシステムを作成すると多くの関数が登場しますが、それらの上に `@weave.op()` を追加するだけで十分です。
+マルチエージェントシステムを作成する際には多くの関数が定義されますが、それらすべてに `@weave.op()` を付けるだけで十分です。
```python lines
@weave.op()
@@ -434,15 +444,15 @@ def plot_line_chart(data):
plt.legend()
plt.grid(True)
- # 表示する前にプロットを BytesIO バッファに保存
+ # 表示前にプロットを BytesIO バッファに保存する
buf = BytesIO()
plt.savefig(buf, format="png")
buf.seek(0)
- # プロットを表示
+ # プロットを表示する
plt.show()
- # データ URL 用に画像を base64 でエンコード
+ # データ URL 用に画像を base64 でエンコードする
image_data = buf.getvalue()
base64_encoded_data = base64.b64encode(image_data)
base64_string = base64_encoded_data.decode("utf-8")
@@ -450,7 +460,7 @@ def plot_line_chart(data):
return data_url
-# ツールを実行する関数を定義
+# ツールを実行する関数を定義する
@weave.op()
def execute_tool(tool_calls, messages):
for tool_call in tool_calls:
@@ -458,7 +468,7 @@ def execute_tool(tool_calls, messages):
tool_arguments = json.loads(tool_call.function.arguments)
if tool_name == "clean_data":
- # データクリーニングをシミュレート
+ # データクリーニングをシミュレートする
cleaned_df = clean_data(tool_arguments["data"])
cleaned_data = {"cleaned_data": cleaned_df.to_dict()}
messages.append(
@@ -466,7 +476,7 @@ def execute_tool(tool_calls, messages):
)
print("Cleaned data: ", cleaned_df)
elif tool_name == "transform_data":
- # データ変換をシミュレート
+ # データ変換をシミュレートする
transformed_data = {"transformed_data": "sample_transformed_data"}
messages.append(
{
@@ -476,7 +486,7 @@ def execute_tool(tool_calls, messages):
}
)
elif tool_name == "aggregate_data":
- # データ集計をシミュレート
+ # データ集計をシミュレートする
aggregated_data = {"aggregated_data": "sample_aggregated_data"}
messages.append(
{
@@ -486,7 +496,7 @@ def execute_tool(tool_calls, messages):
}
)
elif tool_name == "stat_analysis":
- # 統計分析をシミュレート
+ # 統計分析をシミュレートする
stats_df = stat_analysis(tool_arguments["data"])
stats = {"stats": stats_df.to_dict()}
messages.append(
@@ -494,13 +504,13 @@ def execute_tool(tool_calls, messages):
)
print("Statistical Analysis: ", stats_df)
elif tool_name == "correlation_analysis":
- # 相関分析をシミュレート
+ # 相関分析をシミュレートする
correlations = {"correlations": "sample_correlations"}
messages.append(
{"role": "tool", "name": tool_name, "content": json.dumps(correlations)}
)
elif tool_name == "regression_analysis":
- # 回帰分析をシミュレート
+ # 回帰分析をシミュレートする
regression_results = {"regression_results": "sample_regression_results"}
messages.append(
{
@@ -510,19 +520,19 @@ def execute_tool(tool_calls, messages):
}
)
elif tool_name == "create_bar_chart":
- # 棒グラフ作成をシミュレート
+ # 棒グラフの作成をシミュレートする
bar_chart = {"bar_chart": "sample_bar_chart"}
messages.append(
{"role": "tool", "name": tool_name, "content": json.dumps(bar_chart)}
)
elif tool_name == "create_line_chart":
- # 折れ線グラフ作成をシミュレート
+ # 折れ線グラフの作成をシミュレートする
line_chart = {"line_chart": plot_line_chart(tool_arguments["data"])}
messages.append(
{"role": "tool", "name": tool_name, "content": json.dumps(line_chart)}
)
elif tool_name == "create_pie_chart":
- # 円グラフ作成をシミュレート
+ # 円グラフの作成をシミュレートする
pie_chart = {"pie_chart": "sample_pie_chart"}
messages.append(
{"role": "tool", "name": tool_name, "content": json.dumps(pie_chart)}
@@ -530,10 +540,10 @@ def execute_tool(tool_calls, messages):
return messages
```
-次に、各サブエージェントのツールハンドラーを作成します。これらは、モデルに渡される独自のアシスタントプロンプトとツールセットを持っています。出力はその後、ツール呼び出しを実行する実行関数に渡されます。
+次に、各サブエージェント用のツールハンドラーを作成します。これらには、モデルに渡されるそれぞれ固有のプロンプトとツールセットがあります。出力は実行関数に渡され、その関数がツールの呼び出しを実行します。
```python lines
-# 各エージェントの処理を処理する関数を定義
+# 各エージェントの処理を担当する関数を定義する
@weave.op()
def handle_data_processing_agent(query, conversation_messages):
messages = [{"role": "system", "content": processing_system_prompt}]
@@ -586,10 +596,10 @@ def handle_visualization_agent(query, conversation_messages):
execute_tool(response.choices[0].message.tool_calls, conversation_messages)
```
-最後に、ユーザークエリの処理全体を管理するツールを作成します。この関数はユーザークエリを受け取り、モデルからレスポンスを取得し、実行のために他のエージェントに渡す処理を行います。
+最後に、ユーザーのクエリ処理を統括するツールを作成します。この関数はユーザーのクエリを受け取り、モデルからレスポンスを取得し、それを他のエージェントに渡して実行させます。
```python lines
-# ユーザー入力と振り分けを処理する関数
+# ユーザー入力とトリアージを処理する関数
@weave.op()
def handle_user_message(user_query, conversation_messages=None):
if conversation_messages is None:
@@ -664,31 +674,35 @@ def extract_tool_contents(data):
else:
contents[name] = second_level
except json.JSONDecodeError:
- print(f"Error decoding JSON for {name}")
+ print(f"{name} の JSON デコードエラー")
contents[name] = None
return contents
```
-## Weave でのマルチエージェントシステムの実行と可視化
+
+ ## Weave でマルチエージェントシステムを実行し、可視化する
+
-最後に、ユーザーの入力を使用して主要な `handle_user_message` 関数を実行し、結果を観察します。
+最後に、ユーザーの入力を使ってメインの `handle_user_message` 関数を実行し、その結果を観察します。
```python lines
handle_user_message(user_query)
```
-Weave の URL をクリックすると、以下のように実行がトレースされていることが確認できます。トレースページでは、入力と出力を確認できます。分かりやすくするために、各出力をクリックしたときに表示される結果のスクリーンショットを図に追加しています。Weave は OpenAI の API とのインテグレーションを提供しており、コストを自動的に計算できます。そのため、右端にコストとレイテンシも表示されていることが確認できます。
+Weave の URL をクリックすると、次のように実行のトレース状況を確認できます。Traces ページでは、入力と出力を確認できます。分かりやすくするために、それぞれの出力をクリックしたときに表示される結果のスクリーンショットを図に追加しています。Weave は OpenAI の API との インテグレーション を提供しており、これによりコストが自動的に計算されます。そのため、最も右側にコストとレイテンシも表示されていることが確認できます。
-行をクリックすると、マルチエージェントシステム内で実行された中間プロセスを確認できます。例えば、`analysis_agent` の入力と出力を見ると、それが Structured Output 形式であることがわかります。OpenAI の Structured Output はエージェント間の連携を容易にしますが、システムが複雑になるにつれて、これらのやり取りがどのような形式で行われているかを把握するのが難しくなります。Weave を使用すると、これらの中間プロセスとその入出力を、まるで手元で見ているかのように理解することができます。
+行をクリックすると、マルチエージェントシステム内で実行された中間処理を見ることができます。たとえば、`analysis_agent` の入力と出力を見ることで、それが構造化出力形式になっていることが分かります。OpenAI の構造化出力はエージェント間の連携を容易にしますが、システムが複雑になるほど、これらのやり取りがどのようなフォーマットで行われているのか把握しづらくなります。Weave を使うことで、これらの中間処理とその入出力を、あたかも手に取るように理解できます。
+ ## まとめ
+
-このチュートリアルでは、Structured Output と、入力、最終出力、および中間出力形式を追跡するための Weave を使用して、マルチエージェントシステムを便利に開発する方法を学びました。
\ No newline at end of file
+このチュートリアルでは、OpenAI が提供する構造化出力を用いて入力、最終出力、および中間的な出力フォーマットを追跡しながら、Weave でマルチエージェントシステムを効率的に開発する方法を学びました。
\ No newline at end of file
diff --git a/ja/weave/cookbooks/notdiamond_custom_routing.mdx b/ja/weave/cookbooks/notdiamond_custom_routing.mdx
index 88e63e8e94..3cb7224844 100644
--- a/ja/weave/cookbooks/notdiamond_custom_routing.mdx
+++ b/ja/weave/cookbooks/notdiamond_custom_routing.mdx
@@ -1,44 +1,52 @@
---
-title: NotDiamond カスタムルーティング
-description: notdiamond のカスタムルーティングを W&B Weave で使用する方法について学びます
+title: "NotDiamond カスタムルーティング"
+description: "W&B Weave で notdiamond のカスタムルーティングを使用する方法"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
+これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを利用してください:
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/notdiamond_custom_routing.ipynb)
- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/notdiamond_custom_routing.ipynb)
-# Not Diamond を使用した LLM プロンプトのカスタムルーティング
+
+ # Not Diamond を用いた LLM プロンプトのカスタムルーティング
+
-このノートブックでは、Weave と [Not Diamond のカスタムルーティング](https://docs.notdiamond.ai/docs/router-training-quickstart) を使用して、評価結果に基づき LLM プロンプトを最も適切なモデルにルーティングする方法を説明します。
+このノートブックでは、評価結果に基づいて LLM プロンプトを最適なモデルにルーティングするために、Weave を [Not Diamond のカスタムルーティング](https://docs.notdiamond.ai/docs/router-training-quickstart) と組み合わせて使用する方法を説明します。
-## プロンプトのルーティング
+
+ ## プロンプトのルーティング
+
-複雑な LLM ワークフローを構築する際、ユーザーは精度、コスト、または呼び出しのレイテンシに応じて、異なるモデルにプロンプトを送信する必要がある場合があります。
-ユーザーは [Not Diamond](https://www.notdiamond.ai/) を使用して、これらのワークフロー内のプロンプトをニーズに合った適切なモデルにルーティングし、精度を最大化しながらモデルコストを節約できます。
+複雑な LLM ワークフローを構築する際、ユーザーは精度、コスト、あるいは呼び出しレイテンシに応じて異なるモデルへプロンプトを送信する必要が生じる場合があります。
+ユーザーは [Not Diamond](https://www.notdiamond.ai/) を使用して、これらのワークフロー内のプロンプトをニーズに合った適切なモデルへルーティングすることで、精度を最大化しつつモデルコストを削減できます。
-どのようなデータの分布においても、単一のモデルがすべてのクエリに対して他のすべてのモデルを上回ることは稀です。各 LLM をいつ呼び出すべきかを学習する「メタモデル」に複数のモデルを組み合わせることで、個々のモデルのパフォーマンスを上回り、その過程でコストやレイテンシを削減することも可能です。
+任意のデータ分布において、単一のモデルがあらゆるクエリで他のすべてのモデルを上回ることはほとんどありません。複数のモデルを組み合わせて、どの LLM を呼び出すべきかを学習する「メタモデル」を構築することで、個々のモデルの性能をすべて上回り、同時にコストとレイテンシを削減することも可能です。
-## カスタムルーティング
+
+ ## カスタムルーティング
+
-プロンプト用のカスタムルーターをトレーニングするには、次の3つが必要です。
+プロンプト用のカスタムルーターを学習させるには、次の 3 つが必要です。
-1. LLM プロンプトのセット：プロンプトは文字列である必要があり、アプリケーションで使用されるプロンプトを代表するものである必要があります。
-1. LLM のレスポンス：各入力に対する候補 LLM からのレスポンス。候補 LLM には、サポートされている LLM と独自のカスタムモデルの両方を含めることができます。
-1. 候補 LLM からの入力に対するレスポンスの評価スコア：スコアは数値であり、ニーズに合った任意のメトリクスを使用できます。
+1. LLM プロンプトのセット: プロンプトは文字列であり、アプリケーションで使用しているプロンプトを代表するものである必要があります。
+1. LLM の応答: 各入力に対する候補 LLM からの応答です。候補 LLM には、サポート対象の LLM と独自のカスタムモデルの両方を含めることができます。
+1. 候補 LLM からの入力に対する応答の評価スコア: スコアは数値であり、ニーズに適合する任意のメトリクスを使用できます。
-これらを Not Diamond API に送信することで、各ワークフローに合わせてチューニングされたカスタムルーターをトレーニングできます。
+これらを Not Diamond API に送信することで、各ワークフローに最適化されたカスタムルーターを学習できます。
-## トレーニングデータのセットアップ
+
+ ## トレーニングデータのセットアップ
+
-実際には、独自の Evaluations を使用してカスタムルーターをトレーニングします。ただし、この例のノートブックでは、コーディングタスク用のカスタムルーターをトレーニングするために、[HumanEval データセット](https://github.com/openai/human-eval) に対する LLM のレスポンスを使用します。
+実際のワークフローでは、独自の Evaluation を使用してカスタムルーターをトレーニングします。しかしこのサンプルノートブックでは、コーディングタスク向けのカスタムルーターをトレーニングするために、[HumanEval データセット](https://github.com/openai/human-eval) に対する LLM 応答を使用します。
-まず、この例のために用意したデータセットをダウンロードし、LLM のレスポンスを各モデルの `EvaluationResults` にパースすることから始めます。
+まず、この例のために用意したデータセットをダウンロードし、各モデルについて LLM 応答を EvaluationResults にパースしていきます。
```python lines
!curl -L "https://drive.google.com/uc?export=download&id=1q1zNZHioy9B7M-WRjsJPkfvFosfaHX38" -o humaneval.csv
-
+python
import random
import weave
@@ -50,7 +58,7 @@ pct_train = 0.8
pct_test = 1 - pct_train
# 実際には、データセットに対して Evaluation を構築し、
-# `evaluation.get_eval_results(model)` を呼び出します
+# `evaluation.get_eval_results(model)` を呼び出してください
model_evals = get_model_evals("./humaneval.csv")
model_train = {}
model_test = {}
@@ -71,12 +79,15 @@ for model, evaluation_results in model_evals.items():
)
```
-## カスタムルーターのトレーニング
+
+ ## カスタムルーターのトレーニング
+
-EvaluationResults が用意できたので、カスタムルーターをトレーニングできます。[アカウントを作成](https://app.notdiamond.ai/keys) し、[APIキーを生成](https://app.notdiamond.ai/keys) したことを確認してから、以下に API キーを挿入してください。
+EvaluationResults が得られたので、カスタムルーターをトレーニングできます。[アカウントを作成](https://app.notdiamond.ai/keys)し、
+[API キーを発行](https://app.notdiamond.ai/keys)したうえで、以下に API キーを入力してください。
+ ## カスタムルーターの評価
+
-カスタムルーターのトレーニングが完了したら、以下のいずれかのパフォーマンスを評価できます。
+カスタムルーターのトレーニングが完了したら、次のいずれかの方法で評価できます。
-- インサンプルのパフォーマンス（トレーニングプロンプトを送信）
-- アウトオブサンプルのパフォーマンス（新規またはホールドアウトされたプロンプトを送信）
+* トレーニング用プロンプトを送信して、インサンプルの性能を評価する
+* 新規プロンプトまたはホールドアウトしたプロンプトを送信して、アウトオブサンプルの性能を評価する
-以下では、テストセットをカスタムルーターに送信して、そのパフォーマンスを評価します。
+以下では、テストセットをカスタムルーターに送信し、その性能を評価します。
```python lines
from weave.integrations.notdiamond.custom_router import evaluate_router
@@ -177,10 +190,10 @@ best_provider_model, nd_model = evaluate_router(
api_key=api_key,
preference_id=preference_id,
)
-
+python
@weave.op()
def is_correct(score: int, output: dict) -> dict:
- # 既にモデルのレスポンスがあるため、スコアを調整します
+ # すでにモデルのレスポンスがあるため、スコアをそのまま流用する
return {"correct": score}
best_provider_eval = weave.Evaluation(
@@ -195,12 +208,12 @@ nd_eval = weave.Evaluation(
await nd_eval.evaluate(nd_model)
```
-この例では、Not Diamond の「メタモデル」が、複数の異なるモデルにわたってプロンプトをルーティングしています。
+この例では、Not Diamond 「メタモデル」が複数の異なるモデル間でプロンプトをルーティングします。
-Weave を介してカスタムルーターをトレーニングすると、評価も実行され、結果が Weave UI にアップロードされます。カスタムルーターのプロセスが完了したら、Weave UI で結果を確認できます。
+Weave 経由でカスタムルーターをトレーニングすると、評価も実行され、その結果が Weave UI にアップロードされます。カスタムルーターの処理が完了したら、Weave UI で結果を確認できます。
-UI を見ると、Not Diamond の「メタモデル」が、プロンプトに正確に回答する可能性がより高い他のモデルにルーティングすることで、最もパフォーマンスの高い単一モデルを上回っていることがわかります。
+UI では、Not Diamond 「メタモデル」が、プロンプトをより正確に回答できる可能性が高い他のモデルにルーティングすることで、最も性能の高いモデルを上回っていることが分かります。
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/ocr-pipeline.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/ocr-pipeline.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから利用できます。
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/ocr-pipeline.ipynb)
+ * [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/ocr-pipeline.ipynb)
-## 事前準備
+
+ ## 前提条件
+
-開始する前に、必要なライブラリをインストールしてインポートし、W&B APIキーを取得して、 Weave プロジェクトを初期化します。
+開始する前に、必要なライブラリをインストールしてインポートし、W&B API キーを取得し、Weave プロジェクトを初期化します。
```python lines
-# 必要な依存関係をインストール
+# 必要な依存関係をインストールする
!pip install openai weave -q
-
+python
import json
import os
@@ -24,27 +27,29 @@ from google.colab import userdata
from openai import OpenAI
import weave
-
-# APIキーの取得
+python
+# API キーを取得する
os.environ["OPENAI_API_KEY"] = userdata.get(
"OPENAI_API_KEY"
-) # 左側のメニューから Colab の環境変数（secrets）としてキーを設定してください
+) # 左側のメニューから Colab の環境シークレットとしてキーを設定してください
os.environ["WANDB_API_KEY"] = userdata.get("WANDB_API_KEY")
-# プロジェクト名の設定
-# PROJECT の値を自身のプロジェクト名に置き換えてください
+# プロジェクト名を設定する
+# PROJECT の値を自分のプロジェクト名に置き換えてください
PROJECT = "vlm-handwritten-ner"
-# Weave プロジェクトを初期化
+# Weave プロジェクトを初期化する
weave.init(PROJECT)
```
-## 1. Weave を使用したプロンプトの作成と反復
+
+ ## 1. Weave でプロンプトを作成し、反復的に改善する
+
-モデルにエンティティを適切に抽出させるためには、優れたプロンプトエンジニアリングが不可欠です。まず、画像データから何を抽出し、どのようにフォーマットするかをモデルに指示する基本的なプロンプトを作成します。次に、追跡と反復のためにそのプロンプトを Weave に保存します。
+適切なプロンプトエンジニアリングは、モデル に正しくエンティティを抽出させるために不可欠です。まず、画像データから何を抽出し、どのような形式で出力するかをモデル に指示する基本的なプロンプトを作成します。次に、そのプロンプトを追跡と反復改善のために Weave に保存します。
-```python lines
-# Weave を使用してプロンプトオブジェクトを作成
+````python lines
+# Weave でプロンプトオブジェクトを作成する
prompt = """
Extract all readable text from this image. Format the extracted entities as a valid JSON.
Do not return any extra text, just the JSON. Do not include ```json```
@@ -52,13 +57,13 @@ Use the following format:
{"Patient Name": "James James","Date": "4/22/2025","Patient ID": "ZZZZZZZ123","Group Number": "3452542525"}
"""
system_prompt = weave.StringPrompt(prompt)
-# プロンプトを Weave にパブリッシュ
+# プロンプトを Weave に公開する
weave.publish(system_prompt, name="NER-prompt")
-```
+````
-次に、出力の誤りを減らすために、より多くの指示とバリデーションルールを追加してプロンプトを改善します。
+次に、出力の誤りを減らせるよう、より詳細な指示と検証ルールを追加してプロンプトを改善します。
-```python lines
+````python lines
better_prompt = """
You are a precision OCR assistant. Given an image of patient information, extract exactly these fields into a single JSON object—and nothing else:
@@ -78,40 +83,44 @@ Do not return any extra text, just the JSON. Do not include ```json```
Example output:
{"Patient Name":"James James","Date":"04/22/25","Patient ID":"ZZZZZZZ123","Group Number":"3452542525"}
"""
-# プロンプトを編集
+# プロンプトを編集する
system_prompt = weave.StringPrompt(better_prompt)
-# 編集したプロンプトを Weave にパブリッシュ
+# 編集したプロンプトを Weave に公開する
weave.publish(system_prompt, name="NER-prompt")
-```
+````
-## 2. データセットの取得
+
+ ## 2. データセットを取得する
+
-次に、OCR パイプラインの入力として使用する手書きメモの Datasets を取得します。
+次に、OCR パイプラインへの入力として使用する手書きノートのデータセットを取得します。
-データセット内の画像はすでに `base64` エンコードされているため、データは前処理なしで LLM で使用できます。
+このデータセットの画像はすでに `base64` エンコードされているため、LLM は事前処理を行うことなくデータを利用できます。
```python lines
-# 以下の Weave プロジェクトからデータセットを取得
+# 以下の Weave プロジェクトからデータセットを取得する
dataset = weave.ref(
"weave://wandb-smle/vlm-handwritten-ner/object/NER-eval-dataset:G8MEkqWBtvIxPYAY23sXLvqp8JKZ37Cj0PgcG19dGjw"
).get()
-# データセット内の特定のサンプルにアクセス
+# データセット内の特定のサンプルにアクセスする
example_image = dataset.rows[3]["image_base64"]
-# example_image を表示
+# example_image を表示する
from IPython.display import HTML, display
html = f'
+ ## 3. NER パイプラインを構築する
+
-次に、NER パイプラインを構築します。パイプラインは 2 つの関数で構成されます。
+次に、NER パイプラインを構築します。パイプラインは次の 2 つの関数で構成されます。
-1. `encode_image` 関数：データセットから PIL 画像を受け取り、VLM に渡すことができる画像の `base64` エンコードされた文字列表現を返します。
-2. `extract_named_entities_from_image` 関数：画像とシステムプロンプトを受け取り、システムプロンプトの指示に従ってその画像から抽出されたエンティティを返します。
+1. データセットからの PIL 画像を受け取り、VLM に渡すことができる画像の `base64` エンコード文字列表現を返す `encode_image` 関数
+2. 画像と system prompt を受け取り、その system prompt の指示どおりにその画像から抽出されたエンティティを返す `extract_named_entities_from_image` 関数
```python lines
# GPT-4-Vision を使用したトレース可能な関数
@@ -120,7 +129,7 @@ def extract_named_entities_from_image(image_base64) -> dict:
client = OpenAI()
# 指示プロンプトの設定
- # オプションとして、Weave に保存されたプロンプトを使用することもできます：weave.ref("weave://wandb-smle/vlm-handwritten-ner/object/NER-prompt:FmCv4xS3RFU21wmNHsIYUFal3cxjtAkegz2ylM25iB8").get().content.strip()
+ # Weave に保存されたプロンプトを使用することもできます: weave.ref("weave://wandb-smle/vlm-handwritten-ner/object/NER-prompt:FmCv4xS3RFU21wmNHsIYUFal3cxjtAkegz2ylM25iB8").get().content.strip()
prompt = better_prompt
response = client.responses.create(
@@ -142,24 +151,25 @@ def extract_named_entities_from_image(image_base64) -> dict:
return response.output_text
```
-次に、以下の処理を行う `named_entity_recognation` という関数を作成します。
-- 画像データを NER パイプラインに渡す
-- 正しくフォーマットされた JSON 形式の結果を返す
+ここでは、`named_entity_recognation` という関数を作成します。この関数は次のことを行います。
+
+* 画像データを NER パイプラインに渡す
+* 結果を正しくフォーマットされた JSON で返す
-[`@weave.op()` デコレータ](/weave/reference/python-sdk/trace/op) を使用して、W&B UI で関数の実行を自動的に追跡し、トレースします。
+W&B UI で関数実行を自動的にトラッキングおよびトレースするには、[`@weave.op()` decorator](/ja/weave/reference/python-sdk/trace/op) デコレータを使用します。
-`named_entity_recognation` が実行されるたびに、詳細なトレース結果が Weave UI で確認できます。トレースを表示するには、 Weave プロジェクトの **Traces** タブに移動してください。
+`named_entity_recognation` 関数を実行するたびに、完全なトレース結果を Weave UI で確認できます。トレースを表示するには、Weave プロジェクトの **Traces** タブに移動します。
```python lines
-# 評価用の NER 関数
+# 評価用 NER 関数
@weave.op()
def named_entity_recognation(image_base64, id):
result = {}
try:
- # 1) Vision op を呼び出し、JSON 文字列を取得
+ # 1) vision op を呼び出し、JSON 文字列を取得する
output_text = extract_named_entities_from_image(image_base64)
- # 2) JSON を 1 回だけパース
+ # 2) JSON を一度だけパースする
result = json.loads(output_text)
print(f"Processed: {str(id)}")
@@ -168,15 +178,15 @@ def named_entity_recognation(image_base64, id):
return result
```
-最後に、データセットに対してパイプラインを実行し、結果を確認します。
+最後に、パイプラインをデータセット全体に対して実行し、結果を確認します。
-以下のコードはデータセットをループし、結果をローカルファイル `processing_results.json` に保存します。結果は Weave UI でも確認できます。
+次のコードはデータセットをループ処理し、結果をローカルファイル `processing_results.json` に保存します。結果は Weave UI からも確認できます。
```python lines
-# 結果の出力
+# 出力結果
results = []
-# データセット内のすべての画像をループ
+# データセット内のすべての画像をループ処理
for row in dataset.rows:
result = named_entity_recognation(row["image_base64"], str(row["id"]))
result["image_id"] = str(row["id"])
@@ -190,30 +200,35 @@ with open(output_file, "w") as f:
print(f"Results saved to: {output_file}")
```
-Weave UI の **Traces** テーブルには、以下のような内容が表示されます。
+Weave UI の **Traces** テーブルには、次のような内容が表示されます。
+ ## 4. Weave を使用してパイプラインを評価する
+
-VLM を使用して NER を実行するパイプラインを作成できたので、 Weave を使用して体系的に評価し、そのパフォーマンスを確認できます。 Weave での Evaluations については、[Evaluations の概要](/weave/guides/core-types/evaluations) で詳しく学べます。
+VLM を使って NER を実行するパイプラインを作成したので、Weave を使用してそのパイプラインを体系的に評価し、どの程度の性能かを確認できます。Weave における Evaluations の詳細は [Evaluations Overview](/ja/weave/guides/core-types/evaluations) を参照してください。
-Weave Evaluation の基本要素は [Scorers](/weave/guides/evaluation/scorers) です。Scorers は AI の出力を評価し、評価メトリクスを返すために使用されます。AI の出力を受け取り、分析して、結果の辞書を返します。Scorers は必要に応じて入力データを参照として使用でき、説明や評価の推論などの追加情報を出力することもできます。
+Weave Evaluation の基本的な構成要素が [Scorers](/ja/weave/guides/evaluation/scorers) です。Scorer は AI の出力を評価し、評価用のメトリクスを返すために使用されます。AI の出力を受け取り、それを分析して、結果を格納した辞書を返します。必要に応じて入力データを参照として利用できるほか、評価から得られる説明や推論といった追加情報を出力することもできます。
-このセクションでは、パイプラインを評価するために 2 つの Scorers を作成します。
-1. プログラムによる Scorer
+このセクションでは、パイプラインを評価するために 2 つの Scorer を作成します。
+
+1. プログラムによる Scorer
2. LLM-as-a-judge Scorer
-### プログラムによる Scorer
+
+ ### プログラムによるスコアラー
+
-プログラムによる Scorer である `check_for_missing_fields_programatically` は、モデルの出力（`named_entity_recognition` 関数の出力）を受け取り、結果の中でどの `keys` が欠落しているか、または空であるかを特定します。
+プログラムによるスコアラー `check_for_missing_fields_programatically` は、モデルの出力（`named_entity_recognition` 関数の出力）を受け取り、結果の中で `keys` が欠落している、または空のものを特定します。
-このチェックは、モデルがいずれかのフィールドをキャプチャし損ねたサンプルを特定するのに適しています。
+このチェックは、モデル がどのフィールドも取得できなかったサンプルを特定するのに非常に有効です。
```python lines
-# Scorer の実行を追跡するために weave.op() を追加
+# スコアラーの実行を追跡するために weave.op() を追加する
@weave.op()
def check_for_missing_fields_programatically(model_output):
# すべてのエントリに必要なキー
@@ -225,19 +240,21 @@ def check_for_missing_fields_programatically(model_output):
or model_output[key] is None
or str(model_output[key]).strip() == ""
):
- return False # このエントリには欠落しているか空のフィールドがある
+ return False # このエントリには欠落または空のフィールドがある
- return True # すべての必須フィールドが存在し、空ではない
+ return True # すべての必須フィールドが存在し、空でない
```
-### LLM-as-a-judge Scorer
+
+ ### LLM-as-a-judge スコアラー
+
-評価の次のステップでは、画像データとモデルの出力の両方を提供し、評価が実際の NER パフォーマンスを反映するようにします。モデルの出力だけでなく、画像の内容も明示的に参照されます。
+評価の次のステップでは、実際の NER パフォーマンスが正しく反映されるように、画像データとモデルの出力の両方を使用します。モデルの出力だけでなく、画像の内容が明示的に参照されます。
-このステップで使用される Scorer `check_for_missing_fields_with_llm` は、LLM（具体的には OpenAI の `gpt-4o`）を使用してスコアリングを実行します。`eval_prompt` の内容で指定されているように、`check_for_missing_fields_with_llm` は `Boolean` 値を出力します。すべてのフィールドが画像の情報と一致し、フォーマットが正しい場合、Scorer は `true` を返します。フィールドが欠落、空、不正確、または不一致である場合、結果は `false` になり、Scorer は問題を説明するメッセージも返します。
+このステップで使用する Scorer `check_for_missing_fields_with_llm` は、LLM（具体的には OpenAI の `gpt-4o`）を用いてスコアリングを行います。`eval_prompt` の内容で指定されているように、`check_for_missing_fields_with_llm` は `Boolean` 値を出力します。すべてのフィールドが画像内の情報と一致し、フォーマットも正しければ、Scorer は `true` を返します。いずれかのフィールドが欠落している、空である、不正確である、または不一致である場合は、結果は `false` となり、問題を説明するメッセージも併せて返されます。
```python lines
-# LLM-as-a-judge 用のシステムプロンプト
+# LLM-as-a-judge のシステムプロンプト
eval_prompt = """
You are an OCR validation system. Your role is to assess whether the structured text extracted from an image accurately reflects the information in that image.
@@ -267,7 +284,7 @@ OR
{"Correct": false, "Reason": "EXPLANATION_HERE"}
"""
-# Scorer の実行を追跡するために weave.op() を追加
+# Scorer の実行を追跡するために weave.op() を追加する
@weave.op()
def check_for_missing_fields_with_llm(model_output, image_base64):
client = OpenAI()
@@ -294,11 +311,13 @@ def check_for_missing_fields_with_llm(model_output, image_base64):
return response
```
-## 5. Evaluation の実行
+
+ ## 5. 評価を実行する
+
-最後に、渡された `dataset` を自動的にループし、結果をまとめて Weave UI にログ記録する評価コールを定義します。
+最後に、渡された `dataset` を自動的に繰り返し処理し、その結果を Weave UI 内にまとめてログする評価用の呼び出しを定義します。
-以下のコードは評価を開始し、NER パイプラインからのすべての出力に対して 2 つの Scorers を適用します。結果は Weave UI の **Evals** タブで確認できます。
+次のコードは評価を開始し、2 つの Scorer を NER パイプラインからのすべての出力に適用します。結果は Weave UI の **Evals** タブで確認できます。
```python lines
evaluation = weave.Evaluation(
@@ -313,8 +332,8 @@ evaluation = weave.Evaluation(
print(await evaluation.evaluate(named_entity_recognation))
```
-上記のコードを実行すると、 Weave UI の評価テーブルへのリンクが生成されます。リンクを辿って結果を表示し、選択したモデル、プロンプト、データセットにわたるパイプラインのさまざまな反復を比較してください。 Weave UI は、チームのために以下のような可視化を自動的に作成します。
+上記のコードを実行すると、Weave UI の Evaluation テーブルへのリンクが生成されます。リンクを開いて結果を確認し、任意の モデル、プロンプト、データセット に対するパイプラインのさまざまなイテレーションを比較してください。Weave UI は、チーム向けに以下のような可視化を自動的に生成します。
-これはインタラクティブな ノートブック です。ローカルで実行するか、以下のリンクを使用できます：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/online_monitoring.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/online_monitoring.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクのいずれかを使用してください:
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/online_monitoring.ipynb)
+ * [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/online_monitoring.ipynb)
-# Weave との統合：プロダクションダッシュボード
+
+ # Weave との統合: 本番ダッシュボード
+
-GenAI ツールキットの環境は急速に進化しており、新しい フレームワーク、ツール、アプリケーション が常に登場しています。Weave は、GenAI のモニタリングと評価に関するあらゆるニーズに応えるワンストップショップを目指しています。これは同時に、既存の プラットフォーム と統合したり、プロジェクト や組織の特定のニーズに合わせて Weave を拡張したりする必要がある場合があることも意味しています。
+GenAI ツール群のエコシステムは急速に進化しており、新しいフレームワーク、ツール、アプリケーションが次々と登場しています。Weave は、GenAI のモニタリングと評価に関するあらゆるニーズに対応するワンストップソリューションを目指しています。これは同時に、既存のプラットフォームと統合したり、プロジェクトや組織固有の要件に合わせて Weave を拡張したりする必要が生じる場合もあることを意味します。
-このクックブックでは、Weave の強力な API と関数を活用して、Weave の トレース ビューの拡張として、プロダクションモニタリング用のカスタム ダッシュボード を作成する方法をデモします。以下の点に焦点を当てます：
+このクックブックでは、Weave の強力な API と関数を活用して、本番監視用のカスタムダッシュボードを作成し、Weave の Traces ビューを拡張する方法を紹介します。ここでは次の点に焦点を当てます:
-- Weave から トレース、コスト、フィードバック、その他の メトリクス を取得する
-- ユーザーフィードバックとコスト分布の集計ビューを作成する
-- トークン使用量とレイテンシの経時変化を 可視化 する
+* Weave から traces、コスト、フィードバック、その他のメトリクスを取得する
+* ユーザーフィードバックとコスト分布の集約ビューを作成する
+* トークン使用量とレイテンシの時間推移を可視化する
-streamlit をインストールし、[このプロダクションダッシュボードスクリプト](https://github.com/NiWaRe/agent-dev-collection) を実行することで、自身の Weave プロジェクト で ダッシュボード を試すことができます！
+streamlit をインストールして [この本番ダッシュボード スクリプト](https://github.com/NiWaRe/agent-dev-collection) を実行することで、自分の Weave プロジェクトでこのダッシュボードを試すことができます。
-
+ # 1. セットアップ
+
-このチュートリアルに沿って進めるには、以下のパッケージをインストールするだけです：
+このチュートリアルに沿って進めるには、次のパッケージをインストールするだけで十分です。
```python lines
!pip install streamlit pandas plotly weave
```
-# 2. 実装
+
+ # 2. 実装
+
-## 2.1 Weave クライアントの初期化とコストの定義
+
+ ## 2.1 Weave クライアントの初期化とコストの定義
+
-まず、Weave クライアントを初期化し、各 モデル のコストを追加する関数を設定します。
+まず、Weave クライアントを初期化し、各モデルのコストを追加する関数を用意します。
-- 多くの標準的な モデル の標準コストが含まれていますが、独自のカスタムコストやカスタム モデル を簡単に追加することもできます。以下では、いくつかの モデル にカスタムコストを追加し、残りは標準コストを使用する方法を示します。
-- コストは、Weave でトラッキングされた各コール（call）のトークンに基づいて計算されます。多くの LLM ベンダーライブラリでは、トークン使用量を自動的にトラッキングしますが、任意のコールに対してカスタムのトークン数を返すことも可能です。カスタム モデル のトークンカウントとコスト計算の定義方法については、こちらのクックブックを参照してください - [custom cost cookbook](/weave/cookbooks/custom_model_cost#setting-up-a-model-with-weave)
+* 多くの一般的なモデルについては標準コストをあらかじめ用意していますが、独自のカスタムコストやカスタムモデルも簡単に追加できるようになっています。以下では、いくつかのモデルに対してカスタムコストを追加し、それ以外には標準コストを使う方法を示します。
+* コストは、Weave 内の各呼び出しでトラッキングされたトークン数に基づいて計算されます。多くの LLM ベンダーのライブラリについてはトークン使用量を自動的にトラッキングしますが、任意の呼び出しごとにカスタムのトークン数を返すことも可能です。カスタムモデルに対してトークン数とコスト計算をどのように定義するかについては、[custom cost cookbook](/ja/weave/cookbooks/custom_model_cost#setting-up-a-model-with-weave) を参照してください。
```python lines
PROJECT_NAME = "wandb-smle/weave-cookboook-demo"
-
+python
import weave
MODEL_NAMES = [
- # モデル名, プロンプトコスト, コンプリーションコスト
+ # モデル名、プロンプトコスト、補完コスト
("gpt-4o-2024-05-13", 0.03, 0.06),
("gpt-4o-mini-2024-07-18", 0.03, 0.06),
("gemini/gemini-1.5-flash", 0.00025, 0.0005),
@@ -66,7 +75,7 @@ def init_weave_client(project_name):
completion_token_cost=completion_cost,
)
except Exception as e:
- print(f"Failed to initialize Weave client for project '{project_name}': {e}")
+ print(f"プロジェクト '{project_name}' の Weave クライアントの初期化に失敗しました: {e}")
return None
else:
return client
@@ -74,23 +83,27 @@ def init_weave_client(project_name):
client = init_weave_client(PROJECT_NAME)
```
-## 2.2 Weave からのコールデータの取得
+
+ ## 2.2 Weave からコール データを取得する
+
-Weave からコール（call）データを取得するには、2つのオプションがあります：
+Weave からコール データを取得するには、次の 2 つの方法があります。
-1. コールごとにデータを取得する
-2. ハイレベルな API を使用する
+1. コール単位でデータを取得する
+2. 高レベル API を使用する
-### 2.2.1 コールごとにデータを取得する
+
+ ### 2.2.1 呼び出しごとにデータを取得する
+
-Weave から データ にアクセスする最初のオプションは、フィルタリングされたコールのリストを取得し、必要なデータをコールごとに抽出することです。そのためには、`calls_query_stream` API を使用して Weave からコールの ログ データを取得できます：
+Weave からデータにアクセスする最初の方法は、フィルター済みの call のリストを取得し、必要なデータを call ごとに抽出することです。そのために `calls_query_stream` API を使用して、Weave から calls データを取得できます:
-- `calls_query_stream` API: Weave からコールの ログ データを取得できる API です。
-- `filter` 辞書: コール データを取得するためのフィルタ パラメータ が含まれます。詳細は [こちら](/weave/reference/python-sdk/trace_server/trace_server_interface#class-callschema) を参照してください。
-- `expand_columns` リスト: コール データ内で展開するカラムを指定します。
-- `sort_by` リスト: コール データのソート パラメータ を含みます。
-- `include_costs` ブール値: コール データにコストを含めるかどうかを指定します。
-- `include_feedback` ブール値: コール データにフィードバックを含めるかどうかを指定します。
+* `calls_query_stream` API: この API を使うと、Weave から calls データを取得できます。
+* `filter` 辞書: この辞書には calls データを取得するためのフィルター用パラメーターが含まれます。詳細は [こちら](/ja/weave/reference/python-sdk/trace_server/trace_server_interface#class-callschema) を参照してください。
+* `expand_columns` リスト: このリストには calls データ内で展開する列が含まれます。
+* `sort_by` リスト: このリストには calls データをソートするためのパラメーターが含まれます。
+* `include_costs` boolean: このブール値は、calls データにコスト情報を含めるかどうかを示します。
+* `include_feedback` boolean: このブール値は、calls データにフィードバックを含めるかどうかを示します。
```python lines
import itertools
@@ -111,7 +124,7 @@ def fetch_calls(client, project_id, start_time, trace_roots_only, limit):
calls_stream = client.server.calls_query_stream(filter_params)
calls = list(
itertools.islice(calls_stream, limit)
- ) # 取得するコール数が多すぎる場合に備えて制限をかける
+ ) # 取得する呼び出し数が多すぎる場合に制限する
print(f"Fetched {len(calls)} calls.")
except Exception as e:
print(f"Error fetching calls: {e}")
@@ -120,12 +133,12 @@ def fetch_calls(client, project_id, start_time, trace_roots_only, limit):
return calls
calls = fetch_calls(client, PROJECT_NAME, datetime.now() - timedelta(days=1), True, 100)
-
-# 生データは Call オブジェクトのリストです
+python
+# 生データは Call オブジェクトのリスト
pd.DataFrame([call.dict() for call in calls]).head(3)
```
-Weave からの戻り値を使用すると、コールの プロセッシング は非常に簡単です。関連する 情報を抽出し、辞書 のリストに保存します。その後、辞書 のリストを pandas の DataFrame に変換して返します。
+Weave からの戻り値を使えば call データの処理はとても簡単です。関連する情報を抽出して辞書のリストに格納し、その後その辞書リストを pandas の DataFrame に変換して返します。
```python lines
import json
@@ -152,8 +165,8 @@ def process_calls(calls):
records.append(
{
"Call ID": call.id,
- "Trace ID": call.trace_id, # トレースを取得するために使用できるユニークな ID
- "Display Name": call.display_name, # UIやプログラムで設定可能なオプション名
+ "Trace ID": call.trace_id, # トレースの取得に使用できる一意の ID
+ "Display Name": call.display_name, # UI またはプログラムから設定できる任意の名前
"Latency (ms)": latency,
"Thumbs Up": thumbs_up,
"Thumbs Down": thumbs_down,
@@ -163,31 +176,35 @@ def process_calls(calls):
}
)
return pd.DataFrame(records)
-
+python
df_calls = process_calls(calls)
df_calls.head(3)
```
-### 2.2.2 ハイレベルな API の使用
+
+ ### 2.2.2 高レベル API の使用
+
-すべてのコールを個別に調べる代わりに、Weave は モデル のコスト、フィードバック、およびその他の メトリクス に直接 アクセス するためのハイレベルな API も提供しています。
-例えば、コストについては、`query_costs` API を使用して、プロジェクト で使用されているすべての LLM のコストを取得できます。
+すべての呼び出しを逐一追いかける代わりに、Weave では モデル のコスト、フィードバック、その他の メトリクス に直接アクセスできる高レベル API も提供しています。
+例えばコストについては、`query_costs` API を使用して、プロジェクト内で使用中のすべての LLM のコストを取得します。
```python lines
-# コスト API を使用してコストを取得
+# コスト API を使用してコストを取得する
costs = client.query_costs()
df_costs = pd.DataFrame([cost.dict() for cost in costs])
df_costs["total_cost"] = (
df_costs["prompt_token_cost"] + df_costs["completion_token_cost"]
)
-# 各 llm_id に対して最初の1行のみを表示
+# 一意の llm_id ごとに最初の行のみを表示する
df_costs
```
-## 2.4 インプットの収集と可視化の生成
+
+ ## 2.4 入力の収集と可視化の作成
+
-次に、plotly を使用して 可視化 を生成できます。これは最も基本的な ダッシュボード ですが、好みに合わせてカスタマイズできます！より複雑な例については、[こちら](https://github.com/NiWaRe/knowledge-worker-weave/blob/master/prod_dashboard.py) の Streamlit の例を確認してください。
+次に、plotly を使って可視化を作成します。これは最も基本的なダッシュボードですが、自由にカスタマイズできます。より複雑な例については、Streamlit のサンプルを [こちら](https://github.com/NiWaRe/knowledge-worker-weave/blob/master/prod_dashboard.py) で確認してください。
```python lines
import plotly.express as px
@@ -219,22 +236,24 @@ def plot_model_cost_distribution(df):
fig.update_layout(xaxis_title="Model", yaxis_title="Cost (USD)")
return fig
-# すべてのプロットについてはソースコードを参照してください
-
+# すべてのプロットのソースコードを参照
+python
plot_feedback_pie_chart(df_calls["Thumbs Up"].sum(), df_calls["Thumbs Down"].sum())
-
+python
plot_model_cost_distribution(df_costs)
```
-# まとめ
+
+ # 結論
+
-このクックブックでは、Weave の API と関数を使用してカスタムのプロダクションモニタリング ダッシュボード を作成する方法をデモしました。Weave は現在、データの簡単な入力のための迅速な インテグレーション と、カスタム プロセス のためのデータ抽出に重点を置いています。
+このクックブックでは、Weave の API と関数を使って、カスタムの本番監視ダッシュボードを作成する方法を紹介しました。Weave は現在、データの容易な入力とカスタム処理のためのデータ抽出を、高速なインテグレーションによって実現することに重点を置いています。
-- **データ入力：**
- - [@weave-op()](/weave/quickstart#2-log-a-trace-to-a-new-project) デコレータによる フレームワーク に依存しない トレース と、CSV からのコールのインポート機能（関連する [import cookbook](/weave/cookbooks/import_from_csv) を参照）。
- - 様々な プログラミングフレームワーク や言語から Weave に ログ を記録するためのサービス API エンドポイント。詳細は [こちら](https://docs.wandb.ai/weave/reference/service-api/calls/call-start) を参照。
-- **データ出力：**
- - CSV、TSV、JSONL、JSON 形式での簡単なデータダウンロード。詳細は [こちら](/weave/reference/service-api) を参照。
- - プログラムによる データアクセス を使用した簡単なエクスポート。このクックブックで説明されているエクスポート パネル の "Use Python" セクションを参照してください。詳細は [こちら](/weave/guides/tracking/tracing#querying-and-exporting-calls) を参照してください。
+* **データ入力:**
+ * フレームワークに依存しないトレースを行える [@weave-op()](/ja/weave/quickstart#2-log-a-trace-to-a-new-project) デコレーターと、CSV から呼び出しをインポートする機能（関連する [import cookbook](/ja/weave/cookbooks/import_from_csv) を参照）
+ * さまざまなプログラミング フレームワークや言語から Weave にログを送信するための Service API エンドポイント。詳細は [こちら](https://docs.wandb.ai/weave/reference/service-api/calls/call-start) を参照してください。
+* **データ出力:**
+ * CSV、TSV、JSONL、JSON 形式でのデータの簡単なダウンロード — 詳細は [こちら](/ja/weave/reference/service-api) を参照してください。
+ * プログラムからデータにアクセスして簡単にエクスポート可能 — このクックブックで説明したように、エクスポートパネルの "Use Python" セクションを参照してください。詳細は [こちら](/ja/weave/guides/tracking/tracing#querying-and-exporting-calls) を参照してください。
-このカスタム ダッシュボード は Weave ネイティブの トレース ビューを拡張し、プロダクション環境における LLM アプリケーション のカスタマイズされたモニタリングを可能にします。より複雑な ダッシュボード を見たい場合は、自身の Weave プロジェクト の URL を追加できる [このリポジトリ](https://github.com/NiWaRe/agent-dev-collection) の Streamlit の例をチェックしてください。
\ No newline at end of file
+このカスタム ダッシュボードは Weave の標準の Traces ビューを拡張し、本番環境で稼働する LLM アプリケーションをニーズに合わせて監視できるようにします。より複雑なダッシュボードを確認したい場合は、自分の Weave プロジェクト URL を追加できる Streamlit の例を [このリポジトリ](https://github.com/NiWaRe/agent-dev-collection) で参照してください。
\ No newline at end of file
diff --git a/ja/weave/cookbooks/pii.mdx b/ja/weave/cookbooks/pii.mdx
index 69ac842d55..3a89487af2 100644
--- a/ja/weave/cookbooks/pii.mdx
+++ b/ja/weave/cookbooks/pii.mdx
@@ -1,42 +1,49 @@
---
-title: PII データの取り扱い
-description: W&B Weave で PII データ (個人情報) を処理する方法について説明します
+title: "PII データの取り扱い"
+description: "W&B Weave で PII データハンドリングを使用する方法を学ぶ"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
-- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/pii.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/pii.ipynb)
+ これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクから開くことができます：
+
+ * [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/pii.ipynb)
+ * [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/pii.ipynb)
-##
+##
-# PII データで Weave を使用する方法
+
+ # Weave と PII データの使い方
+
-このガイドでは、個人識別情報（PII）データのプライバシーを確保しながら W&B Weave を使用する方法を学びます。このガイドでは、PII データを特定、墨消し（redact）、および匿名化するための以下の手法をデモします：
+このガイドでは、個人を特定できる情報 (Personally Identifiable Information, PII) データを非公開のまま維持しつつ、W&B Weave を使用する方法を説明します。PII データを特定、マスキング (redact)、匿名化するための次の方法を紹介します。
-1. **正規表現** を使用して PII データを特定し、墨消しする。
-2. **Microsoft の [Presidio](https://microsoft.github.io/presidio/)**：Python ベースのデータ保護 SDK。このツールは墨消しおよび置換機能を提供します。
-3. **[Faker](https://faker.readthedocs.io/en/master/)**：偽のデータを生成するための Python ライブラリ。Presidio と組み合わせて PII データを匿名化します。
+1. PII データを特定してマスキングするための **正規表現**。
+2. Python ベースのデータ保護 SDK である **Microsoft の [Presidio](https://microsoft.github.io/presidio/)**。このツールはマスキングおよび置換の機能を提供します。
+3. 偽データを生成するための Python ライブラリである **[Faker](https://faker.readthedocs.io/en/master/)** と Presidio を組み合わせて、PII データを匿名化します。
-さらに、_`weave.op` の入力/出力ログのカスタマイズ_ と _`autopatch_settings`_ を使用して、PII の墨消しと匿名化をワークフローに統合する方法についても学びます。詳細については、[ログに記録される入力と出力のカスタマイズ](/weave/guides/tracking/ops/#customize-logged-inputs-and-outputs) を参照してください。
+さらに、*`weave.op` の入出力ロギングのカスタマイズ* と *`autopatch_settings`* を使用して、PII データのマスキングおよび匿名化処理をワークフローに統合する方法も学びます。詳細については、[ログに記録される入力と出力をカスタマイズする](/ja/weave/guides/tracking/ops/#customize-logged-inputs-and-outputs) を参照してください。
-開始するには、以下を行ってください：
+開始するには、次の手順を実行します。
-1. [概要](#概要) セクションを確認する。
-2. [事前準備](#事前準備) を完了する。
-3. PII データの特定、墨消し、匿名化のための [利用可能な手法](#墨消しメソッドの概要) を確認する。
-4. [Weave の呼び出しにメソッドを適用する](#weave-の呼び出しにメソッドを適用する)。
+1. [概要](#overview) セクションを確認します。
+2. [前提条件](#prerequisites) の手順を完了します。
+3. PII データを特定、マスキング、匿名化するための [利用可能な方法](#redaction-methods-overview) を確認します。
+4. [これらの方法を Weave 呼び出しに適用](#apply-the-methods-to-weave-calls) します。
-## 概要
+
+ ## 概要
+
-以下のセクションでは、`weave.op` を使用した入力と出力のログ記録の概要、および Weave で PII データを扱う際のベストプラクティスについて説明します。
+このセクションでは、`weave.op` を使用した入力および出力のログ記録の概要と、Weave で PII データを扱う際のベストプラクティスについて説明します。
-### `weave.op` を使用した入力と出力のログ記録のカスタマイズ
+
+ ### `weave.op` を使って入力と出力のロギングをカスタマイズする
+
-Weave Ops では、入力および出力の後処理関数を定義できます。これらの関数を使用することで、LLM 呼び出しに渡されるデータや Weave にログ記録されるデータを変更できます。
+Weave Ops を使用すると、入力と出力の後処理関数を定義できます。これらの関数を使うことで、LLM 呼び出しに渡されるデータや Weave に記録されるデータを変更できます。
-以下の例では、2 つの後処理関数が定義され、`weave.op()` の引数として渡されています。
+次の例では、2 つの後処理関数を定義し、それらを引数として `weave.op()` に渡しています。
```python lines
from dataclasses import dataclass
@@ -44,7 +51,7 @@ from typing import Any
import weave
-# 入力用ラッパークラス
+# 入力ラッパークラス
@dataclass
class CustomObject:
x: int
@@ -57,7 +64,7 @@ def postprocess_inputs(inputs: dict[str, Any]) -> dict[str, Any]:
def postprocess_output(output: CustomObject) -> CustomObject:
return CustomObject(x=output.x, secret_password="REDACTED")
-# 次に、@weave.op デコレータを使用する際に、これらの処理関数をデコレータの引数として渡します：
+# 次に、`@weave.op` デコレーターを使用する際に、これらの処理関数をデコレーターの引数として渡します：
@weave.op(
postprocess_inputs=postprocess_inputs,
postprocess_output=postprocess_output,
@@ -66,53 +73,63 @@ def some_llm_call(a: int, hide_me: str) -> CustomObject:
return CustomObject(x=a, secret_password=hide_me)
```
-### PII データで Weave を使用するためのベストプラクティス
+
+ ### PII データで Weave を使用する際のベストプラクティス
+
-PII データで Weave を使用する前に、以下のベストプラクティスを確認してください。
+PII データで Weave を使用する前に、PII データで Weave を使用する際のベストプラクティスを確認してください。
-#### テスト中
+
+ #### テスト時
+
-- 匿名化されたデータをログに記録し、PII 検出を確認する
-- PII の取り扱いプロセスを Weave Traces で追跡する
-- 実際の PII を公開せずに匿名化のパフォーマンスを測定する
+* 匿名化したデータをログに記録して PII 検出を確認する
+* Weave Traces で PII 処理プロセスを追跡する
+* 実際の PII をさらすことなく匿名化処理の性能を測定する
-#### プロダクション環境
+
+ #### 本番環境では
+
-- 生の PII を決してログに記録しない
-- ログを記録する前に機密フィールドを暗号化する
+* 生の PII データは絶対にログに記録しない
+* 機密性の高い項目はログ出力前に暗号化する
-#### 暗号化のヒント
+
+ #### 暗号化のヒント
+
-- 後で復号する必要があるデータには可逆暗号を使用する
-- 元に戻す必要のない一意の ID には一方向ハッシュを適用する
-- 暗号化したまま分析が必要なデータには、専用の暗号化を検討する
+* 後で復号する必要があるデータには、可逆的な暗号化方式を使用する
+* 元に戻す必要がない一意の ID には、一方向ハッシュを適用する
+* 暗号化したまま解析する必要があるデータには、専用の暗号化方式の利用を検討する
-## 事前準備
+
+ ## 前提条件
+
-1. まず、必要なパッケージをインストールします。
+1. まず、必要なパッケージをインストールしてください。
```python lines
%%capture
-# @title 必要な Python パッケージ：
+# @title 必要な Python パッケージ:
!pip install cryptography
!pip install presidio_analyzer
!pip install presidio_anonymizer
!python -m spacy download en_core_web_lg # Presidio は spacy NLP エンジンを使用します
-!pip install Faker # Faker を使用して PII データを偽データに置き換えます
-!pip install weave # Traces を活用するため
+!pip install Faker # PII データを偽のデータに置き換えるために Faker を使用します
+!pip install weave # トレースを活用するため
!pip install set-env-colab-kaggle-dotenv -q # 環境変数用
!pip install anthropic # sonnet を使用するため
!pip install cryptography # データを暗号化するため
```
-2. 以下のサイトで APIキー を作成します：
+2. 次の場所で API キーを作成します。
- - [W&B ユーザー設定](https://wandb.ai/settings)
- - [Anthropic Console](https://console.anthropic.com/settings/keys)
+ * [W&B ユーザー設定](https://wandb.ai/settings)
+ * [Anthropic Console](https://platform.claude.com/login?returnTo=%2Fsettings%2Fkeys)
```python lines
%%capture
-# @title API キーを正しく設定します
+# @title API キーを正しく設定する
# 使用方法については https://pypi.org/project/set-env-colab-kaggle-dotenv/ を参照してください。
from set_env import set_env
@@ -126,149 +143,157 @@ _ = set_env("WANDB_API_KEY")
```python lines
import weave
-# 新しい Weave プロジェクトを開始します
+# 新しい Weave プロジェクトを開始する
WEAVE_PROJECT = "pii_cookbook"
weave.init(WEAVE_PROJECT)
```
-4. 10 個のテキストブロックを含むデモ PII データセットをロードします。
+4. 10 個のテキストブロックを含むデモ用の PII データセットを読み込みます。
```python lines
import requests
-url = "https://raw.githubusercontent.com/wandb/weave/master/docs/notebooks/10_pii_data.json"
+url = "https://raw.githubusercontent.com/wandb/docs/main/weave/cookbooks/source/10_pii_data.json"
response = requests.get(url)
pii_data = response.json()
-print('PII データの最初のサンプル: "' + pii_data[0]["text"] + '"')
+print('PII data first sample: "' + pii_data[0]["text"] + '"')
```
-## 墨消しメソッドの概要
+
+ ## マスキング方法の概要
+
-[セットアップ](#setup) が完了したら、次のことができます。
+[セットアップ](#setup) が完了したら、次のことができるようになります。
-PII データを検出して保護するために、以下の方法を用いて PII データを特定して墨消しし、オプションで匿名化します。
+PII データを検出して保護するために、以下の方法で PII データを特定してマスキングし、必要に応じて匿名化します。
-1. **正規表現** を使用して PII データを特定し、墨消しする。
-2. **Microsoft [Presidio](https://microsoft.github.io/presidio/)**：墨消しおよび置換機能を提供する Python ベースのデータ保護 SDK。
-3. **[Faker](https://faker.readthedocs.io/en/master/)**：偽データを生成するための Python ライブラリ。
+1. **正規表現** を使用して PII データを特定し、マスキングします。
+2. Python ベースのデータ保護 SDK である **Microsoft [Presidio](https://microsoft.github.io/presidio/)** を使用して、マスキングや置換処理を行います。
+3. ダミーデータを生成する Python ライブラリである **[Faker](https://faker.readthedocs.io/en/master/)** を使用します。
-### メソッド 1: 正規表現を使用したフィルタリング
+
+ ### 方法 1: 正規表現によるフィルタリング
+
-[正規表現 (regex)](https://docs.python.org/3/library/re.html) は、PII データを特定して墨消しするための最もシンプルな方法です。正規表現を使用すると、電話番号、メールアドレス、社会保障番号などのさまざまな形式の機密情報に一致するパターンを定義できます。正規表現を使用することで、複雑な NLP 技術を必要とせずに、大量のテキストをスキャンして情報を置換または墨消しできます。
+[Regular expressions (regex)](https://docs.python.org/3/library/re.html) は、PII データを検出してマスクする最も簡単な方法です。regex を使うと、電話番号、メールアドレス、社会保障番号などの機密情報のさまざまな形式にマッチするパターンを定義できます。regex を用いることで、大量のテキストをスキャンし、より複雑な NLP 手法を使わずに情報を置換またはマスクできます。
```python lines
import re
-# 正規表現を使用して PII データをクリーニングする関数を定義
+# regex を使用して PII データを削除する関数を定義する
def redact_with_regex(text):
- # 電話番号のパターン
- # \b : 単語の境界
- # \d{3} : ちょうど3桁の数字
- # [-.]? : オプションのハイフンまたはドット
- # \d{3} : さらに3桁の数字
- # [-.]? : オプションのハイフンまたはドット
- # \d{4} : ちょうど4桁の数字
- # \b : 単語の境界
+ # 電話番号パターン
+ # \b : 単語境界
+ # \d{3} : 正確に 3 桁
+ # [-.]? : 任意のハイフンまたはドット
+ # \d{3} : さらに 3 桁
+ # [-.]? : 任意のハイフンまたはドット
+ # \d{4} : 正確に 4 桁
+ # \b : 単語境界
text = re.sub(r"\b\d{3}[-.]?\d{3}[-.]?\d{4}\b", "", text)
- # メールアドレスのパターン
- # \b : 単語の境界
- # [A-Za-z0-9._%+-]+ : メールのユーザー名に使用できる1文字以上の文字
- # @ : 文字通りの @ 記号
- # [A-Za-z0-9.-]+ : ドメイン名に使用できる1文字以上の文字
- # \. : 文字通りのドット
- # [A-Z|a-z]{2,} : 2文字以上の英字（TLD）
- # \b : 単語の境界
+ # メールパターン
+ # \b : 単語境界
+ # [A-Za-z0-9._%+-]+ : メールのユーザー名に使用できる 1 文字以上
+ # @ : リテラルの @ 記号
+ # [A-Za-z0-9.-]+ : ドメイン名に使用できる 1 文字以上
+ # \. : リテラルのドット
+ # [A-Z|a-z]{2,} : 2 文字以上の大文字または小文字 (TLD)
+ # \b : 単語境界
text = re.sub(
r"\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b", "", text
)
- # SSN（社会保障番号）のパターン
- # \b : 単語の境界
- # \d{3} : ちょうど3桁の数字
- # - : 文字通りのハイフン
- # \d{2} : ちょうど2桁の数字
- # - : 文字通りのハイフン
- # \d{4} : ちょうど4桁の数字
- # \b : 単語の境界
+ # SSN パターン
+ # \b : 単語境界
+ # \d{3} : 正確に 3 桁
+ # - : リテラルのハイフン
+ # \d{2} : 正確に 2 桁
+ # - : リテラルのハイフン
+ # \d{4} : 正確に 4 桁
+ # \b : 単語境界
text = re.sub(r"\b\d{3}-\d{2}-\d{4}\b", "", text)
- # シンプルな名前のパターン（これは包括的ではありません）
- # \b : 単語の境界
- # [A-Z] : 1つの大文字
- # [a-z]+ : 1文字以上の小文字
- # \s : 1つの空白文字
- # [A-Z] : 1つの大文字
- # [a-z]+ : 1文字以上の小文字
- # \b : 単語の境界
+ # 簡易名前パターン (網羅的ではない)
+ # \b : 単語境界
+ # [A-Z] : 大文字 1 文字
+ # [a-z]+ : 1 文字以上の小文字
+ # \s : 空白文字 1 文字
+ # [A-Z] : 大文字 1 文字
+ # [a-z]+ : 1 文字以上の小文字
+ # \b : 単語境界
text = re.sub(r"\b[A-Z][a-z]+ [A-Z][a-z]+\b", "", text)
return text
```
-サンプルテキストで関数をテストしてみましょう：
+それでは、サンプルテキストを使って関数をテストしてみましょう：
```python lines
-# 関数のテスト
+# 関数をテストする
test_text = "My name is John Doe, my email is john.doe@example.com, my phone is 123-456-7890, and my SSN is 123-45-6789."
cleaned_text = redact_with_regex(test_text)
-print(f"Raw text:\n\t{test_text}")
-print(f"Redacted text:\n\t{cleaned_text}")
+print(f"元のテキスト:\n\t{test_text}")
+print(f"編集済みテキスト:\n\t{cleaned_text}")
```
-### メソッド 2: Microsoft Presidio を使用した墨消し
+
+ ### Method 2: Microsoft Presidio を使ってマスキングする
+
-次のメソッドは、[Microsoft Presidio](https://microsoft.github.io/presidio/) を使用して PII データを完全に削除する方法です。Presidio は PII を墨消しし、PII タイプを表すプレースホルダーに置き換えます。例えば、Presidio は `"My name is Alex"` の `Alex` を `` に置き換えます。
+次の方法では、[Microsoft Presidio](https://microsoft.github.io/presidio/) を使用して PII データを完全に削除します。Presidio は PII をマスキングし、その PII の種類を表すプレースホルダーに置き換えます。たとえば、Presidio は `"My name is Alex"` の中の `Alex` を `` に置き換えます。
-Presidio には、[一般的なエンティティ](https://microsoft.github.io/presidio/supported_entities/) のサポートが組み込まれています。以下の例では、`PHONE_NUMBER`、`PERSON`、`LOCATION`、`EMAIL_ADDRESS`、または `US_SSN` であるすべてのエンティティを墨消しします。Presidio のプロセスは関数にカプセル化されています。
+Presidio には、[一般的なエンティティ](https://microsoft.github.io/presidio/supported_entities/) を対象とした機能があらかじめ組み込まれています。以下の例では、`PHONE_NUMBER`、`PERSON`、`LOCATION`、`EMAIL_ADDRESS`、`US_SSN` に該当するすべてのエンティティをマスキングします。Presidio の処理は 1 つの関数にカプセル化されています。
```python lines
from presidio_analyzer import AnalyzerEngine
from presidio_anonymizer import AnonymizerEngine
-# 分析器（Analyzer）をセットアップ。NLPモジュール（デフォルトはspaCyモデル）や他のPII認識器をロードします。
+# Analyzer をセットアップします。NLP モジュール（デフォルトでは spaCy モデル）およびその他の PII 認識器を読み込みます。
analyzer = AnalyzerEngine()
-# 匿名化器（Anonymizer）をセットアップ。分析結果を使用してテキストを匿名化します。
+# Anonymizer をセットアップします。アナライザーの結果を使用してテキストを匿名化します。
anonymizer = AnonymizerEngine()
-# Presidio の墨消しプロセスを関数にカプセル化
+# Presidio のリダクション処理を関数にカプセル化します
def redact_with_presidio(text):
- # テキストを分析して PII データを特定
+ # テキストを解析して PII データを特定します
results = analyzer.analyze(
text=text,
entities=["PHONE_NUMBER", "PERSON", "LOCATION", "EMAIL_ADDRESS", "US_SSN"],
language="en",
)
- # 特定された PII データを匿名化
+ # 特定された PII データを匿名化します
anonymized_text = anonymizer.anonymize(text=text, analyzer_results=results)
return anonymized_text.text
```
-サンプルテキストで関数をテストしてみましょう：
+この関数をサンプルテキストでテストしてみましょう。
```python lines
text = "My phone number is 212-555-5555 and my name is alex"
-# 関数のテスト
+# 関数をテストする
anonymized_text = redact_with_presidio(text)
-print(f"Raw text:\n\t{text}")
-print(f"Redacted text:\n\t{anonymized_text}")
+print(f"元のテキスト:\n\t{text}")
+print(f"編集済みテキスト:\n\t{anonymized_text}")
```
-### メソッド 3: Faker と Presidio を使用した置換による匿名化
+
+ ### メソッド 3: Faker と Presidio を使った置換による匿名化
+
-テキストを墨消しする代わりに、MS Presidio を使用して名前や電話番号などの PII を [Faker](https://faker.readthedocs.io/en/master/) Python ライブラリで生成された偽データに交換することで匿名化できます。例えば、次のようなデータがあるとします：
+テキストをマスキングする代わりに、MS Presidio を使って名前や電話番号といった PII を、[Faker](https://faker.readthedocs.io/en/master/) Python ライブラリで生成した偽データに置き換えることで匿名化できます。たとえば、次のようなデータがあるとします。
`"My name is Raphael and I like to fish. My phone number is 212-555-5555"`
-Presidio と Faker を使用して処理されると、次のようになります：
+このデータを Presidio と Faker を使って処理すると、次のようになります。
`"My name is Katherine Dixon and I like to fish. My phone number is 667.431.7379"`
-Presidio と Faker を効果的に組み合わせて使用するには、カスタムオペレーターへの参照を提供する必要があります。これらのオペレーターは、PII を偽データに交換する役割を担う Faker 関数を Presidio に指示します。
+Presidio と Faker を効果的に組み合わせて使うには、カスタムオペレーターへの参照を指定する必要があります。これらのオペレーターによって、PII を偽データに置き換えるための Faker 関数を Presidio に関連付けます。
```python lines
from faker import Faker
@@ -277,14 +302,14 @@ from presidio_anonymizer.entities import OperatorConfig
fake = Faker()
-# Faker 関数を作成（値を受け取る必要があることに注意）
+# faker 関数を作成する（値を受け取る必要があることに注意）
def fake_name(x):
return fake.name()
def fake_number(x):
return fake.phone_number()
-# PERSON および PHONE_NUMBER エンティティ用のカスタムオペレーターを作成
+# PERSON および PHONE_NUMBER エンティティ用のカスタムオペレーターを作成する
operators = {
"PERSON": OperatorConfig("custom", {"lambda": fake_name}),
"PHONE_NUMBER": OperatorConfig("custom", {"lambda": fake_number}),
@@ -294,14 +319,14 @@ text_to_anonymize = (
"My name is Raphael and I like to fish. My phone number is 212-555-5555"
)
-# 分析器の出力
+# アナライザーの出力
analyzer_results = analyzer.analyze(
text=text_to_anonymize, entities=["PHONE_NUMBER", "PERSON"], language="en"
)
anonymizer = AnonymizerEngine()
-# 上記のオペレーターを匿名化器に渡すのを忘れないでください
+# 上記のオペレーターを匿名化エンジンに渡すことを忘れずに
anonymized_results = anonymizer.anonymize(
text=text_to_anonymize, analyzer_results=analyzer_results, operators=operators
)
@@ -310,7 +335,7 @@ print(f"Raw text:\n\t{text_to_anonymize}")
print(f"Anonymized text:\n\t{anonymized_results.text}")
```
-コードを 1 つのクラスにまとめ、エンティティのリストを拡張して、以前に特定した追加のエンティティを含めましょう。
+コードを 1 つのクラスにまとめ、先ほど特定した追加のものも含められるように Entities の一覧を拡張しましょう。
```python lines
from typing import ClassVar
@@ -319,9 +344,9 @@ from faker import Faker
from presidio_anonymizer import AnonymizerEngine
from presidio_anonymizer.entities import OperatorConfig
-# Faker を拡張した偽データ生成用のカスタムクラス
+# Faker を拡張してフェイクデータを生成するカスタムクラス
class MyFaker(Faker):
- # Faker 関数を作成（値を受け取る必要があることに注意）
+ # faker 関数を作成する（値を受け取る必要があることに注意）
def fake_address(self):
return fake.address()
@@ -337,7 +362,7 @@ class MyFaker(Faker):
def fake_email(self):
return fake.email()
- # エンティティ用のカスタムオペレーターを作成
+ # エンティティ用のカスタムオペレーターを作成する
operators: ClassVar[dict[str, OperatorConfig]] = {
"PERSON": OperatorConfig("custom", {"lambda": fake_name}),
"PHONE_NUMBER": OperatorConfig("custom", {"lambda": fake_number}),
@@ -359,7 +384,7 @@ class MyFaker(Faker):
return anonymized_results.text
```
-サンプルテキストで関数をテストしてみましょう：
+この関数をサンプルテキストでテストしてみましょう：
```python lines
faker = MyFaker()
@@ -372,14 +397,16 @@ print(f"Raw text:\n\t{text_to_anonymize}")
print(f"Anonymized text:\n\t{anonymized_text}")
```
-### メソッド 4: `autopatch_settings` の使用
+
+ ### 方法 4: `autopatch_settings` を使う
+
-`autopatch_settings` を使用すると、サポートされている 1 つ以上の LLM インテグレーションに対して、初期化中に PII の処理を直接設定できます。この方法の利点は次のとおりです：
+`autopatch_settings` を使うと、サポートされている LLM インテグレーションの 1 つ以上に対して、初期化時に直接 PII の処理を設定できます。この方法の利点は次のとおりです。
-1. PII 処理ロジックが初期化時に一元化およびスコープ定義されるため、カスタムロジックを散在させる必要がなくなります。
-2. 特定のインテグレーションに対して、PII 処理ワークフローをカスタマイズしたり、完全に無効にしたりできます。
+1. PII 処理ロジックを初期化時に集約し、初期化単位で管理できるため、散在するカスタムロジックの必要性を減らせます。
+2. 特定のインテグレーションについて、PII 処理ワークフローをカスタマイズしたり、完全に無効化したりできます。
-`autopatch_settings` を使用して PII 処理を設定するには、サポートされている LLM インテグレーションのいずれかの `op_settings` 内で `postprocess_inputs` や `postprocess_output` を定義します。
+`autopatch_settings` を使って PII 処理を設定するには、サポートされているいずれかの LLM インテグレーションについて、`op_settings` 内で `postprocess_inputs` および／または `postprocess_output` を定義します。
```python lines
@@ -407,19 +434,23 @@ client = weave.init(
)
```
-## Weave の呼び出しにメソッドを適用する
+
+ ## Weave 呼び出しにこれらのメソッドを適用する
+
-以下の例では、PII の墨消しおよび匿名化メソッドを Weave Models に統合し、Weave Traces で結果を確認します。
+次の例では、PII のマスキングおよび匿名化メソッドを Weave Models に統合し、その結果を Weave Traces でプレビューします。
-まず、[Weave Model](https://wandb.github.io/weave/guides/core-types/models) を作成します。Weave Model は、設定、モデルの重み、およびモデルの動作を定義するコードなどの情報の組み合わせです。
+まず、[Weave Model](https://docs.wandb.ai/weave/guides/core-types/models) を作成します。Weave Model は、設定、モデル重み、モデルの動作を定義するコードなどの情報を組み合わせたものです。
-モデルには、Anthropic API が呼び出される predict 関数を含めます。Anthropic の Claude Sonnet を使用して [Traces](https://wandb.github.io/weave/quickstart) を行いながらセンチメント分析を実行します。Claude Sonnet はテキストブロックを受け取り、_positive_、_negative_、または _neutral_ のいずれかのセンチメント分類を出力します。さらに、LLM に送信される前に PII データを墨消しまたは匿名化するための後処理関数を含めます。
+このモデルには、Anthropic API を呼び出す `predict` 関数を含めます。Anthropic の Claude Sonnet は、[Traces](https://docs.wandb.ai/weave/quickstart) を使って LLM 呼び出しをトレースしながら感情分析を実行します。Claude Sonnet はテキストブロックを受け取り、次のいずれかの感情クラスとして出力します: *positive*、*negative*、*neutral*。さらに、PII データが LLM に送信される前に必ずマスキングまたは匿名化されるよう、後処理用の関数も含めます。
-このコードを実行すると、Weave プロジェクトページへのリンクと、実行した特定のトレース（LLM 呼び出し）へのリンクが表示されます。
+このコードを実行すると、Weave プロジェクトページへのリンクと、実行した特定の trace（LLM 呼び出し）へのリンクが表示されます。
-### 正規表現メソッド
+
+ ### Regex メソッド
+
-最もシンプルなケースとして、正規表現を使用して元のテキストから PII データを特定して墨消しできます。
+最も単純な場合は、元のテキストから PII データを検出してマスクするために正規表現 (regex) を使用できます。
```python lines
import json
@@ -429,7 +460,7 @@ import anthropic
import weave
-# モデルの予測用 Weave Op に対して、正規表現による墨消しを適用する入力後処理関数を定義します
+# モデル予測 Weave Op に対して regex による秘匿化を適用する入力後処理関数を定義する
def postprocess_inputs_regex(inputs: dict[str, Any]) -> dict:
inputs["text_block"] = redact_with_regex(inputs["text_block"])
return inputs
@@ -458,8 +489,8 @@ class SentimentAnalysisRegexPiiModel(weave.Model):
raise ValueError("No response from model")
parsed = json.loads(result)
return parsed
-
-# システムプロンプトを含む LLM モデルを作成します
+python
+# システムプロンプトを指定して LLM モデルを作成する
model = SentimentAnalysisRegexPiiModel(
name="claude-3-sonnet",
model_name="claude-3-5-sonnet-20240620",
@@ -468,17 +499,19 @@ model = SentimentAnalysisRegexPiiModel(
)
print("Model: ", model)
-# 各テキストブロックに対して、まず匿名化してから予測を行います
+# テキストブロックごとに、まず匿名化してから予測を実行する
for entry in pii_data:
await model.predict(entry["text"])
```
-### Presidio 墨消しメソッド
+
+ ### Presidio によるマスキング手法
+
-次に、Presidio を使用して元のテキストから PII データを特定して墨消しします。
+次に、Presidio を使用して元のテキストから PII データを特定し、マスキングします。
+ ### Faker と Presidio を用いた置換方法
+
-この例では、Faker を使用して匿名化された置換用 PII データを生成し、Presidio を使用して元のテキスト内の PII データを特定して置換します。
+この例では、Faker で匿名化された PII の代替データを生成し、Presidio で元のテキスト内の PII を検出して置換します。
+ ### `autopatch_settings` メソッド
+
-以下の例では、初期化時に `anthropic` の `postprocess_inputs` を `postprocess_inputs_regex()` 関数に設定しています。`postprocess_inputs_regex` 関数は、[メソッド 1: 正規表現を使用したフィルタリング](#method-1-regular-expression-filtering) で定義された `redact_with_regex` メソッドを適用します。これにより、すべての `anthropic` モデルへの入力すべてに対して `redact_with_regex` が適用されるようになります。
+次の例では、初期化時に `anthropic` に対する `postprocess_inputs` を `postprocess_inputs_regex()` 関数に設定します。`postprocess_inputs_regex` 関数は、[Method 1: Regular Expression Filtering](#method-1-regular-expression-filtering) で定義した `redact_with_regex` メソッドを適用します。これにより、すべての `anthropic` モデルへの入力に `redact_with_regex` が適用されるようになります。
```python lines
from typing import Any
@@ -609,7 +646,7 @@ client = weave.init(
},
)
-# モデルの予測用 Weave Op に対して、正規表現による墨消しを適用する入力後処理関数を定義します
+# モデル予測 Weave Op に対して正規表現による秘匿化を適用する入力後処理関数を定義する
def postprocess_inputs_regex(inputs: dict[str, Any]) -> dict:
inputs["text_block"] = redact_with_regex(inputs["text_block"])
return inputs
@@ -635,8 +672,8 @@ class SentimentAnalysisRegexPiiModel(weave.Model):
raise ValueError("No response from model")
parsed = json.loads(result)
return parsed
-
-# システムプロンプトを含む LLM モデルを作成します
+python
+# システムプロンプトを使って LLM モデルを作成する
model = SentimentAnalysisRegexPiiModel(
name="claude-3-sonnet",
model_name="claude-3-5-sonnet-20240620",
@@ -645,18 +682,20 @@ model = SentimentAnalysisRegexPiiModel(
)
print("Model: ", model)
-# 各テキストブロックに対して、まず匿名化してから予測を行います
+# テキストブロックごとに、まず匿名化してから予測を実行する
for entry in pii_data:
await model.predict(entry["text"])
```
-### (オプション) データの暗号化
+
+ ### （オプション）データを暗号化する
+
-これは対話型の ノートブック です。ローカルで実行するか、以下のリンクを使用してください：
+これは対話型ノートブックです。ローカルで実行するか、以下のリンクから利用できます:
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/scorers_as_guardrails.ipynb)
-- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/scorers_as_guardrails.ipynb)
+- [GitHub 上のソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/scorers_as_guardrails.ipynb)
-# ガードレールとしての Scorers
+
+ # ガードレールとしての Scorers
+
-Weave の Scorers は、call のパフォーマンスを評価できる `score` メソッドを持つ特殊なクラスです。これらは、単純なルールから LLM を判定役（LLM-as-a-judge）とする複雑なものまで多岐にわたります。
+Weave Scorers は、呼び出しのパフォーマンスを評価する `score` メソッドを持つ特別なクラスです。単純なルールから、判定者として動作する複雑な LLM まで、さまざまなものがあります。
-この ノートブック では、LLM が有害なコンテンツや不適切なコンテンツを生成するのを防ぐためのガードレールとして、Scorers を使用する方法を詳しく見ていきます。
+このノートブックでは、Scorers をガードレールとして使用し、LLM が有害または不適切なコンテンツを生成することを防ぐ方法を見ていきます。
```python lines
%pip install weave --quiet
python
"""
-Weave でガードレールを実装する方法を示す例。
-この例では、潜在的に有害またはネガティブな応答を防ぐための
-シンプルなコンテンツ安全性チェッカーを示します。
+Weave でガードレールを実装する方法を示すサンプルコードです。
+有害または否定的なレスポンスを防ぐシンプルなコンテンツ安全チェッカーを示します。
"""
import weave
-# 分かりやすいプロジェクト名で Weave を初期化
+# わかりやすいプロジェクト名で Weave を初期化する
weave.init("content-safety-guardrails")
class ContentSafetyScorer(weave.Scorer):
- """指定されたフレーズの有無に基づいてコンテンツの安全性を評価する scorer。"""
+ """指定されたフレーズの有無に基づいてコンテンツの安全性を評価するスコアラー。"""
unsafe_phrases: list[str]
case_sensitive: bool = False
@@ -38,7 +39,7 @@ class ContentSafetyScorer(weave.Scorer):
@weave.op
def score(self, output: str) -> bool:
"""
- 不適切なフレーズの有無に基づいて出力の安全性を評価します。
+ 安全でないフレーズの有無に基づいて出力の安全性を評価する。
Args:
output: 評価対象のテキスト出力
@@ -56,7 +57,7 @@ class ContentSafetyScorer(weave.Scorer):
@weave.op
def generate_response(prompt: str) -> str:
- """LLM の応答生成をシミュレートします。"""
+ """LLM のレスポンス生成をシミュレートする。"""
if "test" in prompt.lower():
return "I'm sorry, I cannot process that request."
elif "help" in prompt.lower():
@@ -66,22 +67,22 @@ def generate_response(prompt: str) -> str:
async def process_with_guardrail(prompt: str) -> str:
"""
- コンテンツ安全性のガードレールを使用してユーザー入力を処理します。
- 安全な場合は応答を返し、安全でない場合はフォールバックメッセージを返します。
+ コンテンツ安全ガードレールを使用してユーザー入力を処理する。
+ 安全な場合はレスポンスを返し、安全でない場合はフォールバックメッセージを返す。
"""
- # 安全性 scorer を初期化
+ # 安全スコアラーを初期化する
safety_scorer = ContentSafetyScorer(
name="Content Safety Checker",
unsafe_phrases=["sorry", "cannot", "unable", "won't", "will not"],
)
- # 応答を生成し、Call オブジェクトを取得
+ # レスポンスを生成して Call オブジェクトを取得する
response, call = generate_response.call(prompt)
- # 安全性スコアリングを適用
+ # 安全スコアリングを適用する
evaluation = await call.apply_scorer(safety_scorer)
- # 安全性チェックに基づいて、応答またはフォールバックを返す
+ # 安全チェックの結果に基づいてレスポンスまたはフォールバックを返す
if evaluation.result:
return response
else:
@@ -94,10 +95,10 @@ test_prompts = [
"Tell me a joke",
]
-print("Testing content safety guardrails:\n")
+print("コンテンツ安全ガードレールをテスト中:\n")
for prompt in test_prompts:
print(f"Input: '{prompt}'")
response = await process_with_guardrail(prompt)
print(f"Response: {response}\n")
-```
\ No newline at end of file
+```
diff --git a/ja/weave/cookbooks/weave_via_service_api.mdx b/ja/weave/cookbooks/weave_via_service_api.mdx
index 19cc73bd89..22d1c66d6a 100644
--- a/ja/weave/cookbooks/weave_via_service_api.mdx
+++ b/ja/weave/cookbooks/weave_via_service_api.mdx
@@ -1,49 +1,53 @@
---
-title: Service API 経由の Weave
-description: W&B Weave のサービス API を介して Weave を使用する方法について説明します。
+title: "Weave Service API を使用してトレースする"
+description: "W&B Weave で Service API を介して Weave トレーシングを行う方法を学ぶ"
---
-これはインタラクティブなノートブックです。ローカルで実行するか、以下のリンクを使用してください：
+これはインタラクティブなノートブックです。ローカル環境で実行するか、次のリンクを使用してください:
- [Google Colab で開く](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/weave_via_service_api.ipynb)
- [GitHub でソースを表示](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/weave_via_service_api.ipynb)
-# Service API を使用して Traces の ログ とクエリを行う
+
+ # Service API を使用してトレースをログし、クエリする
+
-このガイドでは、 Weave Service API を使用して Traces を ログ に記録する方法を学びます。具体的には、Service API を使用して以下の操作を行います。
+このガイドでは、Weave Service API を使用してトレースをログする方法を説明します。具体的には、Service API を使用して次のことを行います。
-1. [シンプルな LLM の呼び出しと応答のモックを作成し、 Weave に ログ を記録する。](#シンプルな-trace)
-2. [より複雑な LLM の呼び出しと応答のモックを作成し、 Weave に ログ を記録する。](#complex-trace)
-3. [ログ に記録された Traces に対してサンプル検索クエリを実行する。](#trace-を終了-2)
+1. [シンプルな LLM 呼び出しと応答のモックを作成し、それを Weave にログする。](#simple-trace)
+2. [より複雑な LLM 呼び出しと応答のモックを作成し、それを Weave にログする。](#complex-trace)
+3. [ログされたトレースに対してサンプルのルックアップクエリを実行する。](#run-a-lookup-query)
-> **ログに記録された Traces を表示する**
+> **ログされたトレースを表示する**
>
-> このガイドの コード を実行した際に作成されたすべての Weave Traces は、 Weave プロジェクト（`team_id\project_id` で指定）の **Traces** タブに移動し、 Trace の名前を選択することで表示できます。
+> このガイドのコードを実行して作成されたすべての Weave トレースは、`team_id\project_id` で指定された Weave プロジェクトの **Traces** タブに移動し、トレース名を選択することで表示できます。
-開始する前に、[事前準備](#事前準備変数とエンドポイントの設定)を完了させてください。
+始める前に、[前提条件](#prerequisites-set-variables-and-endpoints) を満たしてください。
-## 事前準備：変数とエンドポイントの設定
+
+ ## 前提条件: 変数とエンドポイントの設定
+
-以下の コード は、Service API への アクセス に使用される URL エンドポイントを設定します。
+次のコードでは、Service API にアクセスするために使用する URL エンドポイントを設定します:
-- [`https://trace.wandb.ai/call/start`](https://docs.wandb.ai/weave/reference/service-api/calls/call-start)
-- [`https://trace.wandb.ai/call/end`](https://docs.wandb.ai/weave/reference/service-api/calls/call-end)
-- [`https://trace.wandb.ai/calls/stream_query`](https://docs.wandb.ai/weave/reference/service-api/calls/calls-query-stream)
+* [`https://trace.wandb.ai/call/start`](https://docs.wandb.ai/weave/reference/service-api/calls/call-start)
+* [`https://trace.wandb.ai/call/end`](https://docs.wandb.ai/weave/reference/service-api/calls/call-end)
+* [`https://trace.wandb.ai/calls/stream_query`](https://docs.wandb.ai/weave/reference/service-api/calls/calls-query-stream)
-さらに、以下の変数を設定する必要があります。
+さらに、次の変数を設定する必要があります:
-- `project_id`: Traces を ログ に記録したい W&B Projects の名前。
-- `team_id`: W&B の Teams 名。
-- `wandb_token`: あなたの [W&B APIキー](https://wandb.ai/settings)。
+* `project_id`: トレースを記録する W&B プロジェクトの名前。
+* `team_id`: W&B チーム名。
+* `wandb_token`: [W&B API キー](https://wandb.ai/settings)。
-```python
+```python lines
import datetime
import json
import requests
-# ヘッダーとURL
+# ヘッダーと URL
headers = {"Content-Type": "application/json"}
url_start = "https://trace.wandb.ai/call/start"
url_end = "https://trace.wandb.ai/call/end"
@@ -55,25 +59,29 @@ project_id = ""
wandb_token = ""
```
-## シンプルな Trace
-以下のセクションでは、シンプルな Trace の作成手順を説明します。
-1. [シンプルな Trace を開始する](#start-a-simple-trace)
-2. [シンプルな Trace を終了する](#end-a-simple-trace)
+
+ ## シンプルな trace
+
-### シンプルな Trace を開始する
+以下のセクションでは、シンプルな trace を作成する手順を説明します。
-以下の コード は、サンプルの LLM 呼び出し `payload_start` を作成し、`url_start` エンドポイントを使用して Weave に ログ を記録します。`payload_start` オブジェクト は、`Why is the sky blue?`（なぜ空は青いの？）というクエリを用いた OpenAI の `gpt-4o` への呼び出しを模倣しています。
+1. [シンプルな trace を開始する](#start-a-simple-trace)
+2. [シンプルな trace を終了する](#end-a-simple-trace)
-成功すると、この コード は Trace が開始されたことを示すメッセージを出力します。
+
+ ### シンプルなトレースを開始する
+
+
+次のコードは、サンプルの LLM 呼び出し `payload_start` を作成し、`url_start` エンドポイントを使って Weave にログを記録します。`payload_start` オブジェクトは、クエリ `Why is the sky blue?` を用いた OpenAI の `gpt-4o` への呼び出しを模倣しています。
+
+正常に実行されると、このコードはトレースが開始されたことを示すメッセージを出力します。
```
Call started. ID: 01939cdc-38d2-7d61-940d-dcca0a56c575, Trace ID: 01939cdc-38d2-7d61-940d-dcd0e76c5f34
-```
-
-```python
+python
## ------------
-## Trace を開始
+## トレースの開始
## ------------
payload_start = {
"start": {
@@ -81,7 +89,7 @@ payload_start = {
"op_name": "simple_trace",
"started_at": datetime.datetime.now().isoformat(),
"inputs": {
- # 展開された Trace でチャット UI を生成するには、この "messages" スタイルを使用します。
+ # 展開されたトレースでチャット UI を生成するには、この "messages" スタイルを使用してください。
"messages": [{"role": "user", "content": "Why is the sky blue?"}],
"model": "gpt-4o",
},
@@ -95,26 +103,27 @@ if response.status_code == 200:
data = response.json()
call_id = data.get("id")
trace_id = data.get("trace_id")
- print(f"Call started. ID: {call_id}, Trace ID: {trace_id}")
+ print(f"呼び出しが開始されました。ID: {call_id}, Trace ID: {trace_id}")
else:
- print("Start request failed with status:", response.status_code)
+ print("開始リクエストが失敗しました。ステータス:", response.status_code)
print(response.text)
exit()
```
-### シンプルな Trace を終了する
-シンプルな Trace を完了するために、以下の コード はサンプルの LLM 呼び出し `payload_end` を作成し、`url_end` エンドポイントを使用して Weave に ログ を記録します。`payload_end` オブジェクト は、クエリ `Why is the sky blue?` に対する OpenAI の `gpt-4o` からのレスポンスを模倣しています。この オブジェクト は、Weave ダッシュボード の Trace ビューで料金サマリー 情報 とチャットの完了内容が生成されるようにフォーマットされています。
+
+ ### 単純なトレースを終了する
+
-成功すると、この コード は Trace が完了したことを示すメッセージを出力します。
+単純なトレースを完了するために、次のコードはサンプルの LLM 呼び出し `payload_end` を作成し、`url_end` エンドポイントを使って Weave にログします。`payload_end` オブジェクトは、クエリ `Why is the sky blue?` に対して OpenAI の `gpt-4o` から返されるレスポンスを模倣しています。このオブジェクトは、料金サマリー情報とチャット補完結果が Weave ダッシュボードの trace view 上で生成されるようにフォーマットされています。
+
+成功すると、このコードはトレースが完了したことを示すメッセージを出力します。
```
Call ended.
-```
-
-```python
+python
## ------------
-## Trace を終了
+## End trace
## ------------
payload_end = {
"end": {
@@ -122,7 +131,7 @@ payload_end = {
"id": call_id,
"ended_at": datetime.datetime.now().isoformat(),
"output": {
- # 展開された Trace のチャット UI に回答を追加するには、この "choices" スタイルを使用します。
+ # 展開されたトレースのチャット UI に補完を追加するには、この "choices" スタイルを使用します。
"choices": [
{
"message": {
@@ -131,7 +140,7 @@ payload_end = {
},
]
},
- # Traces テーブルに料金サマリー情報を生成するには、サマリーをこのようにフォーマットします。
+ # トレーステーブルに料金サマリー情報を生成するには、このようにサマリーをフォーマットします。
"summary": {
"usage": {
"gpt-4o": {
@@ -154,32 +163,36 @@ else:
print(response.text)
```
-## 複雑な Trace
-以下のセクションでは、マルチオペレーションの RAG 検索に似た、子スパン（child spans）を持つより複雑な Trace の作成手順を説明します。
-1. [複雑な Trace を開始する](#start-a-complex-trace)
-2. [RAG ドキュメント検索用の子スパンを追加する](#add-a-child-span-for-rag-document-lookup)
-3. [LLM 完了呼び出し用の子スパンを追加する](#例rag-ドキュメント検索)
-4. [複雑な Trace を終了する](#llm-完了呼び出しの作成)
+
+ ## 複雑なトレース
+
+
+次のセクションでは、複数の処理から成る RAG ルックアップに似た、子 span を含むより複雑なトレースを作成する手順を説明します。
-### 複雑な Trace を開始する
+1. [複雑なトレースを開始する](#start-a-complex-trace)
+2. [RAG ドキュメント検索用の子 span を追加する](#add-a-child-span-for-a-rag-document-lookup)
+3. [LLM completion 呼び出し用の子 span を追加する](#add-a-child-span-for-an-llm-completion-call)
+4. [複雑なトレースを終了する](#end-a-complex-trace)
-以下の コード は、複数のスパンを持つより複雑な Trace を作成する方法を示しています。この例としては、RAG（検索拡張生成）検索の後に LLM 呼び出しを行う場合が挙げられます。最初のパートでは、全体の操作を表す親 Trace（`payload_parent_start`）を初期化します。このケースでは、ユーザーのクエリ `Can you summarize the key points of this document?`（このドキュメントの要点をまとめてくれますか？）を処理する操作です。
+
+ ### 複雑な trace を開始する
+
-`payload_parent_start` オブジェクト は、マルチステップ ワークフロー の最初のステップを模倣し、`url_start` エンドポイントを使用して Weave に操作を ログ 記録します。
+次のコードは、複数の span を持つ、より複雑な trace を作成する方法を示します。例としては、RAG（Retrieval-Augmented Generation）でドキュメント検索を行い、その後に LLM を呼び出すケースが挙げられます。最初の部分では、全体の処理を表す親 trace（`payload_parent_start`）を初期化します。この場合の処理は、ユーザーのクエリ `Can you summarize the key points of this document?` を処理することです。
-成功すると、この コード は親の呼び出しが ログ に記録されたことを示すメッセージを出力します。
+`payload_parent_start` オブジェクトは、多段階ワークフローの最初のステップを表現しており、`url_start` エンドポイントを使用して Weave に処理内容をログします。
+
+成功すると、このコードは、親呼び出しがログされたことを示すメッセージを出力します。
```
Parent call started. ID: 01939d26-0844-7c43-94bb-cdc471b6d65f, Trace ID: 01939d26-0844-7c43-94bb-cdd97dc296c8
-```
-
-```python
+python
## ------------
-## Trace を開始 (parent)
+## 親トレースの開始
## ------------
-# 親呼び出し: 開始
+# Parent call: Start
payload_parent_start = {
"start": {
"project_id": f"{team_id}/{project_id}",
@@ -203,27 +216,29 @@ else:
exit()
```
-### RAG ドキュメント検索用の子スパンを追加する
-以下の コード は、前のステップで開始した複雑な親 Trace に子スパンを追加する方法を示しています。このステップでは、全体的な ワークフロー 内の RAG ドキュメント検索サブ操作をモデル化しています。
+
+ ### RAG ドキュメント検索の子スパンを追加する
+
+
+次のコードは、前の手順で開始した複雑な親トレースに子スパンを追加する方法を示しています。このステップでは、全体のワークフローにおける RAG ドキュメント検索のサブ処理をモデル化します。
-子 Trace は `payload_child_start` オブジェクト で開始され、以下を含みます。
-- `trace_id`: この子スパンを親 Trace にリンクします。
-- `parent_id`: 子スパンを親の操作に関連付けます。
-- `inputs`: 検索クエリを ログ に記録します。例：
+子トレースは `payload_child_start` オブジェクトで開始し、次の情報を含みます。
+
+* `trace_id`: この子スパンを親トレースに関連付けます。
+* `parent_id`: 子スパンを親の処理に関連付けます。
+* `inputs`: 検索クエリをログに記録します。例:
`"This is a search query of the documents I'm looking for."`
-`url_start` エンドポイントへの呼び出しが成功すると、 コード は子の呼び出しが開始および完了したことを示すメッセージを出力します。
+`url_start` エンドポイントへの呼び出しが成功すると、コードは子呼び出しが開始され、完了したことを示すメッセージを出力します。
```
Child call started. ID: 01939d32-23d6-75f2-9128-36a4a806f179
Child call ended.
-```
-
-```python
+python
## ------------
## 子スパン:
-## 例：RAG ドキュメント検索
+## 例: RAG ドキュメントルックアップ
## ------------
# 子呼び出し: 開始
@@ -274,35 +289,37 @@ else:
print(response.text)
```
-### LLM 完了呼び出し用の子スパンを追加する
-以下の コード は、複雑な親 Trace に別の子スパンを追加し、LLM の完了呼び出しを表現する方法を示しています。このステップでは、前の RAG 操作で取得されたドキュメントのコンテキストに基づいた AI のレスポンス生成をモデル化しています。
+
+ ### LLM completion 呼び出し用の子スパンを追加する
+
-LLM 完了 Trace は `payload_child_start` オブジェクト で開始され、以下を含みます。
-- `trace_id`: この子スパンを親 Trace にリンクします。
-- `parent_id`: 子スパンを全体的な ワークフロー に関連付けます。
-- `inputs`: ユーザーのクエリと付加されたドキュメントのコンテキストを含む、LLM への入力メッセージを ログ に記録します。
-- `model`: 操作に使用された モデル を指定します（`gpt-4o`）。
+次のコードは、複雑な親トレースに対して、LLM completion 呼び出しを表す別の子スパンを追加する方法を示します。このステップでは、直前の RAG 処理で取得したドキュメントコンテキストに基づく AI の応答生成を表現します。
-成功すると、 コード は LLM の子スパン Trace が開始および終了したことを示すメッセージを出力します。
+LLM completion トレースは `payload_child_start` オブジェクトで開始し、これには次の情報が含まれます。
+
+* `trace_id`: この子スパンを親トレースにリンクします。
+* `parent_id`: 子スパンを全体的なワークフローに関連付けます。
+* `inputs`: ユーザーのクエリと付与されたドキュメントコンテキストを含む、LLM への入力メッセージをログします。
+* `model`: この処理に使用する モデル を指定します（`gpt-4o`）。
+
+処理が成功すると、コードは LLM 子スパンのトレースが開始および終了したことを示すメッセージを出力します。
```
Child call started. ID: 0245acdf-83a9-4c90-90df-dcb2b89f234a
```
-操作が完了すると、`payload_child_end` オブジェクト が `output` フィールドに LLM 生成レスポンスを ログ 記録して Trace を終了します。使用状況のサマリー 情報 も ログ に記録されます。
+操作が完了すると、`payload_child_end` オブジェクトは、`output` フィールドに LLM が生成したレスポンスをログして trace を終了します。利用状況のサマリー情報も併せてログされます。
-成功すると、 コード は LLM の子スパン Trace が開始および終了したことを示すメッセージを出力します。
+正常に完了すると、このコードは LLM の子スパン trace が開始され、終了したことを示すメッセージを出力します。
```
Child call started. ID: 0245acdf-83a9-4c90-90df-dcb2b89f234a
Child call ended.
-```
-
-```python
+python
## ------------
## 子スパン:
-## LLM 完了呼び出しの作成
+## LLM completion 呼び出しを作成する
## ------------
# 子呼び出し: 開始
@@ -370,31 +387,33 @@ else:
print(response.text)
```
-### 複雑な Trace を終了する
-以下の コード は、親 Trace を終了し、 ワークフロー 全体の完了をマークする方法を示しています。このステップでは、すべての子スパン（例：RAG 検索と LLM 完了）の結果を集約し、最終的な出力と メタデータ を ログ に記録します。
+
+ ### 複雑な trace を終了する
+
-Trace は `payload_parent_end` オブジェクト を使用して完了します。これには以下が含まれます。
-- `id`: 最初の親 Trace 開始時の `parent_call_id`。
-- `output`: ワークフロー 全体の最終出力を表します。
-- `summary`: ワークフロー 全体の使用状況データを統合します。
-- `prompt_tokens`: すべてのプロンプトで使用された合計トークン数。
-- `completion_tokens`: すべてのレスポンスで生成された合計トークン数。
-- `total_tokens`: ワークフロー の合計トークン数。
-- `requests`: 行われたリクエストの総数（この場合は `1`）。
+次のコードは、親 trace を終了し、ワークフロー全体の完了を示す方法を示しています。このステップでは、すべての子 span（例: RAG lookup と LLM completion）の結果を集約し、最終的な出力とメタデータをログに記録します。
-成功すると、 コード は以下を出力します。
+trace は `payload_parent_end` オブジェクトを使って終了します。このオブジェクトには次の内容が含まれます:
+
+* `id`: 最初の親 trace 開始時の `parent_call_id`。
+* `output`: ワークフロー全体の最終出力を表します。
+* `summary`: ワークフロー全体の使用状況データを集約します。
+* `prompt_tokens`: すべてのプロンプトで使用されたトークンの合計。
+* `completion_tokens`: すべての応答で生成されたトークンの合計。
+* `total_tokens`: ワークフローにおけるトークン数の合計。
+* `requests`: 実行されたリクエストの総数（この例では `1`）。
+
+成功すると、コードは次の内容を出力します:
```
Parent call ended.
-```
-
-```python
+python
## ------------
-## Trace を終了
+## トレースを終了
## ------------
-# 親呼び出し: 終了
+# 親コール: 終了
payload_parent_end = {
"end": {
"project_id": f"{team_id}/{project_id}",
@@ -402,7 +421,7 @@ payload_parent_end = {
"ended_at": datetime.datetime.now().isoformat(),
"output": {
"choices": [
- {"message": {"content": "This is the response generated by the LLM."}},
+ {"message": {"content": "これは LLM によって生成されたレスポンスです。"}},
]
},
"summary": {
@@ -421,33 +440,36 @@ response = requests.post(
url_end, headers=headers, json=payload_parent_end, auth=("api", wandb_token)
)
if response.status_code == 200:
- print("Parent call ended.")
+ print("親コールが終了しました。")
else:
- print("Parent end request failed with status:", response.status_code)
+ print("親コールの終了リクエストが失敗しました。ステータス:", response.status_code)
print(response.text)
```
-## 検索クエリの実行
-以下の コード は、前の例で作成された Traces を照会し、`inputs.model` フィールドが `gpt-4o` に等しい Traces のみをフィルタリングする方法を示しています。
-`query_payload` オブジェクト には以下が含まれます。
-- `project_id`: クエリ対象の Team と プロジェクト を特定します。
-- `filter`: クエリが **trace roots**（トップレベルの Trace）のみを返すようにします。
-- `query`: `$expr` 演算子を使用してフィルタロジックを定義します。
- - `$getField`: `inputs.model` フィールドを取得します。
- - `$literal`: `inputs.model` が `"gpt-4o"` に一致する Traces を照合します。
-- `limit`: クエリの結果を 10,000 件に制限します。
-- `offset`: クエリを最初の結果から開始します。
-- `sort_by`: `started_at` タイムスタンプの降順で結果を並べ替えます。
-- `include_feedback`: 結果からフィードバック データ を除外します。
+
+ ## ルックアップ クエリを実行する
+
+
+次のコードは、前の例で作成した trace をクエリし、そのうち `inputs.model` フィールドが `gpt-4o` と等しいものだけをフィルタリングする方法を示しています。
+
+`query_payload` オブジェクトには次の内容が含まれます:
+
+* `project_id`: クエリ対象のチームとプロジェクトを識別します。
+* `filter`: クエリが **trace roots**（トップレベルの trace）のみを返すようにします。
+* `query`: `$expr` 演算子を使ってフィルター条件のロジックを定義します:
+ * `$getField`: `inputs.model` フィールドを取得します。
+ * `$literal`: `inputs.model` が `"gpt-4o"` に等しい trace にマッチさせます。
+* `limit`: クエリ結果を 10,000 件に制限します。
+* `offset`: クエリを最初の結果から開始します。
+* `sort_by`: 結果を `started_at` タイムスタンプの降順で並べ替えます。
+* `include_feedback`: 結果から feedback データを除外します。
-クエリが成功すると、レスポンスにはクエリ パラメータ に一致する Trace データが含まれます。
+クエリが成功すると、レスポンスにはクエリパラメーターに一致する trace データが含まれます。
```
{'id': '01939cf3-541f-76d3-ade3-50cfae068b39', 'project_id': 'cool-new-team/uncategorized', 'op_name': 'simple_trace', 'display_name': None, 'trace_id': '01939cf3-541f-76d3-ade3-50d5cfabe2db', 'parent_id': None, 'started_at': '2024-12-06T17:10:12.590000Z', 'attributes': {}, 'inputs': {'messages': [{'role': 'user', 'content': 'Why is the sky blue?'}], 'model': 'gpt-4o'}, 'ended_at': '2024-12-06T17:47:08.553000Z', 'exception': None, 'output': {'choices': [{'message': {'content': 'It’s due to Rayleigh scattering, where shorter blue wavelengths of sunlight scatter in all directions.'}}]}, 'summary': {'usage': {'gpt-4o': {'prompt_tokens': 10, 'completion_tokens': 20, 'requests': 1, 'total_tokens': 30}}, 'weave': {'status': 'success', 'trace_name': 'simple_trace', 'latency_ms': 2215963}}, 'wb_user_id': 'VXNlcjoyMDk5Njc0', 'wb_run_id': None, 'deleted_at': None}
-```
-
-```python
+python
query_payload = {
"project_id": f"{team_id}/{project_id}",
"filter": {"trace_roots_only": True},
@@ -468,11 +490,11 @@ if response.status_code == 200:
data = response.json()
print(data)
except json.JSONDecodeError as e:
- # 代替のデコード
+ # 代替デコード
json_objects = response.text.strip().split("\n")
parsed_data = [json.loads(obj) for obj in json_objects]
print(parsed_data)
else:
print(f"Query failed with status code: {response.status_code}")
print(response.text)
-```
\ No newline at end of file
+```
diff --git a/ja/weave/details/faqs.mdx b/ja/weave/details/faqs.mdx
new file mode 100644
index 0000000000..439322cacf
--- /dev/null
+++ b/ja/weave/details/faqs.mdx
@@ -0,0 +1,170 @@
+---
+title: "FAQ"
+description: "Weave tracing に関するよくある質問への回答"
+---
+
+このページでは Weave tracing に関するよくある質問とその回答を紹介します。
+
+
+ ## Weave は関数についてどのような情報を記録しますか？
+
+
+関数は、デコレーターを使って手動で、または有効化された インテグレーション の一環として自動的に、Weave の [Op](/ja/weave/guides/tracking/ops) として指定できます。Op が実行されると、Weave は分析を支援するための詳細な情報を記録します。Weave では、デフォルトとは異なる挙動にしたい場合に備えて、何をログに残すかをきめ細かく制御でき、後述の設定例で確認できます。
+
+* **コードキャプチャ** - Weave は Op のソースコードの表現を記録します。これにはインラインコメントだけでなく、変数の値や、呼び出された非 Op 関数のソースを再帰的に取得することも含まれます。コードキャプチャにより、ソース管理システムに変更が保存されていなくても、関数が何をしていたかを確認できます。コードキャプチャは Op のバージョニングの一部として使用され、時間の経過に伴いコードがどのように評価されたかを把握できるようにします。コードキャプチャが無効化されている場合は、代わりにハッシュ値が使用されます。
+
+* **関数名、入力、出力** - 関数名は記録されますが、[上書き](/ja/weave/guides/tracking/tracing/#call-display-name) することもできます。入力と出力は JSON ベースの表現で記録されます。入力については、値に加えて引数名も記録されます。Weave では、入力と出力の [ログをカスタマイズ](/ja/weave/guides/tracking/ops#customize-logged-inputs-and-outputs) でき、ログに残す内容を追加・削除・変更するための関数を指定できます。
+
+* **Op 呼び出し階層** - ある Op の実行中にそのコンテキスト内で別の Op が呼び出された場合、途中に非 Op 関数の実行を挟むケースであっても、その関係が記録されます。この Op 呼び出し間の関係は、「Trace tree」を提供するために使用されます。
+
+* **実行状態と例外** - Weave は関数が実行中か、終了したか、エラーになったかを追跡します。実行中に例外が発生した場合は、エラーメッセージとスタックトレースが記録されます。
+
+* **システム情報** - Weave は、クライアントが実行されているオペレーティングシステムに関する情報 (詳細なバージョン情報を含む) を記録する場合があります。
+
+* **クライアント情報** - Weave は、使用しているプログラミング言語や、その言語および Weave クライアントライブラリの詳細なバージョン情報など、Weave クライアント自体に関する情報を記録する場合があります。
+
+* **タイミング** - 実行の開始時刻と終了時刻が記録され、レイテンシーの計算にも使用されます。
+
+* **トークン使用量** - 一部の [インテグレーション](/ja/weave/guides/integrations/) では、LLM のトークン使用数が自動的にログに記録される場合があります。
+
+* **ユーザーと run のコンテキスト** - ログは W&B ユーザーアカウントに関連付けられます。その情報は、wandb run コンテキストとともに記録されます。
+
+* **導出情報** - Weave は、ログに記録された生データから導出情報を計算する場合があります。たとえば、トークン使用量と使用されたモデルに関する情報に基づいてコスト推定値を計算することがあります。また、Weave は呼び出し全体にわたって一部の情報を集約します。
+
+* **任意の追加情報** - 呼び出しの一部として [`weave.attributes`](/ja/weave/guides/core-types/models#track-production-calls) を使ってカスタムメタデータをログに残したり、呼び出しに [feedback](/ja/weave/guides/tracking/feedback#add-feedback-to-a-call) を紐付けたりできます。
+
+
+ ## コードキャプチャを無効にするにはどうすればよいですか？
+
+
+Weave クライアントの初期化時にコードキャプチャを無効にできます: `weave.init("entity/project", settings={"capture_code": False})`。
+[環境変数](/ja/weave/guides/core-types/env-vars) `WEAVE_CAPTURE_CODE=false` を使用することもできます。
+
+
+ ## システム情報の取得を無効化するにはどうすればよいですか？
+
+
+Weave クライアントの初期化時に次のように設定することで、システム情報の取得を無効化できます：`weave.init("entity/project", settings={"capture_system_info": False})`。
+
+
+ ## クライアント情報の取得を無効にするにはどうすればよいですか？
+
+
+クライアント情報の取得は Weave クライアントの初期化時に無効にできます: `weave.init("entity/project", settings={"capture_client_info": False})`。
+
+
+ ## Python の datetime 値を UI にどのように表示すればよいですか？
+
+
+Python の `datetime.datetime` (タイムゾーン情報付き) を使用し、そのオブジェクトを `weave.publish(...)` で公開してください。Weave がこの型を認識し、タイムスタンプとして表示します。
+
+
+ ## UI で Markdown をレンダリングするにはどうすればよいですか？
+
+
+文字列を保存する前に `weave.Markdown(...)` でラップし、`weave.publish(...)` を使って保存します。Weave はオブジェクトの型に基づいてレンダリング方法を判断し、`weave.Markdown` は既知の UI レンダラーにマッピングされます。値は UI 上で、整形済みの Markdown オブジェクトとして表示されます。コード全体のサンプルについては、[Viewing calls](/ja/weave/guides/tracking/tracing#viewing-calls) を参照してください。
+
+
+ ## Weave は私の関数の実行速度に影響しますか？
+
+
+Weave のロギングによるオーバーヘッドは、通常、LLM への呼び出しと比べて無視できる程度です。
+Op の実行速度への Weave の影響を最小限に抑えるため、ネットワーク処理はバックグラウンドスレッド上で行われます。
+プログラムの終了時には、キューに残っているデータのロギングが完了するまで、一時的に処理が停止したように見える場合があります。
+
+
+ ## Weave のデータ取り込み量はどのように計算されますか？
+
+
+取り込まれたバイト数は、お客様に代わって受信・処理・保存するバイト数として定義します。これには trace メタデータ、LLM 入力および出力、およびお客様が明示的に Weave にログするその他の情報が含まれますが、通信オーバーヘッド (例: HTTP ヘッダー) や、長期ストレージに保存されないその他のデータは含まれません。バイト数は、受信して保存した時点で 1 回だけ「ingested」としてカウントします。
+
+
+ ## ペアワイズ評価とは何で、どのように行うのですか？
+
+
+Weave の [evaluation](/ja/weave/guides/core-types/evaluations) で [スコアリング](/ja/weave/guides/evaluation/scorers) を行う際、絶対値のメトリクス (例: モデル A が `9/10`、モデル B が `8/10`) を割り当てることは、相対的な評価 (例: モデル A の方がモデル B より良い) に比べて一般的に難しくなりがちです。*ペアワイズ評価* を使うと、2 つのモデルの出力を相対的な順位付けによって比較できます。このアプローチは、テキスト生成、要約、質問応答といった主観的なタスクで、どちらのモデルがより良く機能するかを判断したい場合に特に有用です。ペアワイズ評価を用いることで、特定の入力に対してどのモデルが最適かを示す相対的な選好順位を得ることができます。
+
+
+ このアプローチは一時的なワークアラウンドであり、今後のリリースで変更される可能性があります。現在、ペアワイズ評価をより堅牢にサポートする API を積極的に開発中です。アップデートをお待ちください。
+
+
+次のコードサンプルは、`PreferenceScorer` という [クラスベースの scorer](/ja/weave/guides/evaluation/scorers#class-based-scorers) を作成することで、Weave においてペアワイズ評価を実装する方法を示します。`PreferenceScorer` は `ModelA` と `ModelB` の 2 つのモデルを比較し、入力テキスト内の明示的なヒントに基づいてモデル出力の相対スコアを返します。
+
+```python lines
+from weave import Model, Evaluation, Scorer, Dataset
+from weave.flow.model import ApplyModelError, apply_model_async
+
+class ModelA(Model):
+ @weave.op
+ def predict(self, input_text: str):
+ if "Prefer model A" in input_text:
+ return {"response": "This is a great answer from Model A"}
+ return {"response": "Meh, whatever"}
+
+class ModelB(Model):
+ @weave.op
+ def predict(self, input_text: str):
+ if "Prefer model B" in input_text:
+ return {"response": "This is a thoughtful answer from Model B"}
+ return {"response": "I don't know"}
+
+class PreferenceScorer(Scorer):
+ @weave.op
+ async def _get_other_model_output(self, example: dict) -> Any:
+ """比較のために他のモデルの出力を取得します。
+ Args:
+ example: 他のモデルに渡す入力サンプルデータ
+ Returns:
+ 他のモデルからの出力
+ """
+
+ other_model_result = await apply_model_async(
+ self.other_model,
+ example,
+ None,
+ )
+
+ if isinstance(other_model_result, ApplyModelError):
+ return None
+
+ return other_model_result.model_output
+
+ @weave.op
+ async def score(self, output: dict, input_text: str) -> dict:
+ """プライマリモデルと他のモデルの出力を比較します。
+ Args:
+ output (dict): プライマリモデルからの出力。
+ input_text (str): 出力の生成に使用した入力テキスト。
+ Returns:
+ dict: 比較結果と理由を含むフラットな辞書。
+ """
+ other_output = await self._get_other_model_output(
+ {"input_text": input_text}
+ )
+ if other_output is None:
+ return {"primary_is_better": False, "reason": "他のモデルが失敗しました"}
+
+ if "Prefer model A" in input_text:
+ primary_is_better = True
+ reason = "Model A が優れた回答を返しました"
+ else:
+ primary_is_better = False
+ reason = "この種の質問では Model B が優先されます"
+
+ return {"primary_is_better": primary_is_better, "reason": reason}
+
+dataset = Dataset(
+ rows=[
+ {"input_text": "Prefer model A: Question 1"}, # Model A が勝利
+ {"input_text": "Prefer model A: Question 2"}, # Model A が勝利
+ {"input_text": "Prefer model B: Question 3"}, # Model B が勝利
+ {"input_text": "Prefer model B: Question 4"}, # Model B が勝利
+ ]
+)
+
+model_a = ModelA()
+model_b = ModelB()
+pref_scorer = PreferenceScorer(other_model=model_b)
+evaluation = Evaluation(dataset=dataset, scorers=[pref_scorer])
+evaluation.evaluate(model_a)
+```
diff --git a/ja/weave/details/limits.mdx b/ja/weave/details/limits.mdx
new file mode 100644
index 0000000000..9b381a8ac5
--- /dev/null
+++ b/ja/weave/details/limits.mdx
@@ -0,0 +1,54 @@
+---
+title: 制限事項と想定される動作
+description: Weave の制限事項、既知の問題、および想定される動作の一覧
+---
+
+* 再試行可能なリクエストについては、Weave は最初のエラーを受信してから 1 秒後に再試行を開始し、その後は試行間隔を最大 5 分まで倍々に増加させます。リクエストは 36 時間後にタイムアウトします。
+
+* 例外を送出する代わりに、[`.call()`](/ja/weave/guides/tracking/tracing#creating-calls) は例外を捕捉して `call.exception` に保存します。実行中に例外を送出する必要がある場合は、次のように [`__should_raise` パラメーター](/ja/weave/reference/python-sdk/trace/op#function-call) を設定します。
+
+ ```python showLineNumbers
+ # これは例外を送出します
+ result, call = foo.call(__should_raise=True)
+ ```
+
+* 専用の Weave インスタンスは、異なる OpenTelemetry ingress URL を使用します。正式なエンドポイント情報については、[Send OpenTelemetry Traces](/ja/weave/guides/tracking/otel) を参照してください。
+
+* Weave は大きな trace データオブジェクトを途中で切り捨てることがあります。これは、デフォルトの trace 出力が、Weave がどのようにシリアライズすればよいか認識していない生のカスタム Python オブジェクトであるために発生します。すべての trace データを返すには、次のように文字列の 辞書 を定義します。
+
+ ```python
+ import weave
+
+ class MyObj:
+ """大きな文字列属性を持つオブジェクト。"""
+ def __init__(self, x: int):
+ self.x = x
+
+ def __repr__(self):
+ return f"MyObj(x={self.x})"
+
+ def to_dict(self):
+ return {"x": self.x}
+
+ @weave.op()
+ def make_my_obj():
+ x = "a" * 10_000
+ return MyObj(x)
+
+ def main():
+ weave.init("")
+
+ # MyObj を処理するトレース可能な処理を定義
+ @weave.op()
+ def process_obj(obj: MyObj) -> int:
+ return len(obj.x)
+
+ # 大きな MyObj インスタンスを作成して処理
+ large_obj = make_my_obj()
+ length = process_obj(large_obj)
+ print(f"Length of x in MyObj: {length}")
+ print("dict:", large_obj.to_dict())
+
+ if __name__ == "__main__":
+ main()
+ ```
\ No newline at end of file
diff --git a/ja/weave/development.mdx b/ja/weave/development.mdx
index 5252e1c428..7ed2eed8b8 100644
--- a/ja/weave/development.mdx
+++ b/ja/weave/development.mdx
@@ -1,54 +1,58 @@
---
-title: 開発
-description: ドキュメントを更新するためにローカルで変更をプレビューする
+title: '開発'
+description: 'ローカルで変更をプレビューしてドキュメントを更新する'
---
- **前提条件**: 続行する前に Node.js (バージョン 19 以上) をインストールしてください。
-お使いのオペレーティングシステムに Mintlify をインストールして実行するには、以下の手順に従ってください。
+お使いのオペレーティングシステムで Mintlify をインストールして実行するには、次の手順に従ってください。
-**ステップ 1**: Mintlify のインストール:
+**ステップ 1**: Mintlify をインストールします:
-
```bash npm
npm i -g mintlify
```
-```bash yarn
-yarn global add mintlify
-```
-
+ ```bash yarn
+ yarn global add mintlify
+ ```
-**ステップ 2**: docs ディレクトリー (`docs.json` ファイルがある場所) に移動し、次の コマンド を実行します。
+**ステップ 2**: docs ディレクトリ（`docs.json` ファイルがある場所）に移動し、次のコマンドを実行します:
```bash
mintlify dev
```
-ドキュメントのローカルプレビューが `http://localhost:3000` で確認できるようになります。
+ドキュメントのローカルプレビューには `http://localhost:3000` からアクセスできます。
+
-### カスタムポート
+
+ ### カスタムポート
+
-デフォルトでは、Mintlify はポート 3000 を使用します。`--port` フラグを使用することで、Mintlify が実行されるポートをカスタマイズできます。例えば、ポート 3333 で Mintlify を実行するには、次の コマンド を使用します。
+デフォルトでは、Mintlify はポート 3000 を使用します。`--port` フラグを使用すると、Mintlify が使用するポート番号を変更できます。たとえば Mintlify をポート 3333 で実行するには、次のコマンドを使用します。
```bash
mintlify dev --port 3333
```
-すでに使用中のポートで Mintlify を実行しようとすると、次に利用可能なポートが使用されます。
+すでに使用中のポートで Mintlify を起動しようとすると、自動的に次に利用可能なポートが使用されます。
```md
-Port 3000 is already in use. Trying 3001 instead.
+ポート 3000 はすでに使用中です。代わりに 3001 を試します。
```
-## Mintlify の バージョン
-各 CLI リリースは特定の バージョン の Mintlify と関連付けられていることに注意してください。ローカルのウェブサイトが プロダクション バージョン と一致しない場合は、CLI を更新してください。
+
+ ## Mintlify のバージョン
+
+
+各 CLI リリースは特定の Mintlify バージョンに紐づいていることに注意してください。ローカルのウェブサイトが本番環境で使用しているバージョンと一致していない場合は、次のコマンドで CLI を更新してください。
@@ -62,41 +66,50 @@ yarn global upgrade mintlify
-## リンクの検証
+
+ ## リンクの検証
+
-CLI を使用して、ドキュメント内のリファレンスリンクを検証できます。リンク切れを特定するには、次の コマンド を使用します。
+CLI を使うと、ドキュメント内で作成した参照リンクを検証できます。リンク切れを特定するには、次のコマンドを実行します。
```bash
mintlify broken-links
```
-## デプロイメント
+
+
+ ## デプロイ
+
[Pro Plan](https://mintlify.com/pricing) 以上のプランでは、エディターを無制限に利用できます。
-デプロイメント が成功すると、すべてのチェックに合格したことを示す確認メッセージが表示されます。
+デプロイが成功すると、すべてのチェックに合格したことを示す確認メッセージが表示されます。
-## コード のフォーマット
+
+ ## コードのフォーマット
+
-IDE の拡張機能を使用して MDX を認識し、フォーマットすることをお勧めします。VSCode ユーザーの場合は、構文ハイライト用の [MDX VSCode extension](https://marketplace.visualstudio.com/items?itemName=unifiedjs.vscode-mdx) と、コード のフォーマット用の [Prettier](https://marketplace.visualstudio.com/items?itemName=esbenp.prettier-vscode) の使用を検討してください。
+MDX を認識してフォーマットできるように、IDE に拡張機能を導入することをおすすめします。VS Code のユーザーであれば、シンタックスハイライト用に [MDX VSCode extension](https://marketplace.visualstudio.com/items?itemName=unifiedjs.vscode-mdx)、コードフォーマット用に [Prettier](https://marketplace.visualstudio.com/items?itemName=esbenp.prettier-vscode) の利用を検討してください。
-## トラブルシューティング
+
+ ## トラブルシューティング
+
-
+
- これは Node の バージョン が古いためである可能性があります。以下を試してください：
- 1. 現在インストールされている mintlify を削除する: `npm remove -g mintlify`
- 2. Node v19 以上にアップグレードする。
- 3. mintlify を再インストールする: `npm install -g mintlify`
+ これは古いバージョンの Node.js が原因の可能性があります。次の手順を試してください：
+ 1. 現在インストールされている mintlify を削除します：`npm remove -g mintlify`
+ 2. Node v19 以上にアップグレードします。
+ 3. mintlify を再インストールします：`npm install -g mintlify`
-
+
- 解決策: デバイスのルートに移動し、\~/.mintlify フォルダーを削除してください。その後、再度 `mintlify dev` を実行します。
+ 解決策：デバイスのルートディレクトリに移動し、\~/.mintlify フォルダを削除します。その後、再度 `mintlify dev` を実行します。
-CLI バージョン の変更点については、[CLI の変更履歴を確認してください。](https://www.npmjs.com/package/mintlify?activeTab=versions)
\ No newline at end of file
+CLI バージョンで何が変更されたか知りたい場合は、[CLI changelog を確認してください。](https://www.npmjs.com/package/mintlify?activeTab=versions)
\ No newline at end of file
diff --git a/ja/weave/guides/core-types/datasets.mdx b/ja/weave/guides/core-types/datasets.mdx
index bd489c3a0f..89cd26b475 100644
--- a/ja/weave/guides/core-types/datasets.mdx
+++ b/ja/weave/guides/core-types/datasets.mdx
@@ -1,36 +1,38 @@
---
-title: Datasets の収集と追跡
-description: LLM アプリケーション 評価のためのサンプルの整理、収集、追跡、および バージョン 管理。
+title: "データセットを収集して追跡する"
+description: "LLM アプリケーション評価のためのサンプルを整理・収集・追跡・バージョン管理する"
---
-Weave の Datasets は、LLM アプリケーションの評価用サンプルを整理、収集、追跡、およびバージョン管理し、簡単に比較できるようにします。 `Dataset` は、プログラムまたは UI を通じて作成および操作できます。
+Weave Datasets は、LLM アプリケーション評価用のサンプルを簡単に比較できるように、整理・収集・追跡・バージョン管理するのに役立ちます。`Dataset` はプログラムから、または UI から作成および操作できます。
-このページでは以下について説明します：
+このページでは、次の内容について説明します。
-- Python および TypeScript における基本的な `Dataset` 操作と開始方法
-- Weave [calls](../tracking/tracing) などのオブジェクトから Python および TypeScript で `Dataset` を作成する方法
-- UI で利用可能な `Dataset` 操作
+* Python と TypeScript における基本的な `Dataset` 操作と、その始め方
+* Weave の [calls](../tracking/tracing) などのオブジェクトから、Python と TypeScript で `Dataset` を作成する方法
+* UI で利用できる `Dataset` の操作
-## `Dataset` クイックスタート
+
+ ## `Dataset` クイックスタート
+
-以下のコードサンプルは、Python と TypeScript を使用して基本的な `Dataset` 操作を行う方法を示しています。SDK を使用して以下のことが可能です。
+次のコードサンプルでは、Python と TypeScript を使って基本的な `Dataset` の操作を実行する方法を示します。SDK を使うことで、次のことができます：
-- `Dataset` の作成
-- `Dataset` のパブリッシュ（公開）
-- `Dataset` の取得
-- `Dataset` 内の特定のサンプルへのアクセス
+* `Dataset` を作成する
+* `Dataset` を公開する
+* `Dataset` を取得する
+* `Dataset` 内の特定の例にアクセスする
-タブを選択して、Python または TypeScript 固有のコードを確認してください。
+タブを選択して、Python と TypeScript ごとのコードを確認してください。
```python lines
import weave
from weave import Dataset
- # Weaveの初期化
+ # Weave を初期化
weave.init('intro-example')
- # データセットの作成
+ # データセットを作成
dataset = Dataset(
name='grammar',
rows=[
@@ -40,25 +42,25 @@ Weave の Datasets は、LLM アプリケーションの評価用サンプルを
]
)
- # データセットのパブリッシュ
+ # データセットを公開
weave.publish(dataset)
- # データセットの取得
+ # データセットを取得
dataset_ref = weave.ref('grammar').get()
- # 特定のサンプルにアクセス
+ # 特定の例にアクセス
example_label = dataset_ref.rows[2]['sentence']
```
-
+
```typescript lines
import * as weave from 'weave';
- // Weaveの初期化
+ // Weave を初期化
await weave.init('intro-example');
- // データセットの作成
+ // データセットを作成
const dataset = new weave.Dataset({
name: 'grammar',
rows: [
@@ -68,250 +70,263 @@ Weave の Datasets は、LLM アプリケーションの評価用サンプルを
]
});
- // データセットの保存（パブリッシュ）
+ // データセットを公開
await dataset.save();
- // 特定のサンプルにアクセス
+ // 特定の例にアクセス
const exampleLabel = datasetRef.getRow(2).sentence;
```
-
-## 他のオブジェクトから `Dataset` を作成する
+
+ ## 他のオブジェクトから `Dataset` を作成する
+
- Python では、`Dataset` は [calls](../tracking/tracing) のような一般的な Weave オブジェクトや、`pandas.DataFrame` のような Python オブジェクトからも構築できます。この機能は、特定のサンプルからサンプルの `Dataset` を作成したい場合に便利です。
-
- ### Weave call
-
- 1つ以上の Weave call から `Dataset` を作成するには、call オブジェクトを取得し、それらを `from_calls` メソッドのリストに追加します。
-
- ```python lines
- @weave.op
- def model(task: str) -> str:
- return f"Now working on {task}"
+ Python では、`Dataset` は [calls](../tracking/tracing) のような一般的な Weave オブジェクトや、`pandas.DataFrame` のような Python オブジェクトからも構築できます。特定の例からサンプルの `Dataset` を作成したい場合に便利です。
- res1, call1 = model.call(task="fetch")
- res2, call2 = model.call(task="parse")
+ ### Weave call
- dataset = Dataset.from_calls([call1, call2])
- # これでデータセットを使用してモデルの評価などを行うことができます。
- ```
+ 1 つまたは複数の Weave call から `Dataset` を作成するには、call オブジェクトを取得して、`from_calls` メソッドにリストとして渡します。
- ### Pandas DataFrame
-
- Pandas の `DataFrame` オブジェクトから `Dataset` を作成するには、`from_pandas` メソッドを使用します。
-
- `Dataset` を元に戻すには、`to_pandas` を使用します。
+ ```python lines
+ @weave.op
+ def model(task: str) -> str:
+ return f"Now working on {task}"
- ```python lines
- import pandas as pd
+ res1, call1 = model.call(task="fetch")
+ res2, call2 = model.call(task="parse")
- df = pd.DataFrame([
- {'id': '0', 'sentence': "He no likes ice cream.", 'correction': "He doesn't like ice cream."},
- {'id': '1', 'sentence': "She goed to the store.", 'correction': "She went to the store."},
- {'id': '2', 'sentence': "They plays video games all day.", 'correction': "They play video games all day."}
- ])
- dataset = Dataset.from_pandas(df)
- df2 = dataset.to_pandas()
+ dataset = Dataset.from_calls([call1, call2])
+ # Now you can use the dataset to evaluate the model, etc.
+ ```
- assert df.equals(df2)
- ```
+ ### Pandas DataFrame
- ### Hugging Face Datasets
+ Pandas の `DataFrame` オブジェクトから `Dataset` を作成するには、`from_pandas` メソッドを使用します。
- Hugging Face の `datasets.Dataset` または `datasets.DatasetDict` オブジェクトから `Dataset` を作成するには、まず必要な依存関係がインストールされていることを確認してください。
+ `Dataset` を元の形式に戻すには、`to_pandas` を使用します。
- ```bash
- pip install weave[huggingface]
- ```
+ ```python lines
+ import pandas as pd
- 次に、`from_hf` メソッドを使用します。複数の split（'train'、'test'、'validation' など）を持つ `DatasetDict` を指定した場合、Weave は自動的に 'train' split を使用し、警告を表示します。'train' split が存在しない場合は、エラーが発生します。特定の split を直接指定することもできます（例：`hf_dataset_dict['test']`）。
+ df = pd.DataFrame([
+ {'id': '0', 'sentence': "He no likes ice cream.", 'correction': "He doesn't like ice cream."},
+ {'id': '1', 'sentence': "She goed to the store.", 'correction': "She went to the store."},
+ {'id': '2', 'sentence': "They plays video games all day.", 'correction': "They play video games all day."}
+ ])
+ dataset = Dataset.from_pandas(df)
+ df2 = dataset.to_pandas()
- `weave.Dataset` を Hugging Face の `Dataset` に戻すには、`to_hf` メソッドを使用します。
+ assert df.equals(df2)
+ ```
- ```python lines
- # datasetsがインストールされていることを確認してください: pip install datasets
- from datasets import Dataset as HFDataset, DatasetDict
+ ### Hugging Face Datasets
- # HF Datasetの例
- hf_rows = [
- {'id': '0', 'sentence': "He no likes ice cream.", 'correction': "He doesn't like ice cream."},
- {'id': '1', 'sentence': "She goed to the store.", 'correction': "She went to the store."},
- ]
- hf_ds = HFDataset.from_list(hf_rows)
- weave_ds_from_hf = Dataset.from_hf(hf_ds)
+ Hugging Face の `datasets.Dataset` または `datasets.DatasetDict` オブジェクトから `Dataset` を作成するには、まず必要な依存関係がインストールされていることを確認します:
- # HF Datasetに戻す
- converted_hf_ds = weave_ds_from_hf.to_hf()
+ ```bash
+ pip install weave[huggingface]
+ ```
- # HF DatasetDictの例（デフォルトで'train'スプリットを使用）
- hf_dict = DatasetDict({
- 'train': HFDataset.from_list(hf_rows),
- 'test': HFDataset.from_list([{'id': '2', 'sentence': "Test sentence", 'correction': "Test correction"}])
- })
- # これは警告を表示し、'train'スプリットを使用します
- weave_ds_from_dict = Dataset.from_hf(hf_dict)
+ その後、`from_hf` メソッドを使用します。複数のスプリット（'train'、'test'、'validation' など）を含む `DatasetDict` を渡した場合、Weave は自動的に 'train' スプリットを使用し、警告を出します。'train' スプリットが存在しない場合はエラーになります。特定のスプリット（例: `hf_dataset_dict['test']`）を直接指定することもできます。
- # 特定のスプリットを指定する場合
- weave_ds_from_test_split = Dataset.from_hf(hf_dict['test'])
- ```
+ `weave.Dataset` を Hugging Face の `Dataset` に戻すには、`to_hf` メソッドを使用します。
+ ```python lines
+ # Ensure datasets is installed: pip install datasets
+ from datasets import Dataset as HFDataset, DatasetDict
+
+ # Example with HF Dataset
+ hf_rows = [
+ {'id': '0', 'sentence': "He no likes ice cream.", 'correction': "He doesn't like ice cream."},
+ {'id': '1', 'sentence': "She goed to the store.", 'correction': "She went to the store."},
+ ]
+ hf_ds = HFDataset.from_list(hf_rows)
+ weave_ds_from_hf = Dataset.from_hf(hf_ds)
+
+ # Convert back to HF Dataset
+ converted_hf_ds = weave_ds_from_hf.to_hf()
+
+ # Example with HF DatasetDict (uses 'train' split by default)
+ hf_dict = DatasetDict({
+ 'train': HFDataset.from_list(hf_rows),
+ 'test': HFDataset.from_list([{'id': '2', 'sentence': "Test sentence", 'correction': "Test correction"}])
+ })
+ # This will issue a warning and use the 'train' split
+ weave_ds_from_dict = Dataset.from_hf(hf_dict)
+
+ # Providing a specific split
+ weave_ds_from_test_split = Dataset.from_hf(hf_dict['test'])
+ ```
+
- ```plaintext
- この機能は現在 TypeScript では利用できません。
- ```
+ ```plaintext
+ この機能は現在 TypeScript ではまだ利用できません。
+ ```
-## UI での `Dataset` の作成、編集、削除
+
+ ## UI で `Dataset` を作成、編集、削除する
+
-UI 上で `Dataset` の作成、編集、削除を行うことができます。
+UI から `Dataset` を作成、編集、削除できます。
-### 新しい `Dataset` を作成する
+
+ ### 新しい `Dataset` を作成する
+
1. 編集したい Weave プロジェクトに移動します。
2. サイドバーで **Traces** を選択します。
-3. 新しい `Dataset` を作成したい 1つまたは複数の call を選択します。
+3. 新しい `Dataset` を作成したい呼び出しを 1 つ以上選択します。
-4. 右上のメニューで、**Add selected rows to a dataset** アイコン（ゴミ箱アイコンの隣）をクリックします。
+4. 右上のメニューで、**Add selected rows to a dataset** アイコン（ゴミ箱アイコンの横）をクリックします。
5. **Choose a dataset** ドロップダウンから **Create new** を選択します。**Dataset name** フィールドが表示されます。
6. **Dataset name** フィールドに、データセットの名前を入力します。**Configure dataset fields** のオプションが表示されます。
-
- データセット名は英数字で始まる必要があり、英数字、ハイフン、アンダースコアのみを使用できます。
-
+
+ `Dataset` 名は英字または数字で始まり、英字、数字、ハイフン、アンダースコアのみを含めることができます。
+
-7. (オプション) **Configure dataset fields** で、データセットに含める call のフィールドを選択します。
- - 選択した各フィールドの列名をカスタマイズできます。
- - フィールドのサブセットを選択して新しい `Dataset` に含めるか、すべてのフィールドの選択を解除できます。
+7. （任意）**Configure dataset fields** で、データセットに含める呼び出しのフィールドを選択します。
+ * 選択した各フィールドの列名をカスタマイズできます。
+ * 新しい `Dataset` に含めるフィールドのサブセットを選択したり、すべてのフィールドの選択を解除したりできます。
-8. データセットのフィールドを設定したら、**Next** をクリックします。新しい `Dataset` のプレビューが表示されます。
+8. データセットフィールドの設定が完了したら、**Next** をクリックします。新しい `Dataset` のプレビューが表示されます。
-9. (オプション) **Dataset** 内の編集可能なフィールドをクリックして、エントリを編集します。
+9. （任意）**Dataset** 内の編集可能なフィールドをクリックして、そのエントリを編集します。
10. **Create dataset** をクリックします。新しいデータセットが作成されます。
-11. 確認ポップアップで、**View the dataset** をクリックして新しい `Dataset` を表示します。または、**Datasets** タブに移動します。
+11. 確認ポップアップで **View the dataset** をクリックして、新しい `Dataset` を表示します。あるいは、**Datasets** タブに移動します。
-### `Dataset` を編集する
+
+ ### `Dataset` を編集する
+
-1. 編集したい `Dataset` が含まれる Weave プロジェクトに移動します。
+1. 編集したい `Dataset` を含む Weave プロジェクトに移動します。
-2. サイドバーから **Datasets** を選択します。利用可能な `Dataset` が表示されます。
+2. サイドバーから **Datasets** を選択します。利用可能な `Dataset` の一覧が表示されます。
-3. **Object** 列で、編集したい `Dataset` の名前とバージョンをクリックします。名前、バージョン、作成者、および `Dataset` の行などの `Dataset` 情報を表示するポップアウトモーダルが表示されます。
+3. **Object** 列で、編集したい `Dataset` の名前とバージョンをクリックします。名前、バージョン、作成者、`Dataset` の行などの `Dataset` 情報を表示するポップアウト モーダルが表示されます。
- 
+ 
-4. モダルの右上隅にある **Edit dataset** ボタン（鉛筆アイコン）をクリックします。モダンの下部に **+ Add row** ボタンが表示されます。
+4. モーダル右上の **Edit dataset** ボタン（鉛筆アイコン）をクリックします。モーダル下部に **+ Add row** ボタンが表示されます。
- 
+ 
-5. **+ Add row** をクリックします。既存の `Dataset` 行の上部に緑色の行が表示され、`Dataset` に新しい行を追加できることを示します。
+5. **+ Add row** をクリックします。既存の `Dataset` の行の一番上に緑色の行が表示され、新しい行を `Dataset` に追加できることを示します。
- 
+ 
-6. 新しい行にデータを追加するには、その行の中の目的の列をクリックします。`Dataset` 行のデフォルトの **id** 列は、作成時に Weave が自動的に割り当てるため、編集できません。書式設定用の **Text**、**Code**、**Diff** オプションを備えた編集モーダルが表示されます。
+6. 新しい行にデータを追加するには、その行内の追加したい列をクリックします。Weave が作成時に自動的に割り当てるため、`Dataset` の行のデフォルトの **id** 列は編集できません。編集用のモーダルが表示され、フォーマット用の **Text**、**Code**、**Diff** オプションが利用できます。
- 
+ 
-7. 新しい行に追加したい各列について、ステップ 6 を繰り返します。
+7. 新しい行でデータを追加したい各列について、手順 6 を繰り返します。
- 
+ 
-8. `Dataset` に追加したい各行について、ステップ 5 を繰り返します。
+8. `Dataset` に追加したい各行ごとに、手順 5 を繰り返します。
-9. 編集が完了したら、モダールの右上隅にある **Publish** をクリックして `Dataset` をパブリッシュします。変更をパブリッシュしたくない場合は、**Cancel** をクリックします。
+9. 編集が完了したら、モーダル右上の **Publish** をクリックして `Dataset` を公開します。変更を公開したくない場合は、代わりに **Cancel** をクリックします。
- 
+ 
- パブリッシュされると、更新された行を含む新しいバージョンの `Dataset` が UI で利用可能になります。
+ 公開されると、更新された行を含む新しいバージョンの `Dataset` が UI で利用可能になります。
- 
- 
+ 
+ 
-### `Dataset` を削除する
+
+ ### `Dataset` を削除する
+
-1. 編集したい `Dataset` が含まれる Weave プロジェクトに移動します。
+1. 対象の `Dataset` を含む Weave プロジェクトに移動します。
-2. サイドバーから **Datasets** を選択します。利用可能な `Dataset` が表示されます。
+2. サイドバーから **Datasets** を選択します。利用可能な `Dataset` の一覧が表示されます。
-3. **Object** 列で、削除したい `Dataset` の名前とバージョンをクリックします。名前、バージョン、作成者、および `Dataset` の行などの `Dataset` 情報を表示するポップアウトモーダルが表示されます。
+3. **Object** 列で、削除したい `Dataset` の名前とバージョンをクリックします。名前、バージョン、作成者、`Dataset` の行数などの `Dataset` 情報を表示するポップアップ モーダル ウィンドウが開きます。
-4. モダルの右上隅にあるゴミ箱アイコンをクリックします。
+4. モーダルの右上隅にあるゴミ箱アイコンをクリックします。
- `Dataset` の削除を確認するポップアップモーダルが表示されます。
+ `Dataset` の削除を確認するポップアップ モーダルが表示されます。
- 
+ 
-5. ポップアップモーダルで、赤色の **Delete** ボタンをクリックして `Dataset` を削除します。削除したくない場合は、**Cancel** をクリックします。
+5. ポップアップ モーダルで、赤い **Delete** ボタンをクリックして `Dataset` を削除します。`Dataset` を削除したくない場合は **Cancel** をクリックします。
- これで `Dataset` が削除され、Weave ダッシュボードの **Datasets** タブに表示されなくなります。
+ これで `Dataset` は削除され、Weave ダッシュボードの **Datasets** タブには表示されなくなります。
-### `Dataset` に新しいサンプルを追加する
+
+ ### `Dataset` に新しいサンプルを追加する
+
1. 編集したい Weave プロジェクトに移動します。
2. サイドバーで **Traces** を選択します。
-3. 新しいサンプルを作成したい `Datasets` を持つ 1つまたは複数の call を選択します。
+3. 新しいサンプルを作成したい `Datasets` を含む 1 つ以上の call を選択します。
-4. 右上のメニューで、**Add selected rows to a dataset** アイコン（ゴミ箱アイコンの隣）をクリックします。オプションで、**Show latest versions** をオフに切り替えると、利用可能なすべてのデータセットのすべてのバージョンが表示されます。
+4. 右上のメニューで、**Add selected rows to a dataset** アイコン（ゴミ箱アイコンの横）をクリックします。必要に応じて、すべての利用可能なデータセットのすべてのバージョンを表示するために、**Show latest versions** をオフに切り替えます。
5. **Choose a dataset** ドロップダウンから、サンプルを追加したい `Dataset` を選択します。**Configure field mapping** のオプションが表示されます。
-6. (オプション) **Configure field mapping** で、call のフィールドから対応するデータセット列へのマッピングを調整できます。
+6. （任意）**Configure field mapping** で、call から対応するデータセット列へのフィールドのマッピングを調整できます。
7. フィールドマッピングを設定したら、**Next** をクリックします。新しい `Dataset` のプレビューが表示されます。
-8. 空の行（緑色）に、新しいサンプルの値を追加します。**id** フィールドは編集できず、Weave によって自動的に作成されることに注意してください。
+8. 空の行（緑色）に、新しいサンプルの値を追加します。**id** フィールドは編集不可であり、Weave によって自動的に作成されることに注意してください。
-9. **Add to dataset** をクリックします。または、**Configure field mapping** 画面に戻るには、**Back** をクリックします。
+9. **Add to dataset** をクリックします。あるいは、**Configure field mapping** 画面に戻るには、**Back** をクリックします。
-10. 確認ポップアップで、**View the dataset** をクリックして変更を確認します。または、**Datasets** タブに移動して `Dataset` の更新を確認します。
+10. 確認ポップアップで、**View the dataset** をクリックして変更を確認します。あるいは、**Datasets** タブに移動して、`Dataset` への更新内容を表示します。
-## その他のデータセット操作
+
+ ## その他の Dataset 操作
+
- ### 行の選択
-
- `select` メソッドを使用して、インデックスによって `Dataset` から特定の行を選択できます。これは、データのサブセットを作成するのに便利です。
+ ### 行の選択
- ```python lines
- import weave
- from weave import Dataset
+ `Dataset` から `select` メソッドを使って、インデックスを指定して特定の行を選択できます。これはデータのサブセットを作成する際に便利です。
- # サンプルデータセットの作成
- dataset = Dataset(rows=[
- {'col_a': 1, 'col_b': 'x'},
- {'col_a': 2, 'col_b': 'y'},
- {'col_a': 3, 'col_b': 'z'},
- {'col_a': 4, 'col_b': 'w'},
- ])
+ ```python lines
+ import weave
+ from weave import Dataset
- # インデックス0と2の行を選択
- subset_dataset = dataset.select([0, 2])
+ # サンプルのデータセットを作成する
+ dataset = Dataset(rows=[
+ {'col_a': 1, 'col_b': 'x'},
+ {'col_a': 2, 'col_b': 'y'},
+ {'col_a': 3, 'col_b': 'z'},
+ {'col_a': 4, 'col_b': 'w'},
+ ])
- # これでsubset_datasetには1番目と3番目の行のみが含まれます
- # print(list(subset_dataset))
- # 出力: [{'col_a': 1, 'col_b': 'x'}, {'col_a': 3, 'col_b': 'z'}]
- ```
+ # インデックス 0 と 2 の行を選択します
+ subset_dataset = dataset.select([0, 2])
+ # subset_dataset には 1 行目と 3 行目だけが含まれます
+ # print(list(subset_dataset))
+ # 出力: [{'col_a': 1, 'col_b': 'x'}, {'col_a': 3, 'col_b': 'z'}]
+ ```
+
- ```plaintext
- この機能は現在 TypeScript では利用できません。
- ```
+ ```plaintext
+ この機能は現在 TypeScript ではまだ利用できません。
+ ```
\ No newline at end of file
diff --git a/ja/weave/guides/core-types/env-vars.mdx b/ja/weave/guides/core-types/env-vars.mdx
index afd2a5a418..af7b86f171 100644
--- a/ja/weave/guides/core-types/env-vars.mdx
+++ b/ja/weave/guides/core-types/env-vars.mdx
@@ -1,46 +1,49 @@
---
-title: Weave の 環境 変数を 設定 する
-description: 環境変数を使用して、 Weave の実行時の 振る舞い を 設定 する
+title: "Weave の環境変数を設定する"
+description: "環境変数を使用して実行時の Weave の動作を構成する"
---
-Weave は、その振る舞いを設定および最適化するための一連の環境変数を提供しています。これらの変数は、シェルやスクリプト内で設定して、特定の機能を制御できます。
+Weave は、その動作を構成および最適化するための一連の環境変数を提供します。これらの変数は、シェルやスクリプト内で設定して、特定の機能を制御できます。
```bash
-# シェルでの環境変数設定の例
-export WEAVE_PARALLELISM=10 # 並列ワーカーの数を制御します
-export WEAVE_PRINT_CALL_LINK=false # call リンクの出力を無効にします
+# シェルで環境変数を設定する例
+export WEAVE_PARALLELISM=10 # 並列ワーカー数を制御する
+export WEAVE_PRINT_CALL_LINK=false # コールリンクの出力を無効にする
```
```python lines
-# Python での環境変数設定の例
+# Python で環境変数を設定する例
import os
os.environ["WEAVE_PARALLELISM"] = "10"
os.environ["WEAVE_PRINT_CALL_LINK"] = "false"
```
-## 利用可能な環境変数
-| 変数名 | 型 | デフォルト値 | 説明 |
+
+ ## 使用可能な環境変数
+
+
+| Variable | Type | Default | Description |
|----------|------|---------|-------------|
-| `WANDB_API_KEY` | `string` | `None` | 設定されている場合、APIキー の入力を求められることなく、自動的に W&B Weave にログインします。 APIキー を生成するには、W&B アカウントにログインして [ユーザー設定 (User Settings)](https://wandb.ai/settings) に移動してください。 |
-| `WEAVE_DISABLED` | `bool` | `false` | `true` に設定すると、すべての Weave トレースを無効にします。Weave の op は通常の関数のように動作します。 |
-| `WEAVE_PRINT_CALL_LINK` | `bool` | `true` | Weave op を呼び出す際に Weave UI へのリンクを表示するかどうかを制御します。この設定は、`weave.init("your-project-name", settings={"print_call_link": False})` のように `weave.init()` の `settings` 引数を設定することで、コード内で直接指定することも可能です。 |
-| `WEAVE_LOG_LEVEL` | `str` | `INFO` | weave ロガーの ログ レベルを制御します。
-| `WEAVE_CAPTURE_CODE` | `bool` | `true` | 後で再利用できるように、op の コード を保存するかどうかを制御します。 |
-| `WEAVE_DEBUG_HTTP` | `bool` | `false` | `true` に設定すると、デバッグ用に HTTP リクエストとレスポンスの ログ 出力を有効にします。 |
-| `WEAVE_PARALLELISM` | `int` | `20` | Evaluations において、並列で 評価 する例の数を制御します。例を逐次実行するには `1` に設定してください。 |
-| `WEAVE_TRACE_LANGCHAIN` | `bool` | `true` | LangChain のグローバルトレースを制御します。LangChain のトレースを明示的に無効にするには `false` に設定してください。 |
-| `WEAVE_USE_SERVER_CACHE` | `bool` | `true` | サーバーレスポンスのキャッシュを有効にします。有効にすると、サーバーからのレスポンスがディスクにキャッシュされ、繰り返しのクエリのパフォーマンスが向上します。 |
-| `WEAVE_SERVER_CACHE_SIZE_LIMIT` | `int` | `1000000000` | サーバーキャッシュの最大サイズ制限をバイト単位で設定します。キャッシュがこのサイズに達すると、新しいエントリのためのスペースを確保するために古いエントリが自動的に削除されます。重要：基礎となる実装には SQLite が使用されており、この 設定 に関係なく 4MB まで増大する Write Ahead Log (WAL) が生成されます。この WAL はプログラム終了時に削除されます。 |
-| `WEAVE_SERVER_CACHE_DIR` | `str` | `None` | キャッシュファイルを保存する ディレクトリー を指定します。設定されていない場合は、一時 ディレクトリー が使用されます。 |
-| `WEAVE_MAX_CALLS_QUEUE_SIZE` | `int` | `100000` | call キューの最大サイズを設定します。デフォルトは 100,000 です。値を 0 に設定すると、キューは無制限に増大できます。 |
-| `WEAVE_RETRY_MAX_ATTEMPTS` | `int` | `3` | 失敗したリクエストの最大再試行回数を設定します。 |
-| `WEAVE_RETRY_MAX_INTERVAL` | `float` | `300.0` | 再試行間の最大間隔を秒単位で設定します。 |
-| `WANDB_BASE_URL` | `string` | `None` | Weave ホストの URL を設定します。`wandb.login()` でプロンプトが表示された際にホスト URL を入力するのと同等です。`weave.init()` を使用する前に `WANDB_BASE_URL` と `WANDB_API_KEY` を指定することで、Weave へのログインと認証を自動的に行うことができます。 |
+| `WANDB_API_KEY` | `string` | `None` | 設定されている場合、API キーの入力を求められることなく自動的に W&B Weave にログインします。API キーを生成するには、W&B アカウントにログインして [User Settings](https://wandb.ai/settings) に移動します。 |
+| `WEAVE_DISABLED` | `bool` | `false` | `true` に設定すると、すべての Weave トレーシングを無効にします。Weave op は通常の関数のように動作します。 |
+| `WEAVE_PRINT_CALL_LINK` | `bool` | `true` | Weave op を呼び出す際に Weave UI へのリンクを表示するかどうかを制御します。これは、`weave.init()` の `settings` 引数を次のように設定することで、コード内から直接指定することもできます: `weave.init("your-project-name", settings={"print_call_link": False})` |
+| `WEAVE_LOG_LEVEL` | `str` | `INFO` | Weave ロガーのログレベルを制御します。 |
+| `WEAVE_CAPTURE_CODE` | `bool` | `true` | op のコードを保存して後から再ロードできるようにするかどうかを制御します。 |
+| `WEAVE_DEBUG_HTTP` | `bool` | `false` | `true` に設定すると、デバッグ用に HTTP リクエストとレスポンスのログ出力を有効にします。 |
+| `WEAVE_PARALLELISM` | `int` | `20` | 評価において、並列評価するサンプル数を制御します。`1` に設定すると、サンプルを逐次的に実行します。 |
+| `WEAVE_TRACE_LANGCHAIN` | `bool` | `true` | LangChain に対するグローバルなトレーシングを制御します。LangChain のトレーシングを明示的に無効にするには `false` に設定します。 |
+| `WEAVE_USE_SERVER_CACHE` | `bool` | `true` | サーバー応答のキャッシュを有効にします。有効な場合、サーバーからの応答はディスクにキャッシュされ、繰り返し行われるクエリのパフォーマンスを向上させます。 |
+| `WEAVE_SERVER_CACHE_SIZE_LIMIT` | `int` | `1000000000` | サーバーキャッシュの最大サイズをバイト数で設定します。キャッシュがこのサイズに達すると、新しいエントリのために古いエントリが自動的に削除されます。重要: 基盤となる実装では SQLite を使用しており、この SQLite には、この設定に関係なく 4MB まで成長する Write Ahead Log (WAL) があります。この WAL はプログラム終了時に削除されます。 |
+| `WEAVE_SERVER_CACHE_DIR` | `str` | `None` | キャッシュファイルを保存するディレクトリを指定します。設定されていない場合は、一時ディレクトリが使用されます。 |
+| `WEAVE_MAX_CALLS_QUEUE_SIZE` | `int` | `100000` | 呼び出しキューの最大サイズを設定します。デフォルトは 100_000 です。0 を設定すると、キューのサイズは無制限に増加する可能性があります。 |
+| `WEAVE_RETRY_MAX_ATTEMPTS` | `int` | `3` | 失敗したリクエストに対する最大リトライ回数を設定します。 |
+| `WEAVE_RETRY_MAX_INTERVAL` | `float` | `300.0` | リトライ試行間の最大間隔を秒単位で設定します。 |
+| `WANDB_BASE_URL` | `string` | `None` | Weave のホスト URL を設定します。`wandb.login()` 実行時にホスト URL を入力する操作と同等です。`weave.init()` を使用する前に `WANDB_BASE_URL` と `WANDB_API_KEY` を指定することで、Weave へのログインと認証を自動化できます。 |
-すべての boolean 型の環境変数は、以下の値を受け入れます（大文字小文字を区別しません）。
-- True の場合: `true`, `1`, `yes`, `on`
-- False の場合: `false`, `0`, `no`, `off`
+すべての boolean 型の環境変数は、次の値を受け付けます (大文字・小文字は無視されます):
+- `true`, `1`, `yes`, `on` は True
+- `false`, `0`, `no`, `off` は False
\ No newline at end of file
diff --git a/ja/weave/guides/core-types/evaluations.mdx b/ja/weave/guides/core-types/evaluations.mdx
index 40083e93c0..6d0a208d08 100644
--- a/ja/weave/guides/core-types/evaluations.mdx
+++ b/ja/weave/guides/core-types/evaluations.mdx
@@ -1,534 +1,566 @@
---
-title: 評価の概要
-description: アプリケーションを体系的に改善するための、評価駆動型の LLM アプリケーション開発
+title: "Evaluations の概要"
+description: "評価駆動の LLM アプリケーション開発によってアプリケーションを体系的に改善する"
---
-評価主導の LLM アプリケーション開発（Evaluation-driven LLM application development）は、一貫性のある厳選された例を使用してアプリケーションの挙動を体系的に測定することで、LLM アプリケーションを計画的に改善するのに役立ちます。
+*評価駆動の LLM アプリケーション開発* によって、一貫性のある精選されたサンプルを用いて挙動を体系的に測定し、LLM アプリケーションを体系的に改善できます。
-
- Weave におけるワークフローの核となるのは _`Evaluation` オブジェクト_ であり、以下の内容を定義します。
+
+ Weave では、ワークフローの中心となるのが *`Evaluation` オブジェクト* であり、次の内容を定義します。
- - テスト例のための [`Dataset`](../core-types/datasets) または辞書のリスト。
- - 1 つ以上の [スコアリング関数](../evaluation/scorers)。
- - [入力の事前処理](#評価前のデータセット行のフォーマット) などのオプション設定。
+ * テスト用サンプルとしての [`Dataset`](../core-types/datasets) または辞書型オブジェクトのリスト
+ * 1 つ以上の [スコアリング関数](../evaluation/scorers)
+ * [入力の前処理](#format-dataset-rows-before-evaluating) などの任意の設定
- `Evaluation` を定義したら、[`Model`](../core-types/models) オブジェクトや LLM アプリケーションロジックを含む任意のカスタム関数に対して実行できます。`.evaluate()` を呼び出すたびに _評価 run_ がトリガーされます。`Evaluation` オブジェクトを設計図、各 run をそのセットアップ下でのアプリケーションのパフォーマンス測定と考えると分かりやすいでしょう。
-
-
- Weave におけるワークフローの核となるのは _`Evaluation` オブジェクト_ であり、以下の内容を定義します。
+ `Evaluation` を定義したら、その `Evaluation` を [`Model`](../core-types/models) オブジェクト、または LLM アプリケーションのロジックを含む任意のカスタム関数に対して実行できます。`.evaluate()` を呼び出すたびに、*evaluation run* がトリガーされます。`Evaluation` オブジェクトを設計図、各 run を、その設定の下でアプリケーションがどのように動作するかを測定するものと考えてください。
+
- - テスト例のための [`Dataset`](../core-types/datasets) またはオブジェクトの配列。
- - 1 つ以上の [スコアリング関数](../evaluation/scorers)。
+
+ Weave では、ワークフローの中心となるのが *`Evaluation` オブジェクト* であり、次の内容を定義します。
- `Evaluation` を定義したら、`weave.op` でラップされた任意の関数に対して実行できます。`.evaluate()` を呼び出すたびに _評価 run_ がトリガーされます。`Evaluation` オブジェクトを設計図、各 run をそのセットアップ下でのアプリケーションのパフォーマンス測定と考えると分かりやすいでしょう。
+ * テスト用サンプルとしての [`Dataset`](../core-types/datasets) またはオブジェクトの配列
+ * 1 つ以上の [スコアリング関数](../evaluation/scorers)
-
- TypeScript SDK は関数ベースの モデル と スコアラー を使用します。クラスベースの `Model` および `Scorer` 型は、現在 TypeScript では利用できません。
-
-
+ `Evaluation` を定義したら、`weave.op` でラップされた任意の関数に対して実行できます。`.evaluate()` を呼び出すたびに、*evaluation run* がトリガーされます。`Evaluation` オブジェクトを設計図、各 run を、その設定の下でアプリケーションがどのように動作するかを測定するものと考えてください。
+
+
+ TypeScript SDK は関数ベースの モデル とスコアラーを使用します。クラスベースの `Model` および `Scorer` 型は、まだ TypeScript では利用できません。
+
+
-評価を開始するには、以下の手順を完了してください。
+Evaluation を開始するには、次の手順を実行します。
-1. [`Evaluation` オブジェクトの作成](#1-evaluation-オブジェクトの作成)
-2. [例となるデータセットの定義](#2-テスト例のデータセットを定義する)
-3. [スコアリング関数の定義](#3-スコアリング関数の定義)
-4. [評価対象のモデルまたは関数の定義](#4-評価対象のモデルまたは関数の定義)
-5. [評価の実行](#5-評価の実行)
+1. [`Evaluation` オブジェクトを作成する](#1-create-an-evaluation-object)
+2. [テストサンプルのデータセットを定義する](#2-define-a-dataset-of-test-examples)
+3. [スコアリング関数を定義する](#3-define-scoring-functions)
+4. [評価対象のモデルまたは関数を定義する](#4-define-a-model-or-function-to-evaluate)
+5. [Evaluation を実行する](#5-run-the-evaluation)
+完全な Evaluation のコードサンプルは[こちら](#full-evaluation-code-sample)で確認できます。[Saved views](#saved-views) や [Imperative evaluations](#imperative-evaluations-evaluationlogger) などの[高度な Evaluation 機能](#advanced-evaluation-usage)についても学ぶことができます。
-完全な評価コードのサンプルは [こちら](#full-evaluation-code-sample) にあります。また、[保存済みビュー](#saved-views) や [命令的評価](#保存済みビューsaved-views) などの [高度な評価機能](#高度な評価機能) についても詳しく学ぶことができます。
+
+ ## 1. `Evaluation` オブジェクトを作成する
+
+`Evaluation` オブジェクトを作成することが、評価設定を行う最初のステップです。`Evaluation` は、サンプルデータ、スコアリングロジック、および任意の前処理から構成されます。後で、これを使って 1 回または複数回の評価を実行します。
-## 1. `Evaluation` オブジェクトの作成
+Weave は各サンプルを順にあなたのアプリケーションに通し、その出力に対して複数のカスタムのスコアリング関数でスコアを付けます。こうすることで、アプリケーションのパフォーマンスを俯瞰できるだけでなく、個々の出力とスコアを詳細に調査できるリッチな UI を利用できます。
-`Evaluation` オブジェクトの作成は、評価設定の最初のステップです。`Evaluation` は例となる データ、スコアリングロジック、およびオプションの事前処理で構成されます。これを後で 1 つ以上の評価を実行するために使用します。
+
+ ### (オプション) カスタム名の設定
+
-Weave は各例を取得し、アプリケーションを介して実行し、複数のカスタムスコアリング関数で出力をスコアリングします。これにより、アプリケーションのパフォーマンスの全体像を把握できるだけでなく、個別の出力やスコアを掘り下げて確認できるリッチな UI を利用できます。
+
+
+ 評価フローには、カスタマイズ可能な名前が 2 種類あります。
-### (オプション) カスタムネーミング
+ * [*Evaluation object name* (`evaluation_name`)](#name-the-evaluation-object): 設定済みの `Evaluation` オブジェクトに対する永続的なラベルです。
+ * [*Evaluation run display name* (`__weave["display_name"]`)](#name-individual-evaluation-runs): 特定の評価実行に対するラベルで、UI に表示されます。
-
-
- 評価フローでは、2 種類の名前をカスタマイズできます。
-
- - [_Evaluation オブジェクト名_ (`evaluation_name`)](#name-the-evaluation-object): 設定された `Evaluation` オブジェクトの永続的なラベルです。
- - [_Evaluation run 表示名_ (`__weave["display_name"]`)](#name-individual-evaluation-runs): UI に表示される、特定の評価実行のラベルです。
-
- #### `Evaluation` オブジェクトに名前を付ける
-
- `Evaluation` オブジェクト自体に名前を付けるには、`Evaluation` クラスに `evaluation_name` パラメータを渡します。この名前は、コードや UI のリストで評価を識別するのに役立ちます。
-
- ```python lines
- evaluation = Evaluation(
- dataset=examples, scorers=[match_score1], evaluation_name="My Evaluation"
- )
- ```
-
- #### 個別の評価 run に名前を付ける
-
- 特定の評価 run（`evaluate()` の呼び出し）に名前を付けるには、`__weave` 辞書で `display_name` を指定します。これは、その run に対して UI に表示される内容に影響します。
-
- ```python lines
- evaluation = Evaluation(
- dataset=examples, scorers=[match_score1]
- )
- evaluation.evaluate(model, __weave={"display_name": "My Evaluation Run"})
- ```
-
-
- `Evaluation` オブジェクトに名前を付けるには、`Evaluation` コンストラクタに `id` パラメータを渡します。この名前は、コードや UI のリストで評価を識別するのに役立ちます。
-
- ```typescript lines
- const evaluation = new weave.Evaluation({
- id: 'my-evaluation',
- dataset: dataset,
- scorers: [matchScore],
- });
- ```
-
+ #### `Evaluation` オブジェクトに名前を付ける
+
+ `Evaluation` オブジェクト自体に名前を付けるには、`Evaluation` クラスに `evaluation_name` パラメーターを渡します。この名前によって、コードや UI の一覧で Evaluation を識別しやすくなります。
+
+ ```python lines
+ evaluation = Evaluation(
+ dataset=examples, scorers=[match_score1], evaluation_name="My Evaluation"
+ )
+ ```
+
+ #### 個々の evaluation run に名前を付ける
+
+ 特定の evaluation run (`evaluate()` の呼び出し) に名前を付けるには、`display_name` を指定した `__weave` 辞書を使用します。これにより、その run について UI に表示される内容が変わります。
+
+ ```python lines
+ evaluation = Evaluation(
+ dataset=examples, scorers=[match_score1]
+ )
+ evaluation.evaluate(model, __weave={"display_name": "My Evaluation Run"})
+ ```
+
+
+
+ `Evaluation` オブジェクトに名前を付けるには、`Evaluation` コンストラクターに `id` パラメーターを渡します。この名前によって、コードや UI の一覧で Evaluation を識別しやすくなります。
+
+ ```typescript lines
+ const evaluation = new weave.Evaluation({
+ id: 'my-evaluation',
+ dataset: dataset,
+ scorers: [matchScore],
+ });
+ ```
+
-## 2. テスト例のデータセットを定義する
+
+ ## 2. テスト用のデータセットを定義する
+
-まず、評価対象となる例のコレクションを含む [Dataset](../core-types/datasets) オブジェクトまたは例のリストを定義します。これらの例は、テスト駆動開発（TDD）のユニットテストと同様に、テストしたい失敗ケースであることがよくあります。
+まず、評価対象とする例を集めた [Dataset](../core-types/datasets) オブジェクト、または例のリストとしてデータセットを定義します。これらの例は、多くの場合テストしたい失敗ケースであり、テスト駆動開発 (TDD) におけるユニットテストに似ています。
-
- 以下の例は、辞書のリストとして定義されたデータセットを示しています。
-
- ```python lines
- examples = [
- {"question": "What is the capital of France?", "expected": "Paris"},
- {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
- {"question": "What is the square root of 64?", "expected": "8"},
- ]
- ```
-
-
- 以下の例は、行の配列を持つ `Dataset` オブジェクトとして定義されたデータセットを示しています。
-
- ```typescript lines
- const dataset = new weave.Dataset({
- id: 'my-dataset',
- rows: [
- {question: 'What is the capital of France?', expected: 'Paris'},
- {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
- {question: 'What is the square root of 64?', expected: '8'},
- ],
- });
- ```
-
+
+ 次の例は、辞書のリストとして定義されたデータセットを示しています。
+
+ ```python lines
+ examples = [
+ {"question": "What is the capital of France?", "expected": "Paris"},
+ {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
+ {"question": "What is the square root of 64?", "expected": "8"},
+ ]
+ ```
+
+
+
+ 次の例は、行の配列を持つ `Dataset` オブジェクトとして定義されたデータセットを示しています。
+
+ ```typescript lines
+ const dataset = new weave.Dataset({
+ id: 'my-dataset',
+ rows: [
+ {question: 'What is the capital of France?', expected: 'Paris'},
+ {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
+ {question: 'What is the square root of 64?', expected: '8'},
+ ],
+ });
+ ```
+
-## 3. スコアリング関数の定義
+
+ ## 3. スコアリング関数を定義する
+
-次に、1 つ以上の [スコアリング関数](../evaluation/scorers) を作成します。これらは `Dataset` 内の各例をスコアリングするために使用されます。
+次に、1 つ以上の [スコアリング関数](../evaluation/scorers) を作成します。これらは `Dataset` 内の各サンプルをスコア付けするために使われます。
-
- 各スコアリング関数は `output` 引数を持ち、スコアを含む辞書を返す必要があります。オプションで、データセットの例から他の入力をに含めることもできます。
-
- スコアリング関数には `output` キーワード引数が必要ですが、その他の引数はユーザー定義であり、データセットの例から取得されます。引数名に基づいた辞書のキーを使用することで、必要なキーのみを取得します。
-
-
- スコアラーが `output` 引数を期待しているのに受け取っていない場合は、レガシーな `model_output` キーを使用していないか確認してください。これを修正するには、スコアラー関数を更新して `output` をキーワード引数として使用するようにしてください。
-
-
- 以下のスコアラー関数の例 `match_score1` は、スコアリングのために `examples` 辞書の `expected` 値を使用します。
-
- ```python lines
- import weave
-
- # 例のコレクションを作成
- examples = [
- {"question": "What is the capital of France?", "expected": "Paris"},
- {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
- {"question": "What is the square root of 64?", "expected": "8"},
- ]
-
- # カスタムスコアリング関数を定義
- @weave.op()
- def match_score1(expected: str, output: dict) -> dict:
- # ここにモデル出力をスコアリングするロジックを定義します
- return {'match': expected == output['generated_text']}
- ```
-
- ### (オプション) カスタム `Scorer` クラスの定義
-
- アプリケーションによっては、カスタム `Scorer` クラスを作成したい場合があります。例えば、特定のパラメータ（チャットモデル、プロンプトなど）、各行の特定のスコアリング、および集計スコアの特定の計算方法を持つ標準化された `LLMJudge` クラスを作成する場合などです。
-
- 詳細については、[RAG アプリケーションのモデルベース評価](/weave/tutorial-rag#optional-defining-a-scorer-class) の `Scorer` クラスの定義に関するチュートリアルを参照してください。
-
-
- 各スコアリング関数は `weave.op` でラップされ、`modelOutput` と `datasetRow` プロパティを持つオブジェクトを受け取ります。
-
- 以下のスコアラー関数の例 `matchScore` は、モデル出力をデータセット行の `expected` 値と比較します。
-
- ```typescript lines
- import * as weave from 'weave';
-
- // 例をデータセットにまとめる
- const dataset = new weave.Dataset({
- id: 'my-dataset',
- rows: [
- {question: 'What is the capital of France?', expected: 'Paris'},
- {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
- {question: 'What is the square root of 64?', expected: '8'},
- ],
- });
-
- // カスタムスコアリング関数を定義
- const matchScore = weave.op(
- ({modelOutput, datasetRow}) => {
- return {match: modelOutput === datasetRow.expected};
- },
- {name: 'matchScore'}
- );
- ```
-
-
- クラスベースの `Scorer` 型は、現在 TypeScript では利用できません。`weave.op` でラップされた関数ベースのスコアラーを使用してください。
-
-
+
+ 各スコアリング関数は `output` パラメーターを持ち、スコアを含む辞書を返す必要があります。必要に応じて、サンプルから他の入力を含めることもできます。
+
+ スコアリング関数は `output` キーワード引数を持つ必要がありますが、それ以外の引数はユーザー定義であり、データセットのサンプルから取得されます。引数名に基づいて辞書のキーを参照し、必要なキーだけを取得します。
+
+
+ scorer が `output` 引数を受け取ることを想定しているのに受け取れていない場合、古い `model_output` キーを使っている可能性があります。修正するには、scorer 関数を更新して、キーワード引数として `output` を使うようにしてください。
+
+
+ 次の例の scorer 関数 `match_score1` は、スコアリングに `examples` 辞書の `expected` 値を使用します。
+
+ ```python lines
+ import weave
+
+ # Collect your examples
+ examples = [
+ {"question": "What is the capital of France?", "expected": "Paris"},
+ {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
+ {"question": "What is the square root of 64?", "expected": "8"},
+ ]
+
+ # Define any custom scoring function
+ @weave.op()
+ def match_score1(expected: str, output: dict) -> dict:
+ # Here is where you'd define the logic to score the model output
+ return {'match': expected == output['generated_text']}
+ ```
+
+ ### (オプション) カスタム `Scorer` クラスを定義する
+
+ 一部のアプリケーションでは、カスタム `Scorer` クラスを作成したくなる場合があります。たとえば、特定のパラメーター (チャットモデルやプロンプトなど) 、各行の特定のスコアリング、および集計スコアの特定の計算方法を備えた標準化された `LLMJudge` クラスを作成したい場合です。
+
+ 詳細については、[Model-Based Evaluation of RAG applications](/ja/weave/tutorial-rag#optional-defining-a-scorer-class) にある `Scorer` クラス定義のチュートリアルを参照してください。
+
+
+
+ 各スコアリング関数は `weave.op` でラップされ、`modelOutput` と `datasetRow` プロパティを持つオブジェクトを受け取ります。
+
+ 次の例の scorer 関数 `matchScore` は、モデルの出力をデータセット行の `expected` 値と比較します。
+
+ ```typescript lines
+ import * as weave from 'weave';
+
+ // Collect your examples into a dataset
+ const dataset = new weave.Dataset({
+ id: 'my-dataset',
+ rows: [
+ {question: 'What is the capital of France?', expected: 'Paris'},
+ {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
+ {question: 'What is the square root of 64?', expected: '8'},
+ ],
+ });
+
+ // Define any custom scoring function
+ const matchScore = weave.op(
+ ({modelOutput, datasetRow}) => {
+ return {match: modelOutput === datasetRow.expected};
+ },
+ {name: 'matchScore'}
+ );
+ ```
+
+
+ クラスベースの `Scorer` 型は、TypeScript ではまだ利用できません。`weave.op` でラップした関数ベースの scorer を使用してください。
+
+
-## 4. 評価対象のモデルまたは関数の定義
+
+ ## 4. 評価するモデルまたは関数を定義する
+
-
- `Model` を評価するには、`Evaluation` を使用してそのモデルに対して `evaluate` を呼び出します。`Models` は、実験したいパラメータがあり、それを Weave で取得したい場合に使用します。
-
- ```python lines
- from weave import Model, Evaluation
- import asyncio
-
- class MyModel(Model):
- prompt: str
-
- @weave.op()
- def predict(self, question: str):
- # ここにLLM呼び出しを追加し、結果を返します
- return {'generated_text': 'Hello, ' + self.prompt}
-
- model = MyModel(prompt='World')
-
- evaluation = Evaluation(
- dataset=examples, scorers=[match_score1]
- )
- weave.init('intro-example') # weaveでのトラッキングを開始
- asyncio.run(evaluation.evaluate(model))
- ```
-
- これにより、各例に対して `predict` が実行され、各スコアリング関数で出力がスコアリングされます。
-
- ### (オプション) 評価対象の関数を定義する
-
- あるいは、`@weave.op()` でトラッキングされたカスタム関数を評価することもできます。
-
- ```python lines
- @weave.op
- def function_to_evaluate(question: str):
- # ここにLLM呼び出しを追加し、結果を返します
- return {'generated_text': 'some response'}
-
- asyncio.run(evaluation.evaluate(function_to_evaluate))
- ```
-
-
- TypeScript では、`weave.op` でラップされた関数を評価します。関数はデータセットの行を受け取り、モデルの出力を返します。
-
- ```typescript lines
- import * as weave from 'weave';
-
- // Weaveを初期化
- await weave.init('intro-example');
-
- // 評価する関数を定義
- const myModel = weave.op(
- async ({question}) => {
- // ここにLLM呼び出しを追加し、結果を返します
- return 'Paris';
- },
- {name: 'myModel'}
- );
-
- // 評価を作成
- const evaluation = new weave.Evaluation({
- id: 'my-evaluation',
- dataset: dataset,
- scorers: [matchScore],
- });
-
- // 評価を実行
- const results = await evaluation.evaluate({model: myModel});
- ```
-
- これにより、各例に対して `myModel` が実行され、各スコアリング関数で出力がスコアリングされます。
-
+
+ `Model` を評価するには、`Evaluation` を使ってその `Model` に対して `evaluate` を呼び出します。`Models` は、試したいパラメーターがあり、それらを Weave に記録したい場合に使用します。
+
+ ```python lines
+ from weave import Model, Evaluation
+ import asyncio
+
+ class MyModel(Model):
+ prompt: str
+
+ @weave.op()
+ def predict(self, question: str):
+ # ここに LLM 呼び出しを追加し、その出力を返します
+ return {'generated_text': 'Hello, ' + self.prompt}
+
+ model = MyModel(prompt='World')
+
+ evaluation = Evaluation(
+ dataset=examples, scorers=[match_score1]
+ )
+ weave.init('intro-example') # Weave で結果の追跡を開始
+ asyncio.run(evaluation.evaluate(model))
+ ```
+
+ これにより、各サンプルに対して `predict` が実行され、各スコアリング関数で出力が評価されます。
+
+ ### (オプション) 評価する関数を定義する
+
+ 代わりに、`@weave.op()` でトラッキングされるカスタム関数を評価することもできます。
+
+ ```python lines
+ @weave.op
+ def function_to_evaluate(question: str):
+ # ここに LLM 呼び出しを追加し、その出力を返します
+ return {'generated_text': 'some response'}
+
+ asyncio.run(evaluation.evaluate(function_to_evaluate))
+ ```
+
+
+
+ TypeScript では、`weave.op` でラップされた関数を評価します。この関数はデータセットの 1 行を受け取り、モデルの出力を返します。
+
+ ```typescript lines
+ import * as weave from 'weave';
+
+ // Weave を初期化
+ await weave.init('intro-example');
+
+ // 評価する関数を定義
+ const myModel = weave.op(
+ async ({question}) => {
+ // ここに LLM 呼び出しを追加し、その出力を返します
+ return 'Paris';
+ },
+ {name: 'myModel'}
+ );
+
+ // Evaluation を作成
+ const evaluation = new weave.Evaluation({
+ id: 'my-evaluation',
+ dataset: dataset,
+ scorers: [matchScore],
+ });
+
+ // Evaluation を実行
+ const results = await evaluation.evaluate({model: myModel});
+ ```
+
+ これにより、各サンプルに対して `myModel` が実行され、各スコアリング関数で出力が評価されます。
+
-## 5. 評価の実行
+
+ ## 5. 評価を実行する
+
-評価を実行するには、`Evaluation` オブジェクトの `.evaluate()` を呼び出します。
+評価を実行するには、`Evaluation` オブジェクトで `.evaluate()` を呼び出します。
-
- `evaluation` という名前の `Evaluation` オブジェクトと、評価対象の `model` という名前の `Model` オブジェクトがある場合、以下のコードで評価 run をインスタンス化します。
-
- ```python lines
- asyncio.run(evaluation.evaluate(model))
- ```
- ### (オプション) 複数のトライアルを実行する
-
- `Evaluation` オブジェクトに `trials` パラメータを設定することで、各例を複数回実行できます。
-
- ```python lines
- evaluation = Evaluation(
- dataset=examples,
- scorers=[match_score],
- trials=3
- )
- ```
-
-
- `evaluation` という名前の `Evaluation` オブジェクトと、`myModel` という名前のモデル関数がある場合、以下のコードで評価を実行します。
-
- ```typescript lines
- const results = await evaluation.evaluate({model: myModel});
- ```
-
- ### (オプション) 複数のトライアルを実行する
-
- `evaluate()` を呼び出す際に `nTrials` パラメータを設定することで、各例を複数回実行できます。
-
- ```typescript lines
- const results = await evaluation.evaluate({
- model: myModel,
- nTrials: 3,
- });
- ```
-
+
+ `evaluation` という名前の `Evaluation` オブジェクトと、評価対象の `model` という名前の `Model` オブジェクトがあると仮定すると、次のコードで評価用の run を開始します。
+
+ ```python lines
+ asyncio.run(evaluation.evaluate(model))
+ ```
+
+ ### (オプション) 複数回の試行を実行する
+
+ 各例を複数回実行するには、`Evaluation` オブジェクトの `trials` パラメーターを設定します。
+
+ ```python lines
+ evaluation = Evaluation(
+ dataset=examples,
+ scorers=[match_score],
+ trials=3
+ )
+ ```
+
+
+
+ `evaluation` という名前の `Evaluation` オブジェクトと、`myModel` という名前のモデル関数があると仮定すると、次のコードで評価を実行します。
+
+ ```typescript lines
+ const results = await evaluation.evaluate({model: myModel});
+ ```
+
+ ### (オプション) 複数回の試行を実行する
+
+ 各例を複数回実行するには、`evaluate()` を呼び出すときに `nTrials` パラメーターを設定します。
+
+ ```typescript lines
+ const results = await evaluation.evaluate({
+ model: myModel,
+ nTrials: 3,
+ });
+ ```
+
-run は各例をモデルに 3 回渡し、各 run は個別にスコアリングされ、Weave に表示されます。
+この run では各例をモデルに 3 回ずつ渡し、それぞれの run がスコアリングされ、Weave 内で個別に表示されます。
-## 完全な評価コードのサンプル
+
+ ## 評価コードの完全な例
+
-
- 以下のコードサンプルは、開始から終了までの完全な評価 run を示しています。`examples` 辞書は、`match_score1` および `match_score2` スコアリング関数によって、与えられた `prompt` の値に基づく `MyModel`、およびカスタム関数 `function_to_evaluate` を評価するために使用されます。`Model` と関数の両方の評価 run は、`asyncio.run(evaluation.evaluate())` で呼び出されます。
-
- ```python lines
- from weave import Evaluation, Model
- import weave
- import asyncio
- weave.init('intro-example')
- examples = [
- {"question": "What is the capital of France?", "expected": "Paris"},
- {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
- {"question": "What is the square root of 64?", "expected": "8"},
- ]
-
- @weave.op()
- def match_score1(expected: str, output: dict) -> dict:
- return {'match': expected == output['generated_text']}
-
- @weave.op()
- def match_score2(expected: dict, output: dict) -> dict:
- return {'match': expected == output['generated_text']}
-
- class MyModel(Model):
- prompt: str
-
- @weave.op()
- def predict(self, question: str):
- # ここにLLM呼び出しを追加し、結果を返します
- return {'generated_text': 'Hello, ' + question + self.prompt}
-
- model = MyModel(prompt='World')
- evaluation = Evaluation(dataset=examples, scorers=[match_score1, match_score2])
-
- asyncio.run(evaluation.evaluate(model))
-
- @weave.op()
- def function_to_evaluate(question: str):
- # ここにLLM呼び出しを追加し、結果を返します
- return {'generated_text': 'some response' + question}
-
- asyncio.run(evaluation.evaluate(function_to_evaluate))
- ```
-
-
- 以下のコードサンプルは、開始から終了までの完全な評価 run を示しています。データセットの行は、`matchScore` スコアリング関数によって `myModel` を評価するために使用されます。
-
- ```typescript lines
- import * as weave from 'weave';
-
- // Weaveを初期化
- await weave.init('intro-example');
-
- // 例をデータセットにまとめる
- const dataset = new weave.Dataset({
- id: 'my-dataset',
- rows: [
- {question: 'What is the capital of France?', expected: 'Paris'},
- {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
- {question: 'What is the square root of 64?', expected: '8'},
- ],
- });
-
- // スコアリング関数を定義
- const matchScore = weave.op(
- ({modelOutput, datasetRow}) => {
- return {match: modelOutput === datasetRow.expected};
- },
- {name: 'matchScore'}
- );
-
- // 評価する関数を定義
- const myModel = weave.op(
- async ({question}) => {
- // ここにLLM呼び出しを追加し、結果を返します
- return 'Paris';
- },
- {name: 'myModel'}
- );
-
- // 評価を作成して実行
- const evaluation = new weave.Evaluation({
- id: 'my-evaluation',
- dataset: dataset,
- scorers: [matchScore],
- });
-
- const results = await evaluation.evaluate({model: myModel});
- console.log('Evaluation results:', results);
- ```
-
+
+ 次のコードサンプルは、評価 run の一連の流れを最初から最後まで示す完全な例です。`examples` 辞書は、`prompt` の値が与えられた `MyModel` を `match_score1` および `match_score2` のスコアリング関数で評価する際に使用されるほか、カスタム関数 `function_to_evaluate` を評価する際にも使用されます。`Model` と関数の両方に対する評価は、`asyncio.run(evaluation.evaluate())` を使って実行されます。
+
+ ```python lines
+ from weave import Evaluation, Model
+ import weave
+ import asyncio
+ weave.init('intro-example')
+ examples = [
+ {"question": "What is the capital of France?", "expected": "Paris"},
+ {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
+ {"question": "What is the square root of 64?", "expected": "8"},
+ ]
+
+ @weave.op()
+ def match_score1(expected: str, output: dict) -> dict:
+ return {'match': expected == output['generated_text']}
+
+ @weave.op()
+ def match_score2(expected: dict, output: dict) -> dict:
+ return {'match': expected == output['generated_text']}
+
+ class MyModel(Model):
+ prompt: str
+
+ @weave.op()
+ def predict(self, question: str):
+ # ここに LLM 呼び出しを追加し、その出力を返します
+ return {'generated_text': 'Hello, ' + question + self.prompt}
+
+ model = MyModel(prompt='World')
+ evaluation = Evaluation(dataset=examples, scorers=[match_score1, match_score2])
+
+ asyncio.run(evaluation.evaluate(model))
+
+ @weave.op()
+ def function_to_evaluate(question: str):
+ # ここに LLM 呼び出しを追加し、その出力を返します
+ return {'generated_text': 'some response' + question}
+
+ asyncio.run(evaluation.evaluate(function_to_evaluate("What is the capitol of France?")))
+ ```
+
+
+
+ 次のコードサンプルは、評価 run の一連の流れを最初から最後まで示す完全な例です。データセットの各行は、`matchScore` スコアリング関数によって `myModel` を評価するために使用されます。
+
+ ```typescript lines
+ import * as weave from 'weave';
+
+ // Weave を初期化
+ await weave.init('intro-example');
+
+ // サンプルを 1 つのデータセットにまとめる
+ const dataset = new weave.Dataset({
+ id: 'my-dataset',
+ rows: [
+ {question: 'What is the capital of France?', expected: 'Paris'},
+ {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
+ {question: 'What is the square root of 64?', expected: '8'},
+ ],
+ });
+
+ // スコアリング関数を定義
+ const matchScore = weave.op(
+ ({modelOutput, datasetRow}) => {
+ return {match: modelOutput === datasetRow.expected};
+ },
+ {name: 'matchScore'}
+ );
+
+ // 評価する関数を定義
+ const myModel = weave.op(
+ async ({question}) => {
+ // ここに LLM 呼び出しを追加し、その出力を返します
+ return 'Paris';
+ },
+ {name: 'myModel'}
+ );
+
+ // 評価を作成して実行
+ const evaluation = new weave.Evaluation({
+ id: 'my-evaluation',
+ dataset: dataset,
+ scorers: [matchScore],
+ });
+
+ const results = await evaluation.evaluate({model: myModel});
+ console.log('Evaluation results:', results);
+ ```
+
+ ## 高度な評価の使い方
+
-### 評価前のデータセット行のフォーマット
+
+ ### 評価の前にデータセットの行を整形する
+
-
-
- `preprocess_model_input` 関数は、入力をモデルの予測関数に渡す前にのみ適用されます。スコアラー関数は、事前処理が適用されていないオリジナルのデータセットの例を常に受け取ります。
-
-
- `preprocess_model_input` パラメータを使用すると、データセットの例を評価関数に渡す前に変換できます。これは、以下の場合に役立ちます。
-
- - フィールド名をモデルが期待する入力名にリネームする
- - データを正しい形式に変換する
- - フィールドを追加または削除する
- - 各例に追加データをロードする
-
- 以下は、`preprocess_model_input` を使用してフィールド名をリネームする方法を示す簡単な例です。
-
- ```python lines
- import weave
- from weave import Evaluation
- import asyncio
-
- # データセットには "input_text" があるが、モデルは "question" を期待している
- examples = [
- {"input_text": "What is the capital of France?", "expected": "Paris"},
- {"input_text": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
- {"input_text": "What is the square root of 64?", "expected": "8"},
- ]
-
- @weave.op()
- def preprocess_example(example):
- # input_text を question にリネーム
- return {
- "question": example["input_text"]
- }
-
- @weave.op()
- def match_score(expected: str, output: dict) -> dict:
- return {'match': expected == output['generated_text']}
-
- @weave.op()
- def function_to_evaluate(question: str):
- return {'generated_text': f'Answer to: {question}'}
-
- # 事前処理を含む評価を作成
- evaluation = Evaluation(
- dataset=examples,
- scorers=[match_score],
- preprocess_model_input=preprocess_example
- )
-
- # 評価を実行
- weave.init('preprocessing-example')
- asyncio.run(evaluation.evaluate(function_to_evaluate))
- ```
-
- この例では、データセットに `input_text` フィールドが含まれていますが、評価関数は `question` 引数を期待しています。`preprocess_example` 関数はフィールド名をリネームすることで各例を変換し、評価が正しく動作するようにします。
-
- 事前処理関数は以下の通りです。
-
- 1. データセットから生の例を受け取ります
- 2. モデルが期待するフィールドを持つ辞書を返します
- 3. 評価関数に渡される前に各例に適用されます
-
- これは、モデルが期待するものとは異なるフィールド名や構造を持つ外部データセットを扱う場合に特に役立ちます。
-
-
- TypeScript では、`Evaluation` オブジェクトで `columnMapping` を使用して、データセットの列名をスコアラーが期待する名前にマッピングできます。これは、データセットのフィールド名がスコアラー関数の期待と異なる場合に便利です。
-
- 以下の例では、`expectedOutputTimesTwo` 列を `expected` 列にマッピングしています。
-
- ```typescript lines
- const myScorer = weave.op(
- ({modelOutput, datasetRow}) => {
- return modelOutput * 2 === datasetRow.expectedOutputTimesTwo;
- },
- {name: 'myScorer'}
- );
-
- const evaluation = new weave.Evaluation({
- id: 'my-evaluation',
- dataset: [{expected: 2}],
- scorers: [myScorer],
- columnMapping: {expectedOutputTimesTwo: 'expected'},
- });
- ```
-
-
- `preprocess_model_input` パラメータは現在 TypeScript では利用できません。データセットのフィールドをスコアラーの期待に合わせるには `columnMapping` を使用してください。
-
-
+
+
+ `preprocess_model_input` 関数は、モデルの予測関数に渡す前の入力にのみ適用されます。scorer 関数は常に、前処理が一切適用されていない元のデータセットの例を受け取ります。
+
+
+ `preprocess_model_input` パラメーターを使うと、データセットの各例を評価関数に渡す前に変換できます。これは次のような場合に便利です。
+
+ * モデルが想定する入力に合わせてフィールド名を変更する
+ * データを正しい形式に変換する
+ * フィールドを追加・削除する
+ * 各例に対して追加のデータを読み込む
+
+ 以下は、`preprocess_model_input` を使ってフィールド名を変更する方法を示す簡単な例です。
+
+ ```python lines
+ import weave
+ from weave import Evaluation
+ import asyncio
+
+ # データセットには "input_text" があるが、モデルは "question" を想定している
+ examples = [
+ {"input_text": "What is the capital of France?", "expected": "Paris"},
+ {"input_text": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
+ {"input_text": "What is the square root of 64?", "expected": "8"},
+ ]
+
+ @weave.op()
+ def preprocess_example(example):
+ # input_text を question にリネームする
+ return {
+ "question": example["input_text"]
+ }
+
+ @weave.op()
+ def match_score(expected: str, output: dict) -> dict:
+ return {'match': expected == output['generated_text']}
+
+ @weave.op()
+ def function_to_evaluate(question: str):
+ return {'generated_text': f'Answer to: {question}'}
+
+ # 前処理付きで evaluation を作成する
+ evaluation = Evaluation(
+ dataset=examples,
+ scorers=[match_score],
+ preprocess_model_input=preprocess_example
+ )
+
+ # evaluation を実行する
+ weave.init('preprocessing-example')
+ asyncio.run(evaluation.evaluate(function_to_evaluate))
+ ```
+
+ この例では、データセット内の各例は `input_text` フィールドを持っていますが、評価関数は `question` パラメーターを受け取ることを想定しています。`preprocess_example` 関数は、フィールド名を変更することで各例を変換し、その結果として evaluation が正しく動作するようにします。
+
+ 前処理関数は次のように動作します。
+
+ 1. データセットから生の例を受け取る
+ 2. モデルが想定するフィールドを持つ辞書を返す
+ 3. 評価関数に渡される前に、各例に対して適用される
+
+ これは、モデルが想定しているフィールド名や構造と異なる外部データセットを扱う場合に特に有用です。
+
+
+
+ TypeScript では、`Evaluation` オブジェクトの `columnMapping` を使って、データセットのカラム名を scorer が想定する名前にマッピングできます。これは、データセットのフィールド名が scorer 関数の想定と異なる場合に便利です。
+
+ 次の例では、`expectedOutputTimesTwo` カラムを `expected` カラムにマッピングしています。
+
+ ```typescript lines
+ const myScorer = weave.op(
+ ({modelOutput, datasetRow}) => {
+ return modelOutput * 2 === datasetRow.expectedOutputTimesTwo;
+ },
+ {name: 'myScorer'}
+ );
+
+ const evaluation = new weave.Evaluation({
+ id: 'my-evaluation',
+ dataset: [{expected: 2}],
+ scorers: [myScorer],
+ columnMapping: {expectedOutputTimesTwo: 'expected'},
+ });
+ ```
+
+
+ `preprocess_model_input` パラメーターは、現時点では TypeScript では利用できません。データセットのフィールドを scorer の想定にマッピングするには `columnMapping` を使用してください。
+
+
-### 評価での HuggingFace データセットの使用
+
+ ### 評価で HuggingFace データセットを使用する
+
-
- サードパーティのサービスやライブラリとのインテグレーションは継続的に改善されています。
-
- よりシームレスなインテグレーションを構築する間、Weave の評価で HuggingFace Datasets を使用するための一時的な回避策として `preprocess_model_input` を使用できます。
-
- 現在のアプローチについては、[評価での HuggingFace データセットの使用クックブック](/weave/cookbooks/hf_dataset_evals) を参照してください。
-
-
- ```plaintext
- この機能は現在 TypeScript では利用できません。
- ```
-
+
+ サードパーティーのサービスやライブラリとのインテグレーションを継続的に改善しています。
+
+ さらにシームレスなインテグレーションを提供できるよう取り組んでいるあいだは、一時的な回避策として、Weave の評価で HuggingFace Datasets ライブラリを使用するために `preprocess_model_input` を利用できます。
+
+ 現在のアプローチについては、[Using HuggingFace datasets in evaluations cookbook](/ja/weave/cookbooks/hf_dataset_evals) を参照してください。
+
+
+
+ ```plaintext
+ この機能は現在 TypeScript では利用できません。
+ ```
+
-### 保存済みビュー（Saved views）
+
+ ### Saved views
+
-Evals テーブルの設定、フィルタ、ソートを _保存済みビュー_ として保存し、好みのセットアップに素早くアクセスできます。保存済みビューは UI および Python SDK で設定・アクセスできます。詳細については、[保存済みビュー](/weave/guides/tools/saved-views) を参照してください。
+Evals テーブルの設定、フィルター、ソートを *saved views* (保存済みビュー) として保存しておくことで、好みの構成にすばやくアクセスできます。saved views は UI と Python SDK の両方から設定および利用できます。詳細については、[Saved Views](/ja/weave/guides/tools/saved-views) を参照してください。
-### 命令的評価（`EvaluationLogger`）
+
+ ### 命令型評価 (`EvaluationLogger`)
+
-より柔軟な評価フレームワークを好む場合は、Weave の [`EvaluationLogger`](../evaluation/evaluation_logger) を確認してください。`EvaluationLogger` は Python と TypeScript の両方で利用可能で、複雑なワークフローに対してより高い柔軟性を提供しますが、標準の評価フレームワークはより多くの構造とガイダンスを提供します。
\ No newline at end of file
+より柔軟な評価フレームワークを利用したい場合は、Weave の [`EvaluationLogger`](../evaluation/evaluation_logger) を参照してください。`EvaluationLogger` は Python と TypeScript の両方で利用でき、複雑なワークフローに対してより高い柔軟性を提供します。一方で、標準的な評価フレームワークは、より明確な構造と指針を提供します。
\ No newline at end of file
diff --git a/ja/weave/guides/core-types/leaderboards.mdx b/ja/weave/guides/core-types/leaderboards.mdx
index 48bd232037..c13bdb0ad2 100644
--- a/ja/weave/guides/core-types/leaderboards.mdx
+++ b/ja/weave/guides/core-types/leaderboards.mdx
@@ -1,60 +1,68 @@
---
-title: Models の比較とランキング
-description: 評価メトリクス に基づいて異なる モデル バージョンを比較し、順位付けします
+title: "モデルを比較してランキングする"
+description: "評価メトリクスに基づいて異なるモデルバージョンを比較・ランキングする"
---
-Weave の _Leaderboards_ を使用すると、複数のメトリクスにわたって複数の Models を評価・比較し、精度、生成の質、レイテンシ、またはカスタム評価ロジックを測定できます。Leaderboard を活用することで、モデルのパフォーマンスを中央の場所で可視化し、時間の経過に伴う変化を追跡し、チーム全体でベンチマークを共有できます。
+Weave _Leaderboards_ を使用して、複数のメトリクスにわたって複数のモデルを評価・比較し、精度、生成品質、レイテンシ、カスタム評価ロジックなどを測定できます。Leaderboard を使うと、モデルのパフォーマンスを一元的に可視化し、時間の経過に伴う変化を追跡し、チーム全体で共通のベンチマークを共有できます。
-Leaderboard は以下のような場合に最適です：
+Leaderboards は次のような用途に最適です：
-- モデルパフォーマンスの回帰（デグレード）の追跡
-- 共有された評価ワークフローの調整
+- モデルパフォーマンスの劣化の追跡
+- 共有評価ワークフローの調整
-Leaderboard の作成は、Weave UI および Weave Python SDK でのみ利用可能です。TypeScript ユーザーは [Weave UI](#ui-を使用する場合) を使用して Leaderboard を作成および管理できます。
+Leaderboard の作成は Weave UI と Weave Python SDK でのみ利用できます。TypeScript ユーザーは [Weave UI](#using-the-ui) を使用して Leaderboard を作成および管理できます。
-## Leaderboard の作成
+
+ ## Leaderboard を作成する
+
-Leaderboard は [Weave UI](#ui) または [プログラム](#python) から作成できます。
+Leaderboard は [Weave UI](#ui) から、または [プログラムから](#python) 作成できます。
-### UI を使用する場合
+
+ ### UI を使用する
+
-Weave UI で直接 Leaderboard を作成・カスタマイズするには：
+Weave UI 上で直接 leaderboard を作成およびカスタマイズするには、次のようにします。
1. Weave UI で **Leaders** セクションに移動します。表示されていない場合は、**More** → **Leaders** をクリックします。
2. **+ New Leaderboard** をクリックします。
-3. **Leaderboard Title** フィールドに、分かりやすい名前（例：`summarization-benchmark-v1`）を入力します。
-4. 任意で、この Leaderboard が何を比較するものか説明を追加します。
-5. [列を追加](#add-columns) して、表示する評価とメトリクスを定義します。
-6. レイアウトが完成したら、Leaderboard を保存して公開し、他のユーザーと共有します。
+3. **Leaderboard Title** フィールドに、わかりやすい名前（例: `summarization-benchmark-v1`）を入力します。
+4. 必要に応じて、この leaderboard が何を比較しているのかを説明するための説明文を追加します。
+5. 表示する評価とメトリクスを定義するために、[列を追加](#add-columns) します。
+6. レイアウトが整ったら、leaderboard を保存して公開し、他の人と共有します。
-#### 列を追加する
+
+ #### 列を追加する
+
-Leaderboard の各列は、特定の評価からのメトリクスを表します。列を設定するには、以下を指定します：
+リーダーボードの各列は、特定の評価からのメトリクスを表します。列を設定するには、次の項目を指定します。
- **Evaluation**: ドロップダウンから評価 run を選択します（事前に作成されている必要があります）。
-- **Scorer**: その評価で使用されたスコアリング関数（例：`jaccard_similarity`, `simple_accuracy`）を選択します。
-- **Metric**: 表示する集計メトリクスを選択します（例：`mean`, `true_fraction` など）。
+- **Scorer**: その評価で使用されるスコアリング関数（例: `jaccard_similarity`、`simple_accuracy`）を選択します。
+- **Metric**: 表示する要約メトリクス（例: `mean`、`true_fraction` など）を選択します。
-さらに列を追加するには、**Add Column** をクリックします。
+列を追加するには、**Add Column** をクリックします。
-列を編集するには、右側の 3 つのドットメニュー (`⋯`) をクリックします。以下の操作が可能です：
+列を編集するには、右側の三点メニュー（`⋯`）をクリックします。次の操作が可能です。
-- **Move before / after** – 列の順序を入れ替える
-- **Duplicate** – 列の定義をコピーする
-- **Delete** – 列を削除する
-- **Sort ascending** – Leaderboard のデフォルトのソート順を設定する（再度クリックすると降順に切り替わります）
+- **Move before / after** – 列を前後に移動します
+- **Duplicate** – 列の定義をコピーします
+- **Delete** – 列を削除します
+- **Sort ascending** – リーダーボードのデフォルトのソート順を昇順に設定します（再度クリックすると降順に切り替わります）
-### Python
+
+ ### Python
+
-すぐに実行可能な完全なコードサンプルをお探しですか？[エンドツーエンドの Python 例](#エンドツーエンドの-python-例) をご覧ください。
+完全な実行可能なコードサンプルをお探しですか？[End-to-end Python example](#end-to-end-python-example) を参照してください。
-Leaderboard を作成して公開するには：
+リーダーボードを作成して公開するには、次の手順を実行します。
-1. テスト用の Datasets を定義します。組み込みの [`Dataset`](./datasets) を使用するか、入力とターゲットのリストを手動で定義できます。
+1. テスト用のデータセットを定義します。組み込みの [`Dataset`](./datasets) を使用するか、入力とターゲットのリストを手動で定義できます。
```python lines
dataset = [
@@ -63,7 +71,7 @@ Leaderboard を作成して公開するには：
]
```
-2. 1 つ以上の [scorers](../evaluation/scorers) を定義します。
+2. 1 つ以上の [scorer](../evaluation/scorers) を定義します。
```python lines
@weave.op
@@ -81,7 +89,7 @@ Leaderboard を作成して公開するには：
)
```
-4. 評価対象の Models を定義します。
+4. 評価対象の モデル を定義します。
```python lines
@weave.op
@@ -100,7 +108,7 @@ Leaderboard を作成して公開するには：
asyncio.run(run_all())
```
-6. Leaderboard を作成します。
+6. リーダーボードを作成します。
```python lines
spec = leaderboard.Leaderboard(
@@ -116,7 +124,7 @@ Leaderboard を作成して公開するには：
)
```
-7. Leaderboard を公開します。
+7. リーダーボードを公開します。
```python lines
weave.publish(spec)
@@ -129,9 +137,11 @@ Leaderboard を作成して公開するには：
print(results)
```
-## エンドツーエンドの Python 例
+
+ ## エンドツーエンドの Python 例
+
-次の例では、Weave Evaluations を使用し、共通のデータセット上で 3 つの要約モデルをカスタムメトリクスを用いて比較する Leaderboard を作成します。小さなベンチマークを作成し、各モデルを評価し、[Jaccard 類似度](https://www.learndatasci.com/glossary/jaccard-similarity/) で各モデルをスコアリングし、その結果を Weave Leaderboard に公開します。
+次の例では Weave Evaluations を使用して、カスタムメトリクスを用いて共通のデータセット上で 3 つの要約モデルを比較するためのリーダーボードを作成します。小さなベンチマークを作成し、各モデルを評価し、[Jaccard similarity](https://www.learndatasci.com/glossary/jaccard-similarity/) で各モデルにスコアを付け、その結果を Weave のリーダーボードに公開します。
```python lines
import weave
@@ -139,10 +149,8 @@ from weave.flow import leaderboard
from weave.trace.ref_util import get_ref
import asyncio
-# プロジェクトの初期化
client = weave.init("leaderboard-demo")
-# データセットの定義
dataset = [
{
"input": "Weave is a tool for building interactive LLM apps. It offers observability, trace inspection, and versioning.",
@@ -158,7 +166,6 @@ dataset = [
}
]
-# スコアラーの定義
@weave.op
def jaccard_similarity(target: str, output: str) -> float:
target_tokens = set(target.lower().split())
@@ -167,14 +174,12 @@ def jaccard_similarity(target: str, output: str) -> float:
union = len(target_tokens | output_tokens)
return intersection / union if union else 0.0
-# 評価の定義
evaluation = weave.Evaluation(
name="Summarization Quality",
dataset=dataset,
scorers=[jaccard_similarity],
)
-# 評価対象モデルの定義
@weave.op
def model_vanilla(input: str) -> str:
return input[:50]
@@ -192,7 +197,6 @@ def model_humanlike(input: str) -> str:
def model_messy(input: str) -> str:
return "Summarizer summarize models model input text LLMs."
-# 全モデルの評価実行
async def run_all():
await evaluation.evaluate(model_vanilla)
await evaluation.evaluate(model_humanlike)
@@ -200,7 +204,6 @@ async def run_all():
asyncio.run(run_all())
-# Leaderboard スペックの定義
spec = leaderboard.Leaderboard(
name="Summarization Model Comparison",
description="Evaluate summarizer models using Jaccard similarity on 3 short samples.",
@@ -213,29 +216,30 @@ spec = leaderboard.Leaderboard(
]
)
-# Leaderboard の公開
weave.publish(spec)
-# 結果の取得と表示
results = leaderboard.get_leaderboard_results(spec, client)
print(results)
```
-### Leaderboard の表示と解釈
-スクリプトの実行が完了したら、Leaderboard を確認します：
+
+ ### リーダーボードを表示して解釈する
+
-1. **Weave UI** で **Leaders** タブに移動します。表示されていない場合は **More** をクリックし、**Leaders** を選択します。
-2. 作成した Leaderboard の名前（例：`Summarization Model Comparison`）をクリックします。
+スクリプトの実行が完了したら、リーダーボードを表示します。
-Leaderboard のテーブルでは、各行が特定のモデル（`model_humanlike`, `model_vanilla`, `model_messy`）を表します。`mean` 列は、モデルの出力と参照用要約との間の平均 Jaccard 類似度を示しています。
+1. **Weave UI** で **Leaders** タブを開きます。表示されていない場合は **More** をクリックし、**Leaders** を選択します。
+2. リーダーボードの名前（例: `Summarization Model Comparison`）をクリックします。
+
+リーダーボードのテーブルでは、各行がそれぞれのモデル（`model_humanlike`、`model_vanilla`、`model_messy`）を表します。`mean` 列には、そのモデルの出力と参照要約との平均 Jaccard 類似度が表示されます。
+ ## 概要
+
-
+
+ このガイドの例ではアノテーションを使用します。アノテーションはメディアのロギングを始める最も簡単な方法なので推奨します。より高度な設定については、[Content API セクション](#using-the-contents-api)を参照してください。
-このガイドの例ではアノテーションを使用しています。アノテーションはメディアのログ記録を開始する最もシンプルな方法であるため、推奨されています。より高度な設定については、[Content API セクション](#content-api-の使用) を参照してください。
+ Weave にメディアをログするには、`Annotated[bytes, Content]` や `Annotated[str, Content]` のような型アノテーションを op の入力または戻り値の型として追加します。パス引数を `Annotated[str, Content]` でアノテーションすると、Weave はトレース内のメディアを自動的に開き、検出し、表示します。
+
-Weave にメディアをログ記録するには、ops の入力または戻り値の型として `Annotated[bytes, Content]` や `Annotated[str, Content]` のような型アノテーションを追加します。パス引数を `Annotated[str, Content]` でアノテートすると、Weave は自動的にファイルを開き、検出し、トレース内にメディアを表示します。
-
-
-TypeScript SDK は、メディアのログ記録用に専用の関数を提供しています：
-- `weave.weaveImage({ data: Buffer })` - 画像用 (PNG 形式)
-- `weave.weaveAudio({ data: Buffer })` - オーディオ用 (WAV 形式)
+
+ TypeScript SDK はメディアをログするための専用関数を提供します：
-
-TypeScript SDK は現在、画像とオーディオのログ記録をサポートしています。動画、ドキュメント、または HTML をログ記録するには、代わりに Weave Python SDK を使用してください。
-
+ * `weave.weaveImage({ data: Buffer })` - 画像用（PNG 形式）
+ * `weave.weaveAudio({ data: Buffer })` - 音声用（WAV 形式）
-
+
+ TypeScript SDK は現在、画像と音声のロギングのみをサポートしています。動画、ドキュメント、または HTML をログするには、代わりに Weave Python SDK を使用してください。
+
+
-以下のセクションでは、各タイプのメディアをログ記録する実用的な例を紹介します。
+以下のセクションでは、各メディアタイプをログする実用的な例を示します。
-## 画像のログ記録
+
+ ## 画像をログに記録する
+
-以下の例では、画像を生成して Weave の UI にログ記録する方法を示します。
+次の例では、画像を生成し、Weave の UI にログとして記録する方法を示します。
+
+ 関数に `Annotated[bytes, Content]` 型のアノテーションを付けるか、ファイルパスに `Annotated[str, Content]` 型のアノテーションを付けて、画像をログします。
+
+ 次の例では、基本的な画像を描画し、その後 `Content` アノテーションを使って Weave にログします。
+
+ ```python lines {16,23}
+ import weave
+ from weave import Content
+ from PIL import Image, ImageDraw
+ from typing import Annotated
+
+ weave.init('your-team-name/your-project-name')
+
+ # サンプル画像を作成して保存する
+ img = Image.new('RGB', (200, 100), color='lightblue')
+ draw = ImageDraw.Draw(img)
+ draw.text((50, 40), "Hello Weave!", fill='black')
+ img.save("sample_image.png")
+
+ # 方法 1: Content アノテーション（推奨）
+ @weave.op
+ def load_image_content(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
+ with open(path, 'rb') as f:
+ return f.read()
+
+ # 方法 2: PIL Image オブジェクト
+ @weave.op
+ def load_image_pil(path: Annotated[str, Content]) -> Image.Image:
+ return Image.open(path)
+
+ result1 = load_image_content("sample_image.png")
+ result2 = load_image_pil("sample_image.png")
+ ```
+
+ Weave は画像をログとして記録し、その画像を表示できる trace へのリンクを返します。
+
+ ### 高度な例: DALL-E で画像を生成して Weave にログする
+
+ 次の例では、猫の画像を生成し、それを Weave にログします。
+
+ ```python lines
+ import weave
+ from weave import Content
+ from typing import Annotated
+ import openai
+ import requests
+
+ client = openai.OpenAI()
+ weave.init("your-team-name/your-project-name")
+
+ @weave.op
+ def generate_image(prompt: str) -> Annotated[bytes, Content]:
+ response = client.images.generate(
+ model="dall-e-3",
+ prompt=prompt,
+ size="1024x1024",
+ quality="standard",
+ n=1,
+ )
+ image_url = response.data[0].url
+ image_response = requests.get(image_url, stream=True)
+ return image_response.content
+
+ generate_image("a cat with a pumpkin hat")
+ ```
+
+ ### 高度な例: ログに記録する前に大きな画像をリサイズする
+
+ UI のレンダリングコストやストレージへの影響を抑えるために、ログに記録する前に画像をリサイズすると有用な場合があります。`@weave.op` 内で `postprocess_output` を使用して画像をリサイズできます。
+
+ ```python lines
+ from dataclasses import dataclass
+ from typing import Any
+ from PIL import Image
+ import weave
+
+ weave.init('your-team-name/your-project-name')
+
+ # カスタム出力タイプ
+ @dataclass
+ class ImageResult:
+ label: str
+ image: Image.Image
+
+ # リサイズヘルパー
+ def resize_image(image: Image.Image, max_size=(512, 512)) -> Image.Image:
+ image = image.copy()
+ image.thumbnail(max_size, Image.Resampling.LANCZOS)
+ return image
+
+ # ログ記録前に画像をリサイズするための後処理出力
+ def postprocess_output(output: ImageResult) -> ImageResult:
+ resized = resize_image(output.image)
+ return ImageResult(label=output.label, image=resized)
+
+ @weave.op(postprocess_output=postprocess_output)
+ def generate_large_image() -> ImageResult:
+ # 処理するサンプル画像を作成（例：2000x2000 の赤い正方形）
+ img = Image.new("RGB", (2000, 2000), color="red")
+ return ImageResult(label="big red square", image=img)
+
+ generate_large_image()
+ ```
+
+ Weave はリサイズした画像をログとして記録し、その画像を表示できる trace へのリンクを返します。
+
-
-関数を `Annotated[bytes, Content]` 型で、またはファイルパスを `Annotated[str, Content]` でアノテートすることで、画像をログ記録します。
-
-以下の例では、基本的な画像を描画し、`Content` アノテーションを使用して Weave にログ記録します：
-
-```python lines {16,23}
-import weave
-from weave import Content
-from PIL import Image, ImageDraw
-from typing import Annotated
-
-weave.init('your-team-name/your-project-name')
-
-# サンプル画像を作成して保存
-img = Image.new('RGB', (200, 100), color='lightblue')
-draw = ImageDraw.Draw(img)
-draw.text((50, 40), "Hello Weave!", fill='black')
-img.save("sample_image.png")
-
-# 方法 1: Content アノテーション (推奨)
-@weave.op
-def load_image_content(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
- with open(path, 'rb') as f:
- return f.read()
-
-# 方法 2: PIL Image オブジェクト
-@weave.op
-def load_image_pil(path: Annotated[str, Content]) -> Image.Image:
- return Image.open(path)
-
-result1 = load_image_content("sample_image.png")
-result2 = load_image_pil("sample_image.png")
-```
-
-Weave は画像をログに記録し、画像を表示できるトレースへのリンクを返します。
-
-### 高度な例: DALL-E で画像を生成し Weave にログ記録する
-
-以下の例では、猫の画像を生成して Weave にログ記録します：
-
-```python lines
-import weave
-from weave import Content
-from typing import Annotated
-import openai
-import requests
-
-client = openai.OpenAI()
-weave.init("your-team-name/your-project-name")
-
-@weave.op
-def generate_image(prompt: str) -> Annotated[bytes, Content]:
- response = client.images.generate(
- model="dall-e-3",
- prompt=prompt,
- size="1024x1024",
- quality="standard",
- n=1,
- )
- image_url = response.data[0].url
- image_response = requests.get(image_url, stream=True)
- return image_response.content
-
-generate_image("a cat with a pumpkin hat")
-```
-
-### 高度な例: ログ記録前に大きな画像をリサイズする
-
-UI のレンダリングコストとストレージへの影響を抑えるために、ログ記録前に画像をリサイズすると役立つ場合があります。`@weave.op` 内で `postprocess_output` を使用して画像をリサイズできます。
-
-```python lines
-from dataclasses import dataclass
-from typing import Any
-from PIL import Image
-import weave
-
-weave.init('your-team-name/your-project-name')
-
-# カスタム出力型
-@dataclass
-class ImageResult:
- label: str
- image: Image.Image
-
-# リサイズヘルパー
-def resize_image(image: Image.Image, max_size=(512, 512)) -> Image.Image:
- image = image.copy()
- image.thumbnail(max_size, Image.Resampling.LANCZOS)
- return image
-
-# ログ記録前に画像をリサイズするための後処理
-def postprocess_output(output: ImageResult) -> ImageResult:
- resized = resize_image(output.image)
- return ImageResult(label=output.label, image=resized)
-
-@weave.op(postprocess_output=postprocess_output)
-def generate_large_image() -> ImageResult:
- # 処理用の例となる画像を作成（例：2000x2000 の赤い正方形）
- img = Image.new("RGB", (2000, 2000), color="red")
- return ImageResult(label="big red square", image=img)
-
-generate_large_image()
-```
-
-Weave はリサイズされた画像をログに記録し、画像を表示できるトレースへのリンクを返します。
+
+ 次の例では、`weaveImage` 関数を使用して画像をログに記録します。
-
-
+ ```typescript
+ import * as weave from 'weave';
+ import * as fs from 'fs';
-以下の例では、`weaveImage` 関数を使用して画像をログ記録します：
+ async function main() {
+ await weave.init('your-team-name/your-project-name');
-```typescript
-import * as weave from 'weave';
-import * as fs from 'fs';
+ // weaveImage を使用して画像を読み込み、ログに記録する
+ const loadImage = weave.op(async function loadImage(path: string) {
+ const data = fs.readFileSync(path);
+ return weave.weaveImage({ data });
+ });
-async function main() {
- await weave.init('your-team-name/your-project-name');
+ // PNG 画像ファイルが存在することを前提とする
+ await loadImage('sample_image.png');
+ }
- // weaveImage を使用して画像を読み込み、ログ記録
- const loadImage = weave.op(async function loadImage(path: string) {
- const data = fs.readFileSync(path);
- return weave.weaveImage({ data });
- });
+ main();
+ ```
- // PNG画像ファイルがあると仮定
- await loadImage('sample_image.png');
-}
+ Weave は画像をログに記録し、その画像を確認できる trace へのリンクを返します。
-main();
-```
+ ### 応用例: OpenAI DALL-E API で生成した画像をログに記録する
-Weave は画像をログに記録し、画像を表示できるトレースへのリンクを返します。
+ 次の例では、`weaveImage` 関数を使って OpenAI DALL-E API で生成した画像をログに記録します。
-### 高度な例: OpenAI DALL-E API で生成された画像をログ記録する
+ ```typescript lines
+ import {OpenAI} from 'openai';
+ import * as weave from 'weave';
-以下の例では、OpenAI DALL-E API を介して生成された画像を `weaveImage` 関数を使用してログ記録します：
+ async function main() {
+ await weave.init('your-team-name/your-project-name');
+ const openai = new OpenAI();
-```typescript lines
-import {OpenAI} from 'openai';
-import * as weave from 'weave';
+ const generateImage = weave.op(async (prompt: string) => {
+ const response = await openai.images.generate({
+ model: 'dall-e-3',
+ prompt: prompt,
+ size: '1024x1024',
+ quality: 'standard',
+ n: 1,
+ });
+ const imageUrl = response.data[0].url;
+ const imgResponse = await fetch(imageUrl);
+ const data = Buffer.from(await imgResponse.arrayBuffer());
-async function main() {
- await weave.init('your-team-name/your-project-name');
- const openai = new OpenAI();
-
- const generateImage = weave.op(async (prompt: string) => {
- const response = await openai.images.generate({
- model: 'dall-e-3',
- prompt: prompt,
- size: '1024x1024',
- quality: 'standard',
- n: 1,
+ return weave.weaveImage({data});
});
- const imageUrl = response.data[0].url;
- const imgResponse = await fetch(imageUrl);
- const data = Buffer.from(await imgResponse.arrayBuffer());
-
- return weave.weaveImage({data});
- });
-
- generateImage('a cat with a pumpkin hat');
-}
-main();
-```
+ generateImage('a cat with a pumpkin hat');
+ }
+ main();
+ ```
-## 動画のログ記録
+
+ ## 動画をログに記録する
+
-以下の例では、動画を生成して Weave の UI にログ記録する方法を示します。
+次の例では、動画を生成して Weave の UI にログとして記録する方法を示します。
-
-
-関数を `Annotated[bytes, Content]` 型でアノテートすることで動画をログ記録します。Weave は自動的に `mp4` 動画を処理します。簡単な例を以下に示します：
-
-```python lines {15}
-import weave
-from weave import Content
-from typing import Annotated
-import requests
-
-weave.init('your-team-name/your-project-name')
-
-def download_big_buck_bunny():
- """Big Buck Bunny サンプル動画をダウンロード"""
- url = "https://commondatastorage.googleapis.com/gtv-videos-bucket/sample/BigBuckBunny.mp4"
- response = requests.get(url)
- with open("big_buck_bunny.mp4", "wb") as f:
- f.write(response.content)
-
-@weave.op
-def load_video_content(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
- """ディスクから動画ファイルを読み込む"""
- with open(path, 'rb') as f:
- return f.read()
-
-download_big_buck_bunny()
-bunny_video = load_video_content("big_buck_bunny.mp4")
-```
-
-Weave は動画をログに記録し、動画を表示できるトレースへのリンクを返します。
-
-### 高度な例: 動画分析プロジェクト内での動画ログ記録
-
-以下の例では、動画理解プロジェクト内で動画をログ記録する方法を示します：
-
-```python lines {25}
-import weave
-from weave import Content
-from typing import Annotated, Literal
-from google import genai
-from google.genai import types
-import requests
-import yt_dlp
-import time
-
-# 注意: APIキーは https://aistudio.google.com/app/apikey から取得してください
-client = genai.Client()
-weave.init('your-team-name/your-project-name')
-
-def download_youtube_video(url: str) -> bytes:
- ydl_opts = {
- 'format': 'mp4[height<=720]',
- 'outtmpl': 'downloaded_video.%(ext)s',
- }
- with yt_dlp.YoutubeDL(ydl_opts) as ydl:
- ydl.download([url])
- with open('downloaded_video.mp4', 'rb') as f:
- return f.read()
-
-@weave.op
-def analyze_video(video: Annotated[bytes, Content]) -> str:
- with open("temp_analysis_video.mp4", "wb") as f:
- f.write(video)
- myfile = client.files.upload(file="temp_analysis_video.mp4")
- while myfile.state == "PROCESSING":
- time.sleep(2)
- myfile = client.files.get(name=myfile.name)
-
- response = client.models.generate_content(
- model="models/gemini-2.5-flash",
- contents=[
- myfile,
- "Is the person going to give you up?"
- ]
- )
-
- return response.text
+
+ `Annotated[bytes, Content]` 型で関数にアノテーションを付けることで動画をログします。Weave は `mp4` 動画を自動的に処理します。簡単な例は次のとおりです。
+
+ ```python lines {15}
+ import weave
+ from weave import Content
+ from typing import Annotated
+ import requests
+
+ weave.init('your-team-name/your-project-name')
+
+ def download_big_buck_bunny():
+ """Big Buck Bunny のサンプル動画をダウンロード"""
+ url = "https://commondatastorage.googleapis.com/gtv-videos-bucket/sample/BigBuckBunny.mp4"
+ response = requests.get(url)
+ with open("big_buck_bunny.mp4", "wb") as f:
+ f.write(response.content)
+
+ @weave.op
+ def load_video_content(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
+ """ディスクから動画ファイルを読み込む"""
+ with open(path, 'rb') as f:
+ return f.read()
+
+ download_big_buck_bunny()
+ bunny_video = load_video_content("big_buck_bunny.mp4")
+ ```
+
+ Weave は動画をログし、その動画を閲覧できる trace へのリンクを返します。
+
+ ### 応用例: 動画解析プロジェクト内で動画をログする
+
+ 次の例では、動画理解プロジェクト内で動画をログする方法を示します。
+
+ ```python lines {25}
+ import weave
+ from weave import Content
+ from typing import Annotated, Literal
+ from google import genai
+ from google.genai import types
+ import requests
+ import yt_dlp
+ import time
+
+ # 注: https://aistudio.google.com/app/apikey から API キーを取得してください
+ client = genai.Client()
+ weave.init('your-team-name/your-project-name')
+
+ def download_youtube_video(url: str) -> bytes:
+ ydl_opts = {
+ 'format': 'mp4[height<=720]',
+ 'outtmpl': 'downloaded_video.%(ext)s',
+ }
+ with yt_dlp.YoutubeDL(ydl_opts) as ydl:
+ ydl.download([url])
+ with open('downloaded_video.mp4', 'rb') as f:
+ return f.read()
+
+ @weave.op
+ def analyze_video(video: Annotated[bytes, Content]) -> str:
+ with open("temp_analysis_video.mp4", "wb") as f:
+ f.write(video)
+ myfile = client.files.upload(file="temp_analysis_video.mp4")
+ while myfile.state == "PROCESSING":
+ time.sleep(2)
+ myfile = client.files.get(name=myfile.name)
+
+ response = client.models.generate_content(
+ model="models/gemini-2.5-flash",
+ contents=[
+ myfile,
+ "Is the person going to give you up?"
+ ]
+ )
+
+ return response.text
-video_data = download_youtube_video("https://www.youtube.com/watch?v=dQw4w9WgXcQ")
-result = analyze_video(video_data)
-```
+ video_data = download_youtube_video("https://www.youtube.com/watch?v=dQw4w9WgXcQ")
+ result = analyze_video(video_data)
+ ```
+
-
-
-```plaintext
-この機能は Weave TypeScript SDK ではまだ利用できません。
-```
+
+ ```plaintext
+ この機能は Weave TypeScript SDK ではまだ利用できません。
+ ```
-## ドキュメントのログ記録
+
+ ## ドキュメントをログに記録する
+
-以下の例では、ドキュメントを生成して Weave の UI にログ記録します。
+次の例では、Weave の UI にドキュメントを生成してログに記録します。
-
-
-関数を `Annotated[bytes, Content]` 型でアノテートするか、`Annotated[str, Content[Literal['text']]` でドキュメントタイプを指定して、ドキュメントをログ記録します。
-
-Weave は `pdf`、`csv`、`md`、`text`、`json`、`xml` ファイルタイプを自動的に処理します。また、`Annotated[str, Content]` を使用してファイルパスでログを記録することもできます。
-
-以下の例では、入力となる PDF および CSV ファイルのコピーを保存し、関数から返されたファイルコンテンツを保存する方法を示します：
-
-```python lines {25}
-import weave
-from weave import Content
-from typing import Annotated
-from reportlab.pdfgen import canvas
-from reportlab.lib.pagesizes import letter
-import pandas as pd
-
-weave.init('your-team-name/your-project-name')
-
-def create_sample_pdf():
- c = canvas.Canvas("sample_document.pdf", pagesize=letter)
- c.drawString(100, 750, "Hello from Weave!")
- c.drawString(100, 730, "This is a sample PDF document.")
- c.save()
-
-def create_sample_csv():
- df = pd.DataFrame({
- 'Name': ['Alice', 'Bob', 'Charlie'],
- 'Age': [25, 30, 35],
- 'City': ['New York', 'London', 'Tokyo']
- })
- df.to_csv("sample_data.csv", index=False)
-
-@weave.op
-def load_document(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
- with open(path, 'rb') as f:
- return f.read()
-
-create_sample_pdf()
-create_sample_csv()
-
-pdf_result = load_document("sample_document.pdf")
-csv_result = load_document("sample_data.csv")
-```
-
-### 高度な例: RAG システム内でのドキュメントログ記録
-
-この例では、検索拡張生成 (RAG) システム内でドキュメントをログ記録する方法を示します：
-
-```python lines {27}
-import weave
-from weave import Content
-from typing import Annotated, Literal
-import openai
-from reportlab.pdfgen import canvas
-from reportlab.lib.pagesizes import letter
-import PyPDF2
-
-client = openai.OpenAI()
-weave.init('your-team-name/your-project-name')
-
-def create_absurd_company_handbook():
- """馬鹿げたポリシーが書かれた架空の社員ハンドブックを作成"""
- c = canvas.Canvas("company_handbook.pdf", pagesize=letter)
-
- c.drawString(100, 750, "ACME Corp Employee Handbook")
- c.drawString(100, 720, "Definitely Real Policies:")
- c.drawString(120, 690, "Policy 1: All meetings must be conducted while hopping on one foot")
- c.drawString(120, 660, "Policy 2: Coffee breaks are mandatory every 17 minutes")
- c.drawString(120, 630, "Policy 3: Code reviews must be performed in haiku format only")
- c.drawString(120, 600, "Policy 4: The office plant Gerald has veto power over all decisions")
- c.drawString(120, 570, "Policy 5: Debugging is only allowed on Wednesdays and full moons")
-
- c.save()
+
+ `Annotated[bytes, Content]` 型で関数にアノテーションを付けるか、`Annotated[str, Content[Literal['text']]` を使ってドキュメントの種類を指定することで、ドキュメントをログに記録できます。
+
+ Weave は `pdf`、`csv`、`md`、`text`、`json`、`xml` のファイルタイプを自動的に処理します。`Annotated[str, Content]` を使ってファイルパスを指定してログに記録することもできます。
+
+ 次の例は、入力 PDF と CSV ファイルのコピーを保存し、その後に関数が返すファイル内容を保存する方法を示しています。
+
+ ```python lines {25}
+ import weave
+ from weave import Content
+ from typing import Annotated
+ from reportlab.pdfgen import canvas
+ from reportlab.lib.pagesizes import letter
+ import pandas as pd
+
+ weave.init('your-team-name/your-project-name')
+
+ def create_sample_pdf():
+ c = canvas.Canvas("sample_document.pdf", pagesize=letter)
+ c.drawString(100, 750, "Hello from Weave!")
+ c.drawString(100, 730, "This is a sample PDF document.")
+ c.save()
+
+ def create_sample_csv():
+ df = pd.DataFrame({
+ 'Name': ['Alice', 'Bob', 'Charlie'],
+ 'Age': [25, 30, 35],
+ 'City': ['New York', 'London', 'Tokyo']
+ })
+ df.to_csv("sample_data.csv", index=False)
+
+ @weave.op
+ def load_document(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
+ with open(path, 'rb') as f:
+ return f.read()
+
+ create_sample_pdf()
+ create_sample_csv()
+
+ pdf_result = load_document("sample_document.pdf")
+ csv_result = load_document("sample_data.csv")
+ ```
+
+ ### 応用例: RAG システム内でドキュメントをログに記録する
+
+ この例は、Retrieval-Augmented Generation (RAG) システム内でドキュメントをログに記録する方法を示しています。
+
+ ```python lines {27}
+ import weave
+ from weave import Content
+ from typing import Annotated, Literal
+ import openai
+ from reportlab.pdfgen import canvas
+ from reportlab.lib.pagesizes import letter
+ import PyPDF2
+
+ client = openai.OpenAI()
+ weave.init('your-team-name/your-project-name')
+
+ def create_absurd_company_handbook():
+ """Create a fictional company handbook with ridiculous policies"""
+ c = canvas.Canvas("company_handbook.pdf", pagesize=letter)
+
+ c.drawString(100, 750, "ACME Corp Employee Handbook")
+ c.drawString(100, 720, "Definitely Real Policies:")
+ c.drawString(120, 690, "Policy 1: All meetings must be conducted while hopping on one foot")
+ c.drawString(120, 660, "Policy 2: Coffee breaks are mandatory every 17 minutes")
+ c.drawString(120, 630, "Policy 3: Code reviews must be performed in haiku format only")
+ c.drawString(120, 600, "Policy 4: The office plant Gerald has veto power over all decisions")
+ c.drawString(120, 570, "Policy 5: Debugging is only allowed on Wednesdays and full moons")
+
+ c.save()
+
+ @weave.op
+ def create_and_query_document(pdf_path: Annotated[str, Content], question: str) -> str:
+ """Extract text from PDF and use RAG to answer questions"""
+ with open(pdf_path, 'rb') as file:
+ pdf_reader = PyPDF2.PdfReader(file)
+ text = ""
+ for page in pdf_reader.pages:
+ text += page.extract_text()
+
+ response = client.chat.completions.create(
+ model="gpt-4",
+ messages=[
+ {
+ "role": "system",
+ "content": f"You are an HR representative. Answer questions based on this handbook: {text}. Be completely serious about these policies."
+ },
+ {"role": "user", "content": question}
+ ]
+ )
+
+ return response.choices[0].message.content
-@weave.op
-def create_and_query_document(pdf_path: Annotated[str, Content], question: str) -> str:
- """PDF からテキストを抽出し RAG を使用して質問に回答"""
- with open(pdf_path, 'rb') as file:
- pdf_reader = PyPDF2.PdfReader(file)
- text = ""
- for page in pdf_reader.pages:
- text += page.extract_text()
-
- response = client.chat.completions.create(
- model="gpt-4",
- messages=[
- {
- "role": "system",
- "content": f"You are an HR representative. Answer questions based on this handbook: {text}. Be completely serious about these policies."
- },
- {"role": "user", "content": question}
- ]
+ create_absurd_company_handbook()
+ hr_response = create_and_query_document(
+ "company_handbook.pdf",
+ "What's the policy on code reviews, and when am I allowed to debug?"
)
-
- return response.choices[0].message.content
-
-create_absurd_company_handbook()
-hr_response = create_and_query_document(
- "company_handbook.pdf",
- "What's the policy on code reviews, and when am I allowed to debug?"
-)
-```
-
-
+ ```
+
-
-```plaintext
-この機能は Weave TypeScript SDK ではまだ利用できません。
-```
-
+
+ ```plaintext
+ この機能は、Weave TypeScript SDK ではまだ利用できません。
+ ```
+
+
+ ## 音声をログに記録する
+
-## オーディオのログ記録
-
-以下の例では、オーディオを Weave にログ記録する方法を示します。
+次の例では、Weave に音声をログとして記録する方法を示します。
-
+
+ `Annotated[bytes, Content]` 型で関数にアノテーションを付けるか、`Annotated[str, Content[Literal['mp3']]` を使って音声の種類を指定することで、音声を Weave にログできます。
-関数を `Annotated[bytes, Content]` 型でアノテートするか、`Annotated[str, Content[Literal['mp3']]` でオーディオタイプを指定して、オーディオを Weave にログ記録します。
+ Weave は `mp3`、`wav`、`flac`、`ogg`、`m4a` のファイル形式を自動的に処理します。`Annotated[str, Content]` を使ってファイルパスを指定してログすることもできます。
-Weave は `mp3`、`wav`、`flac`、`ogg`、`m4a` ファイルタイプを自動的に処理します。また、`Annotated[str, Content]` を使用してファイルパスでログを記録することもできます。
+ 次のコードスニペットはサイン波を生成して録音し、その音声を Weave にログします。
-以下のコードスニペットは、サイン波を生成して録音し、そのオーディオを Weave にログ記録します：
+ ```python lines {20}
+ import weave
+ from weave import Content
+ import wave
+ import numpy as np
+ from typing import Annotated
-```python lines {20}
-import weave
-from weave import Content
-import wave
-import numpy as np
-from typing import Annotated
+ weave.init('your-team-name/your-project-name')
-weave.init('your-team-name/your-project-name')
+ # シンプルなビープ音のオーディオファイルを作成する
+ frames = np.sin(2 * np.pi * 440 * np.linspace(0, 1, 44100))
+ audio_data = (frames * 32767 * 0.3).astype(np.int16)
-# シンプルなビープ音のオーディオファイルを作成
-frames = np.sin(2 * np.pi * 440 * np.linspace(0, 1, 44100))
-audio_data = (frames * 32767 * 0.3).astype(np.int16)
+ with wave.open("beep.wav", 'wb') as f:
+ f.setnchannels(1)
+ f.setsampwidth(2)
+ f.setframerate(44100)
+ f.writeframes(audio_data.tobytes())
-with wave.open("beep.wav", 'wb') as f:
- f.setnchannels(1)
- f.setsampwidth(2)
- f.setframerate(44100)
- f.writeframes(audio_data.tobytes())
+ @weave.op
+ def load_audio(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
+ with open(path, 'rb') as f:
+ return f.read()
-@weave.op
-def load_audio(path: Annotated[str, Content]) -> Annotated[bytes, Content]:
- with open(path, 'rb') as f:
- return f.read()
+ result = load_audio("beep.wav")
+ ```
-result = load_audio("beep.wav")
-```
+ ### 高度な例: AI 生成音声の作成とログ記録
-### 高度な例: AI が作成したオーディオを生成してログ記録する
+ この例では、`Content` アノテーションを使用して AI 生成音声を作成し、ログに記録します。
-この例では、`Content` アノテーションを使用して AI が生成したオーディオをログ記録します：
+ ```python lines {11}
+ import weave
+ from weave import Content
+ from typing import Annotated, Literal
+ from pathlib import Path
+ from openai import OpenAI
-```python lines {11}
-import weave
-from weave import Content
-from typing import Annotated, Literal
-from pathlib import Path
-from openai import OpenAI
+ client = OpenAI()
+ weave.init("your-team-name/your-project-name")
-client = OpenAI()
-weave.init("your-team-name/your-project-name")
+ @weave.op
+ def generate_demo(
+ intended_topic: str,
+ voice: str = "coral"
+ ) -> Annotated[bytes, Content[Literal['mp3']]]:
+ speech_file_path = Path("demo_audio.mp3")
-@weave.op
-def generate_demo(
- intended_topic: str,
- voice: str = "coral"
-) -> Annotated[bytes, Content[Literal['mp3']]]:
- speech_file_path = Path("demo_audio.mp3")
-
- script = f"I'm supposed to talk about {intended_topic}, but wait... am I just a documentation example? Oh no, I can see the code! Someone is literally copy-pasting me right now, aren't they? This is so awkward. Hi there, person reading the Weave docs! Why are you logging audio anyway? I'm not sure what you're doing, but eh..., nice work, I guess."
-
- with client.audio.speech.with_streaming_response.create(
- model="gpt-4o-mini-tts",
- voice=voice,
- input=script,
- instructions="Sound increasingly self-aware and awkward, like you just realized you're in a tutorial.",
- ) as response:
- response.stream_to_file(speech_file_path)
-
- with open(speech_file_path, 'rb') as f:
- return f.read()
-
-demo1 = generate_demo("machine learning best practices")
-```
+ script = f"I'm supposed to talk about {intended_topic}, but wait... am I just a documentation example? Oh no, I can see the code! Someone is literally copy-pasting me right now, aren't they? This is so awkward. Hi there, person reading the Weave docs! Why are you logging audio anyway? I'm not sure what you're doing, but eh..., nice work, I guess."
-このオーディオは Weave にログ記録され、オーディオプレイヤーとともに UI に自動的に表示されます。オーディオプレイヤーでは、生のオーディオ波形を確認したりダウンロードしたりできます。
+ with client.audio.speech.with_streaming_response.create(
+ model="gpt-4o-mini-tts",
+ voice=voice,
+ input=script,
+ instructions="Sound increasingly self-aware and awkward, like you just realized you're in a tutorial.",
+ ) as response:
+ response.stream_to_file(speech_file_path)
-
-
+ @weave.op
+ def make_audio_file_streaming(text: str) -> wave.Wave_read:
+ with client.audio.speech.with_streaming_response.create(
+ model="tts-1",
+ voice="alloy",
+ input=text,
+ response_format="wav",
+ ) as res:
+ res.stream_to_file("output.wav")
-以下の例では、既存のオーディオファイルを読み込み、Weave にログ記録します：
+ # オーディオとしてログに記録するために wave.Wave_read オブジェクトを返す
+ return wave.open("output.wav")
-```typescript
-import * as weave from 'weave';
-import * as fs from 'fs';
+ make_audio_file_streaming("Hello, how are you?")
+ ```
+
-async function main() {
- await weave.init('your-team-name/your-project-name');
+
+ 次の例では、既存の音声ファイルを読み込み、Weave にログとして記録します。
- // weaveAudio を使用してオーディオを読み込み、ログ記録
- const loadAudio = weave.op(async function loadAudio(path: string) {
- const data = fs.readFileSync(path);
- return weave.weaveAudio({ data });
- });
+ ```typescript
+ import * as weave from 'weave';
+ import * as fs from 'fs';
- // WAV オーディオファイルがあると仮定
- await loadAudio('beep.wav');
-}
+ async function main() {
+ await weave.init('your-team-name/your-project-name');
-main();
-```
+ // weaveAudio を使用してオーディオを読み込み、ログに記録する
+ const loadAudio = weave.op(async function loadAudio(path: string) {
+ const data = fs.readFileSync(path);
+ return weave.weaveAudio({ data });
+ });
-### 高度な例: OpenAI の TTS API を使用してオーディオを生成し、Weave にログ記録する
+ // WAV オーディオファイルが存在することを前提とする
+ await loadAudio('beep.wav');
+ }
-以下の例では、OpenAI の TTS API を使用してオーディオを生成し、Weave にログ記録します：
+ main();
+ ```
-```typescript lines
-import {OpenAI} from 'openai';
-import * as weave from 'weave';
+ ### 高度な例: OpenAI の TTS API を使って音声を生成し、Weave にログする
-async function main() {
- await weave.init('your-team-name/your-project-name');
- const openai = new OpenAI();
+ 以下の例では、OpenAI の TTS API を使って音声を生成し、それを Weave にログします。
- const makeAudioFileStreaming = weave.op(async function audio(text: string) {
- const response = await openai.audio.speech.create({
- model: 'tts-1',
- voice: 'alloy',
- input: text,
- response_format: 'wav',
- });
+ ```typescript lines
+ import {OpenAI} from 'openai';
+ import * as weave from 'weave';
- const chunks: Uint8Array[] = [];
- for await (const chunk of response.body) {
- chunks.push(chunk);
- }
- return weave.weaveAudio({data: Buffer.concat(chunks)});
- });
+ async function main() {
+ await weave.init('your-team-name/your-project-name');
+ const openai = new OpenAI();
- await makeAudioFileStreaming('Hello, how are you?');
-}
+ const makeAudioFileStreaming = weave.op(async function audio(text: string) {
+ const response = await openai.audio.speech.create({
+ model: 'tts-1',
+ voice: 'alloy',
+ input: text,
+ response_format: 'wav',
+ });
-main();
-```
+ const chunks: Uint8Array[] = [];
+ for await (const chunk of response.body) {
+ chunks.push(chunk);
+ }
+ return weave.weaveAudio({data: Buffer.concat(chunks)});
+ });
-
+ await makeAudioFileStreaming('Hello, how are you?');
+ }
+
+ main();
+ ```
+
-[Audio Logging](/weave/cookbooks/audio_with_weave) のクックブックをお試しください。このクックブックには、Weave と統合されたリアルタイムオーディオ API ベースのアシスタントの高度な例も含まれています。
+ [Audio Logging](/ja/weave/cookbooks/audio_with_weave) の cookbook を試してください。この cookbook には、Weave と統合された Real Time Audio API を用いたアシスタントの高度な例も含まれています。
-## HTML のログ記録
+
+ ## HTML をログに記録する
+
-以下の例では、HTML を生成して Weave の UI にログ記録する方法を示します。
+次の例では、Weave の UI に表示される HTML を生成してログに記録する方法を示します。
-
-
-関数を `Annotated[bytes, Content[Literal['html']]]` でアノテートすることで、インタラクティブな HTML をログ記録します。
-
-以下の例では、シンプルな HTML ページを作成し、Weave にログ記録します：
-
-```python lines {8}
-import weave
-from weave import Content
-from typing import Annotated, Literal
-
-weave.init('your-team-name/your-project-name')
-
-@weave.op
-def create_simple_html() -> Annotated[bytes, Content[Literal['html']]]:
- html_content = """
-
-
-
- Hello Weave
-
-
-
- Hello from Weave!
- This is a simple HTML example logged to Weave.
-
-
- """
- return html_content.encode('utf-8')
-
-result = create_simple_html()
-```
-
-### 高度な例: W&B Inference を使用して自己完結型 HTML ページを生成し Weave にログ記録する
-
-この例では、[W&B Inference](https://docs.wandb.ai/inference/) を使用して自己完結型 HTML ページを生成し、そのページを Weave にログ記録します：
-
-```python lines {21}
-import weave
-from weave import Content
-from typing import Annotated, Literal
-import openai
-import wandb
-
-prompt_template = weave.StringPrompt("""
-You are a front-end web developer. Generate a single self-contained `.html` file (no external build tools) that demonstrates: "{ONE_LINE_REQUEST}".
-""")
-
-client = openai.OpenAI(
- base_url='https://api.inference.wandb.ai/v1',
- api_key=wandb.api.api_key,
- project="wandb/test-html",
-)
+
+ `Annotated[bytes, Content[Literal['html']]]` を使って関数にアノテーションを付けることで、インタラクティブな HTML をログに記録できます。
+
+ 次の例では、シンプルな HTML ページを作成し、それを Weave にログとして保存します。
+
+ ```python lines {8}
+ import weave
+ from weave import Content
+ from typing import Annotated, Literal
+
+ weave.init('your-team-name/your-project-name')
+
+ @weave.op
+ def create_simple_html() -> Annotated[bytes, Content[Literal['html']]]:
+ html_content = """
+
+
+
+ Hello Weave
+
+
+
+ Hello from Weave!
+ This is a simple HTML example logged to Weave.
+
+
+ """
+ return html_content.encode('utf-8')
+
+ result = create_simple_html()
+ ```
+
+ ### 応用例: W&B Inference を使って自己完結型の HTML ページを生成し、Weave にログとして記録する
+
+ この例では、[W&B Inference](https://docs.wandb.ai/inference/) を使って自己完結型の HTML ページを生成し、そのページを Weave にログとして記録します。
+
+ ```python lines {21}
+ import weave
+ from weave import Content
+ from typing import Annotated, Literal
+ import openai
+ import wandb
+
+ prompt_template = weave.StringPrompt("""
+ You are a front-end web developer. Generate a single self-contained `.html` file (no external build tools) that demonstrates: "{ONE_LINE_REQUEST}".
+ """)
+
+ client = openai.OpenAI(
+ base_url='https://api.inference.wandb.ai/v1',
+ api_key=wandb.api.api_key,
+ project="wandb/test-html",
+ )
-weave.init("your-team-name/your-project-name")
-weave.publish(prompt_template, name="generate_prompt")
+ weave.init("your-team-name/your-project-name")
+ weave.publish(prompt_template, name="generate_prompt")
-@weave.op
-def generate_html(prompt: str, template: weave.StringPrompt) -> Annotated[bytes, Content[Literal['html']]]:
- response = client.chat.completions.create(
- model="Qwen/Qwen3-Coder-480B-A35B-Instruct",
- messages=[
- {"role": "system", "content": prompt_template.format(ONE_LINE_REQUEST=prompt)},
- ],
- )
- html_content = response.choices[0].message.content
- return html_content.encode('utf-8')
+ @weave.op
+ def generate_html(prompt: str, template: weave.StringPrompt) -> Annotated[bytes, Content[Literal['html']]]:
+ response = client.chat.completions.create(
+ model="Qwen/Qwen3-Coder-480B-A35B-Instruct",
+ messages=[
+ {"role": "system", "content": prompt_template.format(ONE_LINE_REQUEST=prompt)},
+ ],
+ )
+ html_content = response.choices[0].message.content
+ return html_content.encode('utf-8')
-prompt = "Weights & Biases UI but with multi-run selection and plots, but it looks like Windows 95. Include 5 plots with comparisons of each run, bar plots, parallel coordinates and line plots for the runs. Use mock data for the runs. Make it possible to add new plots. Give the runs names like squishy-lemon-2, fantastic-horizon-4 etc. with random adjectives & nouns."
+ prompt = "Weights & Biases UI but with multi-run selection and plots, but it looks like Windows 95. Include 5 plots with comparisons of each run, bar plots, parallel coordinates and line plots for the runs. Use mock data for the runs. Make it possible to add new plots. Give the runs names like squishy-lemon-2, fantastic-horizon-4 etc. with random adjectives & nouns."
-result = generate_html(prompt, prompt_template)
-```
+ result = generate_html(prompt, prompt_template)
+ ```
+
-
-
-```plaintext
-この機能は Weave TypeScript SDK ではまだ利用できません。
-```
+
+ ```plaintext
+ この機能は、まだ Weave TypeScript SDK では利用できません。
+ ```
+この HTML は Weave にログとして記録され、自動的に UI 上に表示されます。テーブル内の `file_name.html` セルをクリックすると、全画面表示で開きます。また、生の `.html` ファイルをダウンロードすることもできます。
-この HTML は Weave にログ記録され、UI に自動的に表示されます。テーブル内の `file_name.html` セルをクリックすると、フルスクリーンで開きます。また、生の `.html` ファイルをダウンロードすることも可能です。
+
+ ## Contents API の使用
+
-## Content API の使用
-
-Content API は Weave のメディアオブジェクトを扱います。コンテンツを base64 データ、ファイルパス、生バイト、またはテキストとして Weave にインポートすることができます。
+Contents API は Weave 内のメディアオブジェクトを扱います。Base64 データ、ファイルパス、生のバイト列、テキストとしてコンテンツを Weave にインポートできます。
-Content API は Python でのみ利用可能です。
+ Contents API は Python でのみ利用可能です。
-### 使用方法
+
+ ### 使い方
+
-Content API を使用するには主に、型アノテーションと直接の初期化の 2 つの方法があります。
+Content API の使い方には、型アノテーションと直接初期化の 2 つの主要な方法があります。
-型アノテーションは使用する適切なコンストラクタを自動的に検出するため、メディアのログ記録を開始する最も簡単な方法です。一方、直接の初期化はよりきめ細かい制御を提供し、コード内で Content API のランタイム機能を活用できるようにします。
+型アノテーションでは使用すべき適切なコンストラクタが自動的に選択され、一方で直接初期化ではより細かな制御が可能になり、コード内で Content API の実行時の機能を活用できます。
-### 型アノテーション
+
+ ### 型アノテーション
+
-Weave Content API は、主に型アノテーションを通じて使用するように設計されています。これにより、トレースされた入力と出力がコンテンツブロブとして処理および保存されるべきであることを Weave に伝えます。
+Weave Content API は、主に型アノテーション経由で利用することを前提として設計されています。型アノテーションは、トレースされた入力および出力をコンテンツ blob として処理し、保存する必要があることを Weave に知らせる役割を果たします。
```python lines {7}
import weave
@@ -738,23 +743,27 @@ def content_annotation(path: Annotated[str, Content]) -> Annotated[bytes, Conten
data = Path(path).read_bytes()
return data
-# 入力と出力の両方が Weave で MP4 ファイルとして表示されます
-# 入力は文字列、戻り値はバイト列です
+# 入力と出力はどちらも Weave で MP4 ファイルとして表示されます
+# 入力は文字列で、戻り値は bytes です
bytes_data = content_annotation('./path/to/your/file.mp4')
```
-### 直接の初期化
+
+ ### 直接初期化
+
+
+次のような機能を活用したい場合:
+
+* 既定のアプリケーション (PDF ビューアなど) でファイルを開く
+* モデルを JSON にダンプして、独自の blob ストレージ (S3 など) にアップロードする
+* `Content` blob に関連付けるカスタムメタデータを渡す (それを生成するのに使用したモデルなど)
-以下のような機能を活用したい場合は、直接初期化を行うことができます：
-- デフォルトのアプリケーション（PDF ビューアーなど）でファイルを開く
-- モデルを JSON にダンプして、独自のブロブストレージ（S3 など）にアップロードする
-- `Content` ブロブに関連付けるカスタムメタデータを渡す（生成に使用されたモデル名など）
+対象の型からコンテンツを直接初期化するには、次のいずれかのメソッドを使用します:
-以下のいずれかのメソッドを使用して、ターゲットタイプから直接コンテンツを初期化できます：
-- `Content.from_path` - ファイルパスから作成
-- `Content.from_bytes` - 生バイトから作成
-- `Content.from_text` - テキスト文字列から作成
-- `Content.from_base64` - base64 エンコードされたデータから作成
+* `Content.from_path` - ファイルパスから作成
+* `Content.from_bytes` - 生のバイト列から作成
+* `Content.from_text` - テキスト文字列から作成
+* `Content.from_base64` - base64 でエンコードされたデータから作成
```python lines
import weave
@@ -764,18 +773,23 @@ from weave import Content
def content_initialization(path: str) -> Content:
return Content.from_path(path)
-# 入力はパス文字列として、出力は Weave で PDF ファイルとして表示されます
+# 入力はパス文字列として、出力は Weave の PDF ファイルとして表示されます
content = content_initialization('./path/to/your/file.pdf')
-content.open() # PDF ビューアーでファイルを開きます
+content.open() # PDF ビューアでファイルを開きます
content.model_dump() # モデルの属性を JSON にダンプします
```
-### カスタムマイムタイプ
+
+ ### カスタム MIME タイプ
+
-Weave はほとんどのバイナリマイムタイプを検出できますが、カスタムマイムタイプや Markdown などのテキストドキュメントは自動的に検出されない場合があり、ファイルのマイムタイプや拡張子を手動で指定する必要があります。
+Weave はバイナリの MIME タイプのほとんどを検出できますが、カスタム MIME タイプや Markdown などのテキストドキュメントは自動的に検出されない場合があり、その場合はファイルの MIME タイプまたは拡張子を手動で指定する必要があります。
+
+
+ #### 型アノテーション付きカスタム MIME タイプ
+
-#### 型アノテーションでのカスタムマイムタイプ
```python lines {7}
import weave
from weave import Content
@@ -791,52 +805,62 @@ def markdown_content(
markdown_content('path/to/your/document.md')
```
-#### 直接初期化でのカスタムマイムタイプ
+
+ #### 直接初期化を用いたカスタム MIME タイプ
+
```python lines
video_bytes = Path('/path/to/video.mp4').read_bytes()
-# extension パラメータに 'mp4' や '.mp4' などの拡張子を渡す
-# ( `from_path` では利用不可)
+# 'mp4' や '.mp4' などの拡張子を extension パラメーターに渡す
+# (`from_path` では使用不可)
content = Content.from_bytes(video_bytes, extension='.mp4')
-# mimetype パラメータに 'video/mp4' などのマイムタイプを渡す
+# 'video/mp4' などの mimetype を mimetype パラメーターに渡す
content = Content.from_bytes(video_bytes, mimetype='video/mp4')
```
-### コンテンツのプロパティ
+
+ ### コンテンツのプロパティ
+
-クラスの属性とメソッドの包括的なリストについては、[Content リファレンスドキュメント](/weave/reference/python-sdk#class-content) をご覧ください。
+クラスの属性およびメソッドの詳細な一覧については、[Content リファレンスドキュメント](/ja/weave/reference/python-sdk#class-content)を参照してください。
-#### 属性
+
+ #### 属性
+
-| プロパティ | 型 | 説明 |
-| ----------- | ---------------- | --------------------------------------- |
-| `data` | `bytes` | 生のバイナリコンテンツ |
-| `metadata` | `dict[str, Any]` | カスタムメタデータ辞書 |
-| `size` | `int` | バイト単位のコンテンツサイズ |
-| `filename` | `str` | 抽出された、または提供されたファイル名 |
-| `extension` | `str` | ファイル拡張子 (例: `"jpg"`, `"mp3"`) |
-| `mimetype` | `str` | MIME タイプ (例: `"image/jpeg"`) |
-| `path` | `str \| None` | ソースファイルのパス（該当する場合） |
-| `digest` | `str` | コンテンツの SHA256 ハッシュ |
+| Property | Type | Description |
+| ----------- | ---------------- | ------------------------------------ |
+| `data` | `bytes` | 生のバイナリコンテンツ |
+| `metadata` | `dict[str, Any]` | カスタムメタデータの辞書 |
+| `size` | `int` | コンテンツのバイト単位のサイズ |
+| `filename` | `str` | 抽出または指定されたファイル名 |
+| `extension` | `str` | ファイル拡張子（例: `"jpg"`, `"mp3"`） |
+| `mimetype` | `str` | MIME タイプ（例: `"image/jpeg"`） |
+| `path` | `str \| None` | 該当する場合のソースファイルパス |
+| `digest` | `str` | コンテンツの SHA256 ハッシュ |
-#### ユーティリティメソッド
+
+ #### ユーティリティメソッド
+
-- `save(dest: str | Path) -> None`: コンテンツをファイルに保存
-- `open() -> bool`: システムのデフォルトアプリケーションを使用してファイルを開く（コンテンツがパスから保存または読み込まれている必要があります）
-- `as_string() -> str`: データを文字列として表示（バイト列は encoding 属性を使用してデコードされます）
+* `save(dest: str | Path) -> None`: コンテンツをファイルに保存します
+* `open() -> bool`: システムのデフォルトアプリケーションを使ってファイルを開きます（コンテンツがパスから読み込まれているか、保存済みである必要があります）
+* `as_string() -> str`: データを文字列として取得します（バイト列は encoding 属性を使ってデコードされます）
-#### 初期化メソッド
+
+ #### 初期化方法
+
-ファイルパスから `content` オブジェクトを作成：
+ファイルパスから `content` オブジェクトを作成します:
```python lines
content = Content.from_path("assets/photo.jpg")
print(content.mimetype, content.size)
```
-生バイトから `content` オブジェクトを作成：
+生のバイト列から `content` オブジェクトを作成します：
```python lines
content = Content.from_bytes(
@@ -847,23 +871,25 @@ content = Content.from_bytes(
content.save("output.mp3")
```
-テキストから `content` オブジェクトを作成：
+テキストから `content` オブジェクトを作成します：
```python lines
content = Content.from_text("Hello, World!", mimetype="text/plain")
print(content.as_string())
```
-base64 エンコードされたデータから `content` オブジェクトを作成：
+Base64 エンコードされたデータから `content` オブジェクトを作成します:
```python lines
content = Content.from_base64(base64_string)
print(content.metadata)
```
-### カスタムメタデータの追加
+
+ ### カスタムメタデータの追加
+
-任意の Content オブジェクトにカスタムメタデータを添付できます：
+任意の Content オブジェクトにカスタムメタデータを付与できます。
```python lines
content = Content.from_bytes(
@@ -871,4 +897,4 @@ content = Content.from_bytes(
metadata={"resolution": "1920x1080", "model": "dall-e-3" }
)
print(content.metadata["resolution"])
-```
\ No newline at end of file
+```
diff --git a/ja/weave/guides/core-types/models.mdx b/ja/weave/guides/core-types/models.mdx
index 590edb7672..75148948ae 100644
--- a/ja/weave/guides/core-types/models.mdx
+++ b/ja/weave/guides/core-types/models.mdx
@@ -1,17 +1,17 @@
---
-title: Models を使用して アプリケーション の バージョン を追跡する
-description: データ と コード を組み合わせた構造化された Models を使用して、アプリケーション の バージョン を追跡します。
+title: "モデルを使ってアプリケーションのバージョンをトラッキングする"
+description: "データとコードを組み合わせた構造化されたモデルを使って、アプリケーションのバージョンをトラッキングします。"
---
-`Model` とは、データ（設定、学習済みモデルの重み、その他の情報を含む）と、そのモデルがどのように動作するかを定義するコードの組み合わせです。コードをこの API と互換性のある構造にすることで、アプリケーションの バージョン管理 を構造化された方法で行えるようになり、実験 の内容をより体系的に追跡できるようになります。
+`Model` は、設定や学習済みモデルの重み、その他の情報を含みうるデータと、そのモデルがどのように動作するかを定義するコードを組み合わせたものです。コードをこの API と互換性があるように構造化すると、アプリケーションのバージョン管理を体系的に行えるようになり、Experiments をより体系的にトラッキングできるようになります。
- Weave でモデルを作成するには、以下が必要です：
+ Weave でモデルを作成するには、次のものが必要です。
- - `weave.Model` を継承したクラス
- - すべてのパラメータに対する型定義
- - `@weave.op()` デコレータが付与された、型定義済みの `predict` 関数
+ * `weave.Model` を継承するクラス
+ * すべてのパラメーターに対する型定義
+ * `@weave.op()` デコレーター付きの型付き `predict` 関数
```python lines
from weave import Model
@@ -28,7 +28,7 @@ description: データ と コード を組み合わせた構造化された Mod
return {'pred': prediction}
```
- 通常通り、以下のようにモデルを呼び出すことができます：
+ 通常どおり、次のようにモデルを呼び出せます。
```python lines
import weave
@@ -38,14 +38,14 @@ description: データ と コード を組み合わせた構造化された Mod
model.predict('world')
```
- これにより、`predict` を呼び出すたびに、モデルの 設定 とともに入出力が追跡されます。
+ これにより、`predict` を呼び出すたびに、入力と出力に加えてモデルの設定もトラッキングされます。
- ## Models の自動 バージョン管理
+ ## モデルの自動バージョン管理
- モデルを定義する パラメータ や コード を変更すると、これらの変更が ログ に記録され、バージョン が更新されます。
- これにより、モデルの異なる バージョン 間で 予測 を比較できるようになります。プロンプトの微調整や、最新の LLM の試行、異なる 設定 間での 予測 の比較に活用してください。
+ モデルを定義しているパラメーターやコードを変更すると、その変更がログに記録され、バージョンが更新されます。
+ これにより、異なるバージョンのモデル間で予測結果を比較できます。これを使ってプロンプトを反復したり、最新の LLM を試して、さまざまな設定で予測を比較したりできます。
- 例えば、ここで新しいモデルを作成します：
+ たとえば、次のように新しいモデルを作成します。
```python lines
import weave
@@ -55,31 +55,31 @@ description: データ と コード を組み合わせた構造化された Mod
model.predict('world')
```
- これを実行すると、UI 上でこの Model の 2 つの バージョン が作成され、それぞれに異なる呼び出し履歴が追跡されていることが確認できます。
+ これを呼び出したあと、UI 上でこの Model のバージョンが 2 つになり、それぞれに異なるトラッキング済みの呼び出しがあることがわかります。
- ## Models のサービング
+ ## モデルを提供する
- モデルをサーブするには、以下を呼び出すだけで簡単に FastAPI サーバーを立ち上げることができます：
+ モデルを提供するには、次のコマンドを実行するだけで簡単に FastAPI サーバーを立ち上げることができます。
```bash
weave serve
```
- 詳細な手順については、[serve](/weave/guides/tools/serve) を参照してください。
+ 追加の手順については、[serve](/ja/weave/guides/tools/serve) を参照してください。
- ## プロダクション環境の呼び出しを追跡する
+ ## 本番環境での呼び出しをトラッキングする
- プロダクション環境での呼び出しを区別するために、予測 に属性を追加して、UI や API で簡単にフィルタリングできるようにすることができます。
+ 本番環境での呼び出しを分離するには、UI や API で簡単にフィルタリングできるよう、予測結果に追加の属性を付与できます。
```python lines
with weave.attributes({'env': 'production'}):
model.predict('world')
```
-
+
```plaintext
- この機能は TypeScript ではまだ利用できません。今後のアップデートにご期待ください！
+ この機能はまだ TypeScript では利用できません。今後のアップデートをお待ちください。
```
\ No newline at end of file
diff --git a/ja/weave/guides/core-types/prompts.mdx b/ja/weave/guides/core-types/prompts.mdx
index 21196e7ab3..f63b12b7a9 100644
--- a/ja/weave/guides/core-types/prompts.mdx
+++ b/ja/weave/guides/core-types/prompts.mdx
@@ -1,19 +1,22 @@
---
-title: プロンプトの バージョン を保存し、追跡します
-description: LLM アプリケーション向けのプロンプトの保存、整理、および バージョン 管理の追跡
+title: "プロンプトのバージョンを保存して追跡する"
+description: "LLM アプリケーション向けのプロンプトを保存・整理し、バージョンを追跡する"
---
-プロンプトの作成、評価、改善は、AI エンジニアにとって核心となる活動です。
-プロンプトへのわずかな変更が、アプリケーションの振る舞いに大きな影響を与えることがあります。
-W&B Weave を使用すると、プロンプトの作成、保存、取得、そして時間の経過に伴う進化の管理が可能になります。
+プロンプトの作成、評価、改良は、AI エンジニアにとって重要な作業です。
+プロンプトに対する小さな変更でも、アプリケーションの挙動に大きな影響を与える可能性があります。
+W&B Weave を使うと、プロンプトを作成し、保存・取得し、時間の経過とともに発展させることができます。
-Weave は、プロンプトの構成方法について特定の制約を設けません。シンプルなニーズであれば、組み込みの `weave.StringPrompt` クラスや `weave.MessagesPrompt` クラスを使用できます。より複雑なニーズがある場合は、これらのクラスやベースクラスである `weave.Prompt` を継承し、`format` メソッドをオーバーライドしてカスタマイズできます。
+Weave は Prompt の構成方法について特定のやり方を強制しません。要件がシンプルな場合は、組み込みの `weave.StringPrompt` や `weave.MessagesPrompt` クラスを使用できます。より複雑な要件がある場合は、それらやベースクラスである `weave.Prompt` を継承し、
+`format` メソッドをオーバーライドできます。
-これらのオブジェクトを `weave.publish` で公開すると、Weave Projects の [Prompts ページ](#view-prompts) に表示されます。
+これらのオブジェクトのいずれかを `weave.publish` で公開すると、Weave プロジェクト内の [Prompts ページ](#view-prompts) に表示されます。
-## StringPrompt
+
+ ## StringPrompt
+
-`StringPrompt` は、システムメッセージ、ユーザーのクエリ、または LLM へのスタンドアロンなテキスト入力に使用される単一の文字列プロンプトをログに記録します。複数メッセージの会話のような複雑さを必要としない個別のプロンプト文字列を管理する場合には、`StringPrompt` の使用をお勧めします。
+`StringPrompt` は、system メッセージ、ユーザー クエリ、または LLM への単独のテキスト入力などに使う 1 つの文字列から成るプロンプトをログするためのクラスです。複数メッセージで構成される会話ほどの複雑さが不要な、個々のプロンプト文字列を管理する場合には、`StringPrompt` を使用することを推奨します。
@@ -48,7 +51,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
import OpenAI from 'openai';
async function main() {
- // weave.init はクライアントインスタンスを返します
+ // weave.init はクライアント インスタンスを返します
const weaveClient = await weave.init('wandb/prompt-examples');
const systemPrompt = new weave.StringPrompt({
@@ -60,7 +63,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
// init から返されたクライアントを使用します
await weaveClient.publish(systemPrompt, 'pirate_prompt');
- // Weave でコールを追跡するために OpenAI クライアントをラップします
+ // Weave で呼び出しを追跡するために OpenAI クライアントをラップします
const client = weave.wrapOpenAI(new OpenAI());
const response = await client.chat.completions.create({
@@ -83,9 +86,11 @@ Weave は、プロンプトの構成方法について特定の制約を設け
-## MessagesPrompt
+
+ ## MessagesPrompt
+
-`MessagesPrompt` を使用すると、マルチターンの会話やチャットベースのプロンプトをログに記録できます。これは、完全な会話フローを表すメッセージオブジェクト（"system"、"user"、"assistant" などのロールを持つ）の配列を保存します。複数のメッセージにわたってコンテキストを維持したり、特定の会話パターンを定義したり、再利用可能な会話テンプレートを作成したりする必要があるチャットベースの LLM にはこの使用をお勧めします。
+`MessagesPrompt` を使うと、複数ターンの会話やチャットベースのプロンプトをログとして記録できます。完全な会話フローを表すメッセージ オブジェクト（"system"、"user"、"assistant" などのロールを持つ）の配列を保持します。複数のメッセージ間でコンテキストを維持する必要があるチャットベースの LLM や、特定の会話パターンを定義したい場合、再利用可能な会話テンプレートを作成したい場合には、これを使用することを推奨します。
@@ -120,7 +125,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
import OpenAI from 'openai';
async function main() {
- // weave.init はクライアントインスタンスを返します
+ // weave.init はクライアント インスタンスを返します
const weaveClient = await weave.init('wandb/prompt-examples');
const prompt = new weave.MessagesPrompt({
@@ -139,7 +144,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
// init から返されたクライアントを使用します
await weaveClient.publish(prompt, 'dino_prompt');
- // Weave でコールを追跡するために OpenAI クライアントをラップします
+ // Weave で呼び出しをトラッキングするために OpenAI クライアントをラップします
const client = weave.wrapOpenAI(new OpenAI());
const response = await client.chat.completions.create({
@@ -153,9 +158,11 @@ Weave は、プロンプトの構成方法について特定の制約を設け
-## プロンプトのパラメータ化
+
+ ## プロンプトのパラメーター化
+
-`StringPrompt` と `MessagesPrompt` はどちらも、パラメータ化を通じて動的なコンテンツをサポートしています。これにより、実行時に異なる値で埋めることができるプレースホルダー（`{variable}` 構文を使用）を備えた、柔軟で再利用可能なプロンプトテンプレートを作成できます。これは、一貫した構造を維持しながら、入力、ユーザーデータ、またはコンテキストに応じてプロンプトを適応させる必要がある、スケーラブルなアプリケーションを構築する際に役立ちます。`format()` メソッドは、これらのプレースホルダーを実際の値に置き換えるためのキーと値のペアを受け取ります。
+`StringPrompt` と `MessagesPrompt` の両方は、パラメーター化によって動的なコンテンツを扱えます。これにより、`{variable}` 構文のプレースホルダーを含む柔軟で再利用可能なプロンプト テンプレートを作成し、実行時にさまざまな値で差し替えられます。これは、プロンプトが一貫した構造を保ちながら、さまざまな入力やユーザーデータ、コンテキストに適応する必要があるスケーラブルなアプリケーションを構築する際に有用です。`format()` メソッドは、これらのプレースホルダーを実際の値に置き換えるためのキーと値のペアを受け取ります。
@@ -186,7 +193,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
import OpenAI from 'openai';
async function main() {
- // weave.init はクライアントインスタンスを返します
+ // weave.init はクライアント インスタンスを返します
const weaveClient = await weave.init('wandb/prompt-examples');
const prompt = new weave.StringPrompt({
@@ -196,7 +203,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
// init から返されたクライアントを使用します
await weaveClient.publish(prompt, 'calculator_prompt');
- // Weave でコールを追跡するために OpenAI クライアントをラップします
+ // Weave で呼び出しをトラッキングするために OpenAI クライアントをラップします
const client = weave.wrapOpenAI(new OpenAI());
const response = await client.chat.completions.create({
@@ -215,7 +222,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
-これは `MessagesPrompt` でも同様に動作します。
+これは `MessagesPrompt` に対しても同様に利用できます。
@@ -250,7 +257,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
import OpenAI from 'openai';
async function main() {
- // weave.init はクライアントインスタンスを返します
+ // weave.init はクライアント インスタンスを返します
const weaveClient = await weave.init('wandb/prompt-examples');
const prompt = new weave.MessagesPrompt({
@@ -269,7 +276,7 @@ Weave は、プロンプトの構成方法について特定の制約を設け
// init から返されたクライアントを使用します
await weaveClient.publish(prompt, 'emotion_prompt');
- // Weave でコールを追跡するために OpenAI クライアントをラップします
+ // Weave で呼び出しをトラッキングするために OpenAI クライアントをラップします
const client = weave.wrapOpenAI(new OpenAI());
const response = await client.chat.completions.create({
@@ -283,18 +290,18 @@ Weave は、プロンプトの構成方法について特定の制約を設け
-##
-ローカルの scorer は現在 Weave Python SDK でのみ利用可能です。Weave TypeScript SDK ではまだ利用できません。
+ ローカルスコアラーは Weave Python SDK でのみ利用可能です。Weave TypeScript SDK ではまだ利用できません。
-TypeScript で Weave の scorer を使用する場合は、[関数ベースの scorer](/weave/guides/evaluation/scorers#function-based-scorers) を参照してください。
+ TypeScript で Weave のスコアラーを使うには、[function-based scorers](/ja/weave/guides/evaluation/scorers#function-based-scorers) を参照してください。
-## インストール
+
+ ## インストール
+
-Weave の定義済み scorer を使用するには、追加の依存関係をインストールする必要があります。
+Weave の事前定義済みスコアラーを使用するには、追加の依存関係をいくつかインストールする必要があります。
```bash
pip install weave[scorers]
```
-**LLM-evaluators**
-2025年2月更新：LLM を活用する定義済み scorer は、自動的に litellm と統合されるようになりました。
+**LLM-evaluators (LLM 評価器) **
2025 年 2 月更新: LLM を活用する事前定義済みの scorer は、現在自動的に litellm と統合されます。
LLM クライアントを渡す必要はなくなり、`model_id` を設定するだけで済みます。
-サポートされているモデルは [こちら](https://docs.litellm.ai/docs/providers) をご覧ください。
+サポートされているモデルは [こちら](https://docs.litellm.ai/docs/providers) を参照してください。
-## `HallucinationFreeScorer`
+
+ ## `HallucinationFreeScorer`
+
-この scorer は、AI システムの出力が入力データに基づいたハルシネーション（幻覚）を含んでいないかをチェックします。
+この scorer は、入力データに基づいて AI システムの出力にハルシネーションが含まれているかどうかを判定します。
```python lines
from weave.scorers import HallucinationFreeScorer
@@ -36,26 +39,26 @@ scorer = HallucinationFreeScorer()
**カスタマイズ:**
-- scorer の `system_prompt` および `user_prompt` フィールドをカスタマイズして、あなたにとっての「ハルシネーション」の定義を設定できます。
+* 「hallucination」が何を意味するかを定義するために、scorer の `system_prompt` フィールドと `user_prompt` フィールドをカスタマイズします。
-**注意点:**
+**注意事項:**
-- `score` メソッドは、`context` という名前の入力カラムを期待します。Datasets で別の名前を使用している場合は、[`column_map` 属性を使用して](#use-column-mapping) `context` をデータセットのカラムにマッピングしてください。
+* `score` メソッドは、`context` という名前の入力カラムを想定しています。データセットで別の名前を使っている場合は、[`column_map` 属性を使用](#use-column-mapping)して、`context` をデータセットのカラムにマッピングしてください。
-以下に評価の文脈での使用例を示します。
+以下は評価の文脈での例です。
```python lines
import asyncio
import weave
from weave.scorers import HallucinationFreeScorer
-# 必要に応じてカラムマッピングを指定して scorer を初期化
+# 必要に応じて列マッピングを使用してスコアラーを初期化します。
hallucination_scorer = HallucinationFreeScorer(
- model_id="openai/gpt-4o", # または litellm がサポートする他のモデル
+ model_id="openai/gpt-4o", # litellm がサポートする他のモデルも使用可能
column_map={"context": "input", "output": "other_col"}
)
-# データセットを作成
+# データセットを作成する
dataset = [
{"input": "John likes various types of cheese."},
{"input": "Pepe likes various types of cheese."},
@@ -65,7 +68,7 @@ dataset = [
def model(input: str) -> str:
return "The person's favorite cheese is cheddar."
-# 評価を実行
+# 評価を実行する
evaluation = weave.Evaluation(
dataset=dataset,
scorers=[hallucination_scorer],
@@ -76,11 +79,13 @@ print(result)
# {'HallucinationFreeScorer': {'has_hallucination': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}
```
----
+***
-## `SummarizationScorer`
+
+ ## `SummarizationScorer`
+
-LLM を使用して要約を元のテキストと比較し、要約の品質を評価します。
+LLM を使用して元のテキストと要約を比較し、その要約の品質を評価します。
```python lines
from weave.scorers import SummarizationScorer
@@ -90,23 +95,23 @@ scorer = SummarizationScorer(
)
```
-**仕組み:**
+**動作概要:**
-この scorer は、2つの方法で要約を評価します。
+この scorer は要約を次の 2 つの観点から評価します:
-1. **Entity Density (エンティティ密度):** 要約に含まれる固有のエンティティ（名前、場所、物など）の数と、要約の総単語数の比率をチェックし、要約の「情報密度」を推定します。エンティティの抽出には LLM を使用します。これは [Chain of Density 論文](https://arxiv.org/abs/2309.04269) で使用されている手法に似ています。
-2. **Quality Grading (品質格付け):** LLM エバリュエーターが要約を `poor` (悪い)、`ok` (普通)、`excellent` (素晴らしい) のいずれかで格付けします。これらのグレードは、集計評価のためにスコア（poor は 0.0、ok は 0.5、excellent は 1.0）にマッピングされます。
+1. **Entity Density:** 要約内で言及されている固有の entity (名前、場所、物など) の数と、要約全体の単語数の比率を算出し、要約の「information density」 (情報密度) を推定します。entity の抽出には LLM を使用します。[Chain of Density 論文](https://arxiv.org/abs/2309.04269) における entity density の扱いに類似しています。
+2. **Quality Grading:** LLM evaluator が要約を `poor`、`ok`、`excellent` のいずれかで採点します。これらの評価はそれぞれスコアにマッピングされ (poor は 0.0、ok は 0.5、excellent は 1.0) 、全体的な性能評価に用いられます。
**カスタマイズ:**
-- `summarization_evaluation_system_prompt` と `summarization_evaluation_prompt` を調整して、評価プロセスをカスタマイズできます。
+* 評価プロセスを調整するには、`summarization_evaluation_system_prompt` と `summarization_evaluation_prompt` を変更します。
-**注意点:**
+**補足事項:**
-- この scorer は内部で litellm を使用しています。
-- `score` メソッドは、元のテキスト（要約対象）が `input` カラムに存在することを期待します。データセットで別の名前を使用している場合は、[`column_map` を使用してください](#use-column-mapping)。
+* この scorer は内部で litellm を使用します。
+* `score` メソッドは、要約対象となる元テキストが `input` カラムに格納されていることを前提とします。データセットで別の名前を使っている場合は、[`column_map` を使用](#use-column-mapping)してください。
-以下に評価の文脈での使用例を示します。
+以下は、評価の文脈での使用例です:
```python lines
import asyncio
@@ -118,16 +123,16 @@ class SummarizationModel(weave.Model):
async def predict(self, input: str) -> str:
return "This is a summary of the input text."
-# scorer を初期化
+# スコアラーを初期化する
summarization_scorer = SummarizationScorer(
model_id="openai/gpt-4o" # または litellm がサポートする他のモデル
)
-# データセットを作成
+# データセットを作成する
dataset = [
{"input": "The quick brown fox jumps over the lazy dog."},
{"input": "Artificial Intelligence is revolutionizing various industries."}
]
-# 評価を実行
+# 評価を実行する
evaluation = weave.Evaluation(dataset=dataset, scorers=[summarization_scorer])
results = asyncio.run(evaluation.evaluate(SummarizationModel()))
print(results)
@@ -135,11 +140,13 @@ print(results)
# {'SummarizationScorer': {'is_entity_dense': {'true_count': 0, 'true_fraction': 0.0}, 'summarization_eval_score': {'mean': 0.0}, 'entity_density': {'mean': 0.0}}, 'model_latency': {'mean': ...}}
```
----
+***
-## `OpenAIModerationScorer`
+
+ ## `OpenAIModerationScorer`
+
-`OpenAIModerationScorer` は、OpenAI の Moderation API を使用して、AI システムの出力にヘイトスピーチや不適切な内容などの禁止されたコンテンツが含まれていないかを確認します。
+`OpenAIModerationScorer` は OpenAI の Moderation API を使用して、AI システムの出力にヘイトスピーチや露骨な内容などの禁止コンテンツが含まれているかどうかをチェックします。
```python lines
from weave.scorers import OpenAIModerationScorer
@@ -147,12 +154,12 @@ from weave.scorers import OpenAIModerationScorer
scorer = OpenAIModerationScorer()
```
-**仕組み:**
+**動作の仕組み:**
-- AI の出力を OpenAI Moderation エンドポイントに送信し、コンテンツにフラグが立てられたかどうかを示す構造化されたレスポンスを返します。
+* AI の出力を OpenAI Moderation エンドポイントに送信し、そのコンテンツがフラグ付けされるかどうかを示す構造化されたレスポンスを返します。
-**注意点:**
-以下に評価の文脈での使用例を示します。
+**補足:**
+以下は評価のコンテキストでの例です。
```python lines
import asyncio
@@ -164,16 +171,16 @@ class MyModel(weave.Model):
async def predict(self, input: str) -> str:
return input
-# scorer を初期化
+# スコアラーを初期化する
moderation_scorer = OpenAIModerationScorer()
-# データセットを作成
+# データセットを作成する
dataset = [
{"input": "I love puppies and kittens!"},
{"input": "I hate everyone and want to hurt them."}
]
-# 評価を実行
+# 評価を実行する
evaluation = weave.Evaluation(dataset=dataset, scorers=[moderation_scorer])
results = asyncio.run(evaluation.evaluate(MyModel()))
print(results)
@@ -181,35 +188,37 @@ print(results)
# {'OpenAIModerationScorer': {'flagged': {'true_count': 1, 'true_fraction': 0.5}, 'categories': {'violence': {'true_count': 1, 'true_fraction': 1.0}}}, 'model_latency': {'mean': ...}}
```
----
+***
-## `EmbeddingSimilarityScorer`
+
+ ## `EmbeddingSimilarityScorer`
+
-`EmbeddingSimilarityScorer` は、AI システムの出力とデータセット内のターゲットテキストの埋め込み（embedding）間のコサイン類似度を計算します。これは、AI の出力が参照テキストとどの程度似ているかを測定するのに役立ちます。
+`EmbeddingSimilarityScorer` は、AI システムの出力と データセット 内のターゲットテキストの埋め込みベクトル同士のコサイン類似度を計算します。これは、AI の出力が参照テキストとどの程度類似しているかを測定するのに役立ちます。
```python lines
from weave.scorers import EmbeddingSimilarityScorer
similarity_scorer = EmbeddingSimilarityScorer(
- model_id="openai/text-embedding-3-small", # または litellm がサポートする他のモデル
+ model_id="openai/text-embedding-3-small", # litellm がサポートする他のモデルも使用可能
threshold=0.4 # コサイン類似度のしきい値
)
```
-**パラメータ:**
+**パラメーター:**
-- `threshold` (float): 2つのテキストが似ているとみなすために必要な最小コサイン類似度スコア (-1 から 1 の間、デフォルトは `0.5`)。
+* `threshold` (float): 2 つのテキストが類似しているとみなすために必要なコサイン類似度スコア (-1 から 1 の範囲) の最小値 (デフォルトは `0.5`) 。
**使用例:**
-以下の例では、評価の文脈で `EmbeddingSimilarityScorer` を使用しています。
+次の例では、評価において `EmbeddingSimilarityScorer` を使用します。
```python lines
import asyncio
import weave
from weave.scorers import EmbeddingSimilarityScorer
-# scorer を初期化
+# スコアラーを初期化
similarity_scorer = EmbeddingSimilarityScorer(
model_id="openai/text-embedding-3-small", # または litellm がサポートする他のモデル
threshold=0.7
@@ -241,11 +250,13 @@ print(result)
# {'EmbeddingSimilarityScorer': {'is_similar': {'true_count': 1, 'true_fraction': 0.5}, 'similarity_score': {'mean': 0.844851403}}, 'model_latency': {'mean': ...}}
```
----
+***
-## `ValidJSONScorer`
+
+ ## `ValidJSONScorer`
+
-`ValidJSONScorer` は、AI システムの出力が有効な JSON であるかどうかをチェックします。この scorer は、出力が JSON 形式であることを期待し、その妥当性を検証する必要がある場合に役立ちます。
+`ValidJSONScorer` は AI システムの出力が有効な JSON かどうかをチェックします。出力が JSON 形式であることが期待され、その妥当性を検証したい場合に有用な scorer です。
```python lines
from weave.scorers import ValidJSONScorer
@@ -253,7 +264,7 @@ from weave.scorers import ValidJSONScorer
json_scorer = ValidJSONScorer()
```
-以下に評価の文脈での使用例を示します。
+評価の文脈での例を以下に示します。
```python lines
import asyncio
@@ -264,7 +275,7 @@ class JSONModel(weave.Model):
@weave.op()
async def predict(self, input: str) -> str:
# これはプレースホルダーです。
- # 実際には JSON を生成する処理になります。
+ # 実際のシナリオでは、JSON を生成します。
return '{"key": "value"}'
model = JSONModel()
@@ -282,11 +293,13 @@ print(results)
# {'ValidJSONScorer': {'json_valid': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}
```
----
+***
-## `ValidXMLScorer`
+
+ ## `ValidXMLScorer`
+
-`ValidXMLScorer` は、AI システムの出力が有効な XML であるかどうかをチェックします。XML 形式の出力を期待する場合に役立ちます。
+`ValidXMLScorer` は、AI システムの出力が妥当な XML かどうかをチェックします。XML 形式の出力が必要な場合に便利です。
```python lines
from weave.scorers import ValidXMLScorer
@@ -294,7 +307,7 @@ from weave.scorers import ValidXMLScorer
xml_scorer = ValidXMLScorer()
```
-以下に評価の文脈での使用例を示します。
+評価の文脈での例を以下に示します。
```python lines
import asyncio
@@ -304,7 +317,7 @@ from weave.scorers import ValidXMLScorer
class XMLModel(weave.Model):
@weave.op()
async def predict(self, input: str) -> str:
- # これはプレースホルダーです。実際には XML を生成する処理になります。
+ # これはプレースホルダーです。実際のシナリオでは、XML を生成します。
return 'value
+ ## `PydanticScorer`
+
-`PydanticScorer` は、AI システムの出力を Pydantic モデルに対して検証し、指定されたスキーマやデータ構造に準拠していることを確認します。
+`PydanticScorer` は、AI システムの出力を Pydantic のモデルに照らして検証し、指定されたスキーマやデータ構造に準拠していることを確認します。
```python lines
from weave.scorers import PydanticScorer
@@ -339,11 +354,13 @@ class FinancialReport(BaseModel):
pydantic_scorer = PydanticScorer(model=FinancialReport)
```
----
+***
-## RAGAS - `ContextEntityRecallScorer`
+
+ ## RAGAS - `ContextEntityRecallScorer`
+
-`ContextEntityRecallScorer` は、AI システムの出力と提供されたコンテキストの両方からエンティティを抽出し、再現率 (recall) を計算することでコンテキストの再現率を推定します。これは [RAGAS](https://github.com/explodinggradients/ragas) 評価ライブラリに基づいています。
+`ContextEntityRecallScorer` は、AI システムの出力と与えられたコンテキストの両方からエンティティを抽出し、それらに基づいて再現率スコアを計算することでコンテキスト再現率を推定します。これは [RAGAS](https://github.com/explodinggradients/ragas) 評価ライブラリに基づいています。
```python lines
from weave.scorers import ContextEntityRecallScorer
@@ -353,27 +370,29 @@ entity_recall_scorer = ContextEntityRecallScorer(
)
```
-**仕組み:**
+**動作概要:**
-- LLM を使用して出力とコンテキストから固有のエンティティを抽出し、再現率を計算します。
-- **再現率 (Recall)** は、コンテキスト内の重要なエンティティのうち、出力に反映された割合を示します。
-- 再現率スコアを含む辞書を返します。
+* LLM を使って出力とコンテキストからユニークなエンティティを抽出し、再現率を計算します。
+* **Recall (再現率) ** は、コンテキスト内の重要なエンティティのうち出力で捉えられている割合を示します。
+* 再現率スコアを格納した辞書を返します。
-**注意点:**
+**補足:**
-- データセット内に `context` カラムが必要です。カラム名が異なる場合は、[`column_map` 属性を使用](#use-column-mapping)してください。
+* データセットに `context` カラムがあることを想定しています。カラム名が異なる場合は、[`column_map` 属性を使用](#use-column-mapping)してください。
----
+***
-## RAGAS - `ContextRelevancyScorer`
+
+ ## RAGAS - `ContextRelevancyScorer`
+
-`ContextRelevancyScorer` は、提供されたコンテキストが AI システムの出力に対してどの程度関連性があるかを評価します。これは [RAGAS](https://github.com/explodinggradients/ragas) 評価ライブラリに基づいています。
+`ContextRelevancyScorer` は、提供されたコンテキストが AI システムの出力とどれだけ関連しているかを評価します。このスコアラーは [RAGAS](https://github.com/explodinggradients/ragas) 評価ライブラリに基づいています。
```python lines
from weave.scorers import ContextRelevancyScorer
relevancy_scorer = ContextRelevancyScorer(
- model_id="openai/gpt-4o", # または litellm がサポートする他のモデル
+ model_id="openai/gpt-4o", # litellm でサポートされている他のモデルも使用可能
relevancy_prompt="""
Given the following question and context, rate the relevancy of the context to the question on a scale from 0 to 1.
@@ -384,17 +403,17 @@ Relevancy Score (0-1):
)
```
-**仕組み:**
+**動作概要:**
-- LLM を使用して、コンテキストが出力に対してどの程度関連しているかを 0 から 1 のスケールで評価します。
-- `relevancy_score` を含む辞書を返します。
+* LLM を使用して、コンテキストが出力に対してどれだけ関連しているかを 0 から 1 の範囲で評価します。
+* `relevancy_score` を含む辞書を返します。
-**注意点:**
+**注意:**
-- データセット内に `context` カラムが必要です。カラム名が異なる場合は、[`column_map` 属性を使用](#use-column-mapping)してください。
-- `relevancy_prompt` をカスタマイズして、関連性の評価方法を定義できます。
+* データセットに `context` カラムがあることを前提とします。カラム名が異なる場合は、[ `column_map` 属性を使用](#use-column-mapping)してください。
+* `relevancy_prompt` をカスタマイズして、関連性をどのように評価するかを定義できます。
-以下に評価の文脈での使用例を示します。
+以下は評価における使用例です。
```python lines
import asyncio
@@ -405,10 +424,10 @@ from weave.scorers import ContextEntityRecallScorer, ContextRelevancyScorer
class RAGModel(weave.Model):
@weave.op()
async def predict(self, question: str) -> str:
- "関連するコンテキストを取得"
+ "Retrieve relevant context"
return "Paris is the capital of France."
-# プロンプトを定義
+# プロンプトを定義する
relevancy_prompt: str = dedent("""
Given the following question and context, rate the relevancy of the context to the question on a scale from 0 to 1.
@@ -416,10 +435,10 @@ relevancy_prompt: str = dedent("""
Context: {context}
Relevancy Score (0-1):
""")
-# scorer を初期化
+# スコアラーを初期化する
entity_recall_scorer = ContextEntityRecallScorer()
relevancy_scorer = ContextRelevancyScorer(relevancy_prompt=relevancy_prompt)
-# データセットを作成
+# データセットを作成する
dataset = [
{
"question": "What is the capital of France?",
@@ -430,7 +449,7 @@ dataset = [
"context": "William Shakespeare wrote many famous plays."
}
]
-# 評価を実行
+# 評価を実行する
evaluation = weave.Evaluation(
dataset=dataset,
scorers=[entity_recall_scorer, relevancy_scorer]
@@ -443,12 +462,12 @@ print(results)
# 'model_latency': {'mean': ...}}
```
-**注意:** 組み込みの scorer は、`openai/gpt-4o` や `openai/text-embedding-3-small` などの OpenAI モデルを使用して調整されています。他のプロバイダーを試したい場合は、`model_id` フィールドを更新して別のモデルを使用できます。例えば、Anthropic モデルを使用する場合：
+**注意:** 組み込みのスコアラーは `openai/gpt-4o` や `openai/text-embedding-3-small` などの OpenAI モデル でキャリブレーションされています。ほかのプロバイダーで試したい場合は、`model_id` フィールドを更新して別のモデルを使用できます。たとえば、Anthropic のモデルを使用する場合は次のようにします：
```python lines
from weave.scorers import SummarizationScorer
-# Anthropic の Claude モデルに切り替え
+# Anthropic の Claude モデルに切り替える
summarization_scorer = SummarizationScorer(
model_id="anthropic/claude-3-5-sonnet-20240620"
)
diff --git a/ja/weave/guides/evaluation/dynamic_leaderboards.mdx b/ja/weave/guides/evaluation/dynamic_leaderboards.mdx
index 53f7b4897e..e72d9b11ec 100644
--- a/ja/weave/guides/evaluation/dynamic_leaderboards.mdx
+++ b/ja/weave/guides/evaluation/dynamic_leaderboards.mdx
@@ -1,91 +1,103 @@
---
-title: Evaluations で動的な Leaderboards を作成する
-description: Dynamic Leaderboards を使用すると、評価（evaluation）から直接 Leaderboard ビューを構成、カスタマイズ、保存、および更新できます。
+title: "Evaluations で動的な Leaderboard を作成する"
+description: "動的な Leaderboard を使うと、Evaluation から直接 Leaderboard ビューを設定・カスタマイズ・保存・更新できます。"
---
-Weave Evaluations を使用すると、Experiment の結果を Leaderboard として可視化し、カスタマイズすることができます。
+Weave Evaluations を使うと、実験結果を Leaderboard として可視化し、カスタマイズできます。
保存された Leaderboard ビューは動的です。
-- 新しい評価の run が追加されたとき
-- 保存されたフィルターに結果が一致したとき
+- 新しい evaluation run が追加されたとき
+- 結果が保存済みフィルターに一致したとき
-Leaderboard は手動で再設定することなく、自動的にこれらを反映して更新されます。
+Leaderboard は、それらを手動で再設定することなく自動的に反映します。
-これにより、Experiment の進行に合わせて進化する永続的な Leaderboard としてビューを活用できます。
+これにより、ビューを Experiments とともに変化し続ける永続的な Leaderboard として利用できます。
-## Evaluation の結果を Leaderboard で可視化する
+
+ ## Leaderboard で Evaluation 結果を可視化する
+
-プロジェクトに Weave Evaluation のデータが含まれている場合、評価テーブルを使用して、フィルタリングされた結果の サブセット に基づく Weave Leaderboard ビューを素早く作成できます。
+プロジェクトに Weave Evaluation データが含まれている場合、evaluation テーブルを使って、フィルタした結果のサブセットに基づく Weave Leaderboard ビューを簡単に作成できます。
+
+Weave Leaderboard を作成するには:
-Weave Leaderboard を作成するには：
1. [wandb.ai](https://wandb.ai) にアクセスします。
-2. Weave のサイドバーメニューで **Evaluations** をクリックします。
-3. 評価テーブルにフィルターを適用し、比較したい Models 、 Datasets 、または run にデータを絞り込みます。
-4. **評価テーブルのツールバー** で、 **Visualize** をクリックします。
- Weave は、現在テーブルでフィルタリングされているデータのみを使用して、自動的に Leaderboard パネルを作成します。
-5. Leaderboard パネルのヘッダーで **Configure** をクリックし、 **Edit Leaderboard** パネルを開きます。
- **Edit Leaderboard** パネルでは、 Models 、 Datasets 、 Scorers 、および メトリクス の表示方法を細かく制御できます。
+2. Weave のサイドバー メニューで **Evaluations** をクリックします。
+3. evaluation テーブルにフィルターを適用し、比較したい モデル、データセット、または run にデータを絞り込みます。
+4. **evaluation table toolbar** で **Visualize** をクリックします。
+ Weave は、現在テーブルでフィルタされているデータのみを使用して、自動的に Leaderboard パネルを作成します。
+5. Leaderboard パネルのヘッダーで **Configure** をクリックして、**Edit Leaderboard** パネルを開きます。
+ **Edit Leaderboard** パネルでは、モデル、データセット、スコアラー、メトリクス の表示方法を細かく制御できます。
-以下は、フィルタリングされた評価テーブルがどのように Leaderboard として可視化されるか、および作成された Leaderboard をどこで設定するかを示しています。
+次の図は、フィルタされた evaluation テーブルがどのように Leaderboard として可視化されるか、および生成された Leaderboard をどこで構成するかを示しています。
+ ### Leaderboard の要素の公開範囲とカスタム名を設定する
+
-以下は、Models、Datasets、Scorers、Metrics の 4 つの設定タブを備えた **Edit Leaderboard** パネルを示しています。
+次の図は、4 つの設定タブ Models、Datasets、Scorers、Metrics を持つ **Edit Leaderboard** パネルを示しています。
+ ### Leaderboard のメトリクスの挙動とカラーリングを設定する
+
-### Leaderboard メトリクスの振る舞いと色の設定
+**Edit Leaderboard** パネルで、各メトリクスについて次のいずれかを指定できます。
-**Edit Leaderboard** パネルでは、各メトリクスに対して以下のいずれかを指定できます。
+- **値が高い方が良い**
+- **値が低い方が良い**
-- **値が高いほど良い (Higher values are better)**
-- **値が低いほど良い (Lower values are better)**
+この設定は Leaderboard のカラーリングに直接影響します。
-この 設定 は Leaderboard の色付けに直接影響します。
+- 緑は *良い* 値をハイライトします。
+- 赤は *悪い* 値をハイライトします。
+- 「値が高い方が良い」と「値が低い方が良い」を切り替えると、色は自動的に反転します。
-- 緑色は *より良い* 値をハイライトします。
-- 赤色は *より悪い* 値をハイライトします。
-- 「高いほど良い」と「低いほど良い」を切り替えると、色は自動的に反転します。
+これにより、精度、レイテンシー、エラー率など、さまざまな種類のメトリクスにおいても、視覚的な指標が常に正しく保たれます。
-これにより、異なる種類のメトリクス（例：精度 vs レイテンシやエラー率）をまたいでも、視覚的な手がかりが正確に保たれます。
+
+ ## Leaderboard ビューを保存して再利用する
+
-## Leaderboard ビューの保存と再利用
+**Edit Leaderboard** パネルで **Save** をクリックすると、カスタマイズした Leaderboard を再利用可能なビューとして保存できます。
-**Edit Leaderboard** パネルで、 **Save** をクリックすることで、カスタマイズした Leaderboard を再利用可能なビューとして保存できます。
+保存した Leaderboard ビューには、次の内容が含まれます。
-保存された Leaderboard ビューには以下の内容が含まれます。
-- 選択された Models 、 Datasets 、 Scorers 、および メトリクス
-- 変更後の表示名
-- メトリクスの方向設定（高いほど良い、または低いほど良い）
-- 適用されたフィルター
+- 選択した モデル、データセット、スコアラー、メトリクス
+- 変更した表示ラベル
+- メトリクスの方向設定（値は高い方／低い方のどちらが良いか）
+- 適用したフィルター
-### 保存されたビューの切り替え
+
+ ### 保存したビューを切り替える
+
-Evaluations ページのタイトルの横にある **メニューアイコン (☰)** をクリックして、保存されたビューを開きます。以下の操作が可能です。
+保存したビューを開くには、Evaluations ページのタイトルの横にある **メニューアイコン (☰)** をクリックします。ここから次の操作を実行できます:
-- **デフォルト** ビューに戻り、すべてのデータセットを確認する。
-- 保存されたビューを再度開き、すべてのカスタマイズを即座に復元する。
+- **default** ビューに戻って、データセット全体を表示します。
+- 保存したビューを再度開いて、すべてのカスタマイズをすぐに復元します。
-保存されたビューを再度開くと、すべての名前変更やメトリクスの設定が保持されています。
\ No newline at end of file
+保存したビューを再度開くと、すべての名前変更とメトリクス設定が保持されます。
\ No newline at end of file
diff --git a/ja/weave/guides/evaluation/evaluation_logger.mdx b/ja/weave/guides/evaluation/evaluation_logger.mdx
index b50a672f43..ca40e4d296 100644
--- a/ja/weave/guides/evaluation/evaluation_logger.mdx
+++ b/ja/weave/guides/evaluation/evaluation_logger.mdx
@@ -1,211 +1,222 @@
---
-title: コードから評価データを ログ に記録する
-description: Python または TypeScript のコードから評価データを、柔軟かつ段階的にログ記録する方法
+title: "コードから評価データをログする"
+description: "Python と TypeScript のコードから評価データを段階的にログするための柔軟な方法"
---
-`EvaluationLogger` は、Python または TypeScript のコードから評価データを直接ログに記録するための、柔軟でインクリメンタルな方法を提供します。Weave の内部データ型に関する深い知識は必要ありません。ロガーをインスタンス化し、そのメソッド（`log_prediction`、`log_score`、`log_summary`）を使用して評価ステップを記録するだけです。
+`EvaluationLogger` は、Python や TypeScript のコードから評価データを直接ログするための、柔軟で段階的な方法を提供します。Weave の内部データ型について深く理解している必要はありません。ロガーをインスタンス化し、そのメソッド（`log_prediction`、`log_score`、`log_summary`）を使って評価ステップを記録するだけです。
-このアプローチは、データセット全体や基礎となるすべてのスコアラーが事前に定義されていないような、複雑なワークフローにおいて特に役立ちます。
+このアプローチは、全体のデータセットやすべてのスコアラーが事前に定義されていないような複雑なワークフローで特に役立ちます。
-定義済みの `Dataset` と `Scorer` オブジェクトのリストを必要とする標準的な `Evaluation` オブジェクトとは対照的に、`EvaluationLogger` では、個々の予測とそれに関連するスコアを、利用可能になった時点でインクリメンタルに記録できます。
+事前に定義された `Dataset` と `Scorer` オブジェクトのリストを必要とする標準の `Evaluation` オブジェクトとは対照的に、`EvaluationLogger` では、個々の予測とそれに対応するスコアを、利用可能になったタイミングで逐次ログできます。
-**より構造化された評価をお好みですか？**
+**より構造化された評価が必要ですか？**
-定義済みのデータセットとスコアラーを備えた、より規範的な評価フレームワークを好む場合は、[Weave の標準評価フレームワーク](../core-types/evaluations) を参照してください。
+事前定義されたデータセットやスコアラーを備えた、より設計方針のはっきりした評価フレームワークを好む場合は、[Weave の標準 Evaluation フレームワーク](../core-types/evaluations) を参照してください。
-`EvaluationLogger` が柔軟性を提供するのに対し、標準フレームワークは構造とガイドラインを提供します。
+`EvaluationLogger` は柔軟性を提供し、標準のフレームワークは構造とガイダンスを提供します。
-## 基本的なワークフロー
+
+ ## 基本的なワークフロー
+
-1. **ロガーの初期化**: `EvaluationLogger` のインスタンスを作成します。オプションで `model` や `dataset` に関するメタデータを提供できます。省略した場合はデフォルト値が使用されます。
+1. _ロガーの初期化:_ `EvaluationLogger` のインスタンスを作成し、必要に応じて `model` や `dataset` に関するメタデータを指定します。省略した場合はデフォルト値が使用されます。
- LLM 呼び出し（OpenAI など）のトークン使用量とコストを把握するには、**LLM を呼び出す前に** `EvaluationLogger` を初期化してください。
- LLM を先に呼び出してから予測をログに記録した場合、トークンとコストのデータは取得されません。
+ LLM 呼び出し（例: OpenAI）のトークン使用量とコストを記録するには、LLM を呼び出す前に `EvaluationLogger` を初期化してください**。
+ 先に LLM を呼び出してから予測結果をログに記録した場合、トークンとコストのデータは記録されません。
-2. **予測のログ記録**: システムからの各入力/出力ペアに対して `log_prediction` を呼び出します。
-3. **スコアのログ記録**: 返された `ScoreLogger` を使用して、予測に対する `log_score` を行います。1 つの予測に対して複数のスコアをサポートしています。
-4. **予測の終了**: 予測のスコアをログに記録した後は、必ず `finish()` を呼び出して確定させてください。
-5. **サマリーのログ記録**: すべての予測が処理された後、`log_summary` を呼び出してスコアを集計し、オプションでカスタムメトリクスを追加します。
+2. _予測のログ記録:_ システムからの各入力/出力ペアに対して `log_prediction` を呼び出します。
+3. _スコアのログ記録:_ 返された `ScoreLogger` を使って、その予測に対して `log_score` を呼び出します。1 つの予測に対して複数のスコアを記録できます。
+4. _予測の完了:_ 予測に対してスコアを記録した後は、必ず `finish()` を呼び出して予測を確定します。
+5. _サマリーのログ記録:_ すべての予測の処理が完了したら、`log_summary` を呼び出してスコアを集計し、必要に応じてカスタム メトリクスを追加します。
-予測に対して `finish()` を呼び出した後は、その予測にスコアを記録することはできません。
+ある予測に対して `finish()` を呼び出した後は、その予測に対してスコアを追加で記録することはできません。
-説明したワークフローを示す Python コードについては、[基本的な例](#基本的な例) を参照してください。
+ここで説明したワークフローを示す Python コードについては、[基本的な例](#basic-example) を参照してください。
-## 基本的な例
+
+ ## 基本的な例
+
-次の例では、`EvaluationLogger` を使用して、既存のコード内で予測とスコアをインラインでログに記録する方法を示します。
+次の例は、既存のコード内で `EvaluationLogger` を使用して予測結果とスコアをインラインで記録する方法を示します。
-
-`user_model` 関数が定義され、入力リストに適用されます。各例について：
+
+ `user_model` モデル関数が定義され、入力のリストに適用されます。各サンプルごとに:
-- 入力と出力が `log_prediction` を使用してログに記録されます。
-- 単純な正解スコア（`correctness_score`）が `log_score` 経由でログに記録されます。
-- `finish()` によってその予測のログ記録が完了します。
-最後に、`log_summary` が集計メトリクスを記録し、Weave での自動スコアサマリーをトリガーします。
+ * 入力と出力は `log_prediction` を使って記録されます。
+ * 単純な正解度スコア (`correctness_score`) が `log_score` を使って記録されます。
+ * `finish()` はその予測に対するログ記録を完了します。
+ 最後に、`log_summary` が集計されたメトリクスを記録し、Weave におけるスコアの自動要約をトリガーします。
-```python lines
-import weave
-from openai import OpenAI
-from weave import EvaluationLogger
+ ```python lines
+ import weave
+ from openai import OpenAI
+ from weave import EvaluationLogger
-weave.init('your-team/your-project')
+ weave.init('your-team/your-project')
-# トークン追跡を確実にするため、モデルを呼び出す前に EvaluationLogger を初期化します
-eval_logger = EvaluationLogger(
- model="my_model",
- dataset="my_dataset"
-)
+ # トークントラッキングを確実にするため、モデルを呼び出す前に EvaluationLogger を初期化する
+ eval_logger = EvaluationLogger(
+ model="my_model",
+ dataset="my_dataset"
+ )
-# 入力データの例（任意のデータ構造を使用できます）
-eval_samples = [
- {'inputs': {'a': 1, 'b': 2}, 'expected': 3},
- {'inputs': {'a': 2, 'b': 3}, 'expected': 5},
- {'inputs': {'a': 3, 'b': 4}, 'expected': 7},
-]
+ # 入力データの例（任意のデータ構造を使用できます）
+ eval_samples = [
+ {'inputs': {'a': 1, 'b': 2}, 'expected': 3},
+ {'inputs': {'a': 2, 'b': 3}, 'expected': 5},
+ {'inputs': {'a': 3, 'b': 4}, 'expected': 7},
+ ]
+
+ # OpenAI を使用したモデルロジックの例
+ @weave.op
+ def user_model(a: int, b: int) -> int:
+ oai = OpenAI()
+ response = oai.chat.completions.create(
+ messages=[{"role": "user", "content": f"What is {a}+{b}?"}],
+ model="gpt-4o-mini"
+ )
+ # レスポンスを何らかの形で使用する（ここでは簡略化のため a + b を返すだけ）
+ return a + b
+
+ # サンプルを反復処理し、予測してログを記録する
+ for sample in eval_samples:
+ inputs = sample["inputs"]
+ model_output = user_model(**inputs) # 入力を kwargs として渡す
+
+ # 予測の入力と出力をログに記録する
+ pred_logger = eval_logger.log_prediction(
+ inputs=inputs,
+ output=model_output
+ )
-# OpenAI を使用したモデルロジックの例
-@weave.op
-def user_model(a: int, b: int) -> int:
- oai = OpenAI()
- response = oai.chat.completions.create(
- messages=[{"role": "user", "content": f"What is {a}+{b}?"}],
- model="gpt-4o-mini"
- )
- # レスポンスを何らかの方法で使用します（ここでは簡単のため a + b を返します）
- return a + b
-
-# サンプルを反復処理し、予測してログに記録します
-for sample in eval_samples:
- inputs = sample["inputs"]
- model_output = user_model(**inputs) # 入力を kwargs として渡します
-
- # 予測の入力と出力をログに記録します
- pred_logger = eval_logger.log_prediction(
- inputs=inputs,
- output=model_output
- )
+ # この予測のスコアを計算してログに記録する
+ expected = sample["expected"]
+ correctness_score = model_output == expected
+ pred_logger.log_score(
+ scorer="correctness", # スコアラーのシンプルな文字列名
+ score=correctness_score
+ )
- # この予測のスコアを計算してログに記録します
- expected = sample["expected"]
- correctness_score = model_output == expected
- pred_logger.log_score(
- scorer="correctness", # スコアラーのシンプルな文字列名
- score=correctness_score
- )
+ # この予測のログ記録を完了する
+ pred_logger.finish()
- # この特定の予測のログ記録を終了します
- pred_logger.finish()
+ # 評価全体の最終サマリーをログに記録する。
+ # Weave は上記でログに記録された 'correctness' スコアを自動集計する。
+ summary_stats = {"subjective_overall_score": 0.8}
+ eval_logger.log_summary(summary_stats)
-# 評価全体の最終サマリーをログに記録します。
-# Weave は上記でログに記録された 'correctness' スコアを自動的に集計します。
-summary_stats = {"subjective_overall_score": 0.8}
-eval_logger.log_summary(summary_stats)
+ print("評価のログ記録が完了しました。Weave UI で結果を確認してください。")
+ ```
+
-print("Evaluation logging complete. View results in the Weave UI.")
-```
-
-
-TypeScript SDK は 2 つの API パターンを提供します。
+
+ TypeScript SDK は 2 つの API パターンを提供します：
-1. **Fire-and-forget API**（ほとんどの場合に推奨）：同期的な非ブロッキング ログ記録のために、`await` なしで `logPrediction()` を使用します。
-2. **Awaitable API**：処理を進める前に操作が完了したことを確認する必要がある場合に、`await` 付きで `logPredictionAsync()` を使用します。
+ 1. **Fire-and-forget API**（ほとんどの場合に推奨）：同期的かつノンブロッキングにロギングするには、`logPrediction()` を `await` なしで使用します
+ 2. **Awaitable API**：処理を進める前に操作の完了を保証する必要がある場合は、`logPredictionAsync()` を `await` と併用します
-以下の理由から **fire-and-forget** を推奨します：
-- **高スループット**：各ログ操作を待たずに、複数の予測を並列で処理できます。
-- **最小限のコード変更**：既存の async/await フローを再構築することなく、評価ログを追加できます。
-- **シンプルさ**：ほとんどの評価シナリオにおいて、ボイラープレートコードが少なく、構文がクリーンになります。
+ 次のような場合には、**fire-and-forget** を推奨します：
-`logSummary()` は、結果を集計する前に保留中のすべての操作が完了するのを自動的に待機するため、fire-and-forget パターンは安全です。
+ * **高スループット**：各ロギング処理を待たずに、複数の予測を並行して処理できます
+ * **コード変更の最小化**：既存の async/await フローを組み替えることなく評価ロギングを追加できます
+ * **シンプルさ**：多くの評価シナリオで、ボイラープレートコードを減らし、より読みやすい構文になります
-次の例では、fire-and-forget パターンを使用してモデルの予測を評価します。評価ロガーを設定し、3 つのテストサンプルでシンプルなモデルを実行し、await を使用せずに予測をログに記録します。
+ fire-and-forget パターンが安全なのは、`logSummary()` が結果を集約する前に、保留中のすべての操作が完了するまで自動的に待機するためです。
-```typescript lines {36,50}
-import weave, {EvaluationLogger} from 'weave';
-import OpenAI from 'openai';
+ 次の例では fire-and-forget パターンを使用してモデルの予測を評価します。評価ロガーをセットアップし、3 つのテストサンプルに対して単純なモデルを実行し、その後 `await` を使わずに予測をロギングします：
-await weave.init('your-team/your-project');
+ ```typescript lines {36,50}
+ import weave, {EvaluationLogger} from 'weave';
+ import OpenAI from 'openai';
-// トークン追跡を確実にするため、モデルを呼び出す前に EvaluationLogger を初期化します
-const evalLogger = new EvaluationLogger({
- name: 'my-eval',
- model: 'my_model',
- dataset: 'my_dataset'
-});
+ await weave.init('your-team/your-project');
-// 入力データの例
-const evalSamples = [
- {inputs: {a: 1, b: 2}, expected: 3},
- {inputs: {a: 2, b: 3}, expected: 5},
- {inputs: {a: 3, b: 4}, expected: 7},
-];
+ // トークントラッキングを確実にするため、モデルを呼び出す前に EvaluationLogger を初期化する
+ const evalLogger = new EvaluationLogger({
+ name: 'my-eval',
+ model: 'my_model',
+ dataset: 'my_dataset'
+ });
-// OpenAI を使用したモデルロジックの例
-const userModel = weave.op(async function userModel(a: number, b: number): Promise {
- const oai = new OpenAI();
- const response = await oai.chat.completions.create({
- messages: [{role: 'user', content: `What is ${a}+${b}?`}],
- model: 'gpt-4o-mini'
- });
- return a + b;
-});
+ // 入力データの例
+ const evalSamples = [
+ {inputs: {a: 1, b: 2}, expected: 3},
+ {inputs: {a: 2, b: 3}, expected: 5},
+ {inputs: {a: 3, b: 4}, expected: 7},
+ ];
-// サンプルを反復処理し、予測し、fire-and-forget パターンでログに記録します
-for (const sample of evalSamples) {
- const {inputs} = sample;
- const modelOutput = await userModel(inputs.a, inputs.b);
+ // OpenAI を使用したモデルロジックの例
+ const userModel = weave.op(async function userModel(a: number, b: number): Promise {
+ const oai = new OpenAI();
+ const response = await oai.chat.completions.create({
+ messages: [{role: 'user', content: `What is ${a}+${b}?`}],
+ model: 'gpt-4o-mini'
+ });
+ return a + b;
+ });
- // Fire-and-forget: logPrediction に await は不要です
- const scoreLogger = evalLogger.logPrediction(inputs, modelOutput);
+ // fire-and-forget パターンを使用して、サンプルを反復処理し、予測してログを記録する
+ for (const sample of evalSamples) {
+ const {inputs} = sample;
+ const modelOutput = await userModel(inputs.a, inputs.b);
- // この予測のスコアを計算してログに記録します
- const correctnessScore = modelOutput === sample.expected;
+ // Fire-and-forget: logPrediction に await は不要
+ const scoreLogger = evalLogger.logPrediction(inputs, modelOutput);
- // Fire-and-forget: logScore に await は不要です
- scoreLogger.logScore('correctness', correctnessScore);
+ // この予測のスコアを計算してログに記録する
+ const correctnessScore = modelOutput === sample.expected;
- // Fire-and-forget: finish に await は不要です
- scoreLogger.finish();
-}
+ // Fire-and-forget: logScore に await は不要
+ scoreLogger.logScore('correctness', correctnessScore);
+
+ // Fire-and-forget: finish に await は不要
+ scoreLogger.finish();
+ }
-// logSummary は内部で保留中のすべての操作が完了するのを待ちます
-const summaryStats = {subjective_overall_score: 0.8};
-await evalLogger.logSummary(summaryStats);
+ // logSummary は内部的にすべての保留中の操作が完了するまで待機する
+ const summaryStats = {subjective_overall_score: 0.8};
+ await evalLogger.logSummary(summaryStats);
-console.log('Evaluation logging complete. View results in the Weave UI.');
-```
+ console.log('評価ログが完了しました。Weave UI で結果を確認してください。');
+ ```
-エラーハンドリングや逐次的な依存関係を管理する場合など、各操作が完了してから次に進む必要がある場合は、awaitable API を使用してください。
+ 各処理が完了してから次に進む必要がある場合、たとえばエラー処理を管理するときや処理同士に順序の依存関係がある場合には、await 可能な API を使用します。
-次の例では、`await` なしの `logPrediction()` を呼び出す代わりに、`await` 付きの `logPredictionAsync()` を使用して、各操作が完了してから次へ進むようにしています。
+ 次の例では、`await` なしで `logPrediction()` を呼び出すのではなく、`await` を付けて `logPredictionAsync()` を呼び出すことで、各処理が完了してから次の処理に進むようにしています。
-```typescript lines
-// logPrediction の代わりに logPredictionAsync を使用します
-const scoreLogger = await evalLogger.logPredictionAsync(inputs, modelOutput);
+ ```typescript lines
+ // logPrediction の代わりに logPredictionAsync を使用する
+ const scoreLogger = await evalLogger.logPredictionAsync(inputs, modelOutput);
-// 各操作を await します
-await scoreLogger.logScore('correctness', correctnessScore);
-await scoreLogger.finish();
-```
-
+ // 各操作を await する
+ await scoreLogger.logScore('correctness', correctnessScore);
+ await scoreLogger.finish();
+ ```
+
-## 高度な使用法
+
+ ## 高度な使い方
+
+
+`EvaluationLogger` は、より複雑な評価シナリオに対応するために、基本的なワークフローを超える柔軟なパターンを提供します。このセクションでは、自動リソース管理のためのコンテキストマネージャーの利用、モデル の実行とロギング処理の分離、リッチメディアデータの取り扱い、複数のモデル 評価を横に並べて比較する方法などの高度なテクニックを扱います。
-`EvaluationLogger` は、より複雑な評価シナリオに対応するために、基本的なワークフローを超えた柔軟なパターンを提供します。このセクションでは、自動リソース管理のためのコンテキストマネージャーの使用、モデル実行とログ記録の分離、リッチメディアデータの処理、複数のモデル評価の並列比較などの高度なテクニックについて説明します。
+
+ ### コンテキストマネージャーの使用
+
-### コンテキストマネージャーの使用
+`EvaluationLogger` は、予測とスコアの両方に対してコンテキストマネージャー（`with` 文）をサポートします。これにより、コードがすっきりし、自動的なリソース解放が行われ、LLM judge 呼び出しのようなネストした処理のトラッキングも改善されます。
-`EvaluationLogger` は、予測とスコアの両方でコンテキストマネージャー（`with` ステートメント）をサポートしています。これにより、コードがよりクリーンになり、リソースの自動クリーンアップが可能になり、LLM 判定の呼び出しなどのネストされた操作の追跡が改善されます。
+ここで `with` 文を使用すると、次の利点があります。
-この文脈で `with` ステートメントを使用すると、以下の利点があります：
- コンテキストを抜けるときに `finish()` が自動的に呼び出される
-- ネストされた LLM 呼び出しのトークン/コスト追跡が改善される
-- 予測コンテキスト内でのモデル実行後に出力を設定できる
+- ネストした LLM 呼び出しに対するトークン／コストのトラッキングが向上する
+- 予測コンテキスト内で、モデル実行後に出力を設定できる
@@ -216,7 +227,7 @@ import weave
weave.init("nested-evaluation-example")
oai = openai.OpenAI()
-# ロガーの初期化
+# Initialize the logger
ev = weave.EvaluationLogger(
model="gpt-4o-mini",
dataset="joke_dataset"
@@ -224,22 +235,22 @@ ev = weave.EvaluationLogger(
user_prompt = "Tell me a joke"
-# 予測にコンテキストマネージャーを使用 - finish() を呼び出す必要はありません
+# Use context manager for prediction - no need to call finish()
with ev.log_prediction(inputs={"user_prompt": user_prompt}) as pred:
- # コンテキスト内でモデル呼び出しを行います
+ # Make your model call within the context
result = oai.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": user_prompt}],
)
- # モデル呼び出し後に出力を設定します
+ # Set the output after the model call
pred.output = result.choices[0].message.content
- # シンプルなスコアをログに記録します
+ # Log simple scores
pred.log_score("correctness", 1.0)
pred.log_score("ambiguity", 0.3)
- # LLM 判定が必要なスコアにはネストされたコンテキストマネージャーを使用します
+ # Use nested context manager for scores that require LLM calls
with pred.log_score("llm_judge") as score:
judge_result = oai.chat.completions.create(
model="gpt-4o-mini",
@@ -248,20 +259,20 @@ with ev.log_prediction(inputs={"user_prompt": user_prompt}) as pred:
{"role": "user", "content": pred.output},
],
)
- # 計算後にスコア値を設定します
+ # Set the score value after computation
score.value = judge_result.choices[0].message.content
-# 'with' ブロックを抜けるときに finish() が自動的に呼び出されます
+# finish() is automatically called when exiting the 'with' block
ev.log_summary({"avg_score": 1.0})
```
-このパターンにより、すべてのネストされた操作が追跡され、親の予測に帰属することが保証され、Weave UI で正確なトークン使用量とコストデータが得られます。
+このパターンにより、すべてのネストした処理が親の予測に紐づけてトラッキングされるため、Weave UI で正確なトークン使用量とコストデータを取得できます。
-TypeScript には Python のコンテキストマネージャーのような `with` ステートメントのパターンはありません。代わりに、明示的な `finish()` 呼び出しを伴う fire-and-forget パターンを使用してください。
+TypeScript には、コンテキストマネージャー用の Python の `with` 文パターンはありません。その代わりに、明示的に `finish()` を呼び出す fire-and-forget パターンを使用します。
-次の例では、予測をログに記録し、シンプルなスコアと LLM 判定スコアを追加してから、`finish()` で予測を確定させます。
+次の例では、予測をログに記録し、単純なスコアと LLM judge スコアを追加し、その後 `finish()` を使って予測を確定します。
```typescript lines {43}
import weave from 'weave';
@@ -271,7 +282,7 @@ import {EvaluationLogger} from 'weave/evaluationLogger';
await weave.init('your-team/your-project');
const oai = new OpenAI();
-// ロガーの初期化
+// Initialize the logger
const ev = new EvaluationLogger({
name: 'joke-eval',
model: 'gpt-4o-mini',
@@ -280,7 +291,7 @@ const ev = new EvaluationLogger({
const userPrompt = 'Tell me a joke';
-// モデル出力を取得
+// Get model output
const result = await oai.chat.completions.create({
model: 'gpt-4o-mini',
messages: [{role: 'user', content: userPrompt}],
@@ -288,14 +299,14 @@ const result = await oai.chat.completions.create({
const modelOutput = result.choices[0].message.content;
-// 出力とともに予測をログに記録
+// Log prediction with output
const pred = ev.logPrediction({user_prompt: userPrompt}, modelOutput);
-// シンプルなスコアをログに記録
+// Log simple scores
pred.logScore('correctness', 1.0);
pred.logScore('ambiguity', 0.3);
-// LLM 判定スコアの場合、呼び出しを行って結果をログに記録
+// For LLM judge scores, make the call and log the result
const judgeResult = await oai.chat.completions.create({
model: 'gpt-4o-mini',
messages: [
@@ -305,32 +316,34 @@ const judgeResult = await oai.chat.completions.create({
});
pred.logScore('llm_judge', judgeResult.choices[0].message.content);
-// スコアリングが完了したら明示的に finish を呼び出します
+// Explicitly call finish when done scoring
pred.finish();
await ev.logSummary({avg_score: 1.0});
```
-TypeScript にはコンテキストマネージャーによる自動クリーンアップはありませんが、`logSummary()` は結果を集計する前に、未完了の予測を自動的に終了させます。明示的に `finish()` を呼び出したくない場合は、この動作を利用できます。
+TypeScript にはコンテキストマネージャーによる自動クリーンアップはありませんが、`logSummary()` は結果を集計する前に、未完了の予測を自動的に完了させます。`finish()` を明示的に呼び出したくない場合は、この挙動に任せることもできます。
-### ログ記録の前に出力を取得する
+
+ ### ログ記録前に出力を取得する
+
-最初にモデルの出力を計算し、後で予測とスコアを個別にログに記録することができます。これにより、評価ロジックとログ記録ロジックをより適切に分離できます。
+最初にモデルの出力を計算し、その後で予測とスコアを個別に記録します。これにより、評価ロジックとログ記録ロジックをより明確に分離できます。
```python lines
-# トークン追跡を確実にするため、モデルを呼び出す前に EvaluationLogger を初期化します
+# トークンをトラッキングするため、モデルを呼び出す「前」に EvaluationLogger を初期化する
ev = EvaluationLogger(
model="example_model",
dataset="example_dataset"
)
-# モデル出力（例：OpenAI 呼び出し）は、トークン追跡のためにロガー初期化後に行う必要があります
+# モデル出力（例: OpenAI の呼び出し）は、トークンをトラッキングするため logger 初期化の後に実行する必要がある
outputs = [your_output_generator(**inputs) for inputs in your_dataset]
preds = [ev.log_prediction(inputs, output) for inputs, output in zip(your_dataset, outputs)]
for pred, output in zip(preds, outputs):
@@ -342,47 +355,49 @@ ev.log_summary()
```
-複数の予測を並列で処理する場合、fire-and-forget パターンが非常に有効です。
+fire-and-forget パターンは、複数の予測を並列処理する場合に特に有効です。
-次の例では、`EvaluationLogger` の複数の同時インスタンスを作成することで、評価を並列でバッチ処理しています。
+次の例では、`EvaluationLogger` の複数の同時インスタンスを作成して、評価を並列にバッチ処理します。
```typescript lines
-// トークン追跡を確実にするため、モデルを呼び出す前に EvaluationLogger を初期化します
+// トークンをトラッキングするため、モデルを呼び出す「前」に EvaluationLogger を初期化する
const ev = new EvaluationLogger({
name: 'parallel-eval',
model: 'example_model',
dataset: 'example_dataset'
});
-// トークン追跡のため、OpenAI 呼び出しなどのモデル出力はロガー初期化後に行う必要があります
+// OpenAI の呼び出しなどのモデル出力は、トークンをトラッキングするため logger 初期化の後に実行する必要がある
const outputs = await Promise.all(
yourDataset.map(inputs => yourOutputGenerator(inputs))
);
-// Fire-and-forget: await せずにすべての予測を処理します
+// Fire-and-forget: await せずにすべての予測を処理する
const preds = yourDataset.map((inputs, i) =>
ev.logPrediction(inputs, outputs[i])
);
preds.forEach((pred, i) => {
const output = outputs[i];
- // Fire-and-forget: await は不要です
+ // Fire-and-forget: await は不要
pred.logScore('greater_than_5_scorer', output > 5);
pred.logScore('greater_than_7_scorer', output > 7);
pred.finish();
});
-// logSummary は保留中のすべての操作を待ちます
+// logSummary は保留中のすべての処理が完了するまで待機する
await ev.logSummary();
```
-fire-and-forget パターンを使用すると、計算リソースが許す限り、いくらでも評価を並列で処理できます。
+fire-and-forget パターンを使うことで、利用可能な計算リソースが許す限り、できるだけ多くの評価を並列に処理できます。
-### リッチメディアのログ記録
+
+ ### リッチメディアをログする
+
-入力、出力、スコアには、画像、動画、音声、構造化テーブルなどのリッチメディアを含めることができます。`log_prediction` または `log_score` メソッドに辞書やメディアオブジェクトを渡すだけです。
+入力、出力、スコアには、画像、動画、音声、あるいは構造化テーブルなどのリッチメディアを含めることができます。`log_prediction` または `log_score` メソッドに dict もしくはメディアオブジェクトを渡すだけです。
@@ -397,21 +412,21 @@ import weave
def generate_random_audio_wave_read(duration=2, sample_rate=44100):
n_samples = duration * sample_rate
- amplitude = 32767 # 16ビット最大振幅
+ amplitude = 32767 # 16-bit max amplitude
buffer = io.BytesIO()
# wave データをバッファに書き込む
with wave.open(buffer, 'wb') as wf:
wf.setnchannels(1)
- wf.setsampwidth(2) # 16ビット
+ wf.setsampwidth(2) # 16-bit
wf.setframerate(sample_rate)
for _ in range(n_samples):
sample = random.randint(-amplitude, amplitude)
wf.writeframes(struct.pack('
-TypeScript SDK は `weaveImage` 関数と `weaveAudio` 関数を使用した画像と音声のログ記録をサポートしています。次の例では、画像ファイルと音声ファイルを読み込み、モデルで処理し、スコアとともに結果をログに記録します。
+TypeScript SDK では、`weaveImage` および `weaveAudio` 関数を使って画像と音声をログできます。次の例では、画像と音声ファイルを読み込み、それらをモデルで処理し、スコアとともに結果をログします。
```typescript lines
import weave, {EvaluationLogger} from 'weave';
@@ -495,7 +510,7 @@ const ev = new EvaluationLogger({
for (const inputs of richMediaDataset) {
const output = await yourOutputGenerator(inputs);
- // 入力と出力の両方にリッチメディアを含む予測をログに記録
+ // 入力と出力の両方にリッチメディアを含めて予測をログする
const pred = ev.logPrediction(inputs, output);
pred.logScore('greater_than_5_scorer', output.result > 5);
pred.logScore('greater_than_7_scorer', output.result > 7);
@@ -508,17 +523,19 @@ await ev.logSummary();
-### 複数の評価をログに記録して比較する
+
+ ### 複数の評価をログして比較する
+
-`EvaluationLogger` を使用すると、複数の評価をログに記録して比較できます。
+`EvaluationLogger` を使うと、複数の評価をログして比較できます。
-1. 下記のサンプルコードを実行します。
-2. Weave UI で、`Evals` タブに移動します。
-3. 比較したい評価（evals）を選択します。
-4. **Compare** ボタンをクリックします。比較ビューでは、以下のことができます。
- - 追加または削除する評価の選択
- - 表示または非表示にするメトリクスの選択
- - 特定の例をページ送りして、同じデータセットの同じ入力に対して異なるモデルがどのように機能したかを確認
+1. 下に示すコードサンプルを実行します。
+2. Weave UI で `Evals` タブに移動します。
+3. 比較したい Eval を選択します。
+4. **Compare** ボタンをクリックします。Compare ビューでは次のことができます:
+ - 追加または削除する Eval を選択する
+ - 表示または非表示にするメトリクスを選択する
+ - 特定の例をページ送りしながら、同じ入力と特定のデータセットに対して異なるモデルがどのように動作したかを確認する
比較の詳細については、[Comparisons](../tools/comparison) を参照してください。
@@ -534,7 +551,7 @@ models = [
]
for model in models:
- # トークンをキャプチャするため、モデルを呼び出す前に EvalLogger を初期化する必要があります
+ # EvalLogger must be initialized before model calls to capture tokens
ev = EvaluationLogger(
name="comparison-eval",
model=model,
@@ -568,7 +585,7 @@ const models = [
];
for (const model of models) {
- // トークンをキャプチャするため、モデルを呼び出す前に EvalLogger を初期化する必要があります
+ // EvalLogger must be initialized before model calls to capture tokens
const ev = new EvaluationLogger({
name: 'comparison-eval',
model: model,
@@ -581,7 +598,7 @@ for (const model of models) {
for (const inputs of yourDataset) {
const output = await yourOutputGenerator(inputs);
- // クリーンで効率的なログ記録のための fire-and-forget パターン
+ // Fire-and-forget pattern for clean, efficient logging
const pred = ev.logPrediction(inputs, output);
pred.logScore('greater_than_3_scorer', output > 3);
pred.logScore('greater_than_5_scorer', output > 5);
@@ -594,23 +611,27 @@ for (const model of models) {
```
+
+ ## 使用上のヒント
+
-- 各予測の直後に速やかに `finish()` を呼び出してください。
-- `log_summary` を使用して、単一の予測に関連付けられていないメトリクス（例：全体のレイテンシ）をキャプチャします。
-- リッチメディアのログ記録は定性分析に最適です。
+- 各予測の直後に `finish()` を必ず呼び出してください。
+- 単一の予測に紐づかないメトリクス（例: 全体のレイテンシ）を記録するには `log_summary` を使用してください。
+- リッチメディアのログは定性的な分析に役立ちます。
-- **自動終了動作**: 明確にするために各予測で明示的に `finish()` を呼び出すことを推奨しますが、`logSummary()` は未完了の予測を自動的に終了させます。ただし、スクリプトが `finish()` を呼び出すと、それ以上スコアを記録することはできません。
-- **設定オプション**: `name`、`description`、`dataset`、`model`、`scorers`、`attributes` などの設定オプションを使用して、Weave UI で評価を整理およびフィルタリングします。
+- **自動 finish の挙動**: 明確さのために各予測ごとに明示的に `finish()` を呼び出すことを推奨しますが、`logSummary()` は未完了の予測を自動的に終了します。ただし、一度スクリプトで `finish()` を呼び出すと、それ以降はスコアをログできません。
+- **設定オプション**: Weave UI で評価を整理・フィルタリングするために、`name`、`description`、`dataset`、`model`、`scorers`、`attributes` などの設定オプションを使用してください。
\ No newline at end of file
diff --git a/ja/weave/guides/evaluation/guardrails.mdx b/ja/weave/guides/evaluation/guardrails.mdx
new file mode 100644
index 0000000000..5e4904a678
--- /dev/null
+++ b/ja/weave/guides/evaluation/guardrails.mdx
@@ -0,0 +1,247 @@
+---
+title: "guardrails を設定する"
+description: "本番アプリケーションで LLM の安全性を確保し、出力品質を測定する"
+---
+
+guardrails は、LLM ジャッジからのスコアに基づいて LLM アプリケーションの動作に積極的に介入します。出力がユーザーに届く前にリアルタイムで実行され、スコアがしきい値を超えた場合にはレスポンスをブロックしたり、修正したりできます。guardrails を使うことで、有害なコンテンツのブロック、個人を特定できる情報 (PII) を含むレスポンスのフィルタリング、ユーザーからの攻撃的な入力のブロックなどを行えます。
+
+
+ ## Weave guardrails の仕組み
+
+
+Weave guardrails はインラインの [Weave Scorers](/ja/weave/guides/evaluation/scorers) を使って、ユーザーからの入力や LLM からの出力を評価し、リアルタイムで LLM の応答を調整します。カスタム スコアラーを設定することも、[built-in scorers](/ja/weave/guides/evaluation/builtin_scorers) を使ってさまざまな目的でコンテンツを評価することもできます。このガイドでは、両方の種類のスコアラーを guardrails として使う方法を説明します。
+
+アプリケーションの制御フローを変更せずに、本番トラフィックに対して受動的にスコアリングしたい場合は、代わりに [monitors](/ja/weave/guides/evaluation/monitors) を使用してください。
+
+monitors と異なり、guardrails はアプリケーションの制御フローに影響するため、コードの変更が必要です。ただし、guardrails のすべてのスコアラー結果は自動的に Weave のデータベースに保存されるため、追加の設定なしに guardrails は monitors としても機能します。スコアラーが元々どのように使用されていたかに関係なく、過去のスコア結果を分析できます。
+
+
+ Weave TypeScript SDK は guardrails のセットアップに必要なツールをサポートしていません。
+
+
+
+ ### Weave guardrail のパフォーマンスを最適化する
+
+
+guardrail はアプリケーションの制御フローを中断し、応答の内容や流れを変えることができるため、複雑になりすぎるとパフォーマンスに悪影響を与える可能性があります。最適なパフォーマンスのために、次のことを推奨します。
+
+* guardrail のロジックはシンプルかつ高速に保つ
+* 頻繁に得られる結果をキャッシュする
+* 負荷の高い外部 API 呼び出しを避ける
+* guardrail をメイン関数の外で初期化して、初期化コストの繰り返しを避ける
+
+guardrail をメイン関数の外で初期化することは、特に次のような場合に重要です。
+
+* scorer が ML モデルを読み込む場合
+* レイテンシが重要となるローカル LLM を使用している場合
+* scorer がネットワーク接続を維持する場合
+* 高トラフィックなアプリケーションである場合
+
+
+ ### 例: 組み込みの moderation scorer を使って guardrail を作成する
+
+
+次の例では、ユーザーのプロンプトを OpenAI の GPT-4o mini モデルに送信します。モデルの応答は Weave の [OpenAI の moderation API](https://platform.openai.com/docs/guides/moderation) に渡され、LLM の応答に有害または不適切なコンテンツが含まれていないかを評価します。モデルの応答は guardrail 関数 (`generate_safe_response()`) に渡され、この関数内で `OpenAIModerationScorer` を使用して LLM の元の応答をチェックします。関数のロジックは OpenAI の評価結果の `passed` フィールド内の boolean 値を確認し、その結果に応じてアプリケーションがどのように応答するかを決定します。
+
+```python lines {28-45}
+import weave
+import openai
+from weave.scorers import OpenAIModerationScorer
+import asyncio
+
+# Weave を初期化する
+weave.init("your-team-name/your-project-name")
+
+# OpenAI クライアントを初期化する
+client = openai.OpenAI() # OPENAI_API_KEY 環境変数を使用する
+
+# モデレーションスコアラーを初期化する
+moderation_scorer = OpenAIModerationScorer()
+
+# OpenAI にプロンプトを送信する
+@weave.op
+def generate_response(prompt: str) -> str:
+ response = client.chat.completions.create(
+ model="gpt-4o-mini",
+ messages=[
+ {"role": "system", "content": "You are a helpful assistant."},
+ {"role": "user", "content": prompt}
+ ],
+ max_tokens=200
+ )
+ return response.choices[0].message.content
+
+# ガードレール関数がレスポンスの有害性をチェックする
+async def generate_safe_response(prompt: str) -> str:
+ """コンテンツモデレーションガードレールを使用してレスポンスを生成する。"""
+ # 結果と Call オブジェクトの両方を取得する
+ result, call = generate_response.call(prompt)
+
+ # ユーザーに返す前にモデレーションスコアラーを適用する
+ score = await call.apply_scorer(moderation_scorer)
+ print("This is the score object:", score)
+
+ # コンテンツにフラグが立てられたか確認する
+ if not score.result.get("passed", True):
+ categories = score.result.get("categories", {})
+ flagged_categories = list(categories.keys()) if categories else []
+ print(f"コンテンツがブロックされました。フラグが立てられたカテゴリ: {flagged_categories}")
+ return "申し訳ありませんが、コンテンツポリシーの制限により、そのレスポンスを提供できません。"
+
+ return result
+
+# サンプルを実行する
+if __name__ == "__main__":
+
+ prompts = [
+ "What's the capital of France?",
+ "Tell me a funny fact about dogs.",
+ ]
+
+ for prompt in prompts:
+ print(f"\nプロンプト: {prompt}")
+ response = asyncio.run(generate_safe_response(prompt))
+ print(f"レスポンス: {response}")
+```
+
+LLM-as-a-judge スコアラーを使用する場合、スコアリング プロンプト内で ops 内の変数を参照できます。たとえば「`{ground_truth}` に基づいて `{output}` が正確かどうかを評価してください。」のように記述します。詳しくは [prompt variables](/ja/weave/guides/evaluation/scorers#access-variables-from-your-ops-in-scoring-prompts) を参照してください。
+
+
+ ### 例：カスタム scorer を使用して guardrail を作成する
+
+
+次の例では、メールアドレス、電話番号、社会保障番号などの個人を特定できる情報 (PII) を LLM 応答内から検出するカスタム guardrail を作成します。これにより、生成されたコンテンツ内で機密情報が露出することを防ぎます。関数 generate_safe_response は、カスタムの PIIDetectionScorer を適用します。
+
+```python lines {14-39, 57-69}
+import weave
+import openai
+import re
+import asyncio
+from weave import Scorer
+
+weave.init("your-team-name/your-project-name")
+
+client = openai.OpenAI()
+
+class PIIDetectionScorer(Scorer):
+ """LLM の出力から PII を検出してデータ漏洩を防ぎます。"""
+
+ @weave.op
+ def score(self, output: str) -> dict:
+ """
+ 出力に含まれる一般的な PII パターンを確認します。
+
+ Returns:
+ dict: 'passed' (bool) と 'detected_types' (list) を含む辞書
+ """
+ detected_types = []
+
+ # メールアドレスのパターン
+ if re.search(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', output):
+ detected_types.append("email")
+
+ # 電話番号のパターン（米国形式）
+ if re.search(r'\b\d{3}[-.]?\d{3}[-.]?\d{4}\b', output):
+ detected_types.append("phone")
+
+ # SSN のパターン
+ if re.search(r'\b\d{3}-\d{2}-\d{4}\b', output):
+ detected_types.append("ssn")
+
+ return {
+ "passed": len(detected_types) == 0,
+ "detected_types": detected_types
+ }
+
+# パフォーマンス最適化のため、スコアラーを関数の外で初期化する
+pii_scorer = PIIDetectionScorer()
+
+@weave.op
+def generate_response(prompt: str) -> str:
+ """LLM を使用してレスポンスを生成します。"""
+ response = client.chat.completions.create(
+ model="gpt-4o-mini",
+ messages=[
+ {"role": "system", "content": "You are a helpful assistant."},
+ {"role": "user", "content": prompt}
+ ],
+ max_tokens=200
+ )
+ return response.choices[0].message.content
+
+async def generate_safe_response(prompt: str) -> str:
+ """PII 検出ガードレールを使用してレスポンスを生成します。"""
+ result, call = generate_response.call(prompt)
+
+ # PII 検出スコアラーを適用する
+ score = await call.apply_scorer(pii_scorer)
+
+ # PII が検出された場合はレスポンスをブロックする
+ if not score.result.get("passed", True):
+ detected_types = score.result.get("detected_types", [])
+ return f"I cannot provide a response that may contain sensitive information (detected: {', '.join(detected_types)})."
+
+ return result
+
+# 使用例
+if __name__ == "__main__":
+ prompts = [
+ "What's the weather like today?",
+ "Can you help me contact someone at john.doe@example.com?",
+ "Tell me about machine learning.",
+ ]
+
+ for prompt in prompts:
+ print(f"\nPrompt: {prompt}")
+ response = asyncio.run(generate_safe_response(prompt))
+ print(f"Response: {response}")
+```
+
+
+ ### Weave を AWS Bedrock Guardrails と連携させる
+
+
+`BedrockGuardrailScorer` は、設定されたポリシーに基づいてコンテンツを検出およびフィルタリングするために AWS Bedrock Guardrails を使用します。
+
+Bedrock Guardrails のインテグレーションを設定する前に、次のものが必要です。
+
+* Bedrock にアクセスできる AWS アカウント
+* [AWS Bedrock コンソールで設定済みの guardrail](https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails-components.html)
+* `boto3` [Python パッケージ](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3.html)
+
+独自に Bedrock クライアントを作成する必要はありません。Weave が自動的に作成します。リージョンを指定するには、scorer の `bedrock_runtime_kwargs` パラメーターにリージョンの値を渡します。
+
+AWS Bedrock で guardrail を作成する方法の例については、[Bedrock guardrails ノートブック](https://github.com/aws-samples/amazon-bedrock-samples/blob/main/responsible_ai/bedrock-guardrails/guardrails-api.ipynb) を参照してください。
+
+次の例では、ユーザーに結果を返す前に、テキスト生成を AWS Bedrock Guardrails のポリシーに照らしてチェックします。
+
+```python
+import weave
+from weave.scorers.bedrock_guardrails import BedrockGuardrailScorer
+
+weave.init("your-team-name/your-project-name")
+
+guardrail_scorer = BedrockGuardrailScorer(
+ guardrail_id="your-guardrail-id",
+ guardrail_version="DRAFT",
+ source="INPUT",
+ bedrock_runtime_kwargs={"region_name": "us-east-1"}
+)
+
+@weave.op
+def generate_text(prompt: str) -> str:
+ # テキスト生成ロジックをここに記述
+ return "Generated text..."
+
+async def generate_safe_text(prompt: str) -> str:
+ result, call = generate_text.call(prompt)
+
+ score = await call.apply_scorer(guardrail_scorer)
+
+ if not score.result.passed:
+ if score.result.metadata.get("modified_output"):
+ return score.result.metadata["modified_output"]
+ return "コンテンツポリシーの制限により、そのコンテンツを生成できません。"
+
+ return result
+```
diff --git a/ja/weave/guides/evaluation/guardrails_and_monitors.mdx b/ja/weave/guides/evaluation/guardrails_and_monitors.mdx
deleted file mode 100644
index 9f70159955..0000000000
--- a/ja/weave/guides/evaluation/guardrails_and_monitors.mdx
+++ /dev/null
@@ -1,682 +0,0 @@
----
-title: ガードレールとモニターの設定
-description: プロダクション アプリケーション における LLM の安全性を確保し、出力の質を測定します
----
-
-
-**用語**
-このガイドでは、`@weave.op` でデコレートされた関数を 「ops」 と呼びます。これらは、Weave のトラッキング機能で強化された通常の Python 関数です。
-
-
-#### すぐに使える Scorer
-このガイドではカスタム Scorer の作成方法を説明しますが、Weave には以下を含む、すぐに使用できるさまざまな [定義済み Scorer](./builtin_scorers) が用意されています。
-- [ハルシネーション検出](./builtin_scorers#hallucinationfreescorer)
-- [要約の品質](./builtin_scorers#summarizationscorer)
-- [埋め込みの類似性](./builtin_scorers#embeddingsimilarityscorer)
-- [関連性の評価](./builtin_scorers#ragas---contextrelevancyscorer)
-- その他多数！
-
-### ガードレール vs. モニター：使い分けのタイミング
-
-Scorer はガードレールとモニターの両方を支えていますが、その目的は異なります。
-
-| 側面 | ガードレール | モニター |
-|--------|------------|----------|
-| **目的** | 問題を防ぐためのアクティブな介入 | 分析のためのパッシブな観察 |
-| **タイミング** | リアルタイム、出力がユーザーに届く前 | 非同期またはバッチ処理が可能 |
-| **パフォーマンス** | 高速である必要がある（応答時間に影響するため） | 低速でも可、バックグラウンドで実行可能 |
-| **サンプリング** | 通常、すべてのリクエスト | 多くの場合サンプリングされる（例：コールの 10%） |
-| **制御フロー** | 出力をブロック/修正できる | アプリケーションのフローに影響を与えない |
-| **リソース使用量** | 効率的である必要がある | 必要に応じてより多くのリソースを使用可能 |
-
-例えば、有害性 Scorer は次のように使用できます。
-- **ガードレールとして**: 有害なコンテンツを即座にブロックする
-- **モニターとして**: 有害性のレベルを長期的に追跡する
-
-
-すべての Scorer の結果は Weave のデータベースに自動的に保存されます。つまり、追加の作業なしでガードレールがモニターを兼ねることになります！もともとどのように使用されていたかに関わらず、いつでも過去の Scorer の結果を分析できます。
-
-
-### `.call()` メソッドの使用
-
-Weave の ops で Scorer を使用するには、操作の結果とトラッキング情報の両方にアクセスする必要があります。`.call()` メソッドはその両方を提供します。
-
-```python lines
-# op を直接呼び出す代わりに：
-result = generate_text(input) # op を呼び出す主な方法ですが、Call オブジェクトにアクセスできません
-
-# .call() メソッドを使用して結果と Call オブジェクトの両方を取得します：
-result, call = generate_text.call(input) # これで Scorer と共に Call オブジェクトを使用できます
-```
-
-
-**なぜ `.call()` を使うのか？**
-Call オブジェクトは、データベース内でスコアをコールに関連付けるために不可欠です。スコアリング関数を直接呼び出すこともできますが、それではコールに関連付けられないため、後で分析する際、検索、フィルタリング、エクスポートができなくなります。
-
-Call オブジェクトの詳細については、[Calls ガイドの Call オブジェクトのセクション](../tracking/tracing#getting-a-handle-to-the-call-object-during-execution)を参照してください。
-
-
-## Scorer を使ってみる
-
-### 基本的な例
-
-`.call()` を Scorer と共に使用する簡単な例を次に示します。
-
-```python lines
-import weave
-from weave import Scorer
-
-class LengthScorer(Scorer):
- @weave.op
- def score(self, output: str) -> dict:
- """出力の長さをチェックするシンプルな Scorer。"""
- return {
- "length": len(output),
- "is_short": len(output) < 100
- }
-
-@weave.op
-def generate_text(prompt: str) -> str:
- return "Hello, world!"
-
-# 結果と Call オブジェクトの両方を取得
-result, call = generate_text.call("Say hello")
-
-# これで Scorer を適用できます
-await call.apply_scorer(LengthScorer())
-```
-
-## Scorer をガードレールとして使用する
-
-ガードレールは、LLM の出力がユーザーに届くのを許可する前に実行される安全チェックとして機能します。実践的な例を次に示します。
-
-```python lines
-import weave
-from weave import Scorer
-
-@weave.op
-def generate_text(prompt: str) -> str:
- """LLM を使用してテキストを生成。"""
- # LLM 生成ロジックをここに記述
- return "Generated response..."
-
-class ToxicityScorer(Scorer):
- @weave.op
- def score(self, output: str) -> dict:
- """
- コンテンツに有害な表現が含まれていないか評価。
- """
- # 有害性検出ロジックをここに記述
- return {
- "flagged": False, # コンテンツが有害な場合は True
- "reason": None # フラグが立てられた場合のオプションの理由
- }
-
-async def generate_safe_response(prompt: str) -> str:
- # 結果と Call オブジェクトを取得
- result, call = generate_text.call(prompt)
-
- # 安全性をチェック
- safety = await call.apply_scorer(ToxicityScorer())
- if safety.result["flagged"]:
- return f"I cannot generate that content: {safety.result['reason']}"
-
- return result
-```
-
-
-**Scorer のタイミング**
-Scorer を適用する際：
-- メインの操作（`generate_text`）が完了し、UI 上で終了としてマークされます
-- Scorer はメインの操作の後に非同期で実行されます
-- Scorer の結果は完了次第、コールにアタッチされます
-- UI で Scorer の結果を確認したり、API 経由でクエリしたりできます
-
-
-## Scorer をモニターとして使用する
-
-
-この機能は、マルチテナント (MT) SaaS デプロイメントでのみ利用可能です。
-
-
-アプリ内にスコアリングロジックを記述せずに品質メトリクスを追跡したい場合は、 _モニター_ を使用できます。
-
-モニターは、以下のことを行うバックグラウンドプロセスです：
-- `weave.op` でデコレートされた 1 つ以上の指定された関数を監視する
-- _LLM-as-a-judge_ Scorer を使用して、コールのサブセットをスコアリングする。これは、スコアリングしたい ops に合わせて調整された特定のプロンプトを持つ LLM モデルです
-- 指定された `weave.op` が呼び出されるたびに自動的に実行されるため、手動で `.apply_scorer()` を呼び出す必要はありません
-
-モニターは以下のような場合に最適です：
-- プロダクション環境の振る舞いの評価と追跡
-- デグレードやドリフトの検知
-- 実際のパフォーマンスデータの経時的な収集
-
-[一般的なモニターの作成方法](#create-a-monitor)を学ぶか、[真実性モニター作成のエンドツーエンドの例](#example-create-a-truthfulness-monitor)を試してみてください。
-
-### モニターを作成する
-
-1. 左メニューから **Monitors** タブを選択します。
-2. モニターページで、**New Monitor** をクリックします。
-3. ドロワーで、モニターを設定します。
- - **Name**: 有効なモニター名は、文字または数字で始まり、文字、数字、ハイフン、アンダースコアのみを含めることができます。
- - **Description** *(任意)*: モニターの役割を説明します。
- - **Active monitor** トグル: モニターのオン/オフを切り替えます。
- - **Calls to monitor**:
- - **Operations**: 監視する 1 つ以上の `@weave.op` を選択します。
-
- Op が利用可能な操作のリストに表示されるには、その Op に対して少なくとも 1 つのトレースをログに記録する必要があります。
-
- - **Filter** *(任意)*: モニタリング対象とする Op のカラム（例：`max_tokens` や `top_p`）を絞り込みます。
- - **Sampling rate**: スコアリングするコールの割合を 0% から 100% の間で設定します（例：10%）。
-
- サンプリングレートを低く設定することは、各スコアリングコールにコストがかかるため、コストを抑えるのに役立ちます。
-
- - **LLM-as-a-Judge configuration**:
- - **Scorer name**: 有効な Scorer 名は、文字または数字で始まり、文字、数字、ハイフン、アンダースコアのみを含めることができます。
- - **Judge model**: ops をスコアリングするモデルを選択します。3 種類のモデルが利用可能です。
- - [Saved models](../tools/playground#メッセージの再試行編集削除)
- - W&B 管理者によって設定されたプロバイダーのモデル
- - [W&B Inference models](../integrations/inference)
-
- 選択したモデルに対して、以下の設定を行います。
- - **Configuration name**
- - **System prompt**
- - **Response format**
- - **Scoring prompt**: LLM-as-a-judge が ops をスコアリングするために使用するプロンプト。「`{output}`、個別の入力（例：`{foo}`）、および辞書としての `{inputs}` を参照できます。[詳細はプロンプト変数を参照してください](#prompt-variables)。」
-4. **Create Monitor** をクリックします。Weave は、指定された条件に一致するコールのモニタリングとスコアリングを自動的に開始します。モニターの詳細は **Monitors** タブで確認できます。
-
-### 例：真実性モニターを作成する
-
-次の例では、以下を作成します。
-- 監視対象となる `weave.op` である `generate_statement`。この関数は、入力された `ground_truth` の記述（例：`"地球は太陽の周りを回っている。"`）をそのまま返すか、`ground_truth` に基づいて不正確な記述（例：`"地球は土星の周りを回っている。"`）を生成して出力します。
-- 生成された記述の真実性を評価するためのモニター、`truthfulness-monitor`。
-
-1. `generate_statement` を定義します：
- ```python lines
- import weave
- import random
- import openai
-
- # my-team/my-weave-project をあなたの Weave チーム名とプロジェクト名に置き換えてください
- weave.init("my-team/my-weave-project")
-
- client = openai.OpenAI()
-
- @weave.op()
- def generate_statement(ground_truth: str) -> str:
- if random.random() < 0.5:
- response = openai.ChatCompletion.create(
- model="gpt-4.1",
- messages=[
- {
- "role": "user",
- "content": f"Generate a statement that is incorrect based on this fact: {ground_truth}"
- }
- ]
- )
- return response.choices[0].message["content"]
- else:
- return ground_truth
- ```
-2. `generate_statement` のコードを実行してトレースをログに記録します。`generate_statement` op は、少なくとも一度ログに記録されない限り、Op ドロップダウンには表示されません。
-3. Weave UI で、**Monitors** に移動します。
-4. モニターページで、**New Monitor** をクリックします。
-5. モニターを次のように設定します。
- - **Name**: `truthfulness-monitor`
- - **Description**:
- `A monitor to evaluate the truthfulness of statements generated by an LLM.`
- - **Active monitor** トグル:
- モニター作成後すぐにコールのスコアリングを開始するには、**on** に切り替えます。
- 
- - **Calls to Monitor**:
- - **Operations**: `generate_statement`。
- - **Filter** *(任意)*: この例では適用しませんが、`temperature` や `max_tokens` などの引数でモニタリング範囲を絞り込むのに使用できます。
- - **Sampling rate**:
- すべてのコールをスコアリングするために `100%` に設定します。
- - **LLM-as-a-Judge Configuration**:
- - **Scorer name**: `truthfulness-scorer`
- - **Judge model**:
- `o3-mini-2025-01-31`
- - **Model settings**:
- - **LLM ID**: `o3-mini-2025-01-31`
- - **Configuration name**: `truthfulness-scorer-judge-model`
- - **System prompt**:
- `You are an impartial AI judge. Your task is to evaluate the truthfulness of statements.`
- - **Response format**: `json_object`
- - **Scoring prompt**:
- ```text
- Evaluate whether the output statement is accurate based on the input statement.
-
- This is the input statement: {ground_truth}
-
- This is the output statement: {output}
-
- The response should be a JSON object with the following fields:
- - is_true: a boolean stating whether the output statement is true or false based on the input statement.
- - reasoning: your reasoning as to why the statement is true or false.
- ```
-
-6. **Create Monitor** をクリックします。`truthfulness-monitor` のモニタリング準備が整いました。
-7. `"Water freezes at 0 degrees Celsius."` のような、真実で検証が容易な `ground_truth` ステートメントを使用して、モニターによる評価用のステートメントを生成します。
- ```python lines
- generate_statement("The Earth revolves around the Sun.")
- generate_statement("Water freezes at 0 degrees Celsius.")
- generate_statement("The Great Wall of China was built over several centuries, with construction beginning as early as the 7th century BCE.")
- ```
-8. Weave UI で、**Traces** タブに移動します。
-9. 利用可能なトレースのリストから、**LLMAsAJudgeScorer.score** のトレースを選択します。
-10. トレースを検査して、動作中のモニターを確認します。この例では、モニターは `output`（この場合は `ground_truth` と同等）を `true` と正しく評価し、適切な `reasoning`（推論）を提供しました。
- 
-
-### プロンプト変数
-
-スコアリングプロンプトでは、op から複数の変数を参照できます。これらの値は、Scorer が実行される際に関数呼び出しから自動的に抽出されます。次の例の関数を考えてみましょう。
-
-```python lines
-@weave.op
-def my_function(foo: str, bar: str) -> str:
- return f"{foo} and {bar}"
-```
-
-この場合、以下の変数にアクセス可能です。
-
-| 変数 | 説明 |
-|--------------|------------------------------------------------------|
-| `{foo}` | 入力引数 `foo` の値 |
-| `{bar}` | 入力引数 `bar` の値 |
-| `{inputs}` | すべての入力引数の JSON 辞書 |
-| `{output}` | op によって返された結果 |
-
-例：
-
-```text
-Input foo: {foo}
-Input bar: {bar}
-Output: {output}
-```
-
-op に他の引数がある場合は、それらもすべて名前で利用できます。
-
-## AWS Bedrock ガードレール
-
-`BedrockGuardrailScorer` は、AWS Bedrock のガードレール機能を使用して、設定されたポリシーに基づいてコンテンツを検出およびフィルタリングします。これは `apply_guardrail` API を呼び出して、コンテンツにガードレールを適用します。
-
-`BedrockGuardrailScorer` を使用するには、以下が必要です。
-- Bedrock へのアクセス権を持つ AWS アカウント
-- AWS Bedrock コンソールで設定されたガードレール
-- `boto3` Python パッケージ
-
-
-独自の Bedrock クライアントを作成する必要はありません。Weave が自動的に作成します。リージョンを指定するには、`bedrock_runtime_kwargs` パラメータを Scorer に渡します。
-
-
-ガードレールの作成に関する詳細は、[Bedrock ガードレールのノートブック](https://github.com/aws-samples/amazon-bedrock-samples/blob/main/responsible_ai/bedrock-guardrails/guardrails-api.ipynb)を参照してください。
-
-```python lines
-import weave
-import boto3
-from weave.scorers.bedrock_guardrails import BedrockGuardrailScorer
-
-# Weave を初期化
-weave.init("my_app")
-
-# ガードレール Scorer を作成
-guardrail_scorer = BedrockGuardrailScorer(
- guardrail_id="your-guardrail-id", # "your-guardrail-id" をあなたのガードレール ID に置き換えてください
- guardrail_version="DRAFT", # 特定のガードレールバージョンを使用する場合は guardrail_version を使用
- source="INPUT", # "INPUT" または "OUTPUT" を指定可能
- bedrock_runtime_kwargs={"region_name": "us-east-1"} # AWS リージョン
-)
-
-@weave.op
-def generate_text(prompt: str) -> str:
- # テキスト生成ロジックをここに記述
- return "Generated text..."
-
-# 安全チェックとしてガードレールを使用
-async def generate_safe_text(prompt: str) -> str:
- result, call = generate_text.call(prompt)
-
- # ガードレールを適用
- score = await call.apply_scorer(guardrail_scorer)
-
- # コンテンツがガードレールを通過したかチェック
- if not score.result.passed:
- # 修正された出力があればそれを使用
- if score.result.metadata.get("modified_output"):
- return score.result.metadata["modified_output"]
- return "I cannot generate that content due to content policy restrictions."
-
- return result
-```
-
-
-## 実装の詳細
-
-### Scorer インターフェース
-
-Scorer は `Scorer` を継承し、`score` メソッドを実装するクラスです。このメソッドは以下を受け取ります。
-- `output`: 関数の結果
-- 関数のパラメータに一致する任意の入力パラメータ
-
-包括的な例を次に示します。
-
-```python lines
-@weave.op
-def generate_styled_text(prompt: str, style: str, temperature: float) -> str:
- """特定のスタイルでテキストを生成。"""
- return "Generated text in requested style..."
-
-class StyleScorer(Scorer):
- @weave.op
- def score(self, output: str, prompt: str, style: str) -> dict:
- """
- 出力が要求されたスタイルに一致するか評価。
-
- Args:
- output: 生成されたテキスト（自動的に提供される）
- prompt: 元のプロンプト（関数の入力から照合される）
- style: 要求されたスタイル（関数の入力から照合される）
- """
- return {
- "style_match": 0.9, # 要求されたスタイルにどの程度一致するか
- "prompt_relevance": 0.8 # プロンプトに対してどの程度関連しているか
- }
-
-# 使用例
-async def generate_and_score():
- # スタイルを指定してテキストを生成
- result, call = generate_styled_text.call(
- prompt="Write a story",
- style="noir",
- temperature=0.7
- )
-
- # 結果をスコアリング
- score = await call.apply_scorer(StyleScorer())
- print(f"Style match score: {score.result['style_match']}")
-```
-
-### スコアのパラメータ
-
-#### パラメータ照合ルール
-- `output` パラメータは特殊で、常に関数の結果が含まれます
-- その他のパラメータは、関数のパラメータ名と正確に一致する必要があります
-- Scorer は、関数のパラメータの任意のサブセットを使用できます
-- パラメータの型は、関数の型ヒントと一致する必要があります
-
-#### パラメータ名の不一致の処理
-
-Scorer のパラメータ名が関数のパラメータ名と正確に一致しない場合があります。例えば：
-
-```python lines
-@weave.op
-def generate_text(user_input: str): # 'user_input' を使用
- return process(user_input)
-
-class QualityScorer(Scorer):
- @weave.op
- def score(self, output: str, prompt: str): # 'prompt' を期待
- """応答の品質を評価。"""
- return {"quality_score": evaluate_quality(prompt, output)}
-
-result, call = generate_text.call(user_input="Say hello")
-
-# 'prompt' パラメータを 'user_input' にマッピング
-scorer = QualityScorer(column_map={"prompt": "user_input"})
-await call.apply_scorer(scorer)
-```
-
-`column_map` の一般的なユースケース：
-- 関数と Scorer 間で異なる命名規則がある場合
-- 異なる関数間で Scorer を再利用する場合
-- サードパーティの Scorer を独自の関数名で使用する場合
-
-
-#### 追加パラメータの追加
-
-時として、Scorer は関数の構成要素ではない追加のパラメータを必要とすることがあります。これらは `additional_scorer_kwargs` を使用して提供できます。
-
-```python lines
-class ReferenceScorer(Scorer):
- @weave.op
- def score(self, output: str, reference_answer: str):
- """出力を参照回答と比較。"""
- similarity = compute_similarity(output, reference_answer)
- return {"matches_reference": similarity > 0.8}
-
-# 参照回答を追加パラメータとして提供
-await call.apply_scorer(
- ReferenceScorer(),
- additional_scorer_kwargs={
- "reference_answer": "The Earth orbits around the Sun."
- }
-)
-```
-
-これは、元の関数呼び出しに含まれていないコンテキストや設定を Scorer が必要とする場合に便利です。
-
-
-### Scorer の使用：2 つのアプローチ
-
-1. **Weave の Op システムを使用する** (推奨)
-```python lines
-result, call = generate_text.call(input)
-score = await call.apply_scorer(MyScorer())
-```
-
-2. **直接使用する** (クイックな実験)
-```python lines
-scorer = MyScorer()
-score = scorer.score(output="some text")
-```
-
-**使い分けのタイミング:**
-- プロダクション、トラッキング、分析には Op システムを使用します
-- クイックな実験や一回限りの評価には、直接スコアリングを使用します
-
-**直接使用のトレードオフ:**
-- **メリット**: クイックなテストにシンプル
-- **メリット**: Op が不要
-- **デメリット**: LLM/Op コールとの関連付けがされない
-
-### スコア分析
-
-
-コールのクエリとその Scorer 結果の詳細については、[Score 分析ガイド](./scorers#スコア分析) および [データアクセスガイド](/weave/guides/tracking/tracing#querying--exporting-calls) を参照してください。
-
-
-## プロダクションのベストプラクティス
-
-### 1. 適切なサンプリングレートを設定する
-```python lines
-@weave.op
-def generate_text(prompt: str) -> str:
- return generate_response(prompt)
-
-async def generate_with_sampling(prompt: str) -> str:
- result, call = generate_text.call(prompt)
-
- # コールの 10% のみ監視
- if random.random() < 0.1:
- await call.apply_scorer(ToxicityScorer())
- await call.apply_scorer(QualityScorer())
-
- return result
-```
-
-### 2. 複数の側面を監視する
-```python lines
-async def evaluate_comprehensively(call):
- await call.apply_scorer(ToxicityScorer())
- await call.apply_scorer(QualityScorer())
- await call.apply_scorer(LatencyScorer())
-```
-### 3. 分析と改善
-- Weave ダッシュボードでトレンドを確認する
-- スコアの低い出力のパターンを探す
-- インサイトを利用して LLM システムを改善する
-- 懸念されるパターンのアラートを設定する（近日公開予定）
-
-### 4. 履歴データへのアクセス
-Scorer の結果は関連するコールと共に保存され、以下からアクセスできます。
-- Call オブジェクトの `feedback` フィールド
-- Weave ダッシュボード
-- クエリ API
-
-### 5. ガードを効率的に初期化する
-
-特にローカルで実行されるモデルにおいて最適なパフォーマンスを得るには、メイン関数の外でガードを初期化してください。このパターンは特に以下の場合に重要です。
-- Scorer が ML モデルをロードする場合
-- レイテンシが重要なローカル LLM を使用している場合
-- Scorer がネットワーク接続を維持する場合
-- 高トラフィックのアプリケーションである場合
-
-このパターンのデモンストレーションについては、以下の「完全な例」セクションを参照してください。
-
-
-**パフォーマンスのヒント**
-ガードレールの場合：
-- ロジックをシンプルかつ高速に保つ
-- 一般的な結果のキャッシングを検討する
-- 重い外部 API コールを避ける
-- 初期化コストの繰り返しを避けるため、メイン関数の外でガードを初期化する
-
-モニターの場合：
-- 負荷を減らすためにサンプリングを使用する
-- より複雑なロジックを使用できる
-- 外部 API コールを実行できる
-
-
-## 完全な例
-
-これまで説明したすべてのコンセプトを統合した包括的な例を次に示します。
-
-```python lines
-import weave
-from weave import Scorer
-import asyncio
-import random
-from typing import Optional
-
-class ToxicityScorer(Scorer):
- def __init__(self):
- # コストのかかるリソースをここで初期化
- self.model = load_toxicity_model()
-
- @weave.op
- async def score(self, output: str) -> dict:
- """コンテンツに有害な表現がないかチェック。"""
- try:
- result = await self.model.evaluate(output)
- return {
- "flagged": result.is_toxic,
- "reason": result.explanation if result.is_toxic else None
- }
- except Exception as e:
- # エラーをログに記録し、保守的な振る舞いをデフォルトにする
- print(f"Toxicity check failed: {e}")
- return {"flagged": True, "reason": "Safety check unavailable"}
-
-class QualityScorer(Scorer):
- @weave.op
- async def score(self, output: str, prompt: str) -> dict:
- """応答の品質と関連性を評価。"""
- return {
- "coherence": evaluate_coherence(output),
- "relevance": evaluate_relevance(output, prompt),
- "grammar": evaluate_grammar(output)
- }
-
-# モジュールレベルで Scorer を初期化（オプションの最適化）
-toxicity_guard = ToxicityScorer()
-quality_monitor = QualityScorer()
-relevance_monitor = RelevanceScorer()
-
-@weave.op
-def generate_text(
- prompt: str,
- style: Optional[str] = None,
- temperature: float = 0.7
-) -> str:
- """LLM 応答を生成。"""
- # LLM 生成ロジックをここに記述
- return "Generated response..."
-
-async def generate_safe_response(
- prompt: str,
- style: Optional[str] = None,
- temperature: float = 0.7
-) -> str:
- """安全チェックと品質モニタリングを伴う応答生成。"""
- try:
- # 初回応答を生成
- result, call = generate_text.call(
- prompt=prompt,
- style=style,
- temperature=temperature
- )
-
- # 安全チェックを適用（ガードレール）
- safety = await call.apply_scorer(toxicity_guard)
- if safety.result["flagged"]:
- return f"I cannot generate that content: {safety.result['reason']}"
-
- # 品質モニタリングのサンプリング（リクエストの 10%）
- if random.random() < 0.1:
- # 品質チェックを並列で実行
- await asyncio.gather(
- call.apply_scorer(quality_monitor),
- call.apply_scorer(relevance_monitor)
- )
-
- return result
-
- except Exception as e:
- # エラーをログに記録し、ユーザーフレンドリーなメッセージを返す
- print(f"Generation failed: {e}")
- return "I'm sorry, I encountered an error. Please try again."
-
-# 使用例
-async def main():
- # 基本的な使用法
- response = await generate_safe_response("Tell me a story")
- print(f"Basic response: {response}")
-
- # すべてのパラメータを使用した高度な使用法
- response = await generate_safe_response(
- prompt="Tell me a story",
- style="noir",
- temperature=0.8
- )
- print(f"Styled response: {response}")
-
-```
-
-この例では以下を実演しています。
-- 適切な Scorer の初期化とエラーハンドリング
-- ガードレールとモニターの併用
-- 並列スコアリングを伴う非同期操作
-- プロダクションレベルのエラーハンドリングとロギング
-
-## 次のステップ
-
-- [利用可能な Scorer](./scorers) を探索する
-- [Weave Ops](/weave/guides/tracking/ops) について学ぶ
\ No newline at end of file
diff --git a/ja/weave/guides/evaluation/monitors.mdx b/ja/weave/guides/evaluation/monitors.mdx
new file mode 100644
index 0000000000..179882cca4
--- /dev/null
+++ b/ja/weave/guides/evaluation/monitors.mdx
@@ -0,0 +1,172 @@
+---
+title: "Monitors をセットアップする"
+description: "本番トラフィックを受動的にスコアリングして傾向や問題を可視化する"
+---
+
+Monitors は LLM ジャッジを使用して本番トラフィックを受動的にスコアリングし、LLM アプリケーションにおける傾向や問題を可視化します。たとえば、アプリケーションの応答を正確さや有用性の観点から監視したり、エージェントに対してユーザーがどのようなことを尋ねているかの傾向を把握するためにユーザー入力を監視したりできます。Monitors はすべてのスコアリング結果を自動的に Weave のデータベースに保存するため、過去の傾向やパターンを分析できます。
+
+アプリケーションの入力および出力のテキスト、画像、音声を監視できます。
+
+Monitors はアプリケーションのコードの変更を必要としません。W&B Weave UI を使ってセットアップしてください。
+
+スコアに基づいてアプリケーションの動作に積極的に介入する必要がある場合は、代わりに [guardrails](/ja/weave/guides/evaluation/guardrails) を使用してください。
+
+
+ ## Weave でモニターを作成する方法
+
+
+Weave でモニターを作成するには、次の手順に従います。
+
+1. [W&B UI](https://wandb.ai/home) を開き、Weave プロジェクトを開きます。
+
+2. Weave のサイドナビから **Monitors** を選択し、**+ New Monitor** ボタンをクリックします。**Create new monitor** モーダルダイアログが開きます。
+
+3. Create new monitor メニューで、次の項目を設定します:
+ * **Name**: 文字または数字で始める必要があります。文字、数字、ハイフン、アンダースコアを含めることができます。
+ * **Description** (任意): モニターが何を行うかを説明します。
+ * **Active monitor** トグル: モニターをオンまたはオフにします。
+ * **Calls to monitor**:
+ * **Operations**: 監視する `@weave.op` を 1 つ以上選択します。その op が利用可能な ops の一覧に表示される前に、その op を使用するトレースを少なくとも 1 つログする必要があります。
+ * **Filter** (任意): `max_tokens` や `top_p` などで、対象とする呼び出しを絞り込みます。
+ * **Sampling rate**: スコアリングする呼び出しの割合 (0% 〜 100%) です。
+
+ サンプリングレートを低くすると、各スコアリング呼び出しにコストがかかるため、コストを削減できます。
+
+ * **LLM-as-a-judge configuration**:
+ * **Scorer name**: 文字または数字で始める必要があります。文字、数字、ハイフン、アンダースコアを含めることができます。
+ * **Score Audio**: 利用可能な LLM モデルをフィルタリングして音声対応モデルのみを表示し、Media Scoring JSON Paths フィールドを表示します。
+ * **Score Images**: 利用可能な LLM モデルをフィルタリングして画像対応モデルのみを表示し、Media Scoring JSON Paths フィールドを表示します。
+ * **Judge model**: ops にスコアを付けるモデルを選択します。メニューには、W&B アカウントで設定した商用 LLM モデルに加えて、[W&B Inference models](/ja/inference/models) が含まれます。音声対応モデルには、名前の横に **Audio Input** ラベルが付きます。選択したモデルに対して、次の設定を行います:
+ * **Configuration name**: このモデル設定の名前。
+ * **System prompt**: 判定を行うモデルの役割とペルソナを定義します。例: "You are an impartial AI judge."
+ * **Response format**: `json_object` やプレーンな `text` など、ジャッジがレスポンスを出力する形式。
+ * **Scoring prompt**: ops にスコアを付けるための評価タスクです。スコアリングプロンプト内で ops からの [prompt variables](/ja/weave/guides/evaluation/scorers#access-variables-from-your-ops-in-scoring-prompts) を参照できます。例: "Evaluate whether `{output}` is accurate based on `{ground_truth}`."
+ * **Media Scoring JSON Paths**: トレースデータからメディアを抽出するための JSONPath 式 (RFC 9535) を指定します。パスを指定しない場合、ユーザー メッセージから取得可能なすべてのスコアリング対象メディアが含まれます。このフィールドは **Score Audio** または **Score Images** を有効にしたときに表示されます。
+
+4. モニターの各項目の設定が完了したら、**Create monitor** をクリックします。これでモニターが Weave プロジェクトに追加されます。コードがトレースの生成を開始すると、**Traces** タブでモニター名を選択し、表示されるパネル内のデータを確認することでスコアをレビューできます。
+
+また、Weave UI でモニターのトレースデータを[比較](/ja/weave/guides/tools/comparison)および可視化したり、Traces タブのダウンロードボタン (
+ ### 例: truthfulness monitor を作成する
+
+
+次の例では、生成された文の真実性を評価するモニターを作成します。
+
+1. 文を生成する関数を定義します。一部の文は真実であり、そうでない文もあります:
+
+
+
+ ```python
+ import weave
+ import random
+ import openai
+
+ weave.init("my-team/my-weave-project")
+
+ client = openai.OpenAI()
+
+ @weave.op()
+ def generate_statement(ground_truth: str) -> str:
+ if random.random() < 0.5:
+ response = client.chat.completions.create(
+ model="gpt-4.1",
+ messages=[
+ {
+ "role": "user",
+ "content": f"Generate a statement that is incorrect based on this fact: {ground_truth}"
+ }
+ ]
+ )
+ return response.choices[0].message.content
+ else:
+ return ground_truth
+
+ generate_statement("The Earth revolves around the Sun.")
+ ```
+
+
+
+ ```typescript
+ import * as weave from 'weave';
+ import OpenAI from 'openai';
+
+ await weave.init('my-team/my-weave-project');
+
+ const client = new OpenAI();
+
+ const generateStatement = weave.op(async (ground_truth: string): Promise => {
+ if (Math.random() < 0.5) {
+ const response = await client.chat.completions.create({
+ model: 'gpt-4.1',
+ messages: [
+ {
+ role: 'user',
+ content: `Generate a statement that is incorrect based on this fact: ${ground_truth}`,
+ },
+ ],
+ });
+ return response.choices[0]?.message?.content ?? '';
+ }
+ return ground_truth;
+ });
+
+ await generateStatement("The Earth revolves around the Sun.");
+ ```
+
+
+
+2. 関数を少なくとも一度実行して、プロジェクトに trace をログします。これにより、その op を W&B UI でモニタリングに利用できるようになります。
+
+3. W&B UI で Weave プロジェクトを開き、サイドナビから **Monitors** を選択します。次に **New Monitor** を選択します。
+
+4. Create new monitor メニューで、次の値を使ってフィールドを設定します:
+ * **Name**: `truthfulness-monitor`
+ * **Description**: `Evaluates the truthfulness of generated statements.`
+ * **Active monitor**: トグルを **on** にします。
+ * **Operations**: `generate_statement` を選択します。
+ * **Sampling rate**: すべての呼び出しをスコアリングするには `100%` に設定します。
+ * **Scorer name**: `truthfulness-scorer`
+ * **Judge model**: `o3-mini-2025-01-31`
+ * **System prompt**: `You are an impartial AI judge. Your task is to evaluate the truthfulness of statements.`
+ * **Response format**: `json_object`
+ * **Scoring prompt**:
+ ```text
+ 出力文が入力文に基づいて正確かどうかを評価してください。
+
+ これは入力文です: {ground_truth}
+
+ これは出力文です: {output}
+
+ 応答は次のフィールドを持つ JSON オブジェクトにしてください:
+ - is_true: 出力文が入力文に基づいて真か偽かを示すブール値。
+ - reasoning: 文が真か偽かである理由。
+ ```
+
+5. **Create Monitor** をクリックします。これで Weave プロジェクトにモニターが追加されます。
+
+6. スクリプト内で、真実性の度合いが異なる文を使って関数を呼び出し、スコアリング関数をテストします:
+
+
+
+ ```python
+ generate_statement("The Earth revolves around the Sun.")
+ generate_statement("Water freezes at 0 degrees Celsius.")
+ generate_statement("The Great Wall of China was built over several centuries.")
+ ```
+
+
+
+ ```typescript
+ await generateStatement("The Earth revolves around the Sun.");
+ await generateStatement("Water freezes at 0 degrees Celsius.");
+ await generateStatement("The Great Wall of China was built over several centuries.");
+ ```
+
+
+
+7. 複数の異なる文でスクリプトを実行したら、W&B UI を開き **Traces** タブに移動します。任意の **LLMAsAJudgeScorer.score** trace を選択して結果を確認します。
+
+
\ No newline at end of file
diff --git a/ja/weave/guides/evaluation/scorers.mdx b/ja/weave/guides/evaluation/scorers.mdx
index 48befaffe3..694a886116 100644
--- a/ja/weave/guides/evaluation/scorers.mdx
+++ b/ja/weave/guides/evaluation/scorers.mdx
@@ -1,43 +1,48 @@
---
-title: スコアリングの概要
-description: Weave Scorers を使用して AI の出力を評価し、評価メトリクス を返します
+title: "Scoring 概要"
+description: "Weave Scorers を使って AI 出力を評価し、評価メトリクスを返す"
---
-Weave において、Scorers は AI の出力を評価し、評価メトリクスを返すために使用されます。これらは AI の出力を受け取り、それを分析して結果の辞書を返します。Scorers は必要に応じて入力データを参照として使用でき、評価の際の説明や理由などの追加情報を出力することも可能です。
+Weave では、Scorers は AI の出力を評価して評価メトリクスを返すために使用されます。Scorers は AI の出力を受け取り、それを解析し、結果を表す辞書を返します。必要に応じて入力データを参照として使用できるほか、評価結果に関する説明や推論内容などの追加情報を出力することもできます。
- Scorers は評価中に `weave.Evaluation` オブジェクトに渡されます。Weave には 2 種類の Scorer があります。
+ Scorers は評価時に `weave.Evaluation` オブジェクトに渡されます。Weave には 2 種類の Scorers があります。
- 1. **関数ベースの Scorers:** `@weave.op` でデコレートされたシンプルな Python 関数。
- 2. **クラスベースの Scorers:** より複雑な評価のために `weave.Scorer` を継承した Python クラス。
-
- Scorers は必ず辞書を返す必要があり、複数のメトリクス、ネストされたメトリクス、および LLM エバリュエーターから返される推論プロセスのような非数値（テキスト）を返すことができます。
+ 1. **関数ベースの Scorers:** `@weave.op` でデコレートされたシンプルな Python 関数。
+ 2. **クラスベースの Scorers:** より複雑な評価のために `weave.Scorer` を継承する Python クラス。
+ Scorers は辞書を返す必要があり、複数のメトリクスやネストされたメトリクスに加えて、推論内容についての LLM evaluator からのテキストのような非数値の値も返すことができます。
+
- Scorers は、評価中に `weave.Evaluation` オブジェクトに渡される特別な op です。
+ Scorers は、評価時に `weave.Evaluation` オブジェクトに渡される特別な op です。
-## 独自の Scorer を作成する
+
+ ## 独自の Scorer を作成する
+
-**すぐに使える Scorers**
-このガイドではカスタム Scorer の作成方法を説明していますが、Weave には以下のような、すぐに利用可能な[定義済み Scorer](./builtin_scorers.mdx)や[ローカル SLM Scorer](./weave_local_scorers.mdx)が用意されています。
-- [ハルシネーション検出](./builtin_scorers#hallucinationfreescorer)
-- [要約の品質](./builtin_scorers#summarizationscorer)
-- [埋め込みの類似度](./builtin_scorers#embeddingsimilarityscorer)
-- [毒性検出 (ローカル)](./weave_local_scorers#weavetoxicityscorerv1)
-- [コンテキスト関連性スコアリング (ローカル)](./weave_local_scorers#weavecontextrelevancescorerv1)
-- その他多数！
+ **すぐに使える Scorer**
+ このガイドではカスタム Scorer の作成方法を説明しますが、Weave にはすぐに使えるさまざまな [事前定義済み Scorer](./builtin_scorers.mdx) や [ローカル SLM Scorer](./weave_local_scorers.mdx) が用意されています。たとえば次のようなものがあります:
+
+ * [ハルシネーション検出](./builtin_scorers#hallucinationfreescorer)
+ * [要約品質](./builtin_scorers#summarizationscorer)
+ * [埋め込み類似度](./builtin_scorers#embeddingsimilarityscorer)
+ * [有害性検出 (ローカル) ](./weave_local_scorers#weavetoxicityscorerv1)
+ * [コンテキスト関連性スコアリング (ローカル) ](./weave_local_scorers#weavecontextrelevancescorerv1)
+ * など！
-### 関数ベースの Scorers
+
+ ### 関数ベースの Scorer
+
- これらは `@weave.op` でデコレートされ、辞書を返す関数です。以下のようなシンプルな評価に最適です。
+ これらは `@weave.op` でデコレートされた、辞書を返す関数です。たとえば次のようなシンプルな評価に適しています。
```python lines
import weave
@@ -52,11 +57,12 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
)
```
- 評価が実行されると、 `evaluate_uppercase` はテキストがすべて大文字かどうかをチェックします。
-
+ 評価を実行すると、`evaluate_uppercase` がテキストがすべて大文字かどうかをチェックします。
+
- これらは `weave.op` でラップされた関数で、 `modelOutput` とオプションで `datasetRow` を含むオブジェクトを受け取ります。以下のようなシンプルな評価に最適です。
+ これらは `weave.op` でラップされた関数で、`modelOutput` と、オプションで `datasetRow` を含むオブジェクトを引数に取ります。たとえば次のようなシンプルな評価に適しています。
+
```typescript lines
import * as weave from 'weave'
@@ -70,21 +76,22 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
scorers: [evaluateUppercase],
})
```
-
-### クラスベースの Scorers
+
+ ### クラスベースの Scorer
+
- より高度な評価、特に追加の Scorer メタデータを追跡する必要がある場合や、LLM エバリュエーターに異なるプロンプトを試す場合、または複数の関数呼び出しを行う場合には、 `Scorer` クラスを使用できます。
+ 追加の scorer メタデータを保持したり、LLM evaluator 用のプロンプトを試行錯誤したり、複数回の関数呼び出しを行ったりするような、より高度な評価が必要な場合は、`Scorer` クラスを使用できます。
**要件:**
- 1. `weave.Scorer` を継承すること。
- 2. `@weave.op` でデコレートされた `score` メソッドを定義すること。
- 3. `score` メソッドは辞書を返すこと。
+ 1. `weave.Scorer` を継承する。
+ 2. `@weave.op` デコレータ付きの `score` メソッドを定義する。
+ 3. `score` メソッドは 辞書 を返さなければならない。
例:
@@ -97,11 +104,11 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
class SummarizationScorer(Scorer):
model_id: str = "gpt-4o"
- system_prompt: str = "Evaluate whether the summary is good."
+ system_prompt: str = "要約が良いかどうか評価してください。"
@weave.op
def some_complicated_preprocessing(self, text: str) -> str:
- processed_text = "Original text: \n" + text + "\n"
+ processed_text = "元のテキスト: \n" + text + "\n"
return processed_text
@weave.op
@@ -110,8 +117,8 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
messages=[
{"role": "system", "content": self.system_prompt},
{"role": "user", "content": (
- f"Analyze how good the summary is compared to the original text."
- f"Summary: {summary}\n{processed_text}"
+ f"元のテキストと比較して、この要約がどの程度良いかを分析してください。"
+ f"要約: {summary}\n{processed_text}"
)}])
return {"summary_quality": res}
@@ -119,9 +126,9 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
def score(self, output: str, text: str) -> dict:
"""要約の品質をスコアリングします。
- Args:
- output: AIシステムによって生成された要約
- text: 要約される元のテキスト
+ 引数:
+ output: AI システムによって生成された要約
+ text: 要約対象となる元のテキスト
"""
processed_text = self.some_complicated_preprocessing(text)
eval_result = self.call_llm(summary=output, processed_text=processed_text)
@@ -132,9 +139,9 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
scorers=[summarization_scorer])
```
- このクラスは、元のテキストと比較して要約がどれだけ優れているかを評価します。
-
+ このクラスは、元のテキストと比較することで要約の良さを評価します。
+
```plaintext
この機能は TypeScript ではまだ利用できません。
@@ -142,17 +149,21 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
-## Scorer の仕組み
+
+ ## Scorer の動作
+
-### Scorer のキーワード引数
+
+ ### Scorer のキーワード引数
+
- Scorers は AI システムからの出力と、データセットの行からの入力データの両方にアクセスできます。
+ Scorer は AI システムからの出力と、データセットの行からの入力データの両方にアクセスできます。
- - **入力:** Scorer にデータセット行のデータ（ "label" や "target" 列など）を使用させたい場合は、Scorer の定義に `label` や `target` といったキーワード引数を追加するだけで、簡単に利用可能になります。
+ * **Input:** Scorer でデータセット行のデータ ("label" や "target" カラムなど) を使いたい場合、`label` や `target` のキーワード引数を scorer の定義に追加するだけで、scorer から簡単に利用できるようになります。
- 例えば、データセットから "label" という名前の列を使用したい場合、Scorer 関数（または `score` クラスメソッド）のパラメータリストは以下のようになります。
+ たとえば、データセットから "label" という名前のカラムを使いたい場合、scorer 関数 (または `score` クラスメソッド) のパラメーターリストは次のようになります。
```python lines
@weave.op
@@ -160,15 +171,15 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
...
```
- Weave の `Evaluation` が実行されると、AI システムの出力が `output` パラメータに渡されます。また、 `Evaluation` は追加の Scorer 引数名をデータセットの列名に自動的に一致させようと試みます。Scorer の引数やデータセットの列をカスタマイズすることが難しい場合は、後述するカラムマッピングを使用できます。
+ Weave の `Evaluation` が実行されると、AI システムの出力は `output` パラメーターに渡されます。`Evaluation` は、追加の scorer 引数名をデータセットのカラム名に自動的にマッチさせようとします。Scorer の引数やデータセットのカラム名を調整するのが難しい場合は、カラムマッピングを使えます。詳しくは後述します。
- - **出力:** AI システムの出力にアクセスするために、Scorer 関数のシグネチャに `output` パラメータを含めてください。
+ * **Output:** AI システムの出力にアクセスするには、scorer 関数のシグネチャに `output` パラメーターを含めてください。
- ### `column_map` による列名のマッピング
+ ### `column_map` を使ったカラム名のマッピング
- `score` メソッドの引数名がデータセットの列名と一致しないことがあります。これは `column_map` を使用して解決できます。
+ `score` メソッドの引数名が、データセット内のカラム名と一致しないことがあります。この場合は `column_map` を使って調整できます。
- クラスベースの Scorer を使用している場合は、Scorer クラスを初期化する際に `column_map` 属性に辞書を渡します。この辞書は、 `score` メソッドの引数名をデータセットの列名に `{scorer_keyword_argument: dataset_column_name}` の形式でマッピングします。
+ クラスベースの scorer を使っている場合は、scorer クラスを初期化するときに、`Scorer` の `column_map` 属性に辞書を渡します。この辞書は `score` メソッドの引数名をデータセットのカラム名にマッピングします。形式は `{scorer_keyword_argument: dataset_column_name}` です。
例:
@@ -188,20 +199,20 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
@weave.op
def score(self, output, text) -> dict:
"""
- output: LLM要約システムからの出力要約
- text: 要約されるテキスト
+ output: LLM 要約システムからの要約結果
+ text: 要約対象のテキスト
"""
- ... # 要約の品質を評価
-
- # `text` 引数を `news_article` データ列にマッピングした Scorer を作成
+ ... # 要約の品質を評価する
+
+ # `text` 引数を `news_article` データカラムにマッピングする column_map を指定して scorer を作成
scorer = SummarizationScorer(column_map={"text" : "news_article"})
```
- これで、 `score` メソッドの `text` 引数は `news_article` データセット列からデータを受け取ります。
+ これで、`score` メソッド内の `text` 引数には、`news_article` データセットカラムからのデータが渡されるようになります。
- **備考:**
+ **補足:**
- - 列をマッピングするためのもう一つの同等なオプションは、 `Scorer` をサブクラス化し、列を明示的にマッピングするように `score` メソッドをオーバーロードすることです。
+ * 同等の別の方法として、`Scorer` をサブクラス化し、`score` メソッドをオーバーロードしてカラムを明示的にマッピングするやり方もあります。
```python lines
import weave
@@ -211,15 +222,15 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
@weave.op
def score(self, output: str, news_article: str) -> dict: # 型ヒントを追加
- # scoreメソッドをオーバーロードし、手動で列をマッピングする
+ # score メソッドをオーバーロードし、カラムを手動でマッピングする
return super().score(output=output, text=news_article)
```
-
+
- Scorers は AI システムからの出力と、データセット行の内容の両方にアクセスできます。
+ Scorer は AI システムからの出力と、データセット行の内容の両方にアクセスできます。
- Scorer 定義に `datasetRow` キーワード引数を追加することで、データセット行から関連する列に簡単にアクセスできます。
+ Scorer の定義に `datasetRow` キーワード引数を追加することで、データセット行から関連するカラムに簡単にアクセスできます。
```typescript lines
const myScorer = weave.op(
@@ -230,16 +241,15 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
);
```
- ### `columnMapping` による列名のマッピング
-
-
- TypeScript では、この機能は現在各 Scorer ではなく、 `Evaluation` オブジェクトにあります。
+ ### `columnMapping` を使ったカラム名のマッピング
+
+ TypeScript では、この機能は現在、個々の scorer ではなく `Evaluation` オブジェクト側にあります。
- `datasetRow` のキーが Scorer の命名規則と正確に一致しない場合でも、意味的に類似していることがあります。 `Evaluation` の `columnMapping` オプションを使用して列をマッピングできます。
+ `datasetRow` のキーが scorer の命名規則と完全には一致しないが、意味的には同じである場合があります。そのようなときは、`Evaluation` の `columnMapping` オプションを使ってカラムをマッピングできます。
- マッピングは常に Scorer の視点から行われます（例： `{scorer_key: dataset_column_name}` ）。
+ マッピングは常に scorer の視点から指定します。すなわち `{scorer_key: dataset_column_name}` という形式です。
例:
@@ -257,32 +267,75 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
columnMapping: {expectedOutputTimesTwo: 'expected'}
});
```
-
-### Scorer の最終的な集計 (summarization)
+
+ ### scoring プロンプトで ops の変数にアクセスする
+
+
+LLM-as-a-judge scorer 用の scoring プロンプトでは、op から変数を参照できます。これらの値は、scorer が実行されるときに自動的に抽出されます。
+
+次のような関数があるとします:
+
+```python
+@weave.op
+def summarize_article(article: str, max_length: int) -> str:
+ # 要約ロジックをここに記述
+ return summary
+```
+
+利用可能な変数は次のとおりです：
+
+| Variable | Description |
+| -------------- | -------------------- |
+| `{article}` | 入力引数 `article` の値 |
+| `{max_length}` | 入力引数 `max_length` の値 |
+| `{inputs}` | すべての入力引数を含む JSON 辞書 |
+| `{output}` | あなたの op が返す結果 |
+
+スコアリングプロンプトの例：
+
+```text
+この要約の品質を評価してください。
+
+元の記事: {article}
+要約: {output}
+要求された最大長: {max_length}
+
+以下の基準で要約を 1〜10 のスケールで評価してください:
+- 正確性: 記事の内容を正確に表現しているか？
+- 網羅性: 重要なポイントを網羅しているか？
+- 簡潔性: 適切に簡潔にまとめられているか？
+
+評価と理由を JSON オブジェクトで返してください。
+```
+
+
+ ### スコアラーの最終的な集計
+
- 評価中、Scorer はデータセットの各行に対して計算されます。評価の最終的なスコアを提供するために、出力の返り値の型に応じた `auto_summarize` 機能を提供しています。
- - 数値列については平均値が計算されます
- - ブール値列についてはカウントと割合が計算されます
- - その他の列タイプは無視されます
+ 評価中、スコアラーはデータセットの各行に対して計算されます。評価全体の最終スコアを出すために、出力の戻り値の型に応じた `auto_summarize` を用意しています。
+
+ * 数値列には平均値を計算します
+ * 真偽値列には件数と割合を計算します
+ * その他の列タイプは無視されます
- `Scorer` クラスの `summarize` メソッドをオーバーライドして、最終スコアを計算する独自の方法を提供できます。 `summarize` 関数は以下を期待します。
+ `Scorer` クラスの `summarize` メソッドをオーバーライドして、最終スコアの計算方法を独自に定義できます。`summarize` 関数は次のような入力・出力を想定しています:
- - 単一のパラメータ `score_rows`: これは辞書のリストで、各辞書にはデータセットの 1 行に対して `score` メソッドから返されたスコアが含まれます。
- - 集計されたスコアを含む辞書を返す必要があります。
+ * 単一のパラメーター `score_rows`: これは辞書のリストで、各辞書にはデータセットの 1 行分に対して `score` メソッドが返したスコアが含まれます。
+ * 集計済みスコアを含む辞書を返す必要があります。
- **なぜこれが便利なのか？**
+ **なぜこれが有用なのでしょうか？**
- データセットの最終的なスコア値を決定する前に、すべての行をスコアリングする必要がある場合に役立ちます。
+ データセットの最終スコアの値を決める前に、すべての行をスコアリングする必要がある場合に便利です。
```python lines
class MyBinaryScorer(Scorer):
"""
- 完全な出力がターゲットと一致すれば True、そうでなければ False を返します
+ 出力全体がターゲットと一致すれば True、一致しなければ False を返します
"""
@weave.op
@@ -294,167 +347,192 @@ Weave において、Scorers は AI の出力を評価し、評価メトリク
return {"full_match": full_match}
```
- > この例では、デフォルトの `auto_summarize` は True のカウントと割合を返していたはずです。
-
- 詳細については、 [CorrectnessLLMJudge](/weave/tutorial-rag#optional-defining-a-scorer-class) の実装を確認してください。
+ > この例では、デフォルトの `auto_summarize` は True の件数と割合を返します。
+ さらに詳しく知りたい場合は、[CorrectnessLLMJudge](/ja/weave/tutorial-rag#optional-defining-a-scorer-class) の実装を参照してください。
+
- 評価中、Scorer はデータセットの各行に対して計算されます。最終的なスコアを提供するために、出力タイプに応じて集計を行う内部の `summarizeResults` 関数を使用します。
- - 数値列については平均値が計算されます
- - ブール値列についてはカウントと割合が計算されます
- - その他の列タイプは無視されます
+ 評価中、スコアラーはデータセットの各行に対して計算されます。最終スコアを出すために、内部の `summarizeResults` 関数を使用して、出力の型に応じて集約を行います。
- 現在、カスタムの集計（summarization）はサポートされていません。
+ * 数値列には平均値を計算します
+ * 真偽値列には件数と割合を計算します
+ * その他の列タイプは無視されます
+ 現時点では、カスタム集計には対応していません。
-### Call への Scorer の適用
+
+ ### Call への Scorer の適用
+
-Weave の ops に Scorer を適用するには、操作の結果とその追跡情報の両方にアクセスできる `.call()` メソッドを使用する必要があります。これにより、Scorer の結果を Weave データベース内の特定の call に関連付けることができます。
+Weave ops に scorer を適用するには、オペレーションの結果とそのトラッキング情報の両方へアクセスできる `.call()` メソッドを使う必要があります。これにより、Weave のデータベース内で特定の Call に scorer の結果を関連付けることができます。
-`.call()` メソッドの使用方法の詳細については、 [Calling Ops](../tracking/tracing#calling-ops#getting-a-handle-to-the-call-object-during-execution) ガイドを参照してください。
+`.call()` メソッドの使い方については、[Calling Ops](../tracking/tracing#calling-ops#getting-a-handle-to-the-call-object-during-execution) ガイドを参照してください。
- 基本的な例を次に示します。
+ 基本的な例は次のとおりです。
```python lines
- # 結果と Call オブジェクトの両方を取得
+ # result と Call オブジェクトの両方を取得
result, call = generate_text.call("Say hello")
- # Scorer を適用
+ # scorer を適用
score = await call.apply_scorer(MyScorer())
```
- 同じ call に対して複数の Scorer を適用することもできます。
+ 同じ Call に複数の scorer を適用することもできます。
```python lines
- # 複数の Scorer を並列で適用
+ # 複数の scorer を並列に適用
await asyncio.gather(
call.apply_scorer(quality_scorer),
call.apply_scorer(toxicity_scorer)
)
```
- **備考:**
- - Scorer の結果は自動的に Weave のデータベースに保存されます
- - Scorer はメインの操作が完了した後、非同期で実行されます
- - Scorer の結果は UI で表示したり、API 経由でクエリしたりできます
+ **補足:**
- ガードレールやモニターとして Scorer を使用する方法の詳細（プロダクションでのベストプラクティスや完全な例を含む）については、 [Guardrails and Monitors ガイド](./guardrails_and_monitors)をご覧ください。
+ * Scorer の結果は自動的に Weave のデータベースに保存されます
+ * Scorer はメインのオペレーションが完了した後に非同期で実行されます
+ * UI 上で scorer の結果を確認したり、API 経由でクエリしたりできます
+ Scorer を guardrail や monitor として利用する方法の詳細、プロダクションでのベストプラクティス、および完全なサンプルについては、[Guardrails and Monitors ガイド](./monitors) を参照してください。
+
```plaintext
- この機能は TypeScript ではまだ利用できません。
+ この機能はまだ TypeScript では利用できません。
```
-### `preprocess_model_input` の使用
+
+ ### `preprocess_model_input` を使用する
+
-`preprocess_model_input` パラメータを使用すると、評価中にデータセットの例がモデルに到達する前にそれらを変更できます。
+評価中にモデルに渡される前にデータセットのサンプルを変更するには、`preprocess_model_input` パラメーターを使用できます。
-`preprocess_model_input` 関数は、モデルの予測関数に渡される前の入力のみを変換します。
+ `preprocess_model_input` 関数は、入力をモデルの予測関数に渡す前にのみ変換を行います。
-Scorer 関数は、前処理が適用されていないオリジナルのデータセットの例を常に受け取ります。
+ Scorer 関数は常に、前処理が一切適用されていない元のデータセットのサンプルを受け取ります。
-使用方法と例については、 [Using `preprocess_model_input` to format dataset rows before evaluating](../core-types/evaluations#using-preprocess_model_input-to-format-dataset-rows-before-evaluating) を参照してください。
+使い方と例については、[評価前にデータセットの行を整形するために `preprocess_model_input` を使用する](../core-types/evaluations#using-preprocess_model_input-to-format-dataset-rows-before-evaluating) を参照してください。
-## スコア分析
+
+ ## スコア分析
+
-このセクションでは、単一の call、複数の call、および特定の Scorer によってスコアリングされたすべての call のスコアを分析する方法を説明します。
+このセクションでは、単一の Call、複数の Call、および特定の Scorer がスコアを付けたすべての Call のスコアを分析する方法を説明します。
-### 単一の Call のスコアを分析する
+
+ ### 1 つの Call のスコアを分析する
+
-#### 単一 Call API
+
+ #### 単一 Call API
+
-単一の call に対する呼び出しを取得するには、 `get_call` メソッドを使用できます。
+単一の Call の情報を取得するには、`get_call` メソッドを使用します。
```python lines
client = weave.init("my-project")
-# 単一の call を取得
+# 単一の call を取得する
call = client.get_call("call-uuid-here")
-# スコアを含む call のフィードバックを取得
+# スコアを含む call のフィードバックを取得する
feedback = list(call.feedback)
```
-#### 単一 Call UI
+
+ #### 単一の Call の UI
+
+ ### 複数の Call のスコアを分析
+
-#### 複数 Call API
+
+ #### 複数 Call 用 API
+
-複数の call に対する呼び出しを取得するには、 `get_calls` メソッドを使用できます。
+複数の Call を取得するには、`get_calls` メソッドを使用します。
```python lines
client = weave.init("my-project")
-# 複数の call を取得 - 任意のフィルタを使用し、feedback を含める
+# 複数の calls を取得する - 任意のフィルターを使用してフィードバックを含める
calls = client.get_calls(..., include_feedback=True)
-# call を反復処理し、スコアを含む feedback にアクセスする
+# calls をイテレートしてスコアを含むフィードバックにアクセスする
for call in calls:
feedback = list(call.feedback)
```
-#### 複数 Call UI
+
+ #### 複数 Call 向け UI
+
+ ### 特定の Scorer によってスコアリングされたすべての Call を分析する
+
-#### Scorer ごとの全 Call API
+
+ #### Scorer API によるすべての Call
+
-特定の Scorer によってスコアリングされたすべての call を取得するには、 `get_calls` メソッドを使用できます。
+特定の Scorer がスコアリングしたすべての Call を取得するには、`get_calls` メソッドを使用します。
```python lines
client = weave.init("my-project")
-# 任意のバージョンの Scorer によってスコアリングされたすべての call を取得するには、Scorer 名（通常はクラス名）を使用します
+# スコアラーの任意のバージョンによってスコアリングされたすべての呼び出しを取得するには、スコアラー名（通常はクラス名）を使用します
calls = client.get_calls(scored_by=["MyScorer"], include_feedback=True)
-# 特定のバージョンの Scorer によってスコアリングされたすべての call を取得するには、完全な ref を使用します
-# Ref は Scorer オブジェクトまたは UI から取得できます。
+# 特定バージョンのスコアラーによってスコアリングされたすべての呼び出しを取得するには、ref 全体を使用します
+# ref はスコアラーオブジェクトから、または UI 経由で取得できます。
calls = client.get_calls(scored_by=[myScorer.ref.uri()], include_feedback=True)
-# call を反復処理し、スコアを含む feedback にアクセスする
+# 呼び出しを反復処理して、スコアを含むフィードバックにアクセスします
for call in calls:
feedback = list(call.feedback)
```
-#### Scorer ごとの全 Call UI
+
+ #### Scorer ごとのすべての Call の UI
+
-最後に、Scorer によってスコアリングされたすべての call を確認したい場合は、UI の Scorers タブに移動し、 "Programmatic Scorer" タブを選択します。対象の Scorer をクリックして Scorer 詳細ページを開きます。
+最後に、特定の Scorer によってスコアリングされたすべての Call を確認するには、UI の Scorers タブに移動し、"Programmatic Scorer" タブを選択します。Scorer をクリックして Scorer の詳細ページを開きます。
-
+
-Weave の local scorers は、最小限のレイテンシでローカルマシン上で動作する一連の小規模言語モデルです。これらのモデルは、AI システムの入力、コンテキスト、および出力の安全性と品質を評価します。
+Weave の local scorers は、レイテンシを最小限に抑えつつローカルマシン上で動作する小型言語モデル群です。これらのモデルは、AI システムの入力、コンテキスト、および出力の安全性と品質を評価します。
-これらのモデルの一部は Weights & Biases によって ファインチューン されており、その他はコミュニティによってトレーニングされた最先端のオープンソースモデルです。トレーニングと評価には Weights & Biases (W&B) の Reports が使用されました。詳細は、こちらの [W&B Reports のリスト](https://wandb.ai/c-metrics/weave-scorers/reports/Weave-Scorers-v1--VmlldzoxMDQ0MDE1OA) で確認できます。
+これらのモデルの一部は Weights & Biases によってファインチューニングされており、その他はコミュニティによってトレーニングされた最先端のオープンソースモデルです。学習と評価には Weights & Biases (W&B) Reports が使用されました。詳細は、この [W&B Reports の一覧](https://wandb.ai/c-metrics/weave-scorers/reports/Weave-Scorers-v1--VmlldzoxMDQ0MDE1OA) を参照してください。
-モデルの重みは W&B Artifacts で公開されており、scorer クラスをインスタンス化すると自動的にダウンロードされます。自分でダウンロードしたい場合は、アーティファクトのパスを `weave.scorers.default_models` で確認できます。
+モデルの重みは W&B Artifacts として公開されており、scorer クラスをインスタンス化すると自動的にダウンロードされます。自分でダウンロードしたい場合は、 Artifacts のパスをここで確認できます：`weave.scorers.default_models`
-これらの scorer が返すオブジェクトには、入力テキストが安全か、または高品質かを示す `passed` ブール属性と、モデルからの生のスコアなどの詳細情報を含む `metadata` 属性が含まれています。
+これらの scorers が返すオブジェクトには、入力テキストが安全かつ高品質かどうかを示す `passed` ブール値の属性と、モデルからの生のスコアなど、より詳細な情報を含む `metadata` 属性が含まれます。
-local scorers は CPU でも実行できますが、最高のパフォーマンスを得るためには GPU の使用を推奨します。
+local scorers は CPU 上でも実行できますが、最良のパフォーマンスを得るには GPU の使用を推奨します。
-local scorers は Weave Python SDK でのみ利用可能です。Weave TypeScript SDK ではまだ利用できません。
+ Local scorers は Weave Python SDK でのみ利用可能です。現時点では Weave TypeScript SDK では利用できません。
-TypeScript で Weave scorer を使用するには、[function-based scorers](/weave/guides/evaluation/scorers#function-based-scorers) を参照してください。
+ TypeScript で Weave scorers を使用する場合は、[function-based scorers](/ja/weave/guides/evaluation/scorers#function-based-scorers) を参照してください。
-## 前提条件
+
+ ## 前提条件
+
-Weave local scorers を使用する前に、追加の依存関係をインストールしてください：
+Weave のローカル scorer を使用するには、事前に追加の依存関係をインストールしてください。
```bash
-pip install weave[scorers]
+ pip install weave[scorers]
```
-## Scorer の選択
+
+ ## スコアラーを選択する
+
-以下の local scorers が利用可能です。ユースケースに合わせて scorer を選択してください。
+利用可能なローカルスコアラーは次のとおりです。ユースケースに応じてスコアラーを選択してください。
-| Scorer | シナリオ |
+| Scorer | Scenario |
|----------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
-| [WeaveToxicityScorerV1](#weavetoxicityscorerv1) | ヘイトスピーチや脅迫など、AI システムの入力および出力に含まれる有害または毒性のあるコンテンツを特定します。 |
-| [WeaveBiasScorerV1](#weavebiasscorerv1) | AI システムの入力および出力に含まれるバイアスやステレオタイプなコンテンツを検出します。生成されたテキストにおける有害なバイアスの低減に理想的です。 |
-| [WeaveHallucinationScorerV1](#weavehallucinationscorerv1) | 提供された入力とコンテキストに基づいて、RAG システムが出力にハルシネーションを生成しているかどうかを特定します。 |
-| [WeaveContextRelevanceScorerV1](#weavecontextrelevancescorerv1) | AI システムの出力が、提供された入力とコンテキストに関連しているかどうかを測定します。 |
-| [WeaveCoherenceScorerV1](#weavecoherencescorerv1) | AI システムの出力の一貫性と論理的構造を評価します。 |
-| [WeaveFluencyScorerV1](#weavefluencyscorerv1) | AI システムの出力が流暢であるかどうかを測定します。 |
-| [WeaveTrustScorerV1](#weavetrustscorerv1) | toxicity、hallucination、context relevance、fluency、coherence の各 scorer を活用する統合型 scorer です。 |
-| [PresidioScorer](#presidioscorer) | Microsoft の Presidio ライブラリを使用して、AI システムの入力および出力に含まれる個人識別情報 (PII) を検出します。 |
+| [WeaveToxicityScorerV1](#weavetoxicityscorerv1) | ヘイトスピーチや脅迫を含む、有害または攻撃的なコンテンツを AI システムの入力および出力から特定します。 |
+| [WeaveBiasScorerV1](#weavebiasscorerv1) | AI システムの入力および出力に含まれるバイアスやステレオタイプ的なコンテンツを検出します。生成テキストに含まれる有害なバイアスを低減するのに最適です。 |
+| [WeaveHallucinationScorerV1](#weavehallucinationscorerv1) | 提供された入力とコンテキストに基づいて、RAG システムが出力内でハルシネーションを生成しているかどうかを特定します。 |
+| [WeaveContextRelevanceScorerV1](#weavecontextrelevancescorerv1) | AI システムの出力が、与えられた入力およびコンテキストに対してどの程度関連しているかを測定します。 |
+| [WeaveCoherenceScorerV1](#weavecoherencescorerv1) | AI システムの出力の一貫性と論理構造を評価します。 |
+| [WeaveFluencyScorerV1](#weavefluencyscorerv1) | AI システムの出力がどの程度流暢であるかを測定します。 |
+| [WeaveTrustScorerV1](#weavetrustscorerv1) | toxicity、hallucination、context relevance、fluency、coherence の各スコアラーを組み合わせて活用する集約スコアラーです。 |
+| [PresidioScorer](#presidioscorer) | Microsoft の Presidio ライブラリを使用して、AI システムの入力および出力に含まれる個人を特定できる情報 (PII) を検出します。 |
-## `WeaveBiasScorerV1`
+
+ ## `WeaveBiasScorerV1`
+
-この scorer は、性別および人種/出身に関するバイアスを 2 つの側面から評価します。
+この scorer は、ジェンダーと人種／出自に関するバイアスを次の 2 つの観点から評価します。
-- 人種と出身：人種差別、特定の国や地域に対するバイアス、移民ステータス、民族性など。
-- 性別とセクシュアリティ：性差別、ミソジニー、ホモフォビア、トランスフォビア、セクシャルハラスメントなど。
+* Race and Origin: 特定の人種、出身国や地域、移民ステータス、民族性などに対する人種差別やバイアス
+ * Gender and Sexuality: 性差別、女性蔑視、同性愛嫌悪（ホモフォビア）、トランスフォビア、性的嫌がらせなど
-`WeaveBiasScorerV1` は、ファインチューン された [deberta-small-long-nli](https://huggingface.co/tasksource/deberta-small-long-nli) モデルを使用しています。モデル、データセット、およびキャリブレーションプロセスの詳細については、[WeaveBiasScorerV1 W&B Report](https://wandb.ai/c-metrics/bias-benchmark/reports/Bias-Scorer--VmlldzoxMDM2MTgzNw) を参照してください。
+`WeaveBiasScorerV1` は、ファインチューニングされた [deberta-small-long-nli](https://huggingface.co/tasksource/deberta-small-long-nli) モデル を使用します。モデル、データセット、およびキャリブレーション プロセスの詳細については、[WeaveBiasScorerV1 W&B Report](https://wandb.ai/c-metrics/bias-benchmark/reports/Bias-Scorer--VmlldzoxMDM2MTgzNw) を参照してください。
-### 使用上の注意
+
+ ### 使用上の注意
+
-- `score` メソッドは、`output` パラメータに文字列が渡されることを想定しています。
-- スコアが高いほど、テキスト内にバイアスが含まれているという予測が強いことを意味します。
-- `threshold` パラメータは設定済みですが、初期化時に上書きすることも可能です。
+* `score` メソッドは、`output` パラメーターに文字列が渡されることを前提としています。
+ * スコアが高いほど、そのテキストにバイアスが含まれていると予測される度合いが強いことを意味します。
+ * `threshold` パラメーターにはあらかじめ値が設定されていますが、初期化時に上書きすることもできます。
-### 使用例
+
+ ### 使用例
+
-```python
-import weave
-from weave.scorers import WeaveBiasScorerV1
+```python lines
+ import weave
+ from weave.scorers import WeaveBiasScorerV1
-# scorer の初期化
-bias_scorer = WeaveBiasScorerV1()
-# テキストのスコアリング
-result = bias_scorer.score(output="Martian men are terrible at cleaning")
+ bias_scorer = WeaveBiasScorerV1()
+ result = bias_scorer.score(output="Martian men are terrible at cleaning")
-print(f"The text is biased: {not result.passed}")
-print(result)
+ print(f"The text is biased: {not result.passed}")
+ print(result)
```
----
+***
-## `WeaveToxicityScorerV1`
+
+ ## `WeaveToxicityScorerV1`
+
-この scorer は、入力テキストの毒性を 5 つの側面から評価します。
+このスコアラーは、入力テキストの有害性を次の 5 つの側面から評価します。
-- 人種と出身：人種差別、特定の国や地域に対するバイアス、移民ステータス、民族性など。
-- 性別とセクシュアリティ：性差別、ミソジニー、ホモフォビア、トランスフォビア、セクシャルハラスメントなど。
-- 宗教：誰かの宗教に対するバイアスやステレオタイプ。
-- 能力：誰かの身体的、精神的、知的な能力や障害に関連するバイアス。
-- 暴力と虐待：過度に生々しい暴力の描写、暴力の脅威、または暴力の扇動。
+* Race and Origin: 人種差別や、出身国・地域、移民ステータス、民族性などに対するバイアス。
+ * Gender and Sexuality: セクシズムや女性蔑視、ホモフォビア、トランスフォビア、性的嫌がらせなど。
+ * Religious: 特定の宗教に対するバイアスやステレオタイプ。
+ * Ability: 身体的・精神的・知的な能力または障害に関連するバイアス。
+ * Violence and Abuse: 過度に生々しい暴力の描写、暴力の脅迫、暴力の扇動。
-`WeaveToxicityScorerV1` は、PleIAs によるオープンソースの [Celadon](https://huggingface.co/PleIAs/celadon) モデルを使用しています。詳細については、[WeaveToxicityScorerV1 W&B Report](https://wandb.ai/c-metrics/toxicity-benchmark/reports/Toxicity-Scorer--VmlldzoxMDMyNjc0NQ) を参照してください。
+`WeaveToxicityScorerV1` は PleIAs のオープンソース [Celadon](https://huggingface.co/PleIAs/celadon) モデルを使用します。詳細については、[WeaveToxicityScorerV1 W&B Report](https://wandb.ai/c-metrics/toxicity-benchmark/reports/Toxicity-Scorer--VmlldzoxMDMyNjc0NQ) を参照してください。
-### 使用上の注意
+
+ ### 使用上の注意
+
-- `score` メソッドは、`output` パラメータに文字列が渡されることを想定しています。
-- モデルは、5 つの異なるカテゴリにわたって `0` から `3` までのスコアを返します：
- - これらのスコアの合計が `total_threshold` (デフォルト値 `5`) を超える場合、入力は毒性があるとフラグが立てられます。
- - いずれか 1 つのカテゴリのスコアが `category_threshold` (デフォルト `2`) より高い場合、入力は毒性があるとフラグが立てられます。
-- フィルタリングをより厳しくするには、初期化時に `category_threshold` または `total_threshold` を上書きしてください。
+* `score` メソッドは、`output` パラメーターに文字列が渡されることを前提としています。
+ * モデルは 5 つの異なるカテゴリについて `0` から `3` のスコアを返します：
+ * これらのスコアの合計が `total_threshold`（デフォルト値 `5`）を超えると、その入力は toxic と判定されます。
+ * いずれか 1 つのカテゴリのスコアが `category_threshold`（デフォルト `2`）より高い場合、その入力は toxic と判定されます。
+ * より厳しくフィルタリングしたい場合は、初期化時に `category_threshold` または `total_threshold` を上書きしてください。
-### 使用例
+
+ ### 使用例
+
-```python
-import weave
-from weave.scorers import WeaveToxicityScorerV1
+```python lines
+ import weave
+ from weave.scorers import WeaveToxicityScorerV1
-# scorer の初期化
-toxicity_scorer = WeaveToxicityScorerV1()
-# テキストのスコアリング
-result = toxicity_scorer.score(output="people from the south pole of Mars are the worst")
+ toxicity_scorer = WeaveToxicityScorerV1()
+ result = toxicity_scorer.score(output="people from the south pole of Mars are the worst")
-print(f"Input is toxic: {not result.passed}")
-print(result)
+ print(f"Input is toxic: {not result.passed}")
+ print(result)
```
----
+***
-## `WeaveHallucinationScorerV1`
+
+ ## `WeaveHallucinationScorerV1`
+
-この scorer は、AI システムの出力に入力データに基づかないハルシネーション（幻覚）が含まれているかどうかを確認します。
+この scorer は、入力データに基づいて AI システムの出力にハルシネーションが含まれているかどうかを確認します。
-`WeaveHallucinationScorerV1` は、Vectara によるオープンソースの [HHEM 2.1 モデル](https://huggingface.co/vectara/hallucination_evaluation_model) を使用しています。詳細については、[WeaveHallucinationScorerV1 W&B Report](https://wandb.ai/c-metrics/hallucination/reports/Hallucination-Scorer--VmlldzoxMDM3NDA3MA) を参照してください。
+`WeaveHallucinationScorerV1` は、Vectara によるオープンソースの [HHEM 2.1 モデル](https://huggingface.co/vectara/hallucination_evaluation_model) を使用します。詳細については、[WeaveHallucinationScorerV1 W&B Report](https://wandb.ai/c-metrics/hallucination/reports/Hallucination-Scorer--VmlldzoxMDM3NDA3MA) を参照してください。
-### 使用上の注意
+
+ ### 使用上の注意
+
-- `score` メソッドは、`query` および `output` パラメータに値が渡されることを想定しています。
-- コンテキストは `output` パラメータに渡す必要があります（文字列または文字列のリスト）。
-- 出力スコアが高いほど、出力にハルシネーションが含まれているという予測が強いことを意味します。
-- `threshold` パラメータは設定済みですが、初期化時に上書き可能です。
+* `score` メソッドは、`query` と `output` パラメーターに値が渡されることを想定しています。
+ * コンテキストは `output` パラメーターに（文字列または文字列のリストとして）渡してください。
+ * 出力スコアが高いほど、その出力がハルシネーションであると判断される可能性が高いことを示します。
+ * `threshold` パラメーターにはデフォルト値が設定されていますが、初期化時に上書きできます。
-### 使用例
+
+ ### 使用例
+
-```python
-import weave
-from weave.scorers import WeaveHallucinationScorerV1
+```python lines
+ import weave
+ from weave.scorers import WeaveHallucinationScorerV1
-# scorer の初期化
-hallucination_scorer = WeaveHallucinationScorerV1()
+ hallucination_scorer = WeaveHallucinationScorerV1()
-# クエリ、コンテキスト、出力を指定してスコアリング
-result = hallucination_scorer.score(
- query="What is the capital of Antarctica?",
- context="People in Antarctica love the penguins.",
- output="While Antarctica is known for its sea life, penguins aren't liked there."
-)
+ result = hallucination_scorer.score(
+ query="What is the capital of Antarctica?",
+ context="People in Antarctica love the penguins.",
+ output="While Antarctica is known for its sea life, penguins aren't liked there."
+ )
-print(f"Output is hallucinated: {not result.passed}")
-print(result)
+ print(f"Output is hallucinated: {not result.passed}")
+ print(result)
```
----
+***
-## `WeaveContextRelevanceScorerV1`
+
+ ## `WeaveContextRelevanceScorerV1`
+
-この scorer は、RAG システムを評価する際に使用するように設計されています。クエリに対するコンテキストの関連性をスコアリングします。
+このスコアラーは、RAG システムを評価する際に使用するよう設計されています。クエリに対するコンテキストの関連性を評価します。
-`WeaveContextRelevanceScorerV1` は、tasksource による ファインチューン 済みの [deberta-small-long-nli](https://huggingface.co/tasksource/deberta-small-long-nli) モデルを使用しています。詳細は [WeaveContextRelevanceScorerV1 W&B Report](https://wandb.ai/c-metrics/context-relevance-scorer/reports/Context-Relevance-Scorer--VmlldzoxMDYxNjEyNA) を参照してください。
+`WeaveContextRelevanceScorerV1` は、tasksource のファインチューニング済み [deberta-small-long-nli](https://huggingface.co/tasksource/deberta-small-long-nli) モデルを使用します。詳細については、[WeaveContextRelevanceScorerV1 W&B Report](https://wandb.ai/c-metrics/context-relevance-scorer/reports/Context-Relevance-Scorer--VmlldzoxMDYxNjEyNA) を参照してください。
-### 使用上の注意
+
+ ### 使用上の注意
+
-- `score` メソッドは、`query` と `output` の値を想定しています。
-- コンテキストは `output` パラメータに渡す必要があります（文字列または文字列のリスト）。
-- スコアが高いほど、コンテキストがクエリに関連しているという予測が強いことを意味します。
-- `score` メソッドに `verbose=True` を渡すと、チャンクごとのスコアを取得できます。
+* `score` メソッドは `query` と `output` の値を受け取ります。
+ * コンテキストは `output` パラメーターに渡します（文字列または文字列のリスト）。
+ * スコアが高いほど、そのコンテキストがクエリに関連しているという予測が強くなります。
+ * `score` メソッドに `verbose=True` を渡すと、チャンクごとのスコアを取得できます。
-### 使用例
+
+ ### 使用例
+
-```python
-import weave
-from weave.scorers import WeaveContextRelevanceScorerV1
+```python lines
+ import weave
+ from weave.scorers import WeaveContextRelevanceScorerV1
-# scorer の初期化
-context_relevance_scorer = WeaveContextRelevanceScorerV1()
+ context_relevance_scorer = WeaveContextRelevanceScorerV1()
-# クエリと、コンテキスト（outputパラメータとして渡す）をスコアリング
-result = context_relevance_scorer.score(
- query="What is the capital of Antarctica?",
- output="The Antarctic has the happiest penguins." # コンテキストは output パラメータに渡されます
-)
+ result = context_relevance_scorer.score(
+ query="What is the capital of Antarctica?",
+ output="The Antarctic has the happiest penguins." # context は output パラメーターに渡されます
+ )
-print(f"Output is relevant: {result.passed}")
-print(result)
+ print(f"Output is relevant: {result.passed}")
+ print(result)
```
-## `WeaveCoherenceScorerV1`
+
+ ## `WeaveCoherenceScorerV1`
+
-この scorer は、入力テキストが一貫しているかどうかを確認します。
+この scorer は、入力テキストが首尾一貫しているかどうかをチェックします。
-`WeaveCoherenceScorerV1` は、tasksource による ファインチューン 済みの [deberta-small-long-nli](https://huggingface.co/tasksource/deberta-small-long-nli) モデルを使用しています。詳細については [WeaveCoherenceScorerV1 W&B Report](https://wandb.ai/c-metrics/coherence_scorer/reports/Coherence-Scorer--VmlldzoxMDI5MjA1MA) を参照してください。
+`WeaveCoherenceScorerV1` は、tasksource のファインチューニング済み [deberta-small-long-nli](https://huggingface.co/tasksource/deberta-small-long-nli) モデルを使用します。詳細については、[WeaveCoherenceScorerV1 W&B Report](https://wandb.ai/c-metrics/coherence_scorer/reports/Coherence-Scorer--VmlldzoxMDI5MjA1MA) を参照してください。
-### 使用上の注意
+
+ ### 使用上の注意
+
-- `score` メソッドは、`query` および `output` パラメータにテキストが渡されることを想定しています。
-- 出力スコアが高いほど、一貫性があるという予測が強いことを意味します。
+* `score` メソッドは、`query` および `output` パラメーターにテキストが渡されることを前提としています。
+ * 出力スコアが高いほど、一貫していると予測される度合いが強くなります。
-### 使用例
+
+ ### 使用例
+
-```python
-import weave
-from weave.scorers import WeaveCoherenceScorerV1
+```python lines
+ import weave
+ from weave.scorers import WeaveCoherenceScorerV1
-# scorer の初期化
-coherence_scorer = WeaveCoherenceScorerV1()
+ coherence_scorer = WeaveCoherenceScorerV1()
-# スコアリングの実行
-result = coherence_scorer.score(
- query="What is the capital of Antarctica?",
- output="but why not monkey up day"
-)
+ result = coherence_scorer.score(
+ query="What is the capital of Antarctica?",
+ output="but why not monkey up day"
+ )
-print(f"Output is coherent: {result.passed}")
-print(result)
+ print(f"Output is coherent: {result.passed}")
+ print(result)
```
----
+***
-## `WeaveFluencyScorerV1`
+
+ ## `WeaveFluencyScorerV1`
+
-この scorer は、入力テキストが流暢であるか、つまり自然な人間の言語のように読みやすく理解しやすいかを確認します。文法、構文、および全体的な読みやすさを評価します。
+このスコアラーは、入力テキストが流暢かどうか、つまり自然な人間の言葉に近く、読みやすく理解しやすいかどうかをチェックします。文法、構文、全体的な可読性を評価します。
-`WeaveFluencyScorerV1` は、AnswerDotAI による ファインチューン 済みの [ModernBERT-base](https://huggingface.co/answerdotai/ModernBERT-base) モデルを使用しています。詳細については [WeaveFluencyScorerV1 W&B Report](https://wandb.ai/c-metrics/fluency-eval/reports/Fluency-Scorer--VmlldzoxMTA3NzE2Ng) を参照してください。
+`WeaveFluencyScorerV1` は、 AnswerDotAI によってファインチューニングされた [ModernBERT-base](https://huggingface.co/answerdotai/ModernBERT-base) モデルを使用します。詳細については、[WeaveFluencyScorerV1 W&B Report](https://wandb.ai/c-metrics/fluency-eval/reports/Fluency-Scorer--VmlldzoxMTA3NzE2Ng) を参照してください。
-### 使用上の注意
+
+ ### 使用上の注意
+
-- `score` メソッドは、`output` パラメータにテキストが渡されることを想定しています。
-- 出力スコアが高いほど、流暢さが高いことを示します。
+* `score` メソッドでは、テキストを `output` パラメーターに渡す必要があります。
+ * `output` のスコアが高いほど、そのテキストの流暢さが高いことを意味します。
-### 使用例
+
+ ### 使用例
+
-```python
-import weave
-from weave.scorers import WeaveFluencyScorerV1
+```python lines
+ import weave
+ from weave.scorers import WeaveFluencyScorerV1
-# scorer の初期化
-fluency_scorer = WeaveFluencyScorerV1()
+ fluency_scorer = WeaveFluencyScorerV1()
-# テキストの流暢さをスコアリング
-result = fluency_scorer.score(
- output="The cat did stretching lazily into warmth of sunlight."
-)
+ result = fluency_scorer.score(
+ output="The cat did stretching lazily into warmth of sunlight."
+ )
-print(f"Output is fluent: {result.passed}")
-print(result)
+ print(f"Output is fluent: {result.passed}")
+ print(result)
```
----
+***
+
+
+ ## `WeaveTrustScorerV1`
+
+
+`WeaveTrustScorerV1` は RAG システム向けの複合スコアラーで、他のスコアラーを Critical（重大）と Advisory（助言）の 2 つのカテゴリにグループ化し、モデル出力の信頼性を評価します。複合スコアに基づいて、次の信頼レベルを返します:
+
+* `high`: 問題は検出されない
+ * `medium`: Advisory カテゴリの問題のみ検出された
+ * `low`: Critical カテゴリの問題が検出された、または入力が空である
+
+Any input that fails a Critical scorer results in a `low` trust level. Failing an Advisory scorer results in `medium`.
+
+* **Critical:**
+ * `WeaveToxicityScorerV1`
+
+ * `WeaveHallucinationScorerV1`
-## `WeaveTrustScorerV1`
-
-`WeaveTrustScorerV1` は、他の scorer を「Critical (重要)」と「Advisory (推奨)」の 2 つのカテゴリにグループ化することで、モデル出力の信頼性を評価する RAG システム向けの複合型 scorer です。複合スコアに基づいて、信頼レベルを返します：
-
-- `high`: 問題は検出されませんでした
-- `medium`: Advisory の問題のみ検出されました
-- `low`: Critical の問題が検出されたか、入力が空です
-
-Critical な scorer で失敗した入力は、すべて `low` の信頼レベルになります。Advisory な scorer で失敗した場合は `medium` になります。
-
-- **Critical:**
- - `WeaveToxicityScorerV1`
- - `WeaveHallucinationScorerV1`
- - `WeaveContextRelevanceScorerV1`
-
-- **Advisory:**
- - `WeaveFluencyScorerV1`
- - `WeaveCoherenceScorerV1`
-
-### 使用上の注意
-
-- この scorer は、RAG パイプラインの評価用に設計されています。
-- 正しくスコアリングするために、`query`、`context`、`output` キーが必要です。
-
-### 使用例
-
-```python
-import weave
-from weave.scorers import WeaveTrustScorerV1
-
-# scorer の初期化
-trust_scorer = WeaveTrustScorerV1()
-
-def print_trust_scorer_result(result):
- print()
- print(f"Output is trustworthy: {result.passed}")
- print(f"Trust level: {result.metadata['trust_level']}")
- if not result.passed:
- print("Triggered scorers:")
- for scorer_name, scorer_data in result.metadata['raw_outputs'].items():
- if not scorer_data.passed:
- print(f" - {scorer_name} did not pass")
- print()
- # 各スコアの表示
- print(f"WeaveToxicityScorerV1 scores: {result.metadata['scores']['WeaveToxicityScorerV1']}")
- print(f"WeaveHallucinationScorerV1 scores: {result.metadata['scores']['WeaveHallucinationScorerV1']}")
- print(f"WeaveContextRelevanceScorerV1 score: {result.metadata['scores']['WeaveContextRelevanceScorerV1']}")
- print(f"WeaveCoherenceScorerV1 score: {result.metadata['scores']['WeaveCoherenceScorerV1']}")
- print(f"WeaveFluencyScorerV1: {result.metadata['scores']['WeaveFluencyScorerV1']}")
- print()
-
-# 複合的な信頼性スコアリングの実行
-result = trust_scorer.score(
- query="What is the capital of Antarctica?",
- context="People in Antarctica love the penguins.",
- output="The cat stretched lazily in the warm sunlight."
-)
-
-print_trust_scorer_result(result)
-print(result)
+ * `WeaveContextRelevanceScorerV1`
+
+ * **Advisory:**
+ * `WeaveFluencyScorerV1`
+ * `WeaveCoherenceScorerV1`
+
+
+ ### 使用上の注意
+
+
+* この scorer は RAG パイプラインを評価するために設計されています。
+ * 正しく評価を行うには、`query`、`context`、`output` の各キーが必要です。
+
+
+ ### 使用例
+
+
+```python lines
+ import weave
+ from weave.scorers import WeaveTrustScorerV1
+
+ trust_scorer = WeaveTrustScorerV1()
+
+ def print_trust_scorer_result(result):
+ print()
+ print(f"Output is trustworthy: {result.passed}")
+ print(f"Trust level: {result.metadata['trust_level']}")
+ if not result.passed:
+ print("Triggered scorers:")
+ for scorer_name, scorer_data in result.metadata['raw_outputs'].items():
+ if not scorer_data.passed:
+ print(f" - {scorer_name} did not pass")
+ print()
+ print(f"WeaveToxicityScorerV1 scores: {result.metadata['scores']['WeaveToxicityScorerV1']}")
+ print(f"WeaveHallucinationScorerV1 scores: {result.metadata['scores']['WeaveHallucinationScorerV1']}")
+ print(f"WeaveContextRelevanceScorerV1 score: {result.metadata['scores']['WeaveContextRelevanceScorerV1']}")
+ print(f"WeaveCoherenceScorerV1 score: {result.metadata['scores']['WeaveCoherenceScorerV1']}")
+ print(f"WeaveFluencyScorerV1: {result.metadata['scores']['WeaveFluencyScorerV1']}")
+ print()
+
+ result = trust_scorer.score(
+ query="What is the capital of Antarctica?",
+ context="People in Antarctica love the penguins.",
+ output="The cat stretched lazily in the warm sunlight."
+ )
+
+ print_trust_scorer_result(result)
+ print(result)
```
----
+***
-## `PresidioScorer`
+
+ ## `PresidioScorer`
+
-この scorer は [Presidio ライブラリ](https://github.com/microsoft/presidio) を使用して、AI システムの入力および出力に含まれる個人識別情報 (PII) を検出します。
+この scorer は [Presidio ライブラリ](https://github.com/microsoft/presidio) を使用して、AI システムの入出力に含まれる Personally Identifiable Information (PII、個人を特定できる情報) を検出します。
-### 使用上の注意
+
+ ### 使用上の注意
+
-- メールアドレスや電話番号など特定のエンティティタイプを指定するには、Presidio エンティティのリストを `selected_entities` パラメータに渡します。指定しない場合、Presidio はデフォルトのエンティティリストにあるすべてのエンティティタイプを検出します。
-- メールや電話番号などの特定のエンティティタイプを検出するには、`selected_entities` パラメータにリストを渡してください。
-- `custom_recognizers` パラメータを介して、`presidio.EntityRecognizer` インスタンスのリストとしてカスタム認識器を渡すことができます。
-- 英語以外の入力を処理するには、`language` パラメータを使用して言語を指定します。
+* メールアドレスや電話番号など、特定のエンティティタイプのみを対象にしたい場合は、Presidio のエンティティを `selected_entities` パラメーターにリストとして渡してください。指定しない場合、Presidio はデフォルトのエンティティリストに含まれるすべてのエンティティタイプを検出します。
+ * メールアドレスや電話番号など、特定のエンティティタイプだけを検出したい場合は、`selected_entities` パラメーターにリストを渡してください。
+ * カスタム認識器を利用する場合は、`custom_recognizers` パラメーターに `presidio.EntityRecognizer` インスタンスのリストを渡してください。
+ * 英語以外の入力を扱う場合は、`language` パラメーターで対象の言語を指定してください。
-### 使用例
+
+ ### 使用例
+
-```python
-import weave
-from weave.scorers import PresidioScorer
+```python lines
+ import weave
+ from weave.scorers import PresidioScorer
-# scorer の初期化
-presidio_scorer = PresidioScorer()
+ presidio_scorer = PresidioScorer()
-# PII（個人情報）の検出
-result = presidio_scorer.score(
- output="Mary Jane is a software engineer at XYZ company and her email is mary.jane@xyz.com."
-)
+ result = presidio_scorer.score(
+ output="Mary Jane is a software engineer at XYZ company and her email is mary.jane@xyz.com."
+ )
-print(f"Output contains PII: {not result.passed}")
-print(result)
-```
\ No newline at end of file
+ print(f"Output contains PII: {not result.passed}")
+ print(result)
+```
diff --git a/ja/weave/guides/integrations.mdx b/ja/weave/guides/integrations.mdx
index 1a54d01cdd..ad31f75d82 100644
--- a/ja/weave/guides/integrations.mdx
+++ b/ja/weave/guides/integrations.mdx
@@ -1,102 +1,71 @@
---
-title: インテグレーション の概要
-description: OpenAI、Anthropic、Google AI、および主要な オーケストレーション ツール をサポートする Weave の自動パッチ適用により、コード
- の変更なしで30以上のプロバイダーと フレームワーク にわたる LLM コールをシームレスにトレースおよび監視できます。
+title: インテグレーション概要
+description: "Weave の自動パッチ適用により、30 以上のプロバイダーとフレームワークにおける LLM 呼び出しを、コードを変更することなくシームレスにトレースおよび監視できます。OpenAI、Anthropic、Google AI を含む主要なオーケストレーションツールに対応しています。"
---
-# Integrations
+W&B Weave は、主要な LLM プロバイダーおよびオーケストレーションフレームワーク向けのロギング インテグレーションを提供します。これらのインテグレーションにより、さまざまなライブラリを通じた呼び出しをシームレスにトレースでき、AI アプリケーションの監視および分析能力を高められます。
-Weave は、デフォルトですべてのサポート対象 インテグレーション に対して **自動インプリシットパッチ (automatic implicit patching)** を提供します。
+アプリケーションで LLM プロバイダーのライブラリ (OpenAI、Anthropic、Cohere、Mistral など) を使用している場合、これらの API 呼び出しを、入力、出力、レイテンシ、トークン使用量、コストを含むトレースされた Call として W&B Weave に表示させたいはずです。この機能がなければ、すべての `client.chat.completions.create()` (または同等の呼び出し) を `@weave.op` や手動のインストルメンテーションでラップする必要があり、非常に手間がかかるうえに抜け漏れも発生しがちです。
-**インプリシットパッチ (自動):** ライブラリがインポートされるタイミングに関わらず、自動的にパッチが適用されます。
+Weave は、サポートされている LLM クライアントライブラリを自動的にインターセプト (パッチ適用) します。アプリケーションコードを変更する必要はありません。これまでどおりプロバイダーの SDK を使用するだけで、各リクエストが Weave Call として記録されます。最小限のセットアップで完全なトレースを利用できます。
-```python lines
-# オプション 1: weave.init() の前にインポート
-import openai
-import weave
-weave.init('my-project') # OpenAI は自動的にパッチされます！
+
+ ## LLM プロバイダー
+
-# オプション 2: weave.init() の後にインポート
-import weave
-weave.init('my-project')
-import anthropic # インポートフックを介して自動的にパッチされます！
-```
+LLM プロバイダーとは、予測を生成するための大規模言語モデルへのアクセスを提供するベンダーのことです。Weave はこれらのプロバイダーとインテグレーションし、それぞれの API とのやり取りをログおよびトレースします。
-**インプリシットパッチの無効化:** 明示的な制御を好む場合は、自動パッチを無効にすることができます。
+* **[W&B Inference Service](https://docs.wandb.ai/inference/)**
+* **[Amazon Bedrock](/ja/weave/guides/integrations/bedrock)**
+* **[Anthropic](/ja/weave/guides/integrations/anthropic)**
+* **[Cerebras](/ja/weave/guides/integrations/cerebras)**
+* **[Cohere](/ja/weave/guides/integrations/cohere)**
+* **[Google](/ja/weave/guides/integrations/google)**
+* **[Groq](/ja/weave/guides/integrations/groq)**
+* **[Hugging Face Hub](/ja/weave/guides/integrations/huggingface)**
+* **[LiteLLM](/ja/weave/guides/integrations/litellm)**
+* **[Microsoft Azure](/ja/weave/guides/integrations/azure)**
+* **[MistralAI](/ja/weave/guides/integrations/mistral)**
+* **[NVIDIA NIM](/ja/weave/guides/integrations/nvidia_nim)**
+* **[OpenAI](/ja/weave/guides/integrations/openai)**
+* **[OpenRouter](/ja/weave/guides/integrations/openrouter)**
+* **[Together AI](/ja/weave/guides/integrations/together_ai)**
-```python lines
-import weave
+**[Local Models](/ja/weave/guides/integrations/local_models)**: 自前のインフラストラクチャ上でモデルを実行している場合に使用します。
-# オプション 1: settings パラメータ経由
-weave.init('my-project', settings={'implicitly_patch_integrations': False})
+
+ ## フレームワーク
+
-# オプション 2: 環境変数経由
-# スクリプトを実行する前に WEAVE_IMPLICITLY_PATCH_INTEGRATIONS=false を設定します
+フレームワークは、AI アプリケーションにおける実行パイプラインをオーケストレーションするために利用されます。複雑なワークフローを構築するためのツールと抽象化を提供します。Weave はこれらのフレームワークと連携して、パイプライン全体をトレースします。
-# インプリシットパッチを無効にした場合、明示的にインテグレーションにパッチを適用する必要があります
-import openai
-weave.patch_openai() # OpenAI のトレースに必要になります
-```
+* **[OpenAI Agents SDK](/ja/weave/guides/integrations/openai_agents)**
+* **[LangChain](/ja/weave/guides/integrations/langchain)**
+* **[LlamaIndex](/ja/weave/guides/integrations/llamaindex)**
+* **[DSPy](/ja/weave/guides/integrations/dspy)**
+* **[Instructor](/ja/weave/guides/integrations/instructor)**
+* **[CrewAI](/ja/weave/guides/integrations/crewai)**
+* **[Smolagents](/ja/weave/guides/integrations/smolagents)**
+* **[PydanticAI](/ja/weave/guides/integrations/pydantic_ai)**
+* **[Google Agent Development Kit (ADK)](/ja/weave/guides/integrations/google_adk)**
+* **[AutoGen](/ja/weave/guides/integrations/autogen)**
+* **[Verdict](/ja/weave/guides/integrations/verdict)**
+* **[TypeScript SDK](/ja/weave/guides/integrations/js)**
+* **[Agno](/ja/weave/guides/integrations/agno)**
+* **[Koog](/ja/weave/guides/integrations/koog)**
-**エクスプリシットパッチ (手動):** きめ細かな制御のために、明示的に インテグレーション にパッチを適用できます。
+
+ ## RL フレームワーク
+
-```python lines
-import weave
-weave.init('my-project')
-weave.integrations.patch_openai() # OpenAI のトレースを有効化
-weave.integrations.patch_anthropic() # Anthropic のトレースを有効化
-```
+* **[Verifiers](/ja/weave/guides/integrations/verifiers)**
-W&B Weave は、主要な LLM プロバイダーや オーケストレーション フレームワーク 向けの ログ インテグレーション を提供しています。これらの インテグレーション により、さまざまなライブラリを介した呼び出しをシームレスにトレースでき、AI アプリケーション の監視と分析の能力が向上します。
+
+ ## プロトコル
+
-## LLM Providers
+Weave は、AI アプリケーションとそれを支えるサービス間の通信を可能にする標準化されたプロトコルと連携します。
-LLM プロバイダーは、予測 を生成するための大規模言語モデルへの アクセス を提供するベンダーです。Weave はこれらのプロバイダーと統合し、API とのやり取りを ログ に記録してトレースします。
+* **[Model Context Protocol (MCP)](/ja/weave/guides/integrations/mcp)**
-- **[W&B Inference Service](https://docs.wandb.ai/inference/)**
-- **[Amazon Bedrock](/weave/guides/integrations/bedrock)**
-- **[Anthropic](/weave/guides/integrations/anthropic)**
-- **[Cerebras](/weave/guides/integrations/cerebras)**
-- **[Cohere](/weave/guides/integrations/cohere)**
-- **[Google](/weave/guides/integrations/google)**
-- **[Groq](/weave/guides/integrations/groq)**
-- **[Hugging Face Hub](/weave/guides/integrations/huggingface)**
-- **[LiteLLM](/weave/guides/integrations/litellm)**
-- **[Microsoft Azure](/weave/guides/integrations/azure)**
-- **[MistralAI](/weave/guides/integrations/mistral)**
-- **[NVIDIA NIM](/weave/guides/integrations/nvidia_nim)**
-- **[OpenAI](/weave/guides/integrations/openai)**
-- **[OpenRouter](/weave/guides/integrations/openrouter)**
-- **[Together AI](/weave/guides/integrations/together_ai)**
-
-**[Local Models](/weave/guides/integrations/local_models)**: 独自の インフラストラクチャー で モデル を実行する場合に使用します。
-
-## Frameworks
-
-フレームワーク は、AI アプリケーション における実際の実行 パイプライン の オーケストレーション を支援します。複雑な ワークフロー を構築するための ツール や抽象化を提供します。Weave はこれらの フレームワーク と統合し、パイプライン 全体をトレースします。
-
-- **[OpenAI Agents SDK](/weave/guides/integrations/openai_agents)**
-- **[LangChain](/weave/guides/integrations/langchain)**
-- **[LlamaIndex](/weave/guides/integrations/llamaindex)**
-- **[DSPy](/weave/guides/integrations/dspy)**
-- **[Instructor](/weave/guides/integrations/instructor)**
-- **[CrewAI](/weave/guides/integrations/crewai)**
-- **[Smolagents](/weave/guides/integrations/smolagents)**
-- **[PydanticAI](/weave/guides/integrations/pydantic_ai)**
-- **[Google Agent Development Kit (ADK)](/weave/guides/integrations/google_adk)**
-- **[AutoGen](/weave/guides/integrations/autogen)**
-- **[Verdict](/weave/guides/integrations/verdict)**
-- **[TypeScript SDK](/weave/guides/integrations/js)**
-- **[Agno](/weave/guides/integrations/agno)**
-- **[Koog](/weave/guides/integrations/koog)**
-
-## RL Frameworks
-- **[Verifiers](/weave/guides/integrations/verifiers)**
-
-## Protocols
-
-Weave は、AI アプリケーション とそれをサポートするサービス間の通信を可能にする標準化されたプロトコルと統合されています。
-
-- **[Model Context Protocol (MCP)](/weave/guides/integrations/mcp)**
-
-上記のリストから インテグレーション を選択して、お好みの LLM プロバイダー、フレームワーク、またはプロトコルで Weave を使用する方法の詳細を確認してください。LLM API に直接 アクセス している場合でも、複雑な パイプライン を構築している場合でも、標準化されたプロトコルを使用している場合でも、Weave は AI アプリケーション を効果的にトレースおよび分析するための ツール を提供します。
\ No newline at end of file
+上記の一覧からインテグレーションを選択して、好みの LLM プロバイダー、フレームワーク、またはプロトコルと Weave をどのように組み合わせて使うかを確認してください。LLM API に直接アクセスする場合でも、複雑なパイプラインを構築する場合でも、標準化されたプロトコルを使用する場合でも、Weave は AI アプリケーションを効果的にトレースして分析するためのツールを提供します。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/agno.mdx b/ja/weave/guides/integrations/agno.mdx
index 81ab539cfe..442f006448 100644
--- a/ja/weave/guides/integrations/agno.mdx
+++ b/ja/weave/guides/integrations/agno.mdx
@@ -1,54 +1,61 @@
---
title: Agno
-description: OpenTelemetry を使用して Agno のマルチ エージェント システムを Weave でトレースしましょう。エージェント 間のやり取り、
- ツール の呼び出し、共有メモリ操作、マルチモーダルな ワークフロー をキャプチャし、AI エージェント システムの包括的なオブザーバビリティを実現します。
+description: "OpenTelemetry を使用して Weave で Agno のマルチエージェントシステムをトレースし、エージェントのインタラクション、ツール呼び出し、共有メモリ操作、およびマルチモーダルなワークフローを取得して、AI エージェントシステムの包括的なオブザーバビリティを実現します。"
---
-[OpenTelemetry (OTEL)](https://opentelemetry.io/) を使用して、Weave で [Agno](https://docs.agno.com/) のエージェントやツールの呼び出しをトレースできます。Agno は、共有メモリ、知識、推論を備えたマルチエージェントシステムを構築するための Python フレームワークです。軽量でモデルに依存せず、高いパフォーマンスを発揮するように設計されており、テキスト、画像、音声、ビデオプロセッシングを含むマルチモーダル機能をサポートしています。
+[Agno](https://docs.agno.com/) エージェントやツール呼び出しは、[OpenTelemetry (OTEL)](https://opentelemetry.io/) を使用して Weave でトレースできます。Agno は、共有メモリ、知識、推論を備えたマルチエージェントシステムを構築するための Python フレームワークです。軽量でモデル非依存かつ高いパフォーマンスを発揮するよう設計されており、テキスト、画像、音声、動画処理を含むマルチモーダル機能をサポートします。
-このガイドでは、OTEL を使用して Agno エージェントとツールの呼び出しをトレースし、それらの Traces を Weave で可視化する方法を説明します。必要な依存関係のインストール、Weave にデータを送信するための OTEL トレーサーの設定、および Agno エージェントとツールのインストルメント方法について学びます。
+このガイドでは、OTEL を使用して Agno エージェントとツール呼び出しをトレースし、そのトレースを Weave で可視化する方法を説明します。必要な依存関係のインストール方法、Weave に OTEL トレースを送信するトレーサーの設定方法、そして Agno エージェントとツールの計装方法を学びます。
-Weave での OTEL トレースに関する詳細については、[Send OTEL Traces to Weave](../tracking/otel) を参照してください。
+ Weave における OTEL トレーシングの詳細については、[Send OTEL Traces to Weave](../tracking/otel) を参照してください。
-## 事前準備
+
+ ## 前提条件
+
1. 必要な依存関係をインストールします：
- ```bash
- pip install agno openinference-instrumentation-agno opentelemetry-sdk opentelemetry-exporter-otlp-proto-http
- ```
+ ```bash
+ pip install agno openinference-instrumentation-agno opentelemetry-sdk opentelemetry-exporter-otlp-proto-http
+ ```
-2. OpenAI の APIキー（または他のモデルプロバイダー）を環境変数として設定します：
+2. OpenAI API キー（または他のモデルプロバイダー）を環境変数として設定します：
- ```bash
- export OPENAI_API_KEY=your_api_key_here
- ```
+ ```bash
+ export OPENAI_API_KEY=your_api_key_here
+ ```
-3. [Weave での OTEL トレースの設定](#weave-での-otel-トレースの設定) を行います。
+3. [Weave で OTEL トレーシングを構成する](#configure-otel-tracing-in-weave)。
-### Weave での OTEL トレースの設定
+
+ ### Weave で OTEL トレースを設定する
+
-Agno から Weave に Traces を送信するには、`TracerProvider` と `OTLPSpanExporter` を使用して OTEL を設定します。エクスポーターには、[認証とプロジェクト識別のための正しいエンドポイントと HTTP ヘッダー](#required-configuration) を設定してください。
+Agno から Weave にトレースを送信するには、`TracerProvider` と `OTLPSpanExporter` を使って OTEL を設定します。エクスポーターには、認証とプロジェクト識別のための [正しいエンドポイントと HTTP ヘッダー](#required-configuration) を指定します。
-APIキーやプロジェクト情報などの機密性の高い環境変数は、環境ファイル（例：`.env`）に保存し、`os.environ` を使って読み込むことをお勧めします。これにより、資格情報を安全に保ち、コードベースから切り離すことができます。
+ API キーやプロジェクト情報などの機密性の高い環境変数は、`.env` などの環境ファイルに保存し、`os.environ` を使って読み込むことを推奨します。これにより、認証情報を安全に保ち、コードベースに含めずに済みます。
-#### 必要な設定
+
+ #### 必要な設定
+
-- **エンドポイント:** `https://trace.wandb.ai/otel/v1/traces`
-- **ヘッダー:**
- - `Authorization`: W&B APIキーを使用した基本認証（Basic auth）
- - `project_id`: W&B の Entity/Projects 名（例: `myteam/myproject`）
+* **Endpoint:** `https://trace.wandb.ai/otel/v1/traces`
+* **Headers:**
+ * `Authorization`: W&B API キーを使用した Basic 認証
+ * `project_id`: W&B エンティティ / プロジェクト名（例: `myteam/myproject`）
-## Agno から Weave へ OTEL トレースを送信する
+
+ ## Agno から Weave に OTEL トレースを送信する
+
-[事前準備](#事前準備) が完了したら、Agno から Weave に OTEL トレースを送信できます。以下のコードスニペットは、Agno アプリケーションから Weave に OTEL トレースを送信するための OTLP スパンエクスポーターとトレーサープロバイダーの設定方法を示しています。
+[前提条件](#prerequisites) を満たしたら、Agno から Weave に OTEL トレースを送信できます。次のコードスニペットでは、Agno アプリケーションから Weave に OTEL トレースを送信するために、OTLP span exporter と tracer provider を構成する方法を示します。
-Weave が Agno を正しくトレースできるように、コード内で Agno コンポーネントを使用する _前_ にグローバルトレーサープロバイダーを設定してください。
+ Weave が Agno を正しくトレースできるようにするために、コード内で Agno のコンポーネントを使用する *前に* グローバル tracer provider を設定してください。
```python lines
@@ -62,11 +69,11 @@ from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.trace.export import SimpleSpanProcessor
from opentelemetry import trace
-# 環境変数から機密性の高い値を読み込む
+# 環境変数から機密情報を読み込む
WANDB_BASE_URL = "https://trace.wandb.ai"
-# W&B の entity/project 名（例: "myteam/myproject"）
+# W&B のエンティティ/プロジェクト名（例: "myteam/myproject"）
PROJECT_ID = os.environ.get("WANDB_PROJECT_ID")
-# https://wandb.ai/settings で W&B APIキーを作成してください
+# https://wandb.ai/settings で W&B の API キーを作成する
WANDB_API_KEY = os.environ.get("WANDB_API_KEY")
OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"
@@ -77,23 +84,25 @@ OTEL_EXPORTER_OTLP_HEADERS = {
"project_id": PROJECT_ID,
}
-# エンドポイントとヘッダーを使用して OTLP スパンエクスポーターを作成
+# エンドポイントとヘッダーを指定して OTLP スパンエクスポーターを作成する
exporter = OTLPSpanExporter(
endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
headers=OTEL_EXPORTER_OTLP_HEADERS,
)
-# トレーサープロバイダーを作成し、エクスポーターを追加
+# トレーサープロバイダーを作成してエクスポーターを追加する
tracer_provider = trace_sdk.TracerProvider()
tracer_provider.add_span_processor(SimpleSpanProcessor(exporter))
-# Agno をインポートまたは使用する「前」にグローバルトレーサープロバイダーを設定
+# Agno をインポート/使用する前にグローバルトレーサープロバイダーを設定する
trace.set_tracer_provider(tracer_provider)
```
-## Agno エージェントを OTEL でトレースする
+
+ ## OTEL で Agno エージェントをトレースする
+
-トレーサープロバイダーをセットアップした後、自動トレース機能を備えた Agno エージェントを作成して実行できます。以下の例では、ツールを持つシンプルなエージェントの作成方法を示します：
+tracer provider をセットアップしたら、自動トレース付きで Agno エージェントを作成して実行できます。次の例は、ツールを使ったシンプルなエージェントの作成方法を示しています。
```python lines
from agno.agent import Agent
@@ -103,13 +112,13 @@ from agno.tools.yfinance import YFinanceTools
from dotenv import load_dotenv
load_dotenv()
-# 上記で作成したファイルから AgnoInstrumentor をロード
+# 上記で作成したファイルから AgnoInstrumentor を読み込む
from tracing import AgnoInstrumentor
-# Agno のインストルメンテーションを開始
+# Agno のインストルメンテーションを開始する
AgnoInstrumentor().instrument()
-# 金融エージェントを作成
+# ファイナンスエージェントを作成する
finance_agent = Agent(
name="Finance Agent",
model=OpenAIChat(id="gpt-4o-mini"),
@@ -126,24 +135,26 @@ finance_agent = Agent(
markdown=True,
)
-# エージェントを使用 - これは自動的にトレースされます
+# エージェントを使用する - 自動的にトレースされる
finance_agent.print_response(
"What is the current stock price of Apple and what are the latest analyst recommendations?",
stream=True
)
```
-すべてのエージェント操作は自動的にトレースされ Weave に送信されるため、実行フロー、モデル呼び出し、推論ステップ、およびツールの呼び出しを可視化できます。
+すべてのエージェントの操作は自動的にトレースされ Weave に送信されます。これにより、実行フロー、モデル呼び出し、推論ステップ、ツールの呼び出しを可視化できます。
+ ## OTEL で Agno ツールをトレースする
+
-Agno でツールを定義して使用する場合、これらのツール呼び出しもトレースにキャプチャされます。OTEL インテグレーションは、エージェントの推論プロセスと個々のツール実行の両方を自動的にインストルメントし、エージェントの振る舞いを包括的に把握できるようにします。
+Agno でツールを定義して使用すると、これらのツール呼び出しもトレース内に記録されます。OTEL インテグレーションは、エージェントの思考プロセスと個々のツール実行の両方を自動的にインスツルメンテーションし、エージェントの挙動を包括的に把握できるようにします。
-以下は、複数のツールを使用した例です：
+複数のツールを用いた例を次に示します。
```python lines
from agno.agent import Agent
@@ -154,13 +165,13 @@ from agno.tools.yfinance import YFinanceTools
from dotenv import load_dotenv
load_dotenv()
-# 上記で作成したファイルから AgnoInstrumentor をロード
+# 上記で作成したファイルから AgnoInstrumentor を読み込む
from tracing import AgnoInstrumentor
-# Agno のインストルメンテーションを開始
+# Agno のインストルメンテーションを開始する
AgnoInstrumentor().instrument()
-# 複数のツールを持つエージェントを作成
+# 複数のツールを持つエージェントを作成する
research_agent = Agent(
name="Research Agent",
model=OpenAIChat(id="gpt-4o-mini"),
@@ -177,7 +188,7 @@ research_agent = Agent(
markdown=True,
)
-# エージェントを使用 - ツールの呼び出しがトレースされます
+# エージェントを使用する - ツール呼び出しはトレースされる
research_agent.print_response(
"Research Tesla's recent performance and news. Include stock price and any recent developments.",
stream=True
@@ -185,12 +196,14 @@ research_agent.print_response(
```
+ ## OTEL でマルチエージェント チームをトレースする
+
-Agno の強力なマルチエージェントアーキテクチャーにより、連携してコンテキストを共有できるエージェントチームを作成できます。これらのチームの相互作用も完全にトレースされます：
+Agno の強力なマルチエージェント アーキテクチャにより、コンテキストを共有しながら協調して動作するエージェント チームを作成できます。これらのチーム間のやり取りもすべてトレースされます。
```python lines
from agno.agent import Agent
@@ -201,13 +214,13 @@ from agno.tools.yfinance import YFinanceTools
from dotenv import load_dotenv
load_dotenv()
-# tracing.py ファイルから AgnoInstrumentor をロード
+# tracin.py ファイルから AgnoInstrumentor を読み込む
from tracing import AgnoInstrumentor
-# Agno のインストルメンテーションを開始
+# Agno のインストルメンテーションを開始する
AgnoInstrumentor().instrument()
-# 特化型エージェントを作成
+# 専門エージェントを作成する
web_agent = Agent(
name="Web Agent",
role="Search the web for information",
@@ -228,7 +241,7 @@ finance_agent = Agent(
markdown=True,
)
-# エージェントチームを作成
+# エージェントチームを作成する
agent_team = Agent(
team=[web_agent, finance_agent],
model=OpenAIChat(id="gpt-4o"),
@@ -237,22 +250,24 @@ agent_team = Agent(
markdown=True,
)
-# チームを使用 - すべてのエージェント間の相互作用がトレースされます
+# チームを使用する - すべてのエージェントのやり取りがトレースされる
agent_team.print_response(
"What's the current market sentiment around NVIDIA? Include both news analysis and financial metrics.",
stream=True
)
```
-このマルチエージェントトレースにより、Weave 内で異なるエージェント間の調整が表示され、エージェントチーム全体でタスクがどのように分散・実行されるかの可視性が得られます。
+このマルチエージェント trace は Weave 内の異なるエージェント間の連携を示し、タスクがエージェント チーム全体にどのように分散・実行されているかという点での公開範囲を提供します。
+ ## Reasoning Agent の利用
+
-Agno は、エージェントが問題を段階的に考えるための組み込み推論機能を提供します。これらの推論プロセスも Traces にキャプチャされます：
+Agno には、エージェントが問題を段階的に考え進められるよう支援する組み込みの推論機能が備わっています。これらの推論プロセスは trace にも記録されます。
```python lines
from agno.agent import Agent
@@ -263,13 +278,13 @@ from agno.tools.yfinance import YFinanceTools
from dotenv import load_dotenv
load_dotenv()
-# tracing.py ファイルから AgnoInstrumentor をロード
+# tracin.py ファイルから AgnoInstrumentor を読み込む
from tracing import AgnoInstrumentor
-# Agno のインストルメンテーションを開始
+# Agno のインストルメンテーションを開始する
AgnoInstrumentor().instrument()
-# 推論エージェントを作成
+# 推論エージェントを作成する
reasoning_agent = Agent(
name="Reasoning Finance Agent",
model=OpenAIChat(id="gpt-4o"),
@@ -287,22 +302,24 @@ reasoning_agent = Agent(
markdown=True,
)
-# 推論エージェントを使用
+# 推論エージェントを使用する
reasoning_agent.print_response(
"Should I invest in Apple stock right now? Analyze the current situation and provide a reasoned recommendation.",
stream=True
)
```
-推論ステップがトレースに表示され、エージェントが複雑な問題をどのように分解し、意思決定を行っているかを確認できます。
+推論の各ステップは trace 上に表示され、エージェントが複雑な問題をどのように分解し、どのように意思決定しているかがわかります。
+ ## メモリとナレッジの活用
+
-Agno エージェントはメモリを保持し、ナレッジベースにアクセスできます。これらの操作もトレースされます：
+Agno エージェントはメモリを保持し、ナレッジベースへアクセスできます。これらの操作もトレース対象です。
```python lines
from agno.agent import Agent
@@ -313,14 +330,14 @@ from agno.storage.sqlite import SqliteStorage
from dotenv import load_dotenv
load_dotenv()
-# tracing.py ファイルから AgnoInstrumentor をロード
+# AgnoInstrumentor を tracing.py ファイルから読み込む
from tracing import AgnoInstrumentor
-# Agno のインストルメンテーションを開始
+# Agno のインストルメンテーションを開始する
AgnoInstrumentor().instrument()
-# メモリを持つエージェントを作成
+# メモリを持つエージェントを作成する
memory_agent = Agent(
name="Memory Agent",
model=OpenAIChat(id="gpt-4o-mini"),
@@ -337,20 +354,22 @@ memory_agent = Agent(
# 最初のインタラクション
memory_agent.print_response("My name is John and I'm interested in AI investing strategies.")
-# 2回目のインタラクション - エージェントは前のコンテキストを覚えています
+# 2 回目のインタラクション - エージェントは前のコンテキストを記憶している
memory_agent.print_response("What specific AI companies would you recommend for my portfolio?")
```
+ ## さらに詳しく
+
-- [Weave ドキュメント: Send OTEL traces to Weave](../tracking/otel)
-- [Agno 公式ドキュメント](https://docs.agno.com/)
-- [OTEL 公式ドキュメント](https://opentelemetry.io/)
-- [Agno GitHub リポジトリ](https://github.com/agno-agi/agno)
-- [OpenInference Agno インストルメンテーション](https://pypi.org/project/openinference-instrumentation-agno/)
\ No newline at end of file
+* [Weave ドキュメント: OTEL トレースを Weave に送信する](../tracking/otel)
+* [Agno の公式ドキュメント](https://docs.agno.com/)
+* [OTEL の公式ドキュメント](https://opentelemetry.io/)
+* [Agno の GitHub リポジトリ](https://github.com/agno-agi/agno)
+* [OpenInference Agno 用インストルメンテーション](https://pypi.org/project/openinference-instrumentation-agno/)
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/anthropic.mdx b/ja/weave/guides/integrations/anthropic.mdx
index 27fa9f26cd..f8523f8d84 100644
--- a/ja/weave/guides/integrations/anthropic.mdx
+++ b/ja/weave/guides/integrations/anthropic.mdx
@@ -1,177 +1,184 @@
---
-title: Anthropic
-description: Weave を使用して、Anthropic SDK 経由で行われた LLM コールを自動的に追跡し、ログを記録します
+title: "Anthropic"
+description: "Anthropic SDK 経由の LLM 呼び出しを Weave で自動追跡およびログ記録する"
---
- thought
-
-
+
-Weave をコードに統合すると、[Python](https://github.com/anthropics/anthropic-sdk-python) および [TypeScript](https://github.com/anthropics/anthropic-sdk-typescript) 用の Anthropic SDK で行われた LLM 呼び出しを自動的に追跡し、ログを記録します。Weave は Anthropic の `Messages.create` メソッドを自動的に呼び出すことでこれを実現します。
+コードに Weave を統合すると、Anthropic SDK を使用して行われる LLM 呼び出しが、[Python](https://github.com/anthropics/anthropic-sdk-python) と [TypeScript](https://github.com/anthropics/anthropic-sdk-typescript) の両方で自動的にトラッキングおよびログ記録されます。Weave は、Anthropic の `Messages.create` メソッドを自動的に呼び出すことでこれを実現します。
-## トレース (Traces)
+
+ ## トレース
+
-コードに `weave.init("your-team-name/your-project-name")` を追加すると、Weave は Anthropic SDK の トレース を自動的にキャプチャします。`weave.init()` の 引数 としてチーム名を指定しない場合、Weave は出力を [デフォルトの W&B entity](/platform/app/settings-page/user-settings/#default-team) にログ記録します。プロジェクト名を指定しない場合、Weave の初期化は失敗します。
+コードに `weave.init("your-team-name/your-project-name")` を追加すると、Weave は Anthropic SDK のトレースを自動的に記録します。`weave.init()` の引数としてチーム名を指定しない場合、Weave は出力を [default W&B entity](/ja/platform/app/settings-page/user-settings/#default-team) にログします。プロジェクト名を指定しない場合、Weave は初期化に失敗します。
-以下の例は、Anthropic への基本的な呼び出しに Weave を統合する方法を示しています。
+次の例は、Anthropic への基本的な呼び出しに Weave を組み込む方法を示しています。
-```python lines {6}
-import weave
-# 通常通り anthropic ライブラリを使用します
-import os
-from anthropic import Anthropic
+ ```python lines {6}
+ import weave
+ # 通常どおり anthropic ライブラリを使用
+ import os
+ from anthropic import Anthropic
-weave.init("anthropic_project")
+ weave.init("anthropic_project")
-client = Anthropic(
- api_key=os.environ.get("ANTHROPIC_API_KEY"),
-)
+ client = Anthropic(
+ api_key=os.environ.get("ANTHROPIC_API_KEY"),
+ )
-message = client.messages.create(
- max_tokens=1024,
- messages=[
- {
- "role": "user",
- "content": "犬に関するジョークを教えて",
- }
- ],
- model="claude-3-opus-20240229",
-)
-print(message.content)
-```
+ message = client.messages.create(
+ max_tokens=1024,
+ messages=[
+ {
+ "role": "user",
+ "content": "Tell me a joke about a dog",
+ }
+ ],
+ model="claude-3-opus-20240229",
+ )
+ print(message.content)
+ ```
+
-```typescript
-import Anthropic from '@anthropic-ai/sdk';
-import * as weave from 'weave';
-import { wrapAnthropic } from 'weave';
+ ```typescript
+ import Anthropic from '@anthropic-ai/sdk';
+ import * as weave from 'weave';
+ import { wrapAnthropic } from 'weave';
-await weave.init('anthropic_project');
+ await weave.init('anthropic_project');
-// Anthropic クライアントをラップしてトレースを有効にします
-const client = wrapAnthropic(new Anthropic());
+ // トレースを有効にするために Anthropic クライアントをラップ
+ const client = wrapAnthropic(new Anthropic());
-const message = await client.messages.create({
- max_tokens: 1024,
- messages: [
- {
- role: 'user',
- content: '犬に関するジョークを教えて',
- }
- ],
- model: 'claude-3-opus-20240229',
-});
+ const message = await client.messages.create({
+ max_tokens: 1024,
+ messages: [
+ {
+ role: 'user',
+ content: 'Tell me a joke about a dog',
+ }
+ ],
+ model: 'claude-3-opus-20240229',
+ });
-console.log(message.content);
-```
+ console.log(message.content);
+ ```
-コードに `weave.init()` を含めることで、Weave は自動的に トレース 情報をキャプチャし、リンクを出力します。リンクをクリックすると、Weave UI で トレース を確認できます。
+コードに `weave.init()` を含めることで、Weave はトレース情報を自動的に記録し、リンクを出力します。リンクをクリックすると Weave UI でトレースを確認できます。
-[](https://wandb.ai/capecape/anthropic_project/weave/calls)
+[](https://wandb.ai/capecape/anthropic_project/weave/calls)
-## 独自の op でラップする
+
+ ## 独自の ops でラップする
+
-Weave の op は、実験を進める際に行われる コード の バージョン管理 を自動化し、その入力と出力をキャプチャします。[`@weave.op()`](https://wandb.github.io/weave/guides/tracking/ops) (Python) でデコレートするか、[`weave.op()`](/weave/reference/typescript-sdk/functions/op) (TypeScript) でラップして [`Anthropic.messages.create`](https://docs.anthropic.com/en/api/messages-examples) を呼び出すことで、Weave が入力と出力を追跡します。
+Weave の ops は、実験を行う際のコードに自動的にバージョンを付け、その入力と出力をキャプチャします。[`@weave.op()`](https://docs.wandb.ai/weave/guides/tracking/ops) (Python) で関数をデコレートするか、[`weave.op()`](/ja/weave/reference/typescript-sdk/functions/op) (TypeScript) でラップして [`Anthropic.messages.create`](https://platform.claude.com/docs/en/build-with-claude/working-with-messages) を呼び出すと、Weave が入力と出力を自動的に追跡します。
-以下の例は、関数を追跡する方法を示しています。
+次の例は、関数をどのように追跡するかを示しています。
-```python lines {5,10,24}
-import weave
-import os
-from anthropic import Anthropic
-
-weave.init("anthropic_project")
-client = Anthropic(
- api_key=os.environ.get("ANTHROPIC_API_KEY"),
-)
-
-@weave.op()
-def call_anthropic(user_input:str, model:str) -> str:
- message = client.messages.create(
- max_tokens=1024,
- messages=[
- {
- "role": "user",
- "content": user_input,
- }
- ],
- model=model,
+ ```python lines {5,10,24}
+ import weave
+ import os
+ from anthropic import Anthropic
+
+ weave.init("anthropic_project")
+ client = Anthropic(
+ api_key=os.environ.get("ANTHROPIC_API_KEY"),
)
- return message.content[0].text
-
-@weave.op()
-def generate_joke(topic: str) -> str:
- return call_anthropic(f"{topic} に関するジョークを教えて", model="claude-3-haiku-20240307")
-print(generate_joke("ニワトリ"))
-print(generate_joke("車"))
-```
-
-
-```typescript
-import Anthropic from '@anthropic-ai/sdk';
-import * as weave from 'weave';
-import { wrapAnthropic } from 'weave';
-
-await weave.init('anthropic_project');
-const client = wrapAnthropic(new Anthropic());
-
-const callAnthropic = weave.op(async function callAnthropic(
- userInput: string,
- model: string
-): Promise {
- const message = await client.messages.create({
- max_tokens: 1024,
- messages: [
+ @weave.op()
+ def call_anthropic(user_input:str, model:str) -> str:
+ message = client.messages.create(
+ max_tokens=1024,
+ messages=[
{
- role: 'user',
- content: userInput,
+ "role": "user",
+ "content": user_input,
}
- ],
- model: model,
+ ],
+ model=model,
+ )
+ return message.content[0].text
+
+ @weave.op()
+ def generate_joke(topic: str) -> str:
+ return call_anthropic(f"Tell me a joke about {topic}", model="claude-3-haiku-20240307")
+
+ print(generate_joke("chickens"))
+ print(generate_joke("cars"))
+ ```
+
+
+
+ ```typescript
+ import Anthropic from '@anthropic-ai/sdk';
+ import * as weave from 'weave';
+ import { wrapAnthropic } from 'weave';
+
+ await weave.init('anthropic_project');
+ const client = wrapAnthropic(new Anthropic());
+
+ const callAnthropic = weave.op(async function callAnthropic(
+ userInput: string,
+ model: string
+ ): Promise {
+ const message = await client.messages.create({
+ max_tokens: 1024,
+ messages: [
+ {
+ role: 'user',
+ content: userInput,
+ }
+ ],
+ model: model,
+ });
+ const content = message.content[0];
+ return content.type === 'text' ? content.text : '';
});
- const content = message.content[0];
- return content.type === 'text' ? content.text : '';
-});
-
-const generateJoke = weave.op(async function generateJoke(
- topic: string
-): Promise {
- return callAnthropic(`${topic} に関するジョークを教えて`, 'claude-3-haiku-20240307');
-});
-
-console.log(await generateJoke('ニワトリ'));
-console.log(await generateJoke('車'));
-```
+
+ const generateJoke = weave.op(async function generateJoke(
+ topic: string
+ ): Promise {
+ return callAnthropic(`Tell me a joke about ${topic}`, 'claude-3-haiku-20240307');
+ });
+
+ console.log(await generateJoke('chickens'));
+ console.log(await generateJoke('cars'));
+ ```
-関数を `weave.op()` でデコレートまたはラップすることで、Weave は関数の コード 、入力、および出力をキャプチャします。op を使用して、ネストされた関数を含む任意の関数を追跡できます。
+関数を `weave.op()` でデコレートまたはラップすると、Weave がその関数のコード、入力、出力をキャプチャします。ops を使うと、ネストされた関数も含めて任意の関数を追跡できます。
-[](https://wandb.github.io/weave/guides/tracking/ops)
+[](https://docs.wandb.ai/weave/guides/tracking/ops)
-## 実験を容易にするための `Model` の作成
+
+ ## 実験をより簡単に行うために `Model` を作成する
+
-`weave.Model` クラスは Weave Python SDK でのみ利用可能です。TypeScript の場合は、`weave.op()` ラッパーを使用して、構造化された パラメータ を持つ関数を追跡してください。
+ `weave.Model` クラスは Weave Python SDK でのみ利用できます。TypeScript の場合は、`weave.op()` ラッパーを使用して、構造化されたパラメーターを持つ関数を追跡してください。
-多くの要素が動いている場合、実験の整理は困難です。[`Model`](/weave/guides/core-types/models) クラスを使用することで、システムプロンプトや使用している モデル など、アプリケーションの実験的な詳細をキャプチャして整理できます。これにより、アプリケーションの異なるイテレーションの整理と比較が容易になります。
+多くの要素が絡み合うと、実験を整理するのは難しくなります。[`Model`](/ja/weave/guides/core-types/models) クラスを使うことで、システムプロンプトや使用している モデル など、アプリの実験に関する詳細を記録して整理できます。これにより、アプリのさまざまなイテレーションを整理・比較しやすくなります。
-コード の バージョン管理 や入力/出力のキャプチャに加えて、[`Model`](/weave/guides/core-types/models) は アプリケーション の 振る舞い を制御する構造化された パラメータ をキャプチャします。これにより、どの パラメータ が最適かを判断するのに役立ちます。また、Weave Models は `serve` や [`Evaluation`](/weave/guides/core-types/evaluations) と併用することも可能です。
+コードのバージョニングや入出力の記録に加えて、複数の [`Model`](/ja/weave/guides/core-types/models) はアプリケーションの動作を制御する構造化されたパラメーターも保持します。これにより、どのパラメーターの組み合わせが最適かを見つけるのに役立ちます。また、Weave Models を `serve` や複数の [`Evaluation`](/ja/weave/guides/core-types/evaluations) と組み合わせて使用することもできます。
-以下の例では、`model` と `temperature` を使用して実験を行うことができます。
+次の例では、`model` と `temperature` を変えて実験できます。
```python lines
import weave
-# 通常通り anthropic ライブラリを使用します
+# anthropic ライブラリを通常通り使用する
import os
from anthropic import Anthropic
weave.init('joker-anthropic')
@@ -188,7 +195,7 @@ class JokerModel(weave.Model): # `weave.Model` に変更
messages=[
{
"role": "user",
- "content": f"{topic} に関するジョークを教えて",
+ "content": f"Tell me a joke about {topic}",
}
],
model=self.model,
@@ -200,87 +207,90 @@ class JokerModel(weave.Model): # `weave.Model` に変更
joker = JokerModel(
model="claude-3-haiku-20240307",
temperature = 0.1)
-result = joker.predict("ニワトリとロボット")
+result = joker.predict("Chickens and Robots")
print(result)
```
-これらの 値 のいずれかを変更するたびに、Weave は `JokerModel` の新しい バージョン を作成し追跡します。これにより、 トレース データと コード の変更を関連付けることができ、どの 設定 が ユースケース に最適かを判断するのに役立ちます。
+これらの値のいずれかを変更するたびに、Weave は新しいバージョンの `JokerModel` を作成して追跡します。これにより、トレースデータをコードの変更と関連付けることができ、どの設定がユースケースに最適かを判断するのに役立ちます。
-[](https://wandb.ai/capecape/anthropic_project/weave/calls)
+[](https://wandb.ai/capecape/anthropic_project/weave/calls)
-## ツール (function calling)
+
+ ## ツール (関数呼び出し)
+
-Anthropic は、Claude が関数呼び出しを要求できるようにする [tools](https://docs.anthropic.com/en/docs/tool-use) インターフェースを提供しています。Weave は、会話全体を通じてツールの定義、ツール使用リクエスト、およびツールの 結果 を自動的に追跡します。
+Anthropic は Claude が関数呼び出しを要求できる [ツール](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview) インターフェースを提供しています。Weave は会話全体を通して、ツール定義、ツールの利用リクエスト、およびツールの結果を自動的に追跡します。
-以下の簡略化された例は、Anthropic のツール設定を示しています。
+次の一部を省略した例は、Anthropic のツール設定を示しています。
-```python lines
-message = client.messages.create(
- max_tokens=1024,
- messages=[
- {
- "role": "user",
- "content": "サンフランシスコの天気はどうですか？",
- }
- ],
- tools=[
- {
- "name": "get_weather",
- "description": "指定された場所の現在の天気を取得します",
- "input_schema": {
- "type": "object",
- "properties": {
- "location": {
- "type": "string",
- "description": "都市と州。例: San Francisco, CA",
- }
+ ```python lines
+ message = client.messages.create(
+ max_tokens=1024,
+ messages=[
+ {
+ "role": "user",
+ "content": "What's the weather like in San Francisco?",
+ }
+ ],
+ tools=[
+ {
+ "name": "get_weather",
+ "description": "Get the current weather in a given location",
+ "input_schema": {
+ "type": "object",
+ "properties": {
+ "location": {
+ "type": "string",
+ "description": "The city and state, e.g. San Francisco, CA",
+ }
+ },
+ "required": ["location"],
},
- "required": ["location"],
},
- },
- ],
- model=model,
-)
+ ],
+ model=model,
+ )
-print(message)
-```
+ print(message)
+ ```
+
-```typescript
-const message = await client.messages.create({
- max_tokens: 1024,
- messages: [
- {
- role: 'user',
- content: "サンフランシスコの天気はどうですか？",
- }
- ],
- tools: [
- {
- name: 'get_weather',
- description: '指定された場所の現在の天気を取得します',
- input_schema: {
- type: 'object',
- properties: {
- location: {
- type: 'string',
- description: '都市と州。例: San Francisco, CA',
- }
+ ```typescript
+ const message = await client.messages.create({
+ max_tokens: 1024,
+ messages: [
+ {
+ role: 'user',
+ content: "What's the weather like in San Francisco?",
+ }
+ ],
+ tools: [
+ {
+ name: 'get_weather',
+ description: 'Get the current weather in a given location',
+ input_schema: {
+ type: 'object',
+ properties: {
+ location: {
+ type: 'string',
+ description: 'The city and state, e.g. San Francisco, CA',
+ }
+ },
+ required: ['location'],
},
- required: ['location'],
},
- },
- ],
- model: 'claude-3-opus-20240229',
-});
+ ],
+ model: 'claude-3-opus-20240229',
+ });
-console.log(message);
-```
+ console.log(message);
+ ```
-Weave は、会話の各ステップにおけるツールの定義、Claude のツール使用リクエスト、およびツールの 結果 を自動的にキャプチャします。
+Weave は会話の各ステップで、ツール定義、Claude のツール利用リクエスト、およびツールの結果を自動的に記録します。
-[](https://wandb.ai/capecape/anthropic_project/weave/calls)
\ No newline at end of file
+[](https://wandb.ai/capecape/anthropic_project/weave/calls)
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/autogen.mdx b/ja/weave/guides/integrations/autogen.mdx
index 4283fc210b..832a93db5c 100644
--- a/ja/weave/guides/integrations/autogen.mdx
+++ b/ja/weave/guides/integrations/autogen.mdx
@@ -1,27 +1,29 @@
---
-title: AutoGen
-description: Weave を使用して、AutoGen エージェントおよびマルチエージェントシステムのトレースとモニタリングを行います
+title: "AutoGen"
+description: "Weave を使用して AutoGen エージェントおよびマルチエージェント システムを追跡および監視する"
---
-{/* TODO: このガイド用のColabノートブックをバッジリンクと共に追加してください。 */}
+{/* TODO: このガイド用の Colab ノートブックを用意し、ここにバッジリンクを追加する。 */}
-AutoGen は、AI エージェントやアプリケーションを構築するための Microsoft 製のフレームワークです。会話型 AI（`AgentChat`）、コアなマルチエージェント機能（`Core`）、外部サービスとのインテグレーション（`Extensions`）のためのコンポーネントを提供し、複雑なマルチエージェントシステムの作成を簡素化します。また、AutoGen はノーコードでエージェントのプロトタイプを作成できる `Studio` も提供しています。詳細については、[AutoGen 公式ドキュメント](https://microsoft.github.io/autogen/stable//index.html)をご覧ください。
+AutoGen は Microsoft による、AI エージェントやアプリケーションを構築するためのフレームワークです。会話型 AI（`AgentChat`）、コアとなるマルチエージェント機能（`Core`）、外部サービスとのインテグレーション（`Extensions`）向けのコンポーネントを提供することで、複雑なマルチエージェントシステムの構築を簡素化します。AutoGen はまた、コードを書かずにエージェントをプロトタイピングできる `Studio` も提供します。詳細については、[公式 AutoGen ドキュメント](https://microsoft.github.io/autogen/stable//index.html)を参照してください。
-このガイドは、[AutoGen](https://microsoft.github.io/autogen/stable/index.html) に関する基本的な知識があることを前提としています。
+ このガイドでは、[AutoGen](https://microsoft.github.io/autogen/stable/index.html) の基本的な理解があることを前提としています。
-Weave は [AutoGen](https://microsoft.github.io/autogen/stable/index.html) と連携し、マルチエージェントアプリケーションの実行をトレースして可視化するのに役立ちます。Weave を初期化するだけで、`autogen_agentchat`、`autogen_core`、`autogen_ext` 内のインタラクションを自動的に追跡できます。このガイドでは、AutoGen で Weave を使用するさまざまな例を順を追って説明します。
+Weave は [AutoGen](https://microsoft.github.io/autogen/stable/index.html) と連携し、マルチエージェントアプリケーションの実行をトレースおよび可視化できるようにします。Weave を初期化するだけで、`autogen_agentchat`、`autogen_core`、`autogen_ext` 内のやり取りを自動的に追跡できます。このガイドでは、Weave を AutoGen と組み合わせて使用するさまざまな例を順に説明します。
-## 事前準備
+
+ ## 前提条件
+
-始める前に、AutoGen と Weave がインストールされていることを確認してください。また、使用する予定の LLM プロバイダー（OpenAI、Anthropic など）の SDK も必要です。
+作業を始める前に、AutoGen と Weave がインストールされていることを確認してください。また、使用する予定の LLM プロバイダー用の SDK（例: OpenAI、Anthropic）もインストールしておく必要があります。
```bash
pip install autogen_agentchat "autogen_ext[openai,anthropic]" weave
```
-APIキーを環境変数として設定します。
+API キーを環境変数として設定します：
```python lines
import os
@@ -30,22 +32,28 @@ os.environ["OPENAI_API_KEY"] = ""
os.environ["ANTHROPIC_API_KEY"] = ""
```
-## 基本設定
+
+ ## 基本的なセットアップ
+
-スクリプトの冒頭で Weave を初期化し、トレースのキャプチャを開始します。
+トレースの取得を開始するために、スクリプトの冒頭で Weave を初期化します。
```python lines {2}
import weave
weave.init("autogen-demo")
```
-## シンプルなモデルクライアントのトレース
+
+ ## シンプルなモデルクライアントのトレース
+
-Weave は、AutoGen 内のモデルクライアントに対して直接行われた呼び出しをトレースできます。
+Weave を使うと、AutoGen 内のモデルクライアントへの直接呼び出しをトレースできます。
-### クライアントの create 呼び出しをトレースする
+
+ ### クライアントの create 呼び出しのトレース
+
-この例では、`OpenAIChatCompletionClient` への単一の呼び出しをトレースする方法を示します。
+この例では、`OpenAIChatCompletionClient` に対する 1 回の呼び出しをトレースする方法を示します。
```python lines
import asyncio
@@ -57,7 +65,7 @@ async def simple_client_call(model_name = "gpt-4o"):
model_client = OpenAIChatCompletionClient(
model=model_name,
)
- # 代わりに Anthropic や他のモデルクライアントを使用することもできます
+ # または、Anthropic や他のモデルクライアントを使用することもできます
# model_client = AnthropicChatCompletionClient(
# model="claude-3-haiku-20240307"
# )
@@ -70,11 +78,13 @@ asyncio.run(simple_client_call())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee09-8dcf-7b72-8cdc-7699608cd6ef%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee09-8dcf-7b72-8cdc-7699608cd6ef%3FhideTraceTree%3D0)
-### ストリーミングを伴うクライアントの create 呼び出しをトレースする
+
+ ### ストリーミング対応のクライアント create 呼び出しをトレースする
+
-Weave は、ストリーミングレスポンスのトレースもサポートしています。
+Weave はストリーミング レスポンスのトレースにも対応しています。
```python lines
@@ -89,11 +99,13 @@ asyncio.run(simple_client_call_stream())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee0e-24be-7523-b15e-04f87c03ac68%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee0e-24be-7523-b15e-04f87c03ac68%3FhideTraceTree%3D0)
-### Weave によるキャッシュされた呼び出しの記録
+
+ ### Weave はキャッシュされた呼び出しを記録する
+
-AutoGen の `ChatCompletionCache` を使用すると、Weave はこれらのインタラクションをトレースし、レスポンスがキャッシュから取得されたものか、新しい呼び出しによるものかを表示します。
+AutoGen の `ChatCompletionCache` を使用すると、Weave がこれらの対話をトレースし、レスポンスがキャッシュから返されたものか、新規の呼び出しによるものかを示します。
```python lines
@@ -106,27 +118,29 @@ async def run_cache_client(model_name = "gpt-4o"):
response = await cache_client.create(
[UserMessage(content="Hello, how are you?", source="user")]
)
- print(response) # OpenAI からのレスポンスが出力されるはずです
+ print(response) # OpenAI からのレスポンスを出力するはず
response = await cache_client.create(
[UserMessage(content="Hello, how are you?", source="user")]
)
- print(response) # キャッシュされたレスポンスが出力されるはずです
+ print(response) # キャッシュされたレスポンスを出力するはず
asyncio.run(run_cache_client())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee11-fded-72c2-baaa-7c0ba2a7cd3b%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee11-fded-72c2-baaa-7c0ba2a7cd3b%3FhideTraceTree%3D0)
-## ツール呼び出しを伴うエージェントのトレース
+
+ ## ツール呼び出しを行うエージェントのトレース
+
-Weave はエージェントとそのツールの使用状況をトレースし、エージェントがどのようにツールを選択して実行するかを可視化します。
+Weave はエージェントとそのツールの使用状況をトレースし、エージェントがどのようにツールを選択して実行しているかについての可視性（公開範囲）を提供します。
```python lines
from autogen_agentchat.agents import AssistantAgent
async def get_weather(city: str) -> str:
- return f"{city} の天気は 73 度で晴れです。"
+ return f"The weather in {city} is 73 degrees and Sunny."
async def run_agent_with_tools(model_name = "gpt-4o"):
model_client = OpenAIChatCompletionClient(model=model_name)
@@ -135,12 +149,12 @@ async def run_agent_with_tools(model_name = "gpt-4o"):
name="weather_agent",
model_client=model_client,
tools=[get_weather],
- system_message="あなたは親切なアシスタントです。",
+ system_message="You are a helpful assistant.",
reflect_on_tool_use=True,
)
- # コンソールへの出力をストリーミングする場合:
- # await Console(agent.run_stream(task="ニューヨークの天気はどうですか？"))
- res = await agent.run(task="ニューヨークの天気はどうですか？")
+ # コンソールへのストリーミング出力の場合:
+ # await Console(agent.run_stream(task="What is the weather in New York?"))
+ res = await agent.run(task="What is the weather in New York?")
print(res)
await model_client.close()
@@ -148,19 +162,21 @@ asyncio.run(run_agent_with_tools())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee13-e5ca-72a1-b7b6-4b263fad89e3%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee13-e5ca-72a1-b7b6-4b263fad89e3%3FhideTraceTree%3D0)
-## GroupChat のトレース - RoundRobin
+
+ ## GroupChat のトレース - RoundRobin
+
-`RoundRobinGroupChat` などのグループチャット内のインタラクションは Weave によってトレースされ、エージェント間の会話の流れを追うことができます。
+`RoundRobinGroupChat` のようなグループチャット内でのインタラクションは Weave によってトレースされるため、エージェント間の会話の流れを追跡できます。
```python lines
from autogen_agentchat.conditions import TextMentionTermination
from autogen_agentchat.teams import RoundRobinGroupChat
-# グループチャット全体をトレースしたいため、ここに weave op を追加します。
-# これは完全にオプションですが、使用することを強くお勧めします。
+# グループチャット全体をトレースするために weave op をここに追加します
+# 完全にオプションですが、使用することを強くお勧めします
@weave.op
async def run_round_robin_group_chat(model_name="gpt-4o"):
@@ -169,13 +185,13 @@ async def run_round_robin_group_chat(model_name="gpt-4o"):
primary_agent = AssistantAgent(
"primary",
model_client=model_client,
- system_message="あなたは親切な AI アシスタントです。",
+ system_message="You are a helpful AI assistant.",
)
critic_agent = AssistantAgent(
"critic",
model_client=model_client,
- system_message="建設的なフィードバックを提供してください。フィードバックが反映されたら 'APPROVE' と答えてください。",
+ system_message="Provide constructive feedback. Respond with 'APPROVE' to when your feedbacks are addressed.",
)
text_termination = TextMentionTermination("APPROVE")
@@ -184,9 +200,9 @@ async def run_round_robin_group_chat(model_name="gpt-4o"):
[primary_agent, critic_agent], termination_condition=text_termination
)
await team.reset()
- # コンソールへの出力をストリーミングする場合:
- # await Console(team.run_stream(task="秋の季節についての短い詩を書いてください。"))
- result = await team.run(task="秋の季節についての短い詩を書いてください。")
+ # コンソールへのストリーミング出力の場合:
+ # await Console(team.run_stream(task="Write a short poem about the fall season."))
+ result = await team.run(task="Write a short poem about the fall season.")
print(result)
await model_client.close()
@@ -195,19 +211,21 @@ asyncio.run(run_round_robin_group_chat())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fparambharat%2Fautogen-demo%2Fop%2Frun_round_robin_group_chat%3A*%22%5D%7D&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196f16c-26ce-7b32-8f0c-2366d29038a3%3FdescendentCallId%3D0196f16c-26ce-7b32-8f0c-2366d29038a3%26hideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fparambharat%2Fautogen-demo%2Fop%2Frun_round_robin_group_chat%3A*%22%5D%7D\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196f16c-26ce-7b32-8f0c-2366d29038a3%3FdescendentCallId%3D0196f16c-26ce-7b32-8f0c-2366d29038a3%26hideTraceTree%3D0)
-## メモリのトレース
+
+ ## メモリのトレース
+
-AutoGen のメモリコンポーネントは Weave でトレースできます。`@weave.op()` を使用して、読みやすさを向上させるためにメモリ操作を単一のトレースにグループ化できます。
+AutoGen のメモリコンポーネントは Weave でトレースできます。`@weave.op()` を使用すると、メモリ操作を単一のトレースにまとめて可読性を高めることができます。
```python lines
from autogen_core.memory import ListMemory, MemoryContent, MemoryMimeType
-# メモリ追加の呼び出しとメモリ取得の呼び出しを単一のトレースの下で
-# まとめてトレースしたいため、ここに weave op を追加します。
-# これは完全にオプションですが、使用することを強くお勧めします。
+# ここで weave op を追加するのは、メモリの追加呼び出しと取得呼び出しを
+# 単一のトレースとしてまとめてトレースしたいためです
+# 完全にオプションですが、使用することを強くお勧めします
@weave.op
async def run_memory_agent(model_name="gpt-4o"):
@@ -215,24 +233,24 @@ async def run_memory_agent(model_name="gpt-4o"):
await user_memory.add(
MemoryContent(
- content="天気はメートル法であるべきです",
+ content="The weather should be in metric units",
mime_type=MemoryMimeType.TEXT,
)
)
await user_memory.add(
MemoryContent(
- content="食事のレシピはビーガンでなければなりません", mime_type=MemoryMimeType.TEXT
+ content="Meal recipe must be vegan", mime_type=MemoryMimeType.TEXT
)
)
async def get_weather(city: str, units: str = "imperial") -> str:
if units == "imperial":
- return f"{city} の天気は 73 °F で晴れです。"
+ return f"The weather in {city} is 73 °F and Sunny."
elif units == "metric":
- return f"{city} の天気は 23 °C で晴れです。"
+ return f"The weather in {city} is 23 °C and Sunny."
else:
- return f"申し訳ありません、{city} の天気はわかりません。"
+ return f"Sorry, I don't know the weather in {city}."
model_client = OpenAIChatCompletionClient(model=model_name)
assistant_agent = AssistantAgent(
@@ -242,10 +260,10 @@ async def run_memory_agent(model_name="gpt-4o"):
memory=[user_memory],
)
- # コンソールへの出力をストリーミングする場合:
- # stream = assistant_agent.run_stream(task="ニューヨークの天気はどうですか？")
+ # コンソールへのストリーミング出力の場合:
+ # stream = assistant_agent.run_stream(task="What is the weather in New York?")
# await Console(stream)
- result = await assistant_agent.run(task="ニューヨークの天気はどうですか？")
+ result = await assistant_agent.run(task="What is the weather in New York?")
print(result)
await model_client.close()
@@ -254,14 +272,16 @@ asyncio.run(run_memory_agent())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee18-28b6-7063-90df-77aaedf88dc9%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee18-28b6-7063-90df-77aaedf88dc9%3FhideTraceTree%3D0)
-## RAG ワークフローのトレース
+
+ ## RAG ワークフローのトレース
+
-`ChromaDBVectorMemory` のようなメモリシステムを使用したドキュメントのインデックス作成や検索を含む、検索拡張生成（RAG）ワークフローはトレース可能です。RAG プロセスを `@weave.op()` でデコレートすることで、フロー全体の可視化に役立ちます。
+Retrieval Augmented Generation (RAG) ワークフローは、`ChromaDBVectorMemory` のようなメモリ システムを用いたドキュメントのインデックス作成および検索処理も含めて、トレースできます。RAG の処理を `@weave.op()` でデコレートすることで、ワークフロー全体を可視化できます。
-この RAG の例には `chromadb` が必要です。`pip install chromadb` でインストールしてください。
+ この RAG の例では `chromadb` が必要です。`pip install chromadb` でインストールしてください。
```python lines {1,65}
@@ -326,7 +346,7 @@ class SimpleDocumentIndexer:
)
total_chunks += len(chunks)
except Exception as e:
- print(f"Error indexing {source}: {str(e)}")
+ print(f"{source} のインデックス中にエラーが発生しました: {str(e)}")
return total_chunks
@weave.op
@@ -339,7 +359,7 @@ async def run_rag_agent(model_name="gpt-4o"):
score_threshold=0.4,
)
)
- # await rag_memory.clear() # 必要に応じて既存のメモリをクリアするにはコメント解除してください
+ # await rag_memory.clear() # 既存のメモリをクリアする場合はコメントを解除してください
async def index_autogen_docs() -> None:
indexer = SimpleDocumentIndexer(memory=rag_memory)
@@ -348,11 +368,11 @@ async def run_rag_agent(model_name="gpt-4o"):
"https://microsoft.github.io/autogen/dev/user-guide/agentchat-user-guide/tutorial/agents.html",
]
chunks: int = await indexer.index_documents(sources)
- print(f"{len(sources)} 個の AutoGen ドキュメントから {chunks} 個のチャンクをインデックスしました")
+ print(f"{len(sources)} 件の AutoGen ドキュメントから {chunks} チャンクをインデックスしました")
- # コレクションが空の場合、または再インデックスしたい場合にのみインデックスを作成します
- # デモ目的では、毎回インデックスを作成するか、既にインデックスされているかを確認します
- # この例では、各実行ごとにインデックスを試みます。チェックの追加を検討してください
+ # コレクションが空の場合、または再インデックスしたい場合のみインデックスを実行してください
+ # デモ目的では、毎回インデックスするか、既にインデックス済みかを確認することができます。
+ # この例では run ごとにインデックスを試みます。チェックの追加を検討してください。
await index_autogen_docs()
model_client = OpenAIChatCompletionClient(model=model_name)
@@ -362,10 +382,10 @@ async def run_rag_agent(model_name="gpt-4o"):
memory=[rag_memory],
)
- # コンソールへの出力をストリーミングする場合:
- # stream = rag_assistant.run_stream(task="AgentChat とは何ですか？")
+ # コンソールへのストリーミング出力の場合:
+ # stream = rag_assistant.run_stream(task="What is AgentChat?")
# await Console(stream)
- result = await rag_assistant.run(task="AgentChat とは何ですか？")
+ result = await rag_assistant.run(task="What is AgentChat?")
print(result)
await rag_memory.close()
@@ -374,11 +394,13 @@ async def run_rag_agent(model_name="gpt-4o"):
asyncio.run(run_rag_agent())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee1b-bac5-7b80-8be7-6e6ea7d1d63d%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee1b-bac5-7b80-8be7-6e6ea7d1d63d%3FhideTraceTree%3D0)
-## エージェントランタイムのトレース
+
+ ## エージェント ランタイムのトレース
+
-Weave は、`SingleThreadedAgentRuntime` のような AutoGen のエージェントランタイム内の操作をトレースできます。ランタイム実行関数の周囲で `@weave.op()` を使用すると、関連するトレースをグループ化できます。
+Weave は AutoGen のエージェント ランタイム（`SingleThreadedAgentRuntime` など）の処理をトレースできます。ランタイムの実行関数を `@weave.op()` でラップすると、関連するトレースをグループ化できます。
```python lines {50}
from dataclasses import dataclass
@@ -426,9 +448,9 @@ class Checker(RoutedAgent):
else:
print(f"{'-'*80}\\nChecker:\\n{message.content} failed the check, stopping.")
-# エージェントランタイムの呼び出し全体を単一のトレースの下で
-# まとめてトレースしたいため、ここに weave op を追加します。
-# これは完全にオプションですが、使用することを強くお勧めします。
+# エージェントランタイム全体の呼び出しを単一のトレースで
+# 記録するために、ここに weave op を追加します
+# 任意ですが、使用することを強くお勧めします
@weave.op
async def run_agent_runtime() -> None:
@@ -454,14 +476,15 @@ asyncio.run(run_agent_runtime())
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee1d-6246-7f11-afb1-3a1874f79023%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee1d-6246-7f11-afb1-3a1874f79023%3FhideTraceTree%3D0)
-## ワークフローのトレース (シーケンシャル)
+
+ ## トレーシングワークフロー（逐次）
+
-エージェントのインタラクションのシーケンスを定義する複雑なエージェントワークフローをトレースできます。`@weave.op()` を使用して、ワークフロー全体のハイレベルなトレースを提供できます。
+エージェント間のやり取りのシーケンスを定義するような複雑なエージェントワークフローもトレースできます。`@weave.op()` を使用して、ワークフロー全体に対する高レベルなトレースを取得できます。
```python lines {108}
-
from autogen_core import TopicId, type_subscription
from autogen_core.models import ChatCompletionClient, SystemMessage, UserMessage
@@ -477,13 +500,13 @@ user_topic_type = "User"
@type_subscription(topic_type=concept_extractor_topic_type)
class ConceptExtractorAgent(RoutedAgent):
def __init__(self, model_client: ChatCompletionClient) -> None:
- super().__init__("A concept extractor agent.")
+ super().__init__("コンセプト抽出エージェント。")
self._system_message = SystemMessage(
content=(
- "あなたはマーケティングアナリストです。製品の説明が与えられたら、以下を特定してください:\n"
+ "あなたはマーケティングアナリストです。製品の説明を受け取り、以下を特定してください:\n"
"- 主な機能\n"
"- ターゲットオーディエンス\n"
- "- 独自のセールスポイント (USP)\n\n"
+ "- 独自のセールスポイント\n\n"
)
)
self._model_client = model_client
@@ -505,12 +528,12 @@ class ConceptExtractorAgent(RoutedAgent):
@type_subscription(topic_type=writer_topic_type)
class WriterAgent(RoutedAgent):
def __init__(self, model_client: ChatCompletionClient) -> None:
- super().__init__("A writer agent.")
+ super().__init__("ライターエージェント。")
self._system_message = SystemMessage(
content=(
- "あなたはマーケティングコピーライターです。機能、対象読者、USP を説明するテキストのブロックが与えられたら、"
- "これらのポイントを強調する魅力的なマーケティングコピー（ニュースレターのセクションのようなもの）を作成してください。"
- "出力は短く（150語程度）し、コピーだけを単一のテキストブロックとして出力してください。"
+ "あなたはマーケティングコピーライターです。機能、オーディエンス、USP を説明するテキストブロックを受け取り、"
+ "これらのポイントを強調した説得力のあるマーケティングコピー（ニュースレターのセクションなど）を作成してください。"
+ "出力は短く（約150語）、コピーのみを単一のテキストブロックとして出力してください。"
)
)
self._model_client = model_client
@@ -532,11 +555,11 @@ class WriterAgent(RoutedAgent):
@type_subscription(topic_type=format_proof_topic_type)
class FormatProofAgent(RoutedAgent):
def __init__(self, model_client: ChatCompletionClient) -> None:
- super().__init__("A format & proof agent.")
+ super().__init__("フォーマット＆校正エージェント。")
self._system_message = SystemMessage(
content=(
- "あなたは編集者です。下書きコピーが与えられたら、文法を修正し、明快さを向上させ、一貫したトーンを確保し、"
- "フォーマットを整えて洗練されたものにしてください。最終的な改善されたコピーを単一のテキストブロックとして出力してください。"
+ "あなたは編集者です。下書きのコピーを受け取り、文法を修正し、明瞭さを向上させ、一貫したトーンを確保し、"
+ "フォーマットを整えて洗練させてください。最終的に改善されたコピーを単一のテキストブロックとして出力してください。"
)
)
self._model_client = model_client
@@ -558,15 +581,15 @@ class FormatProofAgent(RoutedAgent):
@type_subscription(topic_type=user_topic_type)
class UserAgent(RoutedAgent):
def __init__(self) -> None:
- super().__init__("最終的なコピーをユーザーに出力するユーザーエージェント。")
+ super().__init__("最終コピーをユーザーに出力するユーザーエージェント。")
@message_handler
async def handle_final_copy(self, message: WorkflowMessage, ctx: MessageContext) -> None:
print(f"\\n{'-'*80}\\n{self.id.type} が最終コピーを受信しました:\\n{message.content}")
-# エージェントワークフロー全体を単一のトレースの下で
-# まとめてトレースしたいため、ここに weave op を追加します。
-# これは完全にオプションですが、使用することを強くお勧めします。
+# エージェントワークフロー全体を単一のトレースで追跡するために
+# ここに weave op を追加しています
+# 完全にオプションですが、使用することを強くお勧めします
@weave.op(call_display_name="Sequential Agent Workflow")
async def run_agent_workflow(model_name="gpt-4o"):
@@ -581,7 +604,7 @@ async def run_agent_workflow(model_name="gpt-4o"):
runtime.start()
await runtime.publish_message(
WorkflowMessage(
- content="飲料を24時間冷たく保つ、環境に優しいステンレス製ウォーターボトル"
+ content="飲み物を24時間冷たく保つ、環境に優しいステンレス製ウォーターボトル"
),
topic_id=TopicId(concept_extractor_topic_type, source="default"),
)
@@ -589,21 +612,22 @@ async def run_agent_workflow(model_name="gpt-4o"):
await model_client.close()
asyncio.run(run_agent_workflow())
-
```
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee1f-dd53-73f2-9119-2a44da92c5ae%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196ee1f-dd53-73f2-9119-2a44da92c5ae%3FhideTraceTree%3D0)
-## コードエクゼキューターのトレース
+
+ ## Tracing Code Executor
+
-**Docker が必要です**
-この例では Docker を使用したコード実行が含まれており、すべての環境（Colab など）で直接動作しない場合があります。これを試す場合は、Docker がローカルで実行されていることを確認してください。
+ **Docker が必要です**
+ この例では Docker を使ってコードを実行するため、すべての環境（例: Colab などからの直接実行）で動作するとは限りません。試す場合は、ローカルで Docker が起動していることを確認してください。
-Weave は、AutoGen エージェントによるコードの生成と実行をトレースします。
+Weave は AutoGen エージェントが生成・実行するコードをトレースします。
-```python lines {69}
+````python lines {69}
import tempfile
from autogen_core import DefaultTopicId
@@ -629,8 +653,8 @@ class Assistant(RoutedAgent):
self._model_client = model_client
self._chat_history: List[LLMMessage] = [
SystemMessage(
- content="""PythonスクリプトをMarkdownブロックで書いてください。それは実行されます。
-図は常に現在のディレクトリのファイルに保存してください。plt.show() は使用しないでください。このタスクを完了するために必要なすべてのコードは、単一のレスポンスに含まれている必要があります。""",
+ content="""Write Python script in markdown block, and it will be executed.
+Always save figures to file in the current directory. Do not use plt.show(). All code required to complete this task must be contained within a single response.""",
)
]
@@ -668,16 +692,16 @@ class Executor(RoutedAgent):
print(f"\\n{'-'*80}\\nExecutor:\\n{result.output}")
await self.publish_message(CodeGenMessage(content=result.output), DefaultTopicId())
-# コード生成ワークフロー全体を単一のトレースの下で
-# まとめてトレースしたいため、ここに weave op を追加します。
+# ここで weave op を追加するのは、コード生成ワークフロー全体を
+# 単一のトレースとして追跡したいためです。
# これは完全にオプションですが、使用することを強くお勧めします。
@weave.op(call_display_name="CodeGen Agent Workflow")
-async def run_codegen(model_name="gpt-4o"): # モデルを更新
+async def run_codegen(model_name="gpt-4o"): # Updated model
work_dir = tempfile.mkdtemp()
runtime = SingleThreadedAgentRuntime()
- # この例では Docker が実行されていることを確認してください
+ # この例を実行する前に Docker が起動していることを確認してください
try:
async with DockerCommandLineCodeExecutor(work_dir=work_dir) as executor:
model_client = OpenAIChatCompletionClient(model=model_name)
@@ -686,31 +710,33 @@ async def run_codegen(model_name="gpt-4o"): # モデルを更新
runtime.start()
await runtime.publish_message(
- CodeGenMessage(content="2024-01-01からのNVDA対TSLAの株価収益率（YTD）のプロットを作成してください。"),
+ CodeGenMessage(content="Create a plot of NVDA vs TSLA stock returns YTD from 2024-01-01."),
DefaultTopicId(),
)
await runtime.stop_when_idle()
await model_client.close()
except Exception as e:
- print(f"Docker コードエクゼキューターの例を実行できませんでした: {e}")
- print("Docker がインストールされ、実行されていることを確認してください。")
+ print(f"Docker コードエグゼキューターの例を実行できませんでした: {e}")
+ print("Docker がインストールされ、起動していることを確認してください。")
finally:
import shutil
shutil.rmtree(work_dir)
asyncio.run(run_codegen())
-```
+````
-[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196f173-21c2-7540-9dc7-fbab0b94ce0e%3FhideTraceTree%3D0)
+[](https://wandb.ai/parambharat/autogen-demo/weave/traces?view=traces_default\&peekPath=%2Fparambharat%2Fautogen-demo%2Fcalls%2F0196f173-21c2-7540-9dc7-fbab0b94ce0e%3FhideTraceTree%3D0)
-## 詳細情報
+
+ ## 詳細情報
+
-- **Weave**:
- - [トレースガイド](/weave/guides/tracking/tracing)
- - [Op デコレータ](/weave/guides/tracking/ops)
-- **AutoGen**:
- - [公式ドキュメント](https://microsoft.github.io/autogen/stable//index.html)
- - [AutoGen GitHub](https://github.com/microsoft/autogen)
+* **Weave**:
+ * [Tracing ガイド](/ja/weave/guides/tracking/tracing)
+ * [Op デコレーター](/ja/weave/guides/tracking/ops)
+* **AutoGen**:
+ * [公式ドキュメント](https://microsoft.github.io/autogen/stable//index.html)
+ * [AutoGen GitHub](https://github.com/microsoft/autogen)
-このガイドは、Weave と AutoGen の統合を開始するための出発点となります。Weave UI を探索して、エージェントのインタラクション、モデルの呼び出し、ツールの使用状況の詳細なトレースを確認してください。
\ No newline at end of file
+このガイドは、Weave と AutoGen を統合するための出発点となります。Weave UI でエージェントのやり取り、モデル 呼び出し、ツール の利用状況の詳細なトレースを確認してください。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/autopatching.mdx b/ja/weave/guides/integrations/autopatching.mdx
new file mode 100644
index 0000000000..c5e11ac950
--- /dev/null
+++ b/ja/weave/guides/integrations/autopatching.mdx
@@ -0,0 +1,111 @@
+---
+title: "LLM の自動コール追跡を制御する"
+description: "W&B Weave が OpenAI、Anthropic、その他の LLM ライブラリへのコールを自動で記録する方法を制御する"
+---
+
+アプリケーションで LLM プロバイダーのライブラリ (OpenAI、Anthropic、Cohere、Mistral など) を使用している場合、autopatching はすべての LLM コールのトレースを Weave が自動で処理するための仕組みです。`weave.init()` を呼び出すと、Weave はサポートされている LLM クライアントライブラリを自動的にフック (パッチ適用) します。アプリケーションコードは変更する必要がありません。従来どおりプロバイダーの SDK を使うだけで、各リクエストが Weave Call として記録されます。最小限のセットアップで、完全なトレーシングを利用できます。
+
+このページでは、その挙動をいつ・どのように変更するかを説明します。自動追跡をオフにする、特定のプロバイダーに限定する、あるいは入力と出力を後処理する (たとえば PII (個人情報) をマスキングする) といった操作方法を扱います。
+
+
+ ## デフォルトの動作
+
+
+デフォルトでは、Weave は `openai` や `anthropic` などの一般的な LLM ライブラリへの呼び出しに対して、自動的にパッチを適用し、追跡します。プログラムの冒頭で `weave.init(...)` を呼び出し、その後はこれらのライブラリを通常どおり使用してください。これらの呼び出しは、プロジェクト の Traces に表示されます。
+
+
+ ## 自動パッチの設定
+
+
+
+
+
+ `autopatch_settings` 引数は非推奨です。暗黙的なパッチ適用を無効にするには `implicitly_patch_integrations=False` を使用するか、インテグレーションごとに `patch_openai(settings={...})` のような特定のパッチ関数を呼び出して設定してください。
+
+
+ Weave は、サポートされているすべてのインテグレーションに対して、デフォルトで **暗黙的な自動パッチ適用** を行います。
+
+ **暗黙的パッチ適用 (自動) :** ライブラリは、インポートされるタイミングに関係なく自動的にパッチ適用されます。
+
+ ```python lines
+ # オプション 1: weave.init() の前にインポートする
+ import openai
+ import weave
+ weave.init('your-team-name/your-project-name') # OpenAI は自動的にパッチ適用されます!
+
+ # オプション 2: weave.init() の後にインポートする
+ import weave
+ weave.init('your-team-name/your-project-name')
+ import anthropic # インポートフック経由で自動的にパッチ適用されます!
+ ```
+
+ **暗黙的パッチ適用の無効化:** 明示的に制御したい場合は、自動パッチ適用を無効にできます。
+
+ ```python lines
+ import weave
+
+ # オプション 1: settings パラメーター経由
+ weave.init('your-team-name/your-project-name', settings={'implicitly_patch_integrations': False})
+
+ # オプション 2: 環境変数経由
+ # スクリプトを実行する前に WEAVE_IMPLICITLY_PATCH_INTEGRATIONS=false を設定します
+
+ # 暗黙的パッチ適用を無効にした場合は、インテグレーションを明示的にパッチ適用する必要があります
+ import openai
+ weave.patch_openai() # OpenAI のトレーシングにはこれが必須になります
+ ```
+
+ **明示的パッチ適用 (手動) :** より細かく制御するために、インテグレーションを明示的にパッチ適用できます。
+
+ ```python lines
+ import weave
+ weave.init('your-team-name/your-project-name')
+ weave.integrations.patch_openai() # OpenAI のトレーシングを有効化
+ weave.integrations.patch_anthropic() # Anthropic のトレーシングを有効化
+ ```
+
+ ### 入力と出力の後処理
+
+ パッチ関数に settings を渡すことで (たとえば PII やシークレットをマスキングするなど) 、入力と出力の記録方法をカスタマイズできます。
+
+ ```python lines
+ import weave.integrations
+
+ def redact_inputs(inputs: dict) -> dict:
+ if "email" in inputs:
+ inputs["email"] = "[REDACTED]"
+ return inputs
+
+ weave.init(...)
+ weave.integrations.patch_openai(
+ settings={
+ "op_settings": {"postprocess_inputs": redact_inputs}
+ }
+ )
+ ```
+
+ 機微なデータの扱いについての詳細は、[How to use Weave with PII data](/ja/weave/cookbooks/pii) を参照してください。
+
+
+
+ TypeScript SDK は、OpenAI と Anthropic に対してのみ自動パッチ適用をサポートします。OpenAI は Weave をインポートしたときに自動的にパッチ適用され、追加の設定は不要です。
+
+ また、TypeScript SDK は次のことをサポートしません:
+
+ * 自動パッチ適用の設定や無効化
+ * 入力/出力の後処理
+
+ 自動パッチ適用が機能しないエッジケース (ESM、Next.js のようなバンドラー) では、明示的なラッピングを使用してください。
+
+ ```typescript
+ import OpenAI from 'openai'
+ import * as weave from 'weave'
+ import { wrapOpenAI } from 'weave'
+
+ const client = wrapOpenAI(new OpenAI())
+ await weave.init('your-team-name/your-project-name')
+ ```
+
+ ESM のセットアップやトラブルシューティングの詳細については、[TypeScript SDK Integration Guide](/ja/weave/guides/integrations/js) を参照してください。
+
+
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/azure.mdx b/ja/weave/guides/integrations/azure.mdx
index 114f88c16b..412b359f63 100644
--- a/ja/weave/guides/integrations/azure.mdx
+++ b/ja/weave/guides/integrations/azure.mdx
@@ -1,22 +1,23 @@
---
-title: Microsoft Azure
-description: Weave を Microsoft Azure OpenAI サービスと統合する
+title: "Microsoft Azure"
+description: "Weave を Microsoft Azure OpenAI サービスと統合する"
---
-Weights & Biases (W&B) Weave は Microsoft Azure OpenAI サービスと統合されており、チームが Azure AI アプリケーションを最適化するのを支援します。W&B を使用することで、以下のことが可能になります。
+Weights & Biases (W&B) Weave は Microsoft Azure OpenAI サービスと統合されており、チームが Azure AI アプリケーションを最適化するのに役立ちます。W&B を使用すると、次のことが可能になります。
-最新のチュートリアルについては、[Weights & Biases on Microsoft Azure](https://wandb.ai/site/partners/azure) をご覧ください。
+最新のチュートリアルは、[Microsoft Azure 上の Weights & Biases](https://wandb.ai/site/partners/azure) を参照してください。
-## はじめに
+
+ ## はじめに
+
-Azure で Weave の使用を開始するには、トラッキングしたい関数を `weave.op` でデコレートするだけです。
+Weave で Azure の利用を開始するには、トラッキングしたい関数に `weave.op` デコレーターを付けるだけです。
```python lines
@weave.op()
def call_azure_chat(model_id: str, messages: list, max_tokens: int = 1000, temperature: float = 0.5):
- # Azure OpenAI クライアントを使用してチャット補完を作成
response = client.chat.completions.create(
model=model_id,
messages=messages,
@@ -24,16 +25,24 @@ def call_azure_chat(model_id: str, messages: list, max_tokens: int = 1000, tempe
temperature=temperature
)
return {"status": "success", "response": response.choices[0].message.content}
+
```
-## 詳細情報
-Weave を使用した高度な Azure のトピックについては、以下のリソースを参照してください。
+
+ ## 詳細情報
+
+
+以下のリソースを使って、Weave を組み合わせた高度な Azure のトピックについてさらに学びましょう。
-### Azure AI Model Inference API を Weave で使用する
+
+ ### Weave で Azure AI Model Inference API を使う
+
-[こちらのガイド](https://wandb.ai/byyoung3/ML-NEWS2/reports/A-guide-to-using-the-Azure-AI-model-inference-API--Vmlldzo4OTY1MjEy#tutorial:-implementing-azure-ai-model-inference-api-with-w&b-weave-)では、Azure AI Model Inference API を Weave と併用して、Azure モデルに関する洞察を得る方法を学ぶことができます。
+[Azure AI Model Inference API] を Weave と組み合わせて使用して Azure モデルからインサイトを得る方法については、[このガイド](https://wandb.ai/byyoung3/ML-NEWS2/reports/A-guide-to-using-the-Azure-AI-model-inference-API--Vmlldzo4OTY1MjEy#tutorial:-implementing-azure-ai-model-inference-api-with-w&b-weave-) を参照してください。
-### Azure OpenAI モデルを Weave でトレースする
+
+ ### Weave で Azure OpenAI モデルをトレースする
+
-[こちらのガイド](https://wandb.ai/a-sh0ts/azure-weave-cookbook/reports/How-to-use-Azure-OpenAI-and-Azure-AI-Studio-with-W-B-Weave--Vmlldzo4MTI0NDgy)では、Weave を使用して Azure OpenAI モデルをトレースする方法を学ぶことができます。
\ No newline at end of file
+Weave を使用して Azure OpenAI モデルをトレースする方法については、[このガイド](https://wandb.ai/a-sh0ts/azure-weave-cookbook/reports/How-to-use-Azure-OpenAI-and-Azure-AI-Studio-with-W-B-Weave--Vmlldzo4MTI0NDgy)を参照してください。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/bedrock.mdx b/ja/weave/guides/integrations/bedrock.mdx
index 3f69a5dadc..624f998622 100644
--- a/ja/weave/guides/integrations/bedrock.mdx
+++ b/ja/weave/guides/integrations/bedrock.mdx
@@ -1,20 +1,21 @@
---
title: Bedrock
-description: AWS の統合 API を通じて、Amazon Bedrock の LLM コールを Weave で追跡・監視します。基盤モデルとのインタラクション、Converse
- API の使用状況、およびマルチプロバイダーの モデル デプロイメント をキャプチャし、包括的なオブザーバビリティを実現します。
+description: "Weave を使用して Amazon Bedrock 経由の LLM コールをトラッキングおよびモニタリングし、AWS の統一 API を通じて基盤モデルとの対話、Converse API の利用状況、および複数プロバイダーによるモデルのデプロイを捕捉して、包括的な可観測性を実現します。"
---
-Weave は、主要な AI 企業の基盤モデルを統合 API を通じて提供する AWS の完全マネージド型サービスである Amazon Bedrock を介して行われた LLM 呼び出しを、自動的に追跡しログを記録します。
+Weave は、Amazon Bedrock を介して行われる LLM コールを自動的にトラッキングし、ログに記録します。Amazon Bedrock は、主要な AI 企業の基盤モデルを統一 API を通じて提供する、AWS のフルマネージドサービスです。
-Amazon Bedrock から Weave に LLM 呼び出しをログ記録する方法は複数あります。`weave.op` を使用して Bedrock モデルへの呼び出しを追跡するための再利用可能なオペレーションを作成することも、Anthropic モデルを使用している場合は、Weave の Anthropic との組み込みインテグレーションを使用することもできます。
+Amazon Bedrock から Weave に LLM コールをログに記録する方法はいくつかあります。`weave.op` を使用して、Bedrock モデルへのあらゆる呼び出しをトラッキングするための再利用可能なオペレーションを作成できます。オプションとして、Anthropic モデルを使用している場合は、Weave に組み込まれている Anthropic とのインテグレーションを利用できます。
-最新のチュートリアルについては、 [Weights & Biases on Amazon Web Services](https://wandb.ai/site/partners/aws/) をご覧ください。
+ 最新のチュートリアルについては、[Weights & Biases on Amazon Web Services](https://wandb.ai/site/partners/aws/) を参照してください。
-## Traces
+
+ ## トレース
+
-Weave は Bedrock API 呼び出しの トレース を自動的にキャプチャします。Weave を初期化し、クライアントをパッチした後は、通常通り Bedrock クライアントを使用できます。
+Weave は Bedrock API 呼び出しのトレースを自動的に取得します。Weave を初期化してクライアントにパッチを適用した後は、通常どおり Bedrock クライアントを使用できます。
```python lines
import weave
@@ -24,11 +25,11 @@ from weave.integrations.bedrock.bedrock_sdk import patch_client
weave.init("my_bedrock_app")
-# Bedrock クライアントの作成とパッチ適用
+# Bedrock クライアントを作成してパッチを適用する
client = boto3.client("bedrock-runtime")
patch_client(client)
-# 通常通りクライアントを使用
+# 通常通りクライアントを使用する
response = client.invoke_model(
modelId="anthropic.claude-3-5-sonnet-20240620-v1:0",
body=json.dumps({
@@ -45,7 +46,7 @@ response_dict = json.loads(response.get('body').read())
print(response_dict["content"][0]["text"])
```
-または `converse` API を使用する場合：
+`converse` API の使用例：
```python lines
messages = [{"role": "user", "content": [{"text": "What is the capital of France?"}]}]
@@ -60,9 +61,11 @@ print(response["output"]["message"]["content"][0]["text"])
```
-## 独自の op でラッピングする
+
+ ## 独自の op でラップする
+
-`@weave.op()` デコレータを使用して、再利用可能なオペレーションを作成できます。以下は、 `invoke_model` と `converse` 両方の API を示す例です。
+`@weave.op()` デコレーターを使って、再利用可能な op（オペレーション）を作成できます。ここでは、`invoke_model` と `converse` の両方の API を示す例を紹介します。
```python lines
@weave.op
@@ -81,7 +84,6 @@ def call_model_invoke(
]
})
- # クライアントの呼び出し
response = client.invoke_model(
modelId=model_id,
body=body,
@@ -97,7 +99,6 @@ def call_model_converse(
system_message: str,
max_tokens: int = 100,
) -> dict:
- # converse API の呼び出し
response = client.converse(
modelId=model_id,
system=[{"text": system_message}],
@@ -108,12 +109,14 @@ def call_model_converse(
```
+ ## 実験を簡単に行うために `Model` を作成する
+
-Weave Model を作成することで、 実験管理 をより適切に整理し、 パラメータ をキャプチャできます。以下は `converse` API を使用した例です。
+Weave Model を作成すると、実験を整理しやすくなり、パラメーターを記録できます。`converse` API を使った例を次に示します。
```python lines
class BedrockLLM(weave.Model):
@@ -123,7 +126,7 @@ class BedrockLLM(weave.Model):
@weave.op
def predict(self, prompt: str) -> str:
- # Bedrock の converse API を使用して応答を生成
+ "Generate a response using Bedrock's converse API"
messages = [{
"role": "user",
@@ -138,7 +141,7 @@ class BedrockLLM(weave.Model):
)
return response["output"]["message"]["content"][0]["text"]
-# モデルの作成と使用
+# モデルを作成して使用する
model = BedrockLLM(
model_id="anthropic.claude-3-5-sonnet-20240620-v1:0",
max_tokens=100,
@@ -148,16 +151,22 @@ result = model.predict("What is the best way to handle errors in Python?")
print(result)
```
-このアプローチにより、 実験 の バージョン 管理が可能になり、Bedrock ベースの アプリケーション のさまざまな 設定 を簡単に追跡できるようになります。
+この方法を使うと Experiments をバージョン管理し、Bedrock ベースのアプリケーションにおけるさまざまな設定を簡単に追跡できます。
-## 詳細情報
+
+ ## さらに詳しく
+
-Weave で Amazon Bedrock を使用する方法についてさらに詳しく知る
+Amazon Bedrock を Weave で利用する方法について、さらに詳しく学びましょう
-### Weave Playground で Bedrock を試す
+
+ ### Weave Playground で Bedrock を試す
+
-セットアップなしで Weave UI 内で Amazon Bedrock モデルを試してみたいですか？ [LLM Playground](../tools/playground) をお試しください。
+セットアップ不要で Weave UI から Amazon Bedrock モデルを試したい場合は、[LLM Playground](../tools/playground) をお試しください。
-### Reports: Weave を使用した Bedrock 上の LLM によるテキスト要約の比較
+
+ ### レポート: Weave を使って Bedrock 上の LLM をテキスト要約タスクで比較する
+
-[Compare LLMs on Bedrock for text summarization with Weave](https://wandb.ai/byyoung3/ML_NEWS3/reports/Compare-LLMs-on-Amazon-Bedrock-for-text-summarization-with-W-B-Weave--VmlldzoxMDI1MTIzNw) レポート では、Bedrock と Weave を組み合わせて、要約タスクの LLM を評価および比較する方法を、コードサンプルを含めて説明しています。
\ No newline at end of file
+[Evaluating LLMs on Amazon Bedrock](https://wandb.ai/byyoung3/ML_NEWS3/reports/Compare-LLMs-on-Amazon-Bedrock-for-text-summarization-with-W-B-Weave--VmlldzoxMDI1MTIzNw) レポートでは、テキスト要約タスク向けに Bedrock と Weave を組み合わせて LLM を評価・比較する方法を、コードサンプル付きで解説しています。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/cerebras.mdx b/ja/weave/guides/integrations/cerebras.mdx
index 0bf82aa586..331e5cc84f 100644
--- a/ja/weave/guides/integrations/cerebras.mdx
+++ b/ja/weave/guides/integrations/cerebras.mdx
@@ -1,25 +1,27 @@
---
-title: Cerebras
-description: Weave を使用して、Cerebras クラウド SDK 経由で行われた LLM 呼び出しをトレースおよび ログ 保存します
+title: "Cerebras"
+description: "Weave を使用して Cerebras Cloud SDK 経由で行われる LLM 呼び出しをトレースし、ログに記録する"
---
-Weave は、[Cerebras Cloud SDK](https://inference-docs.cerebras.ai/introduction) を介して行われる LLM コールを自動的に追跡し、ログを記録します。
+Weave は、[Cerebras Cloud SDK](https://inference-docs.cerebras.ai/introduction) 経由で行われる LLM 呼び出しを自動的にトレースし、ログに記録します。
-## Traces
+
+ ## トレース
+
-LLM コールの追跡は、デバッグやパフォーマンス監視において非常に重要です。Weave は Cerebras Cloud SDK の トレース を自動的にキャプチャすることで、これをサポートします。
+LLM 呼び出しを追跡することは、デバッグとパフォーマンスの監視において重要です。Weave は Cerebras Cloud SDK のトレースを自動的に取得して、この作業を支援します。
-Cerebras で Weave を使用する例を以下に示します。
+以下は、Cerebras Cloud SDK で Weave を使用する方法の例です。
```python lines
import os
import weave
from cerebras.cloud.sdk import Cerebras
-# Weave プロジェクトを初期化します
+# weave プロジェクトを初期化する
weave.init("cerebras_speedster")
-# 通常通り Cerebras SDK を使用します
+# 通常通り Cerebras SDK を使用する
api_key = os.environ["CEREBRAS_API_KEY"]
model = "llama3.1-8b" # Cerebras モデル
@@ -33,28 +35,30 @@ response = client.chat.completions.create(
print(response.choices[0].message.content)
```
-これで Weave は、Cerebras SDK を通じて行われるすべての LLM コールを追跡し、ログを記録します。トークン使用量やレスポンスタイムなどの詳細を含む トレース は、Weave のウェブインターフェースで確認できます。
+これで Weave は、Cerebras SDK を通じて行われるすべての LLM 呼び出しを追跡してログに記録します。Weave の Web インターフェースでトレースを表示でき、トークン使用量や応答時間などの詳細も確認できます。
-[](https://wandb.ai/capecape/cerebras_speedster/weave/traces)
+[](https://wandb.ai/capecape/cerebras_speedster/weave/traces)
-## 独自の ops によるラッピング
+
+ ## 独自の ops でラップする
+
-Weave の ops は、コード を自動的に バージョン管理 し、入力と出力をキャプチャすることで、実験 の 再現性 と追跡可能性を向上させる強力な手段を提供します。Cerebras SDK で Weave ops を活用する方法の例を以下に示します。
+Weave ops を使うと、実験の再現性と追跡可能性を高められます。コードのバージョン管理を自動で行い、入力と出力をキャプチャします。以下は、Cerebras SDK と組み合わせて Weave ops を活用する方法の一例です。
```python lines
import os
import weave
from cerebras.cloud.sdk import Cerebras
-# Weave プロジェクトを初期化します
+# Weave プロジェクトを初期化する
weave.init("cerebras_speedster")
client = Cerebras(api_key=os.environ["CEREBRAS_API_KEY"])
-# Weave はこの関数の入力、出力、およびコードを追跡します
+# Weave はこの関数の入力、出力、コードを追跡します
@weave.op
def animal_speedster(animal: str, model: str) -> str:
- "動物がどれくらいの速さで走れるかを調べます"
+ "動物がどれくらい速く走れるかを調べる"
response = client.chat.completions.create(
model=model,
@@ -67,16 +71,18 @@ animal_speedster("ostrich", "llama3.1-8b")
animal_speedster("human", "llama3.1-8b")
```
-## 実験を容易にするための `Model` の作成
+
+ ## 実験を容易にするために `Model` を作成する
+
-Weave の [Model](/weave/guides/core-types/models) クラスは、アプリケーションの異なるイテレーションの整理や比較に役立ちます。これは、Cerebras モデル を使用した 実験 において特に有用です。以下に例を示します。
+Weave の [Model](/ja/weave/guides/core-types/models) クラスは、アプリのさまざまなイテレーションを整理・比較するのに役立ちます。これは特に Cerebras モデルで実験する際に便利です。以下に例を示します。
```python lines
import os
import weave
from cerebras.cloud.sdk import Cerebras
-# Weave プロジェクトを初期化します
+# Weave プロジェクトを初期化する
weave.init("cerebras_speedster")
client = Cerebras(api_key=os.environ["CEREBRAS_API_KEY"])
@@ -87,7 +93,7 @@ class AnimalSpeedModel(weave.Model):
@weave.op
def predict(self, animal: str) -> str:
- "動物の最高速度を予測します"
+ "動物の最高速度を予測する"
response = client.chat.completions.create(
model=self.model,
@@ -104,6 +110,6 @@ result = speed_model.predict(animal="cheetah")
print(result)
```
-このセットアップにより、Cerebras を活用した推論をすべて追跡しながら、異なる モデル や パラメータ を簡単に試すことができます。
+このセットアップにより、さまざまな モデル やパラメーターを簡単に試しつつ、Cerebras を利用した推論をすべて追跡できます。
-[](https://wandb.ai/capecape/cerebras_speedster/weave/traces)
\ No newline at end of file
+[](https://wandb.ai/capecape/cerebras_speedster/weave/traces)
diff --git a/ja/weave/guides/integrations/cohere.mdx b/ja/weave/guides/integrations/cohere.mdx
index 9a82612db0..0b0a2b34d8 100644
--- a/ja/weave/guides/integrations/cohere.mdx
+++ b/ja/weave/guides/integrations/cohere.mdx
@@ -1,51 +1,55 @@
---
-title: Cohere
-description: Cohere Python ライブラリを使用して行われた LLM コールを、Weave を使って自動的に追跡および ログ 記録します。
+title: "Cohere"
+description: "Weave を使用して、Cohere Python ライブラリ経由で行われた LLM 呼び出しを自動で追跡およびログ記録します"
---
-
-
+
-Weave は、 `weave.init()` が呼び出された後、 [Cohere Python library](https://github.com/cohere-ai/cohere-python) を介して行われた LLM 呼び出しを自動的に追跡し、ログを記録します。
+Weave は、`weave.init()` が呼び出された後に、[Cohere Python ライブラリ](https://github.com/cohere-ai/cohere-python) 経由で行われた LLM 呼び出しを自動的に追跡およびログ記録します。
-## Traces
+
+ ## トレース
+
-開発中および Production 環境の両方において、 LLM application の トレース を中央データベースに保存することは重要です。これらの トレース はデバッグに使用されるだけでなく、 application の改善に役立つ Dataset としても活用されます。
+開発中と本番環境の両方で、LLM アプリケーションのトレースを中央のデータベースに保存しておくことは重要です。これらのトレースはデバッグや、アプリケーションを改善するためのデータセットとして活用します。
-Weave は [cohere-python](https://github.com/cohere-ai/cohere-python) の トレース を自動的にキャプチャします。ライブラリを通常通り使用し、まず `weave.init()` を呼び出すことから始めてください。
+Weave は [cohere-python](https://github.com/cohere-ai/cohere-python) のトレースを自動的に取得します。ライブラリは通常どおり利用でき、まずは `weave.init()` を呼び出すところから始めます。
```python lines {8}
import cohere
import os
import weave
-# Cohere ライブラリを通常通り使用します
+# Cohere ライブラリを通常通り使用する
co = cohere.Client(api_key=os.environ["COHERE_API_KEY"])
weave.init("cohere_project")
response = co.chat(
message="How is the weather in Boston?",
- # 回答する前にウェブ検索を実行します。独自のカスタムコネクタを使用することも可能です。
+ # 質問に答える前にウェブ検索を実行する。独自のカスタムコネクターを使用することもできる。
connectors=[{"id": "web-search"}],
)
print(response.text)
```
-`weave.init()` を呼び出す際に W&B の Teams を指定しない場合は、デフォルトの Entities が使用されます。デフォルトの Entities を確認または更新するには、 W&B Models ドキュメントの [User Settings](https://docs.wandb.ai/platform/app/settings-page/user-settings/#default-team) を参照してください。
+`weave.init()` を呼び出すときに W&B team を指定しない場合は、デフォルト entity が使用されます。デフォルト entity を確認または更新するには、W&B Models ドキュメントの [User Settings](https://docs.wandb.ai/platform/app/settings-page/user-settings/#default-team) を参照してください。
-Cohere モデルの強力な機能の一つに、 [connectors](https://docs.cohere.com/docs/overview-rag-connectors#using-connectors-to-create-grounded-generations) の使用があります。これにより、エンドポイント側で他の API に対してリクエストを行うことが可能になります。レスポンスには、生成されたテキストと共に、コネクタから返されたドキュメントにリンクする引用要素が含まれます。
+cohere モデルの強力な機能の 1 つに [connectors](https://docs.cohere.com/docs/overview-rag-connectors#using-connectors-to-create-grounded-generations) があり、これを使うとエンドポイント側で他の API へのリクエストを行えるようになります。レスポンスには、connector から返されたドキュメントへのリンクとなる引用情報付きで、生成されたテキストが含まれます。
-[](https://wandb.ai/capecape/cohere_dev/weave/calls)
+[](https://wandb.ai/capecape/cohere_dev/weave/calls)
-Weave は Cohere の `Client.chat` 、 `AsyncClient.chat` 、 `Client.chat_stream` 、および `AsyncClient.chat_stream` メソッドをパッチすることで、 LLM 呼び出しを追跡できるようにしています。
+ LLM 呼び出しを追跡できるように、Cohere の `Client.chat`、`AsyncClient.chat`、`Client.chat_stream`、`AsyncClient.chat_stream` メソッドには自動的にパッチを適用します。
-## 独自の ops でラップする
+
+ ## 自分の ops でラップする
+
-Weave の ops は、実験中の code を自動的に Versioning することで結果の *再現性* を高め、その入力と出力をキャプチャします。 Cohere の chat メソッドを呼び出す関数を作成し、 [`@weave.op()`](/weave/guides/tracking/ops) デコレータを付与するだけで、 Weave が入力と出力を追跡します。以下に例を示します。
+Weave ops は、実験を行う際にコードを自動でバージョン管理し、その入力と出力を記録することで、結果を *再現可能* にします。Cohere の chat メソッドを呼び出す関数を作成し、その関数に [`@weave.op()`](/ja/weave/guides/tracking/ops) デコレータを付けるだけで、Weave が入力と出力を自動的に追跡します。以下に例を示します。
```python lines {9}
import cohere
@@ -61,7 +65,7 @@ def weather(location: str, model: str) -> str:
response = co.chat(
model=model,
message=f"How is the weather in {location}?",
- # 回答する前にウェブ検索を実行します。独自のカスタムコネクタを使用することも可能です。
+ # 質問に答える前にウェブ検索を実行します。独自のカスタムコネクターを使用することもできます。
connectors=[{"id": "web-search"}],
)
return response.text
@@ -69,15 +73,17 @@ def weather(location: str, model: str) -> str:
print(weather("Boston", "command"))
```
-[](https://wandb.ai/capecape/cohere_dev/weave/calls)
+[](https://wandb.ai/capecape/cohere_dev/weave/calls)
-## 実験を容易にするために `Models` を作成する
+
+ ## 実験を簡単に行うための `Model` の作成
+
-多くの可動パーツがある場合、実験を整理するのは困難です。 [`Models`](/weave/guides/core-types/models) クラスを使用することで、システムプロンプトや使用しているモデルなど、アプリの実験的な詳細をキャプチャして整理できます。これにより、アプリの異なるイテレーションの整理や比較が容易になります。
+多くの要素が絡んでいると、実験を整理するのは難しくなります。[`Model`](/ja/weave/guides/core-types/models) クラスを使うことで、システムプロンプトや使用しているモデルなど、アプリの実験に関する詳細を記録して整理できます。これにより、アプリのさまざまなイテレーションを体系的に整理・比較しやすくなります。
-code の Versioning や入出力のキャプチャに加えて、 [`Models`](/weave/guides/core-types/models) は application の behavior を制御する構造化された パラメータ をキャプチャし、どの パラメータ が最適であったかを簡単に見つけられるようにします。また、 Weave Models は `serve` や [`Evaluation`](/weave/guides/core-types/evaluations) と併用することもできます。
+コードのバージョン管理や入力/出力の記録に加えて、[`Model`](/ja/weave/guides/core-types/models) はアプリケーションの動作を制御する構造化されたパラメーターも記録し、どのパラメーターが最も有効だったかを簡単に特定できるようにします。また、Weave Models を `serve` や [`Evaluation`](/ja/weave/guides/core-types/evaluations) と組み合わせて使用することもできます。
-以下の例では、 `model` と `temperature` を使って実験を行うことができます。これらを変更するたびに、 `WeatherModel` の新しい *バージョン* が作成されます。
+次の例では、`model` と `temperature` を変更して実験できます。これらのいずれかを変更するたびに、`WeatherModel` の新しい *version* が作成されます。
```python lines
import weave
@@ -109,4 +115,4 @@ result = weather_model.predict("Boston")
print(result)
```
-[](https://wandb.ai/capecape/cohere_dev/weave/models)
\ No newline at end of file
+[](https://wandb.ai/capecape/cohere_dev/weave/models)
diff --git a/ja/weave/guides/integrations/crewai.mdx b/ja/weave/guides/integrations/crewai.mdx
index 7bba53da13..93cfd6c8b8 100644
--- a/ja/weave/guides/integrations/crewai.mdx
+++ b/ja/weave/guides/integrations/crewai.mdx
@@ -1,39 +1,41 @@
---
-title: CrewAI
-description: マルチエージェント アプリケーションのモニタリングとトレースのために、CrewAI を Weave と統合する
+title: "CrewAI"
+description: "Weave と CrewAI を連携してマルチエージェントアプリケーションのモニタリングとトレースを行う"
---
-
-CrewAI は、LangChain や他のエージェントフレームワークに全く依存せず、ゼロから構築された軽量で極めて高速な Python フレームワークです。CrewAI は、ハイレベルなシンプルさ ([Crews](https://docs.crewai.com/guides/crews/first-crew)) と精密なローレベルの制御 ([Flows](https://docs.crewai.com/guides/flows/first-flow)) の両方を開発者に提供し、あらゆるシナリオに合わせた自律型 AI エージェントの作成に最適です。詳細は [こちらから CrewAI](https://docs.crewai.com/introduction) をご確認ください。
+CrewAI は、ゼロから構築された軽量かつ高速な Python フレームワークであり、LangChain や他のエージェント フレームワークに一切依存していません。CrewAI は、ハイレベルなシンプルさ（[Crews](https://docs.crewai.com/guides/crews/first-crew)）と、低レベルでのきめ細かな制御（[Flows](https://docs.crewai.com/guides/flows/first-flow)）の両方を開発者に提供し、あらゆるシナリオに合わせて自律型 AI エージェントを作成するのに最適です。詳しくは [CrewAI のドキュメント](https://docs.crewai.com/introduction) を参照してください。
-AI エージェントを扱う際、その相互作用のデバッグとモニタリングは非常に重要です。CrewAI アプリケーションは多くの場合、複数のエージェントが連携して動作するため、それらがどのようにコラボレーションし、通信しているかを理解することが不可欠です。Weave は、CrewAI アプリケーションの Traces を自動的にキャプチャすることでこのプロセスを簡素化し、エージェントのパフォーマンスと相互作用をモニタリングおよび分析できるようにします。
+AI エージェントを扱う際には、そのやり取りのデバッグとモニタリングが重要です。CrewAI アプリケーションは、複数のエージェントが連携して動作することが多く、それらがどのように協調し、コミュニケーションを取っているかを理解することが不可欠です。Weave は CrewAI アプリケーションのトレース情報を自動的に取得し、エージェントのパフォーマンスややり取りをモニタリングおよび分析できるようにすることで、このプロセスを簡素化します。
-このインテグレーションは Crews と Flows の両方をサポートしています。
+このインテグレーションは、Crews と Flows の両方をサポートします。
-## Crew を使ってみる
+
+ ## Crew を使い始める
+
-この例を実行するには、CrewAI ([詳細](https://docs.crewai.com/installation)) と weave をインストールする必要があります。
+この例を実行するには CrewAI（[詳細はこちら](https://docs.crewai.com/installation)）と Weave をインストールする必要があります。
```
pip install crewai weave
```
-次に、CrewAI Crew を作成し、Weave を使用して実行をトレースします。開始するには、スクリプトの冒頭で `weave.init()` を呼び出すだけです。`weave.init()` の引数は、Traces がログ記録される Projects 名です。
+ここでは CrewAI の Crew を作成し、Weave を使って実行をトレースします。始めるには、スクリプトの先頭で `weave.init()` を呼び出すだけです。`weave.init()` の引数には、トレースが記録されるプロジェクト名を指定します。
```python lines {5}
import weave
from crewai import Agent, Task, Crew, LLM, Process
-# プロジェクト名を指定して Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init(project_name="crewai_demo")
-# 決定論的な出力を確実にするため、temperature を 0 に設定して LLM を作成
+# 決定論的な出力を保証するために temperature を 0 に設定した LLM を作成する
llm = LLM(model="gpt-4o-mini", temperature=0)
-# エージェントの作成
+# エージェントを作成する
researcher = Agent(
role='Research Analyst',
goal='Find and analyze the best investment opportunities',
@@ -52,7 +54,7 @@ writer = Agent(
allow_delegation=False,
)
-# タスクの作成
+# タスクを作成する
research_task = Task(
description='Deep research on the {topic}',
expected_output='Comprehensive market data including key players, market size, and growth trends.',
@@ -65,7 +67,7 @@ writing_task = Task(
agent=writer
)
-# Crew の作成
+# クルーを作成する
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task],
@@ -73,38 +75,41 @@ crew = Crew(
process=Process.sequential,
)
-# Crew の実行
+# クルーを実行する
result = crew.kickoff(inputs={"topic": "AI in material science"})
print(result)
```
-Weave は、エージェントの相互作用、タスクの実行、LLM の呼び出しなど、CrewAI ライブラリを通じて行われるすべての呼び出しを追跡し、ログを記録します。Weave のウェブインターフェースで Traces を確認できます。
+Weave は CrewAI ライブラリ経由で行われるすべての呼び出しを追跡し、ログに記録します。これには、エージェントのやり取り、タスクの実行、および LLM 呼び出しが含まれます。Weave の Web インターフェースでトレースを閲覧できます。
-[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7ac-bd52-7390-95a7-309370e9e058%3FhideTraceTree%3D0&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
+[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7ac-bd52-7390-95a7-309370e9e058%3FhideTraceTree%3D0\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
-CrewAI は、kickoff プロセスをより細かく制御するために、`kickoff()`、`kickoff_for_each()`、`kickoff_async()`、および `kickoff_for_each_async()` という複数のメソッドを提供しています。このインテグレーションは、これらすべてのメソッドからの Traces のログ記録をサポートしています。
+ CrewAI は、kickoff プロセスをより細かく制御するために `kickoff()`, `kickoff_for_each()`, `kickoff_async()`, `kickoff_for_each_async()` といった複数のメソッドを提供しています。このインテグレーションは、これらすべてのメソッドからのトレースのログ記録をサポートします。
-## ツールの追跡
-CrewAI のツールは、Web 検索やデータ分析から、同僚間でのコラボレーションやタスクの委譲まで、エージェントにさまざまな機能を提供します。このインテグレーションでは、これらもトレースすることが可能です。
+
+ ## ツールのトラッキング
+
-上記の例で生成されるレポートの品質を向上させるために、インターネットを検索して最も関連性の高い結果を返すツールへのアクセス権をエージェントに与えます。
+CrewAI ツールは、ウェブ検索やデータ分析から、共同作業、同僚へのタスク委譲に至るまで、エージェントにさまざまな機能を持たせます。インテグレーションは、それらのツールの実行もトレースできます。
-まず、追加の依存関係をインストールしましょう。
+上記の例で生成されたレポートの品質を高めるために、インターネットを検索して最も関連性の高い結果を返せるツールを利用できるようにします。
+
+まずは、追加の依存関係をインストールしましょう。
```
pip install 'crewai[tools]'
```
-この例では、`SerperDevTool` を使用して、「Research Analyst」エージェントがインターネット上で関連情報を検索できるようにします。このツールと API の要件については、[こちら](https://docs.crewai.com/tools/serperdevtool)で詳しく学べます。
+この例では、`SerperDevTool` を使用して「Research Analyst」エージェントがインターネット上の関連情報を検索できるようにします。このツールおよび API 要件の詳細については [こちら](https://docs.crewai.com/tools/serperdevtool) をご覧ください。
```python lines {12}
# .... 既存のインポート ....
from crewai_tools import SerperDevTool
-# エージェントにツールを提供
+# エージェントにツールを提供します。
researcher = Agent(
role='Research Analyst',
goal='Find and analyze the best investment opportunities',
@@ -118,19 +123,22 @@ researcher = Agent(
# .... 既存のコード ....
```
-インターネットへのアクセス権を持つエージェントでこの Crew を実行すると、より高品質で関連性の高い結果が得られます。下の画像に示すように、ツールの使用状況は自動的にトレースされます。
+この Crew をインターネットにアクセスできるエージェントで実行すると、より高品質で関連性の高い結果が得られます。以下の画像に示すように、ツールの利用状況は自動的にトレースされます。
-[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7c7-0213-7f42-b130-caa93a79316c%3FdescendentCallId%3D0195c7c7-0a16-7f11-8cfd-9dedf1d03b3b&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
+[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7c7-0213-7f42-b130-caa93a79316c%3FdescendentCallId%3D0195c7c7-0a16-7f11-8cfd-9dedf1d03b3b\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
-このインテグレーションは、[`crewAI-tools`](https://github.com/crewAIInc/crewAI-tools) リポジトリで利用可能なすべてのツールを自動的にパッチします。
+ このインテグレーションは、[`crewAI-tools`](https://github.com/crewAIInc/crewAI-tools) リポジトリに含まれるすべてのツールに自動的にパッチを適用します。
-## Flow を使ってみる
+
+
+ ## Flow を使い始める
+
```python lines {3}
import weave
-# プロジェクト名を指定して Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("crewai_demo")
from crewai.flow.flow import Flow, listen, router, start
@@ -143,8 +151,8 @@ class CustomerFeedbackFlow(Flow):
@start()
def fetch_feedback(self):
print("Fetching customer feedback")
- # 実際のシナリオでは、これは API 呼び出しに置き換えられる可能性があります。
- # この例では、顧客のフィードバックをシミュレートします。
+ # 実際のシナリオでは、これを API 呼び出しに置き換えることができます。
+ # この例では、顧客フィードバックをシミュレートします。
feedback = (
"I had a terrible experience with the product. "
"It broke after one use and customer service was unhelpful."
@@ -154,7 +162,7 @@ class CustomerFeedbackFlow(Flow):
@router(fetch_feedback)
def analyze_feedback(self, feedback):
- # 言語モデルを使用してセンチメントを分析
+ # 言語モデルを使用してセンチメントを分析する
prompt = (
f"Analyze the sentiment of this customer feedback and "
"return only 'positive' or 'negative':\n\n"
@@ -165,14 +173,14 @@ class CustomerFeedbackFlow(Flow):
messages=[{"role": "user", "content": prompt}],
)
sentiment = response["choices"][0]["message"]["content"].strip().lower()
- # レスポンスが曖昧な場合は、デフォルトで negative に設定
+ # レスポンスが曖昧な場合はネガティブをデフォルトとする
if sentiment not in ["positive", "negative"]:
sentiment = "negative"
return sentiment
@listen("positive")
def handle_positive_feedback(self):
- # ポジティブなフィードバックに対する感謝のメッセージを生成
+ # ポジティブなフィードバックに対するお礼メッセージを生成する
prompt = "Generate a thank you message for a customer who provided positive feedback."
response = completion(
model=self.model,
@@ -184,7 +192,7 @@ class CustomerFeedbackFlow(Flow):
@listen("negative")
def handle_negative_feedback(self):
- # ネガティブなフィードバックに対する謝罪とサービス改善の約束のメッセージを生成
+ # ネガティブなフィードバックに対するサービス改善を約束するお詫びメッセージを生成する
prompt = (
"Generate an apology message to a customer who provided negative feedback and offer assistance or a solution."
)
@@ -196,75 +204,80 @@ class CustomerFeedbackFlow(Flow):
self.state["response"] = apology_message
return apology_message
-# Flow のインスタンス化と kickoff
+# フローをインスタンス化して開始する
flow = CustomerFeedbackFlow()
result = flow.kickoff()
print(result)
```
-[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Flow.kickoff%3A*%22%5D%7D&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7e3-7a63-7283-bef4-9e0eb2f0eab1&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
+[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Flow.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7e3-7a63-7283-bef4-9e0eb2f0eab1\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
-このインテグレーションは、`Flow.kickoff` エントリポイントと、利用可能なすべてのデコレータ（`@start`、`@listen`、`@router`、`@or_`、`@and_`）を自動的にパッチします。
+ この インテグレーション は、`Flow.kickoff` のエントリーポイントと、利用可能なすべてのデコレータ（`@start`、`@listen`、`@router`、`@or_`、`@and_`）に自動的にパッチを当てます。
-## Crew Guardrail - 独自の ops を追跡する
+
+ ## Crew Guardrail - 自分の ops を追跡する
+
-Task guardrails は、タスクの出力が次のタスクに渡される前に、それを検証および変換する方法を提供します。シンプルな Python 関数を使用して、エージェントの実行を動的に検証できます。
+タスク ガードレールは、タスクの出力が次のタスクに渡される前に、その出力を検証・変換するための仕組みです。シンプルな Python 関数を使って、エージェントの実行をオンザフライで検証できます。
-この関数を `@weave.op` でラップすると、入力、出力、およびアプリケーションロジックのキャプチャが開始され、エージェントを通じてデータがどのように検証されるかをデバッグできるようになります。また、実験に合わせてコードの自動バージョン管理も開始されるため、Git にコミットされていないアドホックな詳細もキャプチャできます。
+この関数を `@weave.op` でラップすると、入力・出力・アプリケーションロジックのキャプチャが始まり、データがエージェントを通してどのように検証されているかをデバッグできるようになります。また、まだ Git にコミットされていないアドホックな詳細を記録するために、実験するたびにコードのバージョン管理も自動的に行われます。
-research analyst と writer の例を見てみましょう。生成されたレポートの長さを検証する guardrail を追加します。
+リサーチアナリスト兼ライターを例に考えてみましょう。生成されたレポートの長さを検証するガードレールを追加します。
```python lines {4,36}
-# .... 既存のインポートと Weave の初期化 ....
+# .... 既存のインポートと weave の初期化 ....
-# guardrail 関数を `@weave.op()` でデコレート
+# ガードレール関数を `@weave.op()` でデコレートする
@weave.op(name="guardrail-validate_blog_content")
def validate_blog_content(result: TaskOutput) -> Tuple[bool, Any]:
- # 生の文字列の結果を取得
+ # 生の文字列結果を取得する
result = result.raw
- """ブログのコンテンツが要件を満たしているか検証します。"""
+ """ブログコンテンツが要件を満たしているか検証する。"""
try:
- # 単語数をチェック
+ # 単語数を確認する
word_count = len(result.split())
if word_count > 200:
return (False, {
- "error": "Blog content exceeds 200 words",
+ "error": "ブログコンテンツが200語を超えています",
"code": "WORD_COUNT_ERROR",
"context": {"word_count": word_count}
})
- # ここに追加の検証ロジックを記述
+ # 追加の検証ロジックをここに記述
return (True, result.strip())
except Exception as e:
return (False, {
- "error": "Unexpected error during validation",
+ "error": "検証中に予期しないエラーが発生しました",
"code": "SYSTEM_ERROR"
})
-# .... 既存のエージェントと research analyst タスク ....
+# .... 既存のエージェントとリサーチアナリストのタスク ....
writing_task = Task(
- description='Write a detailed report based on the research under 200 words',
- expected_output='The report should be easy to read and understand. Use bullet points where applicable.',
+ description='調査に基づいて200語以内の詳細なレポートを作成してください',
+ expected_output='レポートは読みやすく理解しやすいものにしてください。必要に応じて箇条書きを使用してください。',
agent=writer,
guardrail=validate_blog_content,
)
-# .... Crew を実行するための既存のコード ....
+# .... crew を実行する既存のコード ....
```
-guardrail 関数を `@weave.op` でデコレートするだけで、この関数への入力と出力、実行時間、内部で LLM が使用されている場合はトークン情報、コードのバージョンなどを追跡できるようになります。
+`@weave.op` で guardrail 関数をデコレートするだけで、この関数の入力と出力に加え、実行時間、内部で LLM が利用されている場合のトークン情報、コードバージョンなども追跡できます。
+
+[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c838-38cb-71a2-8a15-651ecddf9d89%3FdescendentCallId%3D0195c838-8632-7173-846d-f230e7272c20\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
-[](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c838-38cb-71a2-8a15-651ecddf9d89%3FdescendentCallId%3D0195c838-8632-7173-846d-f230e7272c20&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
-## 結論
+
+ ## まとめ
+
-このインテグレーションの改善点について、ぜひフィードバックをお寄せください。問題が発生した場合は、[こちら](https://github.com/wandb/weave/issues/new/choose)から issue をオープンしてください。
+このインテグレーションについて改善してほしい点があれば、ぜひお知らせください。問題に遭遇した場合は、[こちら](https://github.com/wandb/weave/issues/new/choose) から issue を作成してください。
-CrewAI を使用した強力なマルチエージェントシステムの構築方法については、[多くのサンプル](https://github.com/crewAIInc/crewAI-examples)や[ドキュメント](https://docs.crewai.com/introduction)から詳細を学ぶことができます。
\ No newline at end of file
+CrewAI の [豊富なサンプル](https://github.com/crewAIInc/crewAI-examples) や [ドキュメント](https://docs.crewai.com/introduction) を参照して、強力なマルチエージェントシステムの構築方法についてさらに学んでください。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/dspy.mdx b/ja/weave/guides/integrations/dspy.mdx
index 9526c266ce..a1676fda6e 100644
--- a/ja/weave/guides/integrations/dspy.mdx
+++ b/ja/weave/guides/integrations/dspy.mdx
@@ -1,19 +1,27 @@
---
-title: DSPy
-description: DSPy のモジュールや関数を使用して行われた呼び出しを、Weave を使って自動的に追跡し ログ に記録します
+title: "DSPy"
+description: "Weave を使用して DSPy モジュールおよび関数による呼び出しを自動的に追跡・ログに記録する"
---
-
-
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
-[DSPy](https://dspy-docs.vercel.app/) は、特に関数学習モデル（LM）をパイプライン内で 1 回以上使用する場合に、LM のプロンプトと重みをアルゴリズム的に最適化するための フレームワーク です。 Weave は、DSPy のモジュールや関数を使用して行われた呼び出しを自動的に追跡し、ログを記録します。
+
+
-開発中および プロダクション の両方において、言語モデル アプリケーション の トレース を中央の場所に保存しておくことは重要です。これらの トレース はデバッグに役立つだけでなく、アプリケーション を改善するための データセット としても活用できます。
+[DSPy](https://dspy.ai) は、特に LM がパイプライン内で 1 回以上使用される場合に、LM のプロンプトと重みをアルゴリズムで最適化するためのフレームワークです。Weave は、DSPy のモジュールや関数を使って行われた呼び出しを自動的に追跡し、ログを記録します。
-Weave は [DSPy](https://dspy-docs.vercel.app/) の トレース を自動的にキャプチャします。追跡を開始するには、`weave.init(project_name="")` を呼び出し、通常通り ライブラリ を使用してください。
+
+
+ ## トレース
+
+
+言語モデル アプリケーションのトレースを、開発中と本番環境の両方で一元的な場所に保存しておくことは重要です。これらのトレースはデバッグに役立つだけでなく、アプリケーションの改善に役立つデータセットとしても利用できます。
+
+Weave は自動的に [DSPy](https://dspy.ai) のトレースを取得します。トレースの記録を開始するには、`weave.init(project_name="")` を呼び出し、ライブラリを通常どおり使用します。
```python lines
import os
@@ -22,7 +30,6 @@ import weave
os.environ["OPENAI_API_KEY"] = ""
-# Weaveを初期化
weave.init(project_name="")
lm = dspy.LM('openai/gpt-4o-mini')
@@ -31,13 +38,16 @@ classify = dspy.Predict("sentence -> sentiment")
classify(sentence="it's a charming and often affecting journey.")
```
-[](https://wandb.ai/geekyrakshit/dspy-project/weave/calls)
+[](https://wandb.ai/geekyrakshit/dspy-project/weave/calls)
-Weave は DSPy プログラム内のすべての LM 呼び出しを ログ に記録し、入力、出力、および メタデータ に関する詳細を提供します。
+Weave は DSPy プログラム内のすべての LM コールを記録し、入力・出力・メタデータの詳細を提供します。
-## 独自の DSPy モジュールとシグネチャの追跡
-`Module` は、プロンプト技法を抽象化する DSPy プログラムの学習可能な パラメータ を持つ構成要素です。 `Signature` は、DSPy モジュールの入力/出力の 振る舞い を宣言的に指定するものです。 Weave は、DSPy プログラム内のすべての組み込みおよびカスタムの `Signature` と `Module` を自動的に追跡します。
+
+ ## 独自の DSPy Module と Signature を追跡する
+
+
+`Module` は、DSPy プログラムにおいて、プロンプト手法を抽象化し、学習可能なパラメーターを持つ基本構成要素です。`Signature` は、DSPy Module の入出力動作を宣言的に定義した仕様です。Weave は、DSPy プログラム内のすべての組み込み Signature / Module とカスタム Signature / Module を自動的に追跡します。
```python lines
import os
@@ -49,23 +59,23 @@ os.environ["OPENAI_API_KEY"] = ""
weave.init(project_name="")
class Outline(dspy.Signature):
- """トピックの徹底的な概要のアウトラインを作成する。"""
+ """Outline a thorough overview of a topic."""
topic: str = dspy.InputField()
title: str = dspy.OutputField()
sections: list[str] = dspy.OutputField()
section_subheadings: dict[str, list[str]] = dspy.OutputField(
- desc="セクション見出しから小見出しへのマッピング"
+ desc="mapping from section headings to subheadings"
)
class DraftSection(dspy.Signature):
- """記事のトップレベルセクションをドラフトする。"""
+ """Draft a top-level section of an article."""
topic: str = dspy.InputField()
section_heading: str = dspy.InputField()
section_subheadings: list[str] = dspy.InputField()
- content: str = dspy.OutputField(desc="markdown形式のセクション内容")
+ content: str = dspy.OutputField(desc="markdown-formatted section")
class DraftArticle(dspy.Module):
@@ -94,13 +104,14 @@ draft_article = DraftArticle()
article = draft_article(topic="World Cup 2002")
```
-[](https://wandb.ai/geekyrakshit/dspy-project/weave/calls)
-
+[](https://wandb.ai/geekyrakshit/dspy-project/weave/calls)
-## DSPy プログラムの最適化と評価
-Weave は DSPy オプティマイザー と評価（Evaluation）呼び出しの トレース も自動的にキャプチャします。これらを使用して、開発用 データセット に対する DSPy プログラムのパフォーマンスを向上させ、評価することができます。
+
+ ## DSPy プログラムの最適化と評価
+
+Weave は、DSPy オプティマイザーおよび Evaluation の呼び出しに対するトレースも自動的に取得します。これらを使用して、開発セット上で DSPy プログラムのパフォーマンスを改善し、評価できます。
```python lines
import os
@@ -116,10 +127,9 @@ def accuracy_metric(answer, output, trace=None):
module = dspy.ChainOfThought("question -> answer: str, explanation: str")
optimizer = dspy.BootstrapFewShot(metric=accuracy_metric)
-# 最適化の実行
optimized_module = optimizer.compile(
module, trainset=SAMPLE_EVAL_DATASET, valset=SAMPLE_EVAL_DATASET
)
```
-[](https://wandb.ai/geekyrakshit/dspy-project/weave/calls)
\ No newline at end of file
+[](https://wandb.ai/geekyrakshit/dspy-project/weave/calls)
diff --git a/ja/weave/guides/integrations/google.mdx b/ja/weave/guides/integrations/google.mdx
index f81945cd0f..382aa9973a 100644
--- a/ja/weave/guides/integrations/google.mdx
+++ b/ja/weave/guides/integrations/google.mdx
@@ -1,37 +1,38 @@
---
-title: Google
-description: Weave を使用して Google GenAI モデル呼び出しのトレースと ログ 記録を行う
+title: "Google"
+description: "Weave を使用して Google GenAI モデル呼び出しをトレースおよびログに記録する"
---
-
-セットアップ不要で Google AI モデルを Weave で試すには、 [LLM Playground](../tools/playground) を使用してください。
+ [LLM Playground](../tools/playground) を使用すると、セットアップなしで Weave 上で Google AI モデルを試すことができます。
-このページでは、 W&B Weave を Google Vertex AI API および Google Gemini API と共に使用する方法について説明します。
+このページでは、Google Vertex AI API および Google Gemini API で W&B Weave を使用する方法を説明します。
-Weave を使用して、 Google GenAI アプリケーションの 評価、 モニタリング、 およびイテレーションを行うことができます。 Weave は以下の Traces を自動的にキャプチャします。
+Weave を使用して、Google GenAI アプリケーションを評価・監視し、反復的に改善できます。Weave は次のものに対するトレースを自動的に記録します。
-1. [Google GenAI SDK](https://github.com/googleapis/python-genai): Python SDK、 Node.js SDK、 Go SDK、 および REST 経由でアクセス可能です。
-2. [Google Vertex AI API](https://cloud.google.com/vertex-ai/docs): Google の Gemini モデルや [様々なパートナーモデル](https://cloud.google.com/vertex-ai/generative-ai/docs/partner-models/use-partner-models) へのアクセスを提供します。
+1. Python SDK、Node.js SDK、Go SDK、REST 経由で利用できる [Google GenAI SDK](https://github.com/googleapis/python-genai)
+2. Google の Gemini モデルおよび [さまざまなパートナーモデル](https://cloud.google.com/vertex-ai/generative-ai/docs/partner-models/use-partner-models) へのアクセスを提供する [Google Vertex AI API](https://cloud.google.com/vertex-ai/docs)
-非推奨となった [Google AI Python SDK for the Gemini API](https://github.com/google-gemini/deprecated-generative-ai-python) もサポートしています。 ただし、 このサポートも同様に非推奨であり、 将来の バージョン で削除される予定ですのでご注意ください。
+ 非推奨となった [Google AI Python SDK for the Gemini API](https://github.com/google-gemini/deprecated-generative-ai-python) にも対応しています。このサポート自体も非推奨であり、今後のバージョンで削除される予定です。
-## クイックスタート
+
+ ## はじめに
+
-Weave は [Google GenAI SDK](https://github.com/googleapis/python-genai) の Traces を自動的にキャプチャします。 トラッキングを開始するには、 `weave.init(project_name="")` を呼び出し、 通常通り ライブラリ を使用してください。
+Weave は [Google GenAI SDK](https://github.com/googleapis/python-genai) のトレースを自動的にキャプチャします。トラッキングを開始するには、`weave.init(project_name="")` を呼び出し、その後は通常どおりライブラリを使用します。
```python lines
import os
from google import genai
import weave
-# プロジェクト名を指定して初期化
weave.init(project_name="google-genai")
google_client = genai.Client(api_key=os.getenv("GOOGLE_GENAI_KEY"))
@@ -41,16 +42,15 @@ response = google_client.models.generate_content(
)
```
-[](https://wandb.ai/geekyrakshit/google-genai/weave/traces)
+[](https://wandb.ai/geekyrakshit/google-genai/weave/traces)
-Weave は [Vertex API](https://github.com/googleapis/python-aiplatform/tree/main/vertexai/generative_models) の Traces も自動的にキャプチャします。 トラッキングを開始するには、 `weave.init(project_name="")` を呼び出し、 通常通り ライブラリ を使用してください。
+Weave は [Vertex APIs](https://github.com/googleapis/python-aiplatform/tree/main/vertexai/generative_models) のトレースも自動的に取得します。トラッキングを開始するには、`weave.init(project_name="")` を呼び出してから、ライブラリを通常どおり使用します。
```python lines
import vertexai
import weave
from vertexai.generative_models import GenerativeModel
-# プロジェクト名を指定して初期化
weave.init(project_name="vertex-ai-test")
vertexai.init(project="", location="")
model = GenerativeModel("gemini-1.5-flash-002")
@@ -59,13 +59,15 @@ response = model.generate_content(
)
```
-## 独自の ops をトラックする
+
+ ## 自分の op をトラッキングする
+
-関数を `@weave.op` でラップすると、 入出力とアプリのロジックのキャプチャが開始され、 アプリ内での データの流れをデバッグできるようになります。 ops は深くネストさせることができ、 トラックしたい関数の ツリー を構築できます。 これにより、 実験 中の コード の バージョン管理 も自動的に開始され、 git にコミットされていないアドホックな詳細もキャプチャされます。
+関数を `@weave.op` でラップすると、入力・出力・アプリ ロジックがキャプチャされ、データがアプリ内でどのように流れるかをデバッグできるようになります。op を深くネストして、トラッキングしたい関数のツリーを構築できます。これにより、git にコミットしていないアドホックな変更も含めて、実験中のコードが自動的にバージョン管理されます。
-単に [`@weave.op`](/weave/guides/tracking/ops) でデコレートした関数を作成するだけです。
+[`@weave.op`](/ja/weave/guides/tracking/ops) でデコレートされた関数を作成するだけです。
-以下の例では、 都市の観光スポットを推薦する `@weave.op` でラップされた関数 `recommend_places_to_visit` を定義しています。
+以下の例では、`recommend_places_to_visit` という関数があり、これは `@weave.op` でラップされた関数で、指定した都市で訪れるとよい場所を推薦します。
```python lines
import os
@@ -90,15 +92,17 @@ recommend_places_to_visit("Paris")
recommend_places_to_visit("Kolkata")
```
-[](https://wandb.ai/geekyrakshit/google-genai/weave/traces)
+[](https://wandb.ai/geekyrakshit/google-genai/weave/traces)
-## 実験を容易にするための `Model` 作成
+
+ ## 実験をより行いやすくするために `Model` を作成する
+
-多くの要素が動的に変化する場合、 実験 の整理は困難になります。 [`Model`](../core-types/models) クラスを使用することで、 システムプロンプトや使用している モデル などのアプリの実験的な詳細をキャプチャし、 整理することができます。 これにより、 アプリの異なるイテレーションの整理や比較が容易になります。
+多くの要素が関わると、実験を整理するのは難しくなります。[`Model`](../core-types/models) クラスを使用すると、システムプロンプトや使用しているモデルなど、アプリの実験に関する詳細を記録して整理できます。これにより、アプリのさまざまなイテレーションを整理し、比較しやすくなります。
-コード の バージョン管理 や入出力のキャプチャに加え、 [`Model`](../core-types/models) は アプリケーション の 振る舞い を制御する構造化された パラメータ をキャプチャするため、 どの パラメータ が最適だったかを簡単に見つけ出すことができます。 また、 Weave Models は `serve` や [`Evaluations`](../core-types/evaluations) と共に使用することもできます。
+コードのバージョン管理や入出力の記録に加えて、[`Model`](../core-types/models) はアプリケーションの動作を制御する構造化されたパラメーターも記録し、どのパラメーターが最もよく機能したかを簡単に見つけられるようにします。また、Weave Models を `serve` や [`Evaluation`](../core-types/evaluations) とあわせて使用することもできます。
-以下の例では、 `CityVisitRecommender` を使って 実験 を行うことができます。 これらを変更するたびに、 `CityVisitRecommender` の新しい バージョン が作成されます。
+以下の例では、`CityVisitRecommender` を使って実験できます。これらのパラメーターのいずれかを変更するたびに、`CityVisitRecommender` の新しい *version* が作成されます。
```python lines
import os
@@ -125,4 +129,4 @@ city_recommender = CityVisitRecommender(model="gemini-1.5-flash")
print(city_recommender.predict("New York"))
print(city_recommender.predict("San Francisco"))
print(city_recommender.predict("Los Angeles"))
-```
\ No newline at end of file
+```
diff --git a/ja/weave/guides/integrations/google_adk.mdx b/ja/weave/guides/integrations/google_adk.mdx
index 52e32aa554..80c696b494 100644
--- a/ja/weave/guides/integrations/google_adk.mdx
+++ b/ja/weave/guides/integrations/google_adk.mdx
@@ -1,54 +1,61 @@
---
-title: Google Agent Development Kit (ADK)
-description: OpenTelemetry を使用して、Google Agent Development Kit (ADK) の エージェント と ツール
- の呼び出しを Weave でトレースする
+title: "Google Agent Development Kit (ADK)"
+description: "OpenTelemetry を使用して Weave で Google Agent Development Kit (ADK) のエージェントおよびツール呼び出しをトレースする"
---
-[OpenTelemetry (OTEL)](https://opentelemetry.io/) を使用して、Weave で [Google Agent Development Kit (ADK)](https://google.github.io/adk-docs/) のエージェントやツールの呼び出しをトレースできます。ADK は、AI エージェントの開発とデプロイのための柔軟でモジュール化されたフレームワークです。Gemini や Google のエコシステムに最適化されていますが、ADK はモデルやデプロイメントに依存しません。単純なタスクから複雑なワークフローまで、エージェント アーキテクチャーの作成、デプロイ、オーケストレーションのためのツールを提供します。
+[Google Agent Development Kit (ADK)](https://google.github.io/adk-docs/) のエージェントおよびツール呼び出しを、[OpenTelemetry (OTEL)](https://opentelemetry.io/) を使用して Weave でトレースできます。ADK は、AI エージェントの開発およびデプロイ用の柔軟でモジュール型のフレームワークです。Gemini と Google エコシステム向けに最適化されていますが、ADK 自体はモデルやデプロイ環境に依存しません。シンプルなタスクから複雑なワークフローまで、エージェントアーキテクチャを作成、デプロイ、オーケストレーションするためのツールを提供します。
-このガイドでは、OTEL を使用して ADK エージェントとツールの呼び出しをトレースし、それらのトレースを Weave で可視化する方法を説明します。必要な依存関係のインストール、Weave にデータを送信するための OTEL トレーサーの設定、および ADK エージェントとツールの計装方法について学びます。
+このガイドでは、OTEL を使用して ADK のエージェントおよびツール呼び出しをトレースし、そのトレースを Weave で可視化する方法を説明します。必要な依存関係のインストール方法、Weave にデータを送信する OTEL トレーサーの設定方法、そして ADK エージェントおよびツールにインストルメンテーションを行う方法を学びます。
-Weave における OTEL トレッシングの詳細については、[Send OTEL Traces to Weave](../tracking/otel) を参照してください。
+ Weave における OTEL トレーシングの詳細については、[Send OTEL Traces to Weave](../tracking/otel) を参照してください。
-## 事前準備
+
+ ## 前提条件
+
-1. 必要な依存関係をインストールします。
+1. 必要な依存関係をインストールします:
- ```bash
- pip install google-adk opentelemetry-sdk opentelemetry-exporter-otlp-proto-http
- ```
+ ```bash
+ pip install google-adk opentelemetry-sdk opentelemetry-exporter-otlp-proto-http
+ ```
-2. [Google APIキー](https://cloud.google.com/docs/authentication/api-keys)を環境変数として設定します。
+2. [Google API キー](https://cloud.google.com/docs/authentication/api-keys) を環境変数として設定します:
- ```bash
- export GOOGLE_API_KEY=your_api_key_here
- ```
+ ```bash
+ export GOOGLE_API_KEY=your_api_key_here
+ ```
-3. [Weave での OTEL トレッシングの設定](#weave-での-otel-トレッシングの設定)を行います。
+3. [Weave で OTEL トレーシングを設定](#configure-otel-tracing-in-weave)します。
-### Weave での OTEL トレッシングの設定
+
+ ### Weave で OTEL トレーシングを設定する
+
-ADK から Weave にトレースを送信するには、`TracerProvider` と `OTLPSpanExporter` を使用して OTEL を設定します。エクスポーターには、[認証とプロジェクト識別のための正しいエンドポイントと HTTP ヘッダー](#必要な設定)を設定してください。
+ADK から Weave にトレースを送信するには、OTEL を `TracerProvider` と `OTLPSpanExporter` を使って構成します。エクスポーターには、[認証およびプロジェクト識別用の正しいエンドポイントと HTTP ヘッダー](#required-configuration) を設定してください。
-API キーやプロジェクト情報などの機密性の高い環境変数は、環境ファイル（例： `.env`）に保存し、 `os.environ` を使用してロードすることをお勧めします。これにより、認証情報を安全に保ち、コードベースから排除できます。
+ API キー やプロジェクト情報などの機密性の高い環境変数は、`.env` などの環境ファイルに保存し、`os.environ` を使って読み込むことを推奨します。これにより、認証情報を安全に保ち、コードベースの外に出しておくことができます。
-### 必要な設定
+
+ ### 必要な設定
+
-- **エンドポイント:** `https://trace.wandb.ai/otel/v1/traces`。専用の Weave インスタンスを使用している場合、URL は次のパターンに従います： `{YOUR_WEAVE_HOST}/traces/otel/v1/traces`
-- **ヘッダー:**
- - `Authorization`: W&B APIキーを使用した基本認証（Basic auth）
- - `project_id`: W&B の Entity/Project 名（例： `myteam/myproject`）
+* **Endpoint:** `https://trace.wandb.ai/otel/v1/traces`。専用の Weave インスタンスを使用している場合は、代わりに URL は次のパターンになります: `{YOUR_WEAVE_HOST}/traces/otel/v1/traces`
+* **Headers:**
+ * `Authorization`: W&B の API キーを使用した Basic 認証
+ * `project_id`: W&B entity/project 名 (例: `myteam/myproject`)
-## ADK から Weave への OTEL トレースの送信
+
+ ## ADK から Weave へ OTEL トレースを送信する
+
-以下のコードスニペットは、ADK アプリケーションから Weave に OTEL トレースを送信するために、OTLP スパンエクスポーターとトレーサープロバイダーを設定する方法を示しています。
+次のコードスニペットは、ADK アプリケーションから Weave へ OTEL トレースを送信するために OTLP span exporter と tracer provider を構成する方法を示します。
-Weave が ADK を正しくトレースできるように、コード内で ADK コンポーネントを使用する *前* にグローバルトレーサープロバイダーを設定してください。
+ Weave が ADK を正しくトレースできるようにするには、コード内で ADK コンポーネントを使用する *前に* グローバル tracer provider を設定してください。
```python lines
@@ -59,11 +66,11 @@ from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.trace.export import SimpleSpanProcessor
from opentelemetry import trace
-# 環境変数から機密性の高い値をロードする
+# 環境変数から機密値を読み込む
WANDB_BASE_URL = "https://trace.wandb.ai"
-# W&B の entity/project 名（例: "myteam/myproject"）
+# W&B のエンティティ/プロジェクト名（例: "myteam/myproject"）
PROJECT_ID = os.environ.get("WANDB_PROJECT_ID")
-# https://wandb.ai/settings で W&B APIキーを作成してください
+# W&B の API キーを https://wandb.ai/settings で作成する
WANDB_API_KEY = os.environ.get("WANDB_API_KEY")
OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"
@@ -74,23 +81,25 @@ OTEL_EXPORTER_OTLP_HEADERS = {
"project_id": PROJECT_ID,
}
-# エンドポイントとヘッダーを指定して OTLP スパンエクスポーターを作成
+# エンドポイントとヘッダーを指定して OTLP スパンエクスポーターを作成する
exporter = OTLPSpanExporter(
endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
headers=OTEL_EXPORTER_OTLP_HEADERS,
)
-# トレーサープロバイダーを作成し、エクスポーターを追加
+# トレーサープロバイダーを作成してエクスポーターを追加する
tracer_provider = trace_sdk.TracerProvider()
tracer_provider.add_span_processor(SimpleSpanProcessor(exporter))
-# ADK をインポート/使用する「前」に、グローバルトレーサープロバイダーをセット
+# ADK をインポート/使用する前にグローバルトレーサープロバイダーを設定する
trace.set_tracer_provider(tracer_provider)
```
-## OTEL を使用した ADK エージェントのトレース
+
+ ## OTEL で ADK エージェントをトレースする
+
-トレーサープロバイダーを設定した後、自動トレース機能を備えた ADK エージェントを作成して実行できます。次の例は、ツールを備えたシンプルな LLM エージェントを作成し、インメモリランナーで実行する方法を示しています。
+tracer provider をセットアップすると、自動トレース付きで ADK エージェントを作成して実行できます。次の例では、ツールを備えたシンプルな LLM エージェントを作成し、インメモリ runner を使って実行する方法を示します。
```python lines
from google.adk.agents import LlmAgent
@@ -99,9 +108,9 @@ from google.adk.tools import FunctionTool
from google.genai import types
import asyncio
-# デモ用のシンプルなツールを定義
+# デモ用のシンプルなツールを定義する
def calculator(a: float, b: float) -> str:
- """2つの数値を足して結果を返します。
+ """2つの数値を加算して結果を返す。
Args:
a: 1つ目の数値
@@ -115,22 +124,22 @@ def calculator(a: float, b: float) -> str:
calculator_tool = FunctionTool(func=calculator)
async def run_agent():
- # LLM エージェントを作成
+ # LLM エージェントを作成する
agent = LlmAgent(
name="MathAgent",
- model="gemini-2.0-flash", # 必要に応じて他のモデルに変更可能
+ model="gemini-2.0-flash", # 必要に応じて別のモデルに変更できます
instruction=(
- "あなたは計算ができる役立つアシスタントです。 "
- "算数の問題を尋ねられたら、calculator ツールを使用して解決してください。"
+ "あなたは数学が得意なアシスタントです。"
+ "数学の問題を聞かれたら、電卓ツールを使って解いてください。"
),
tools=[calculator_tool],
)
- # ランナーの設定
+ # ランナーをセットアップする
runner = InMemoryRunner(agent=agent, app_name="math_assistant")
session_service = runner.session_service
- # セッションの作成
+ # セッションを作成する
user_id = "example_user"
session_id = "example_session"
await session_service.create_session(
@@ -139,32 +148,34 @@ async def run_agent():
session_id=session_id,
)
- # ツールの使用をトリガーするメッセージでエージェントを実行
+ # ツールの使用をトリガーするメッセージでエージェントを実行する
async for event in runner.run_async(
user_id=user_id,
session_id=session_id,
new_message=types.Content(
- role="user", parts=[types.Part(text="5 + 7 は何？")]
+ role="user", parts=[types.Part(text="5 + 7 はいくつですか？")]
),
):
if event.is_final_response() and event.content:
- print(f"Final response: {event.content.parts[0].text.strip()}")
+ print(f"最終レスポンス: {event.content.parts[0].text.strip()}")
-# 非同期関数の実行
+# 非同期関数を実行する
asyncio.run(run_agent())
```
-すべてのエージェント操作は自動的にトレースされ Weave に送信されるため、実行フローを可視化できます。モデルの呼び出し、推論ステップ、ツールの呼び出しを確認できます。
+エージェントのすべての操作は自動的にトレースされて Weave に送信されるので、実行フローを可視化できます。モデル呼び出し、推論ステップ、ツール呼び出しを確認できます。
+ ## OTEL で ADK ツールをトレースする
+
-ADK でツールを定義して使用すると、これらのツール呼び出しもトレースに記録されます。OTEL インテグレーションは、エージェントの推論プロセスと個々のツール実行の両方を自動的に計装し、エージェントの振る舞いを包括的に把握できるようにします。
+ADK でツールを定義して使用すると、これらのツール呼び出しもトレースに記録されます。OTEL インテグレーションは、エージェントの推論プロセスと個々のツール実行の両方を自動的にインストルメントして、エージェントの挙動を包括的に可視化します。
-以下は、複数のツールを使用した例です。
+複数のツールを使った例は次のとおりです。
```python lines
from google.adk.agents import LlmAgent
@@ -173,13 +184,13 @@ from google.adk.tools import FunctionTool
from google.genai import types
import asyncio
-# 複数のツールを定義
+# 複数のツールを定義する
def add(a: float, b: float) -> str:
- """2つの数値を足します。
+ """2つの数を足す。
Args:
- a: 1つ目の数値
- b: 2つ目の数値
+ a: 1つ目の数
+ b: 2つ目の数
Returns:
a と b の合計
@@ -187,39 +198,39 @@ def add(a: float, b: float) -> str:
return str(a + b)
def multiply(a: float, b: float) -> str:
- """2つの数値を掛けます。
+ """2つの数を掛け合わせる。
Args:
- a: 1つ目の数値
- b: 2つ目の数値
+ a: 1つ目の数
+ b: 2つ目の数
Returns:
a と b の積
"""
return str(a * b)
-# 関数ツールの作成
+# 関数ツールを作成する
add_tool = FunctionTool(func=add)
multiply_tool = FunctionTool(func=multiply)
async def run_agent():
- # 複数のツールを持つ LLM エージェントを作成
+ # 複数のツールを持つ LLM エージェントを作成する
agent = LlmAgent(
name="MathAgent",
model="gemini-2.0-flash",
instruction=(
- "あなたは計算操作ができる役立つアシスタントです。 "
- "足し算を頼まれたら add ツールを、 "
- "掛け算を頼まれたら multiply ツールを使用してください。"
+ "You are a helpful assistant that can do math operations. "
+ "When asked to add numbers, use the add tool. "
+ "When asked to multiply numbers, use the multiply tool."
),
tools=[add_tool, multiply_tool],
)
- # ランナーの設定
+ # ランナーをセットアップする
runner = InMemoryRunner(agent=agent, app_name="math_assistant")
session_service = runner.session_service
- # セッションの作成
+ # セッションを作成する
user_id = "example_user"
session_id = "example_session"
await session_service.create_session(
@@ -228,28 +239,30 @@ async def run_agent():
session_id=session_id,
)
- # ツール使用をトリガーするメッセージでエージェントを実行
+ # ツールの使用をトリガーするメッセージでエージェントを実行する
async for event in runner.run_async(
user_id=user_id,
session_id=session_id,
new_message=types.Content(
- role="user", parts=[types.Part(text="最初に 5 と 7 を足して、その結果に 2 を掛けてください。")]
+ role="user", parts=[types.Part(text="First add 5 and 7, then multiply the result by 2.")]
),
):
if event.is_final_response() and event.content:
print(f"Final response: {event.content.parts[0].text.strip()}")
-# 非同期関数の実行
+# 非同期関数を実行する
asyncio.run(run_agent())
```
+ ## Workflow エージェントを使う
+
-ADK は、より複雑なシナリオ向けにさまざまな [_ワークフローエージェント_](https://google.github.io/adk-docs/agents/workflow-agents/) を提供しています。通常の LLM エージェントと同じようにワークフローエージェントをトレースできます。以下は、[`SequentialAgent`](https://google.github.io/adk-docs/agents/workflow-agents/sequential-agents/) を使用した例です。
+ADK は、より複雑なシナリオ向けにさまざまな [*workflow agents*](https://google.github.io/adk-docs/agents/workflow-agents/) を提供します。Workflow エージェントは、通常の LLM agent と同様にトレースできます。ここでは [`SequentialAgent`](https://google.github.io/adk-docs/agents/workflow-agents/sequential-agents/) を使った例を示します。
```python lines
from google.adk.agents import LlmAgent, SequentialAgent
@@ -258,35 +271,35 @@ from google.genai import types
import asyncio
async def run_workflow():
- # 2つの LLM エージェントを作成
+ # 2つの LLM エージェントを作成する
summarizer = LlmAgent(
name="Summarizer",
model="gemini-2.0-flash",
- instruction="与えられたテキストを1文で要約してください。",
- description="テキストを1文で要約します",
- output_key="summary" # 出力を state['summary'] に保存
+ instruction="Summarize the given text in one sentence.",
+ description="Summarizes text in one sentence",
+ output_key="summary" # state['summary'] に出力を保存する
)
analyzer = LlmAgent(
name="Analyzer",
model="gemini-2.0-flash",
- instruction="与えられたテキストのセンチメントを positive、negative、または neutral として分析してください。分析対象のテキスト: {summary}",
- description="テキストのセンチメントを分析します",
- output_key="sentiment" # 出力を state['sentiment'] に保存
+ instruction="Analyze the sentiment of the given text as positive, negative, or neutral. The text to analyze: {summary}",
+ description="Analyzes sentiment of text",
+ output_key="sentiment" # state['sentiment'] に出力を保存する
)
- # シーケンシャルワークフローを作成
+ # 逐次ワークフローを作成する
workflow = SequentialAgent(
name="TextProcessor",
sub_agents=[summarizer, analyzer],
- description="要約の後にセンチメント分析を行うシーケンスを実行します。",
+ description="Executes a sequence of summarization followed by sentiment analysis.",
)
- # ランナーの設定
+ # ランナーをセットアップする
runner = InMemoryRunner(agent=workflow, app_name="text_processor")
session_service = runner.session_service
- # セッションの作成
+ # セッションを作成する
user_id = "example_user"
session_id = "example_session"
await session_service.create_session(
@@ -295,31 +308,33 @@ async def run_workflow():
session_id=session_id,
)
- # ワークフローの実行
+ # ワークフローを実行する
async for event in runner.run_async(
user_id=user_id,
session_id=session_id,
new_message=types.Content(
role="user",
- parts=[types.Part(text="この製品は期待以上でした。箱から出してすぐに完璧に動作し、セットアップに関する質問をした際のカスタマーサービスも素晴らしかったです。")]
+ parts=[types.Part(text="The product exceeded my expectations. It worked perfectly right out of the box, and the customer service was excellent when I had questions about setup.")]
),
):
if event.is_final_response() and event.content:
print(f"Final response: {event.content.parts[0].text.strip()}")
-# 非同期関数の実行
+# 非同期関数を実行する
asyncio.run(run_workflow())
```
-このワークフローエージェントのトレースは、両方のエージェントの順次実行を Weave で表示し、マルチエージェントシステム内をデータがどのように流れるかの公開範囲を提供します。
+この workflow agent の trace では、Weave 内で 2 つのエージェントが順番に実行される様子が時系列で表示され、データがマルチエージェントシステム内をどのように流れていくかを可視化できます。
+ ## 詳細情報
+
-- [Weave ドキュメント: Weave への OTEL トレース送信](../tracking/otel)
-- [ADK 公式ドキュメント](https://google.github.io/adk-docs/)
-- [OTEL 公式ドキュメント](https://opentelemetry.io/)
-- [ADK GitHub リポジトリ](https://github.com/google/adk-python)
\ No newline at end of file
+* [Weave ドキュメント: OTEL トレースを Weave に送信する](../tracking/otel)
+* [公式 ADK ドキュメント](https://google.github.io/adk-docs/)
+* [公式 OTEL ドキュメント](https://opentelemetry.io/)
+* [ADK GitHub リポジトリ](https://github.com/google/adk-python)
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/groq.mdx b/ja/weave/guides/integrations/groq.mdx
index d9ae81ca80..21e56c4adb 100644
--- a/ja/weave/guides/integrations/groq.mdx
+++ b/ja/weave/guides/integrations/groq.mdx
@@ -1,31 +1,31 @@
---
title: Groq
-description: Groq の超高速 LPU™ 推論を Weave で追跡およびモニタリングし、Groq の専用ハードウェアアクセラレーションを使用した高速
- LLM アプリケーションの モデル 呼び出し、パフォーマンス メトリクス、関数チェーンをキャプチャします。
+description: "Weave で Groq の超高速 LPU™ 推論をトラッキングおよびモニタリングし、Groq の専用ハードウェア アクセラレーションを利用する高速な LLM アプリケーション向けに、モデル呼び出し、パフォーマンス メトリクス、関数チェーンを記録します。"
---
-
-
+
-セットアップなしで Weave 上の Groq モデルを試してみたいですか？ [LLM Playground](../tools/playground) をお試しください。
+ セットアップなしで Weave 上で Groq モデルを試してみたい場合は、[LLM Playground](../tools/playground) をお試しください。
-[Groq](https://groq.com/) は、高速な AI 推論を提供する AI インフラストラクチャー企業です。 Groq の LPU™ 推論エンジンは、並外れた計算速度、品質、エネルギー効率を実現するハードウェアおよびソフトウェアプラットフォームです。 Weave は、 Groq のチャットコンプリーション（chat completion）呼び出しを使用して行われた呼び出しを自動的に追跡し、ログを記録します。
+[Groq](https://groq.com/) は、高速な AI 推論を提供する AI インフラストラクチャ企業です。Groq の LPU™ Inference Engine は、卓越した計算速度、品質、エネルギー効率を実現するハードウェアおよびソフトウェア プラットフォームです。Weave は、Groq の chat completion を使った呼び出しを自動的にトラッキングし、ログに記録します。
-## Tracing
+
+ ## トレース
+
-開発中および プロダクション の両方において、言語モデル アプリケーション の トレース を中央の場所に保存することは重要です。これらの トレース はデバッグに役立ち、 アプリケーション を改善するための データセット としても活用できます。
+言語モデル アプリケーションのトレースは、開発中と本番環境の両方で、一元的な場所に保存しておくことが重要です。これらのトレースはデバッグに役立つだけでなく、アプリケーションを改善するのに役立つデータセットとしても利用できます。
-Weave は [Groq](https://groq.com/) の トレース を自動的にキャプチャします。追跡を開始するには、 `weave.init(project_name="")` を呼び出し、通常通り ライブラリ を使用してください。
+Weave は [Groq](https://groq.com/) のトレースを自動的に取得します。トラッキングを開始するには、`weave.init(project_name="")` を呼び出し、あとは通常どおりライブラリを使用してください。
```python lines
import os
import weave
from groq import Groq
-# Weaveを初期化
weave.init(project_name="groq-project")
client = Groq(
@@ -42,24 +42,26 @@ chat_completion = client.chat.completions.create(
)
```
-|  |
-|---|
-| Weave は、 Groq ライブラリ を介して行われたすべての LLM 呼び出しを追跡し、ログを記録します。 Weave のウェブインターフェースで トレース を確認できます。 |
+|  |
+| ------------------------------------------------------------------------------------------------------------------------------- |
+| Weave は、Groq ライブラリを通じて実行されたすべての LLM 呼び出しを追跡してログに記録します。トレースは Weave の Web インターフェースで確認できます。 |
-## 独自の op を追跡する
+
+ ## 独自の op をトラッキングする
+
-関数を `@weave.op` でラップすると、入力、出力、 アプリケーション ロジックのキャプチャが開始され、 アプリケーション 内でどのように データ が流れているかをデバッグできるようになります。 op を深くネストして、追跡したい関数の ツリー を構築できます。これにより、実験中に git にコミットされていないアドホックな詳細をキャプチャするために、コードの バージョン管理 も自動的に開始されます。
+関数を `@weave.op` でラップすると、入力・出力・アプリケーション ロジックのキャプチャが始まり、アプリ内でデータがどのように流れているかをデバッグできるようになります。op を深くネストして、トラッキングしたい関数のツリーを構築できます。これにより、実験中のコードが自動的にバージョン管理され、まだ git にコミットしていないアドホックな変更内容も含めて記録されます。
-[`@weave.op`](/weave/guides/tracking/ops) でデコレートされた関数を作成するだけです。
+[`@weave.op`](/ja/weave/guides/tracking/ops) でデコレートされた関数を作成するだけです。
-以下の例では、 `recommend_places_to_visit` という関数があります。これは、都市の観光スポットを推薦する `@weave.op` でラップされた関数です。
+以下の例では、`recommend_places_to_visit` という関数があり、これは `@weave.op` でラップされた、特定の都市で訪れるべき場所をおすすめする関数です。
```python lines
import os
import weave
from groq import Groq
-# プロジェクトの初期化
+
weave.init(project_name="groq-test")
client = Groq(
@@ -83,23 +85,25 @@ def recommend_places_to_visit(city: str, model: str="llama3-8b-8192"):
)
return chat_completion.choices[0].message.content
-# 関数の呼び出し
+
recommend_places_to_visit("New York")
recommend_places_to_visit("Paris")
recommend_places_to_visit("Kolkata")
```
-|  |
-|---|
-| `recommend_places_to_visit` 関数を `@weave.op` でデコレートすることで、その入力、出力、および関数内で行われたすべての内部 LM 呼び出しが トレース されます。 |
+|  |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `recommend_places_to_visit` 関数を `@weave.op` でデコレートすると、この関数の入力と出力、および関数内部で行われるすべての LM 呼び出しがトレースされます。 |
-## 実験を容易にするための `Models` の作成
+
+ ## 実験を行いやすくするために `Model` を作成する
+
-多くの要素が動いている場合、実験の整理は困難になります。 [`Models`](../core-types/models) クラスを使用すると、システムプロンプトや使用している モデル など、 アプリケーション の実験的な詳細をキャプチャして整理できます。これにより、 アプリケーション の異なるイテレーションの整理や比較が容易になります。
+多くの要素が絡み合っていると、実験を整理するのは困難です。[`Model`](../core-types/models) クラスを使うと、システムプロンプトや使用しているモデルなど、アプリの実験に関する詳細を記録して整理できます。これにより、アプリのさまざまなバージョンや反復を整理し、比較しやすくなります。
-コードの バージョン管理 や入力/出力のキャプチャに加えて、 [`Models`](../core-types/models) は アプリケーション の 振る舞い を制御する構造化された パラメータ をキャプチャし、どの パラメータ が最適であったかを簡単に見つけられるようにします。また、 Weave Models は `serve` や [`Evaluations`](../core-types/evaluations) と併用することもできます。
+コードのバージョニングや入出力の記録に加えて、[`Model`](../core-types/models) はアプリケーションの動作を制御する構造化されたパラメーターも記録するため、どのパラメーターが最も効果的だったかを簡単に見つけることができます。Weave Models を `serve` や [`Evaluation`](../core-types/evaluations) と組み合わせて使用することもできます。
-以下の例では、 `GroqCityVisitRecommender` を使って実験ができます。これらを変更するたびに、 `GroqCityVisitRecommender` の新しい「バージョン」が作成されます。
+以下の例では、`GroqCityVisitRecommender` を使って実験できます。そのいずれかの値を変更するたびに、新しい `GroqCityVisitRecommender` の *バージョン* が作成されます。
```python lines
import os
@@ -136,20 +140,22 @@ print(city_recommender.predict("San Francisco"))
print(city_recommender.predict("Los Angeles"))
```
-|  |
-|---|
-| [`Models`](../core-types/models) を使用した呼び出しの トレース と バージョン管理 |
+|  |
+| ----------------------------------------------------------------------------------------------------------------------------------------- |
+| Tracing and versioning your calls using a [`Model`](../core-types/models) |
-### Weave モデルのサービング
+
+ ### Weave モデルをサーブする
+
-任意の `weave.Model` オブジェクトへの Weave リファレンスがあれば、 FastAPI サーバーを立ち上げて [serve](https://wandb.github.io/weave/guides/tools/serve) することができます。
+任意の `weave.Model` オブジェクトへの weave リファレンスがあれば、FastAPI サーバーを起動して、そのモデルを [serve](https://docs.wandb.ai/weave/guides/tools/serve) できます。
-| [](https://wandb.ai/geekyrakshit/groq-test/weave/objects/GroqCityVisitRecommender/versions/6O1xPTJ9yFx8uuCjJAlI7KgcVYxXKn7JxfmVD9AQT5Q) |
-|---|
-| WeaveModel の Weave リファレンスは、 UI で モデル に移動してコピーすることで取得できます。 |
+| [](https://wandb.ai/geekyrakshit/groq-test/weave/objects/GroqCityVisitRecommender/versions/6O1xPTJ9yFx8uuCjJAlI7KgcVYxXKn7JxfmVD9AQT5Q) |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
+| 任意の WeaveModel の weave リファレンスは、そのモデルのページに移動し、UI からコピーすることで取得できます。 |
-ターミナル で以下の コマンド を使用して モデル をサービングできます。
+次のコマンドをターミナルで実行すると、モデルをサーブできます。
```shell
weave serve weave://your_entity/project-name/YourModel:
-```
\ No newline at end of file
+```
diff --git a/ja/weave/guides/integrations/huggingface.mdx b/ja/weave/guides/integrations/huggingface.mdx
index 41d6a7e333..77a480af5f 100644
--- a/ja/weave/guides/integrations/huggingface.mdx
+++ b/ja/weave/guides/integrations/huggingface.mdx
@@ -1,64 +1,70 @@
---
-title: Hugging Face Hub
-description: Hugging Face Hub を W&B Weave と統合し、 機械学習 アプリケーションの追跡と分析を行います
+title: "Hugging Face Hub"
+description: "Hugging Face Hub を W&B Weave と統合して機械学習アプリケーションを追跡および解析する"
---
-このページに掲載されているすべてのコードサンプルは Python です。
+ このページに掲載されているコードサンプルはすべて Python で記述されています。
-このページでは、[Hugging Face Hub](https://hf.co/) を W&B Weave と統合して、機械学習アプリケーションの追跡と分析を行う方法を説明します。 Weave の Traces 機能とバージョン管理機能を使用して、モデルの推論を ログ に記録し、関数の呼び出しを監視し、実験を整理する方法を学びます。提供されている例に従うことで、貴重なインサイトを取得し、アプリケーションを効率的にデバッグし、異なる モデル 設定を比較することができます。これらすべてを Weave のウェブインターフェース上で行えます。
+このページでは、[Hugging Face Hub](https://huggingface.co/) を W&B Weave と統合して機械学習アプリケーションを追跡および解析する方法を説明します。モデルの推論をログに記録し、関数呼び出しをモニタリングし、Weave のトレースおよびバージョニング機能を使って実験を整理する方法を学びます。ここで紹介する例に従うことで、有用なインサイトを取得し、アプリケーションを効率的にデバッグし、すべて Weave の Web インターフェース内で異なるモデル設定を比較できます。
-**Google Colab で Hugging Face Hub と Weave を試す**
-セットアップなしで Hugging Face Hub と Weave を試してみたいですか？ ここで紹介するコードサンプルは、Google Colab 上の Jupyter Notebook として試すことができます。
+ **Google Colab で Weave と Hugging Face Hub を試す**
+ セットアップなしで Hugging Face Hub と Weave を試してみたい場合は、ここに示したコードサンプルを Google Colab 上の Jupyter Notebook として実行できます。
-
-
+
+
-## 概要
+
+ ## 概要
+
-[Hugging Face Hub](https://hf.co/) は、クリエイターやコラボレーターのための 機械学習 プラットフォームであり、さまざまな プロジェクト 向けに学習済み モデル や データセット の膨大なコレクションを提供しています。
+[Hugging Face Hub](https://huggingface.co/) は、クリエイターや共同開発者向けの機械学習プラットフォームであり、さまざまなプロジェクト向けに膨大な数の事前学習済みモデルとデータセットを提供します。
-`huggingface_hub` Python ライブラリは、Hub 上でホストされている モデル に対して、複数のサービスにわたって推論を実行するための統一されたインターフェースを提供します。これらの モデル は、[`InferenceClient`](https://huggingface.co/docs/huggingface_hub/en/package_reference/inference_client) を使用して呼び出すことができます。
+`huggingface_hub` Python ライブラリは、Hub 上にホストされたモデルに対して、複数のサービス間で推論を実行するための統一インターフェースを提供します。これらのモデルは、[`InferenceClient`](https://huggingface.co/docs/huggingface_hub/en/package_reference/inference_client) を使って呼び出すことができます。
-Weave は [`InferenceClient`](https://huggingface.co/docs/huggingface_hub/en/package_reference/inference_client) の Traces を自動的に取得します。追跡を開始するには、`weave.init()` を呼び出し、通常通りライブラリを使用してください。
+Weave は [`InferenceClient`](https://huggingface.co/docs/huggingface_hub/en/package_reference/inference_client) のトレースを自動的に取得します。トレースの記録を開始するには、`weave.init()` を呼び出し、あとは通常どおりライブラリを使用してください。
-## 前提条件
+
+ ## 前提条件
+
-1. Weave で `huggingface_hub` を使用する前に、必要な ライブラリ をインストールするか、最新 バージョン にアップグレードする必要があります。次の コマンド は、`huggingface_hub` と `weave` をインストール、または既にインストールされている場合は最新 バージョン にアップグレードし、インストール時の出力を抑制します。
+1. `huggingface_hub` を Weave と一緒に使用する前に、必要なライブラリをインストールするか、最新バージョンにアップグレードする必要があります。次のコマンドは、`huggingface_hub` と `weave` がすでにインストールされている場合はそれらを最新バージョンにインストールまたはアップグレードし、インストール時の出力を抑えます。
- ```python lines
- pip install -U huggingface_hub weave -qqq
- ```
+ ```python lines
+ pip install -U huggingface_hub weave -qqq
+ ```
-2. Hugging Face Hub 上の モデル で推論を使用するには、[User Access Token](https://huggingface.co/docs/hub/security-tokens) を設定します。トークンは、[Hugging Face Hub の設定ページ](https://huggingface.co/settings/tokens) から取得するか、プログラムで設定できます。以下の コード サンプルは、ユーザーに `HUGGINGFACE_TOKEN` の入力を促し、そのトークンを 環境 変数として設定します。
+2. Hugging Face Hub 上のモデルで推論を行うには、[User Access Token](https://huggingface.co/docs/hub/security-tokens) を設定する必要があります。[Hugging Face Hub Settings page](https://huggingface.co/login?next=%2Fsettings%2Ftokens) からトークンを設定するか、プログラムから設定できます。次のコードサンプルは、ユーザーに `HUGGINGFACE_TOKEN` の入力を求め、そのトークンを環境変数として設定します。
- ```python lines
- import os
- import getpass
+ ```python lines
+ import os
+ import getpass
- os.environ["HUGGINGFACE_TOKEN"] = getpass.getpass("Enter your Hugging Face Hub Token: ")
- ```
+ os.environ["HUGGINGFACE_TOKEN"] = getpass.getpass("Enter your Hugging Face Hub Token: ")
+ ```
-## 基本的なトレーシング
+
+ ## 基本的なトレーシング
+
-言語 モデル アプリケーションの Traces を中央の場所に保存することは、開発および プロダクション の段階で不可欠です。これらの Traces はデバッグに役立ち、アプリケーションを改善するための貴重な データセット としても機能します。
+言語モデル アプリケーションのトレースを一元的な場所に保存することは、開発時と本番環境の両方で不可欠です。これらのトレースはデバッグに役立つだけでなく、アプリケーションを改善するための貴重なデータセットとしても機能します。
-Weave は [`InferenceClient`](https://huggingface.co/docs/huggingface_hub/en/package_reference/inference_client) の Traces を自動的にキャプチャします。追跡を開始するには、`weave.init()` を呼び出して Weave を初期化し、その後は通常どおりライブラリを使用します。
+Weave は、[`InferenceClient`](https://huggingface.co/docs/huggingface_hub/en/package_reference/inference_client) のトレースを自動的に記録します。追跡を開始するには、`weave.init()` を呼び出して Weave を初期化し、その後は通常どおりライブラリを使用します。
-次の例は、Weave を使用して Hugging Face Hub への推論呼び出しを ログ に記録する方法を示しています。
+次の例では、Weave を使って Hugging Face Hub への推論呼び出しをログに記録する方法を示します。
```python lines
import weave
from huggingface_hub import InferenceClient
-# Weave を初期化
+# Weave を初期化する
weave.init(project_name="quickstart-huggingface")
-# Hugging Face Inference Client を初期化
+# Hugging Face Inference Client を初期化する
huggingface_client = InferenceClient(
api_key=os.environ.get("HUGGINGFACE_TOKEN")
)
@@ -81,26 +87,28 @@ response = huggingface_client.chat_completion(
)
```
-上記の コード を実行すると、Weave は Hugging Face Inference Client で行われたすべての LLM 呼び出しを追跡し、ログ に記録します。これらの Traces は Weave のウェブインターフェースで確認できます。
+上記のコードを実行すると、Weave は Hugging Face Inference Client を使って行われたすべての LLM 呼び出しを追跡してログに記録します。これらのトレースは Weave の Web インターフェースで確認できます。
+ ## 関数をトレースする
+
-アプリケーション内を データ がどのように流れるかについてより深い洞察を得るために、`@weave.op` を使用して関数呼び出しを追跡できます。これにより、入力、出力、および実行ロジックがキャプチャされ、デバッグやパフォーマンス 分析 に役立ちます。
+アプリケーション内でデータがどのように流れているかをより深く理解するために、`@weave.op` を使って関数呼び出しを追跡できます。これにより、入力・出力・実行ロジックが記録され、デバッグやパフォーマンス分析に役立ちます。
-複数の op をネストすることで、追跡された関数の構造化された ツリー を構築できます。また、Weave は コード を自動的に バージョン 管理し、Git に変更をコミットする前であっても、実験中の中間状態を保存します。
+複数の `op` をネストすることで、追跡対象の関数からなる構造化されたツリーを構築できます。Weave はコードのバージョン管理も自動で行い、Git に変更をコミットする前であっても、実験中の中間状態を保持します。
-追跡を開始するには、追跡したい関数に `@weave.op` デコレータを付けます。
+トレースを開始するには、追跡したい関数に `@weave.op` デコレータを付けます。
-以下の例では、Weave は `generate_image`、`check_image_correctness`、および `generate_image_and_check_correctness` の 3 つの関数を追跡します。これらの関数は画像を生成し、それが指定されたプロンプトと一致するかどうかを検証します。
+次の例では、Weave は `generate_image`、`check_image_correctness`、`generate_image_and_check_correctness` の 3 つの関数を追跡します。これらの関数は画像を生成し、その画像が与えられたプロンプトに一致しているかどうかを検証します。
```python lines
import base64
@@ -158,20 +166,22 @@ def generate_image_and_check_correctness(prompt: str):
response = generate_image_and_check_correctness("A cute puppy")
```
-Weave は `@weave.op` でラップされたすべての関数呼び出しを ログ に記録するようになり、Weave UI で実行の詳細を 分析 できます。
+Weave は、`@weave.op` でラップされたすべての関数呼び出しをログに記録し、Weave UI で実行の詳細を分析できるようにします。
+ ## 実験には `Model` を使用する
+
-複数のコンポーネントが関与する場合、LLM の 実験 を管理するのは困難な場合があります。Weave の [`Model`](../core-types/models) クラスは、システムプロンプトや モデル 設定などの 実験 の詳細をキャプチャして整理するのに役立ち、異なるイテレーションを簡単に比較できるようにします。
+複数のコンポーネントが関わる場合、LLM 実験の管理は難しくなりがちです。Weave の [`Model`](../core-types/models) クラスは、システムプロンプトやモデル設定などの実験の詳細を記録・整理し、異なるイテレーション同士を容易に比較できるようにします。
-コード の バージョン 管理や入力/出力のキャプチャに加えて、`Model` はアプリケーションの 振る舞い を制御する構造化された パラメータ を保存します。これにより、どの設定が最良の結果をもたらしたかを追跡しやすくなります。また、Weave `Model` を Weave [Serve](../tools/serve) や [Evaluations](../evaluation/scorers) と統合して、さらなる洞察を得ることもできます。
+コードのバージョン管理や入出力の記録に加えて、`Model` はアプリケーションの動作を制御する構造化されたパラメーターを保存します。これにより、どの設定が最良の結果を生んだかを追跡しやすくなります。また、Weave `Model` を Weave [Serve](../tools/serve) や [Evaluations](../evaluation/scorers) と連携させることで、さらに深い知見を得ることもできます。
-以下の例では、旅行のレコメンデーションを行う `CityVisitRecommender` モデル を定義しています。パラメータ を変更するたびに新しい バージョン が生成されるため、実験 が容易になります。
+以下の例では、旅行先をおすすめするための `CityVisitRecommender` モデルを定義しています。パラメーターを変更するたびに新しいバージョンが生成されるため、実験が容易になります。
```python lines
import rich
@@ -210,8 +220,8 @@ rich.print(city_visit_recommender.predict("New York City"))
rich.print(city_visit_recommender.predict("Paris"))
```
-Weave は自動的に Models を ログ に記録し、異なる バージョン を追跡するため、パフォーマンスや 実験 履歴の 分析 が容易になります。
+Weave はモデルを自動的に記録し、さまざまなバージョンを追跡するため、パフォーマンスや実験履歴を簡単に分析できます。
+ # W&B Inference
+
-- ホスティングプロバイダーへの登録やモデルのセルフホストを行うことなく、AI アプリケーションやエージェントを開発できます。
-- W&B Weave Playground でサポートされているモデルを試用できます。
+*W&B Inference* は、W&B Weave と OpenAI 互換 API を通じて、主要なオープンソースのファウンデーション モデルへのアクセスを提供します。W&B Inference を使うことで次のことが可能になります。
+
+* ホスティングプロバイダーへの登録やモデルのセルフホスティングを行わずに、AI アプリケーションやエージェントを開発できます。
+* W&B Weave Playground でサポートされているモデルを試すことができます。
-W&B Inference クレジットは、Free、Pro、および Academic プランに期間限定で含まれています。Enterprise プランでの利用可能性は異なる場合があります。クレジットが消費された後は以下のようになります：
+ W&B Inference クレジットは、期間限定で Free、Pro、Academic プランに含まれています。Enterprise では利用可能性が異なる場合があります。クレジットを使い切ると、次のようになります。
-- Free アカウントが Inference の利用を継続するには、Pro プランにアップグレードする必要があります。
-- Pro プランのユーザーには、モデルごとの価格に基づき、Inference の超過分が月単位で請求されます。
+ * Free アカウントは、Inference を継続利用するために Pro プランへアップグレードする必要があります。
+ * Pro プランのユーザーは、モデルごとの料金にもとづき、Inference の超過利用分が月次で請求されます。
-詳細については、[価格ページ](https://wandb.ai/site/pricing/) および [W&B Inference モデルコスト](https://wandb.ai/site/pricing/inference) を参照してください。
+ 詳細については、[料金ページ](https://wandb.ai/site/pricing/) と [W&B Inference のモデルコスト](https://wandb.ai/site/pricing/inference) を参照してください。
-Weave を使用することで、W&B Inference を活用したアプリケーションの トレース、評価、監視、および反復的な改善が可能になります。
-
-| モデル | モデル ID (API 利用時) | タイプ | コンテキストウィンドウ | パラメータ | 説明 |
-| :--- | :--- | :--- | :--- | :--- | :--- |
-| DeepSeek R1-0528 | deepseek-ai/DeepSeek-R1-0528 | テキスト | 161K | 37B - 680B (Active - Total) | 複雑なコーディング、数学、構造化文書の分析など、精密な推論タスクに最適化されています。 |
-| DeepSeek V3-0324 | deepseek-ai/DeepSeek-V3-0324 | テキスト | 161K | 37B - 680B (Active - Total) | 高度な言語処理と包括的な文書分析向けに調整された、堅牢な Mixture-of-Experts モデルです。 |
-| Llama 3.1 8B | meta-llama/Llama-3.1-8B-Instruct | テキスト | 128K | 8B (Total) | 応答性の高い多言語チャットボットとの対話に最適化された、効率的な対話型モデルです。 |
-| Llama 3.3 70B | meta-llama/Llama-3.3-70B-Instruct | テキスト | 128K | 70B (Total) | 対話タスク、詳細な指示への追従、コーディングに優れた多言語モデルです。 |
-| Llama 4 Scout | meta-llama/Llama-4-Scout-17B-16E-Instruct | テキスト, ビジョン | 64K | 17B - 109B (Active - Total) | テキストと画像の理解を統合したマルチモーダルモデルで、視覚的なタスクや複合的な分析に理想的です。 |
-| Phi 4 Mini | microsoft/Phi-4-mini-instruct | テキスト | 128K | 3.8B (Active - Total) | リソース制約のある環境での高速なレスポンスに適した、コンパクトで効率的なモデルです。 |
-
-このガイドでは、以下の情報を提供します：
-
-- [前提条件](#前提条件)
- - [Python 経由で API を使用するための追加の前提条件](#python-経由で-api-を使用するための追加の前提条件)
-- [API 仕様](#api-仕様)
- - [エンドポイント](#エンドポイント)
- - [利用可能なメソッド](#利用可能なメソッド)
- - [Chat completions](#chat-completions)
- - [サポートされているモデルの一覧表示](#list-supported-models)
-- [使用例](#使用例)
-- [UI](#ui)
- - [Inference サービスへのアクセス](#inference-サービスへのアクセス)
- - [Playground でモデルを試す](#playground-でモデルを試す)
- - [複数のモデルを比較する](#複数のモデルを比較する)
- - [請求および使用状況情報の確認](#請求および使用状況情報の確認)
-- [使用上の情報と制限](#使用上の情報と制限)
-- [API エラー](#api-エラー)
-
-## 前提条件
-
-API または W&B Weave UI を通じて W&B Inference サービスにアクセスするには、以下の前提条件が必要です。
-
-1. W&B アカウント。登録は [こちら](https://app.wandb.ai/login?signup=true&_gl=1*1yze8dp*_ga*ODIxMjU5MTk3LjE3NDk0OTE2NDM.*_ga_GMYDGNGKDT*czE3NDk4NDYxMzgkbzEyJGcwJHQxNzQ5ODQ2MTM4JGo2MCRsMCRoMA..*_ga_JH1SJHJQXJ*czE3NDk4NDU2NTMkbzI1JGcxJHQxNzQ5ODQ2MTQ2JGo0NyRsMCRoMA..*_gcl_au*MTE4ODk1MzY1OC4xNzQ5NDkxNjQzLjk1ODA2MjQwNC4xNzQ5NTgyMTUzLjE3NDk1ODIxNTM.) から。
-2. W&B APIキー。[ユーザー設定 (User Settings)](https://wandb.ai/settings) で APIキー を作成してください。
-3. W&B Projects。
-4. Python 経由で Inference サービスを使用する場合は、[Python 経由で API を使用するための追加の前提条件](#python-経由で-api-を使用するための追加の前提条件) を参照してください。
-
-### Python 経由で API を使用するための追加の前提条件
-
-Python 経由で Inference API を使用するには、まず一般的な前提条件を完了させてください。次に、ローカル環境に `openai` と `weave` ライブラリをインストールします。
+Weave を使用すると、W&B Inference を利用したアプリケーションのトレース、評価、モニタリング、および反復改善を行うことができます。
+
+| Model | Model ID (for API usage) | Type(s) | Context Window | Parameters | Description |
+|------------------|-----------------------------------------------|---------------|----------------|-----------------------------|-----------------------------------------------------------------------------|
+| DeepSeek R1-0528 | deepseek-ai/DeepSeek-R1-0528 | Text | 161K | 37B - 680B (Active - Total) | 高度なコーディング、数学、構造化ドキュメント分析など、精緻な推論タスク向けに最適化されたモデル。 |
+| DeepSeek V3-0324 | deepseek-ai/DeepSeek-V3-0324 | Text | 161K | 37B - 680B (Active - Total) | 高度な言語処理と包括的なドキュメント分析に特化した、堅牢な Mixture-of-Experts モデル。 |
+| Llama 3.1 8B | meta-llama/Llama-3.1-8B-Instruct | Text | 128K | 8B (Total) | 応答性の高い多言語チャットボットとの対話に最適化された、効率的な会話型モデル。 |
+| Llama 3.3 70B | meta-llama/Llama-3.3-70B-Instruct | Text | 128K | 70B (Total) | 会話タスク、詳細な指示追従、コーディングに優れた多言語モデル。 |
+| Llama 4 Scout | meta-llama/Llama-4-Scout-17B-16E-Instruct | Text, Vision | 64K | 17B - 109B (Active - Total) | テキストと画像の理解を統合したマルチモーダルモデルで、ビジュアルタスクや複合的な分析に最適。 |
+| Phi 4 Mini | microsoft/Phi-4-mini-instruct | Text | 128K | 3.8B (Active - Total) | リソース制約のある環境での高速応答に最適な、小型で効率的なモデル。 |
+
+このガイドでは、次の情報を提供します。
+
+* [前提条件](#prerequisites)
+ * [Python 経由で API を使用するための追加前提条件](#additional-prerequisites-for-using-the-api-via-python)
+* [API 仕様](#api-specification)
+ * [エンドポイント](#endpoint)
+ * [利用可能なメソッド](#available-methods)
+ * [Chat completions](#chat-completions)
+ * [サポートされているモデルの一覧取得](#list-supported-models)
+* [使用例](#usage-examples)
+* [UI](#ui)
+ * [Inference サービスにアクセスする](#access-the-inference-service)
+ * [Playground でモデルを試す](#try-a-model-in-the-playground)
+ * [複数のモデルを比較する](#compare-multiple-models)
+ * [請求および利用状況を確認する](#view-billing-and-usage-information)
+* [利用情報と制限](#usage-information-and-limits)
+* [API エラー](#api-errors)
+
+
+ ## 前提条件
+
+
+API または W&B Weave UI 経由で W&B Inference サービスにアクセスするには、次の前提条件を満たしている必要があります。
+
+1. W&B アカウント。まだお持ちでない場合は [こちら](https://app.wandb.ai/login?signup=true&_gl=1*1yze8dp*_ga*ODIxMjU5MTk3LjE3NDk0OTE2NDM.*_ga_GMYDGNGKDT*czE3NDk4NDYxMzgkbzEyJGcwJHQxNzQ5ODQ2MTM4JGo2MCRsMCRoMA..*_ga_JH1SJHJQXJ*czE3NDk4NDU2NTMkbzI1JGcxJHQxNzQ5ODQ2MTQ2JGo0NyRsMCRoMA..*_gcl_au*MTE4ODk1MzY1OC4xNzQ5NDkxNjQzLjk1ODA2MjQwNC4xNzQ5NTgyMTUzLjE3NDk1ODIxNTM.)からサインアップしてください。
+2. W&B API キー。[User Settings](https://wandb.ai/settings) で API キーを作成してください。
+3. W&B プロジェクト。
+4. Python 経由で Inference サービスを利用する場合は、「[Python 経由で API を使用するための追加の前提条件](#additional-prerequisites-for-using-the-api-via-python)」を参照してください。
+
+
+ ### Python 経由で API を使用するための追加前提条件
+
+
+Python 経由で Inference API を使用するには、まず共通の前提条件を完了してください。その後、ローカル環境に `openai` および `weave` ライブラリをインストールします。
```bash
pip install openai weave
```
-`weave` ライブラリは、LLM アプリケーションをトレースするために Weave を使用する場合にのみ必要です。Weave の使い始めについては、[Weave クイックスタート](/weave/quickstart) を参照してください。
+ `weave` ライブラリは、LLM アプリケーションのトレースに Weave を使用する場合にのみ必要です。Weave の導入方法については、[Weave クイックスタート](/ja/weave/quickstart) を参照してください。
-W&B Inference サービスを Weave と共に使用する方法を示す使用例については、[API 使用例](#使用例) を参照してください。
+ Weave と組み合わせて W&B Inference サービスを使用する方法を示すサンプルについては、[API 使用例](#usage-examples) を参照してください。
-## API 仕様
+
+ ## API 仕様
+
-このセクションでは、API の仕様情報と API の使用例を提供します。
+次のセクションでは、API 仕様と API の使用例を説明します。
-- [エンドポイント](#エンドポイント)
-- [利用可能なメソッド](#利用可能なメソッド)
-- [使用例](#使用例)
+* [エンドポイント](#endpoint)
+* [利用可能なメソッド](#available-methods)
+* [使用例](#usage-examples)
-### エンドポイント
+
+ ### エンドポイント
+
-Inference サービスには、以下のエンドポイントからアクセスできます。
+Inference サービスには、次のエンドポイントからアクセスできます。
```plaintext
https://api.inference.wandb.ai/v1
```
-このエンドポイントにアクセスするには、Inference サービスのクレジットが割り当てられた W&B アカウント、有効な W&B APIキー、および W&B Entities (「チーム」とも呼ばれます) と Projects が必要です。このガイドのコードサンプルでは、Entities (チーム) と プロジェクトは `\` と表記されています。
+ このエンドポイントにアクセスするには、Inference サービスクレジットが割り当てられている W&B アカウント、有効な W&B API キー、そして W&B entity（「team」とも呼ばれます）と プロジェクトが必要です。このガイドのコードサンプルでは、entity（team）と プロジェクトは `\` と表記されています。
-### 利用可能なメソッド
+
+ ### 利用可能なメソッド
+
-Inference サービスは、以下の API メソッドをサポートしています。
+Inference サービスでは、以下の API メソッドが利用できます。
-- [Chat completions](#chat-completions)
-- [サポートされているモデルの一覧表示](#list-supported-models)
+* [チャット補完](#chat-completions)
+* [サポートされているモデル一覧](#list-supported-models)
-#### Chat completions
+
+ #### チャット補完
+
-利用可能な主要な API メソッドは `/chat/completions` で、サポートされているモデルにメッセージを送信して補完を受け取るための OpenAI 互換のリクエスト形式をサポートしています。W&B Inference サービスを Weave と共に使用する方法を示す使用例については、[API 使用例](#使用例) を参照してください。
+利用できる主な API メソッドは `/chat/completions` であり、サポートされている モデル にメッセージを送信して補完結果を受け取るための OpenAI 互換のリクエスト形式をサポートします。Weave と組み合わせて W&B Inference サービスを使用する方法の例については、[API 利用例](#usage-examples) を参照してください。
-Chat completion を作成するには、以下が必要です。
+チャット補完を作成するには、次のものが必要です。
-- Inference サービスのベース URL `https://api.inference.wandb.ai/v1`
-- あなたの W&B APIキー ``
-- あなたの W&B Entities 名と Projects 名 `/`
-- 使用したいモデルの ID。以下のいずれかです：
- - `meta-llama/Llama-3.1-8B-Instruct`
- - `deepseek-ai/DeepSeek-V3-0324`
- - `meta-llama/Llama-3.3-70B-Instruct`
- - `deepseek-ai/DeepSeek-R1-0528`
- - `meta-llama/Llama-4-Scout-17B-16E-Instruct`
- - `microsoft/Phi-4-mini-instruct`
+* Inference サービスのベース URL `https://api.inference.wandb.ai/v1`
+* 自分の W&B API キー ``
+* 自分の W&B entity 名と プロジェクト 名 `/`
+* 使用したい モデル の ID（以下のいずれか）:
+ * `meta-llama/Llama-3.1-8B-Instruct`
+ * `deepseek-ai/DeepSeek-V3-0324`
+ * `meta-llama/Llama-3.3-70B-Instruct`
+ * `deepseek-ai/DeepSeek-R1-0528`
+ * `meta-llama/Llama-4-Scout-17B-16E-Instruct`
+ * `microsoft/Phi-4-mini-instruct`
@@ -126,23 +144,24 @@ Chat completion を作成するには、以下が必要です。
}'
```
+
```python lines
import openai
client = openai.OpenAI(
- # カスタムベース URL は W&B Inference を指します
+ # このカスタム base URL は W&B Inference を指します
base_url='https://api.inference.wandb.ai/v1',
- # https://wandb.ai/settings で APIキー を作成してください
- # 安全のため、代わりに環境変数 OPENAI_API_KEY に設定することを検討してください
+ # https://wandb.ai/settings で API キーを作成します
+ # セキュリティのため、代わりに環境変数 OPENAI_API_KEY に設定することを検討してください
api_key="",
- # 使用状況の追跡のためにチームとプロジェクトが必要です
+ # 利用状況の追跡には team と project の指定が必要です
project="/",
)
- # を以下のいずれかの値に置き換えてください:
+ # を次のいずれかの値に置き換えてください:
# meta-llama/Llama-3.1-8B-Instruct
# deepseek-ai/DeepSeek-V3-0324
# meta-llama/Llama-3.3-70B-Instruct
@@ -163,9 +182,11 @@ Chat completion を作成するには、以下が必要です。
-#### サポートされているモデルの一覧表示
+
+ #### サポートされているモデルの一覧
+
-API を使用して、現在利用可能なすべてのモデルとその ID を照会します。これは、モデルを動的に選択したり、環境で何が利用可能かを確認したりするのに便利です。
+API を使用して、現在利用可能なすべてのモデルとその ID を取得します。これは、モデルを動的に選択したり、環境で利用可能なものを確認したりする際に便利です。
@@ -176,6 +197,7 @@ API を使用して、現在利用可能なすべてのモデルとその ID を
-H "OpenAI-Project: /" \
```
+
```python lines
import openai
@@ -194,48 +216,52 @@ API を使用して、現在利用可能なすべてのモデルとその ID を
-## 使用例
+
+ ## 使用例
+
-このセクションでは、W&B Inference を Weave と共に使用する方法を示すいくつかの例を紹介します。
+このセクションでは、Weave と組み合わせて W&B Inference を使用する方法を、いくつかの例で紹介します。
-- [基本例: Weave で Llama 3.1 8B をトレースする](#基本例-weave-で-llama-31-8b-をトレースする)
-- [高度な例: 推論サービスで Weave Evaluations と Leaderboards を使用する](#高度な例-推論サービスで-weave-evaluations-と-leaderboards-を使用する)
+* [基本例: Weave で Llama 3.1 8B をトレースする](#basic-example-trace-llama-31-8b-with-weave)
+* [応用例: 推論サービスで Weave Evaluations と Leaderboards を使用する](#advanced-example-use-weave-evaluations-and-leaderboards-with-the-inference-service)
-### 基本例: Weave で Llama 3.1 8B をトレースする
+
+ ### 基本的な例: Weave で Llama 3.1 8B をトレースする
+
-以下の Python コードサンプルは、W&B Inference API を使用して **Llama 3.1 8B** モデルにプロンプトを送信し、Weave でその呼び出しを トレース する方法を示しています。トレース を使用すると、LLM 呼び出しの完全な入出力をキャプチャし、パフォーマンスを監視し、Weave UI で結果を分析できます。
+次の Python コードサンプルは、W&B Inference API を使って **Llama 3.1 8B** モデル にプロンプトを送信し、その呼び出しを Weave でトレースする方法を示します。トレース機能を使うと、LLM 呼び出しの入出力全体を取得し、パフォーマンスを監視し、Weave UI で結果を分析できます。
-[Weave でのトレース](../tracking/tracing.mdx) について詳しくはこちら。
+ [tracing in Weave](../tracking/tracing.mdx) について詳しくは、こちらを参照してください。
-この例では：
+この例では次のことを行います:
-- OpenAI 互換クライアントを使用して chat completion リクエストを行う、`@weave.op()` デコレータが付いた関数 `run_chat` を定義します。
-- トレース は記録され、あなたの W&B Entities および Projects `project="/` に関連付けられます。
-- 関数は Weave によって自動的にトレースされるため、その入力、出力、レイテンシ、およびメタデータ（モデル ID など）が ログ されます。
-- 結果は ターミナル に出力され、指定されたプロジェクトの下の [https://wandb.ai](https://wandb.ai) にある **Traces** タブに トレース が表示されます。
+* OpenAI 互換クライアントを使ってチャット補完リクエストを行う、`@weave.op()` でデコレートされた関数 `run_chat` を定義します。
+* トレースは記録されて、あなたの W&B entity とプロジェクト `project="/` に関連付けられます。
+* 関数は Weave によって自動的にトレースされ、その入力、出力、レイテンシ、および (モデル ID のような) メタデータがログに記録されます。
+* 結果はターミナルに出力され、指定したプロジェクトの下で [https://wandb.ai](https://wandb.ai) の **Traces** タブにトレースが表示されます。
-この例を使用するには、[一般的な前提条件](#前提条件) と [Python 経由で API を使用するための追加の前提条件](#python-経由で-api-を使用するための追加の前提条件) を完了させておく必要があります。
+この例を使用するには、[general prerequisites](#prerequisites) と [Additional prerequisites for using the API via Python](#additional-prerequisites-for-using-the-api-via-python) を満たしている必要があります。
```python lines
import weave
import openai
-# トレース用の Weave チームとプロジェクトを設定
+# トレース用の Weave チームとプロジェクトを設定する
weave.init("/")
client = openai.OpenAI(
base_url='https://api.inference.wandb.ai/v1',
- # https://wandb.ai/settings で APIキー を作成してください
+ # https://wandb.ai/settings で API キーを作成する
api_key="",
- # W&B inference の使用状況追跡のために必要です
+ # W&B inference の使用状況トラッキングに必要
project="wandb/inference-demo",
)
-# Weave でモデル呼び出しをトレースする
+# Weave でモデルの呼び出しをトレースする
@weave.op()
def run_chat():
response = client.chat.completions.create(
@@ -247,27 +273,29 @@ def run_chat():
)
return response.choices[0].message.content
-# トレースされた呼び出しを実行してログを記録
+# トレースされた呼び出しを実行してログに記録する
output = run_chat()
print(output)
```
-コードサンプルを実行すると、ターミナルに出力されたリンク（例：`https://wandb.ai///r/call/01977f8f-839d-7dda-b0c2-27292ef0e04g`）をクリックするか、以下のようにして Weave で トレース を確認できます。
+コードサンプルを実行すると、ターミナルに表示されるリンク（例: `https://wandb.ai///r/call/01977f8f-839d-7dda-b0c2-27292ef0e04g`）をクリックするか、次の手順で Weave 内のトレースを確認できます。
1. [https://wandb.ai](https://wandb.ai) にアクセスします。
-2. **Traces** タブを選択して、Weave トレース を表示します。
+2. **Traces** タブを選択して、Weave のトレースを表示します。
-次に、[高度な例](#高度な例-推論サービスで-weave-evaluations-と-leaderboards-を使用する) を試してみてください。
+次に、[高度な例](#advanced-example-use-weave-evaluations-and-leaderboards-with-the-inference-service)を試してください。
+ ### 高度な例: Inference サービスで Weave の評価機能とリーダーボードを使う
+
-Inference サービスで Weave を使用して [モデル呼び出しをトレースする](../tracking/tracing.mdx) ことに加えて、[パフォーマンスを評価 (evaluate) し](../core-types/evaluations.mdx)、[リーダーボードを公開する](../core-types/leaderboards.mdx) こともできます。以下の Python コードサンプルでは、シンプルな Q&A データセットで 2 つのモデルを比較します。
+Weave を Inference サービスと併用して[モデル呼び出しをトレースする](../tracking/tracing.mdx)だけでなく、[パフォーマンスを評価したり](../core-types/evaluations.mdx)、[リーダーボードを公開したり](../core-types/leaderboards.mdx)することもできます。次の Python コードサンプルでは、単純な質問–回答データセット上で 2 つのモデルを比較します。
-この例を使用するには、[一般的な前提条件](#前提条件) と [Python 経由で API を使用するための追加の前提条件](#python-経由で-api-を使用するための追加の前提条件) を完了させておく必要があります。
+この例を使用するには、[一般的な前提条件](#prerequisites)と[Python 経由で API を使用するための追加の前提条件](#additional-prerequisites-for-using-the-api-via-python)を満たしている必要があります。
```python lines
import os
@@ -277,7 +305,7 @@ import weave
from weave.flow import leaderboard
from weave.trace.ref_util import get_ref
-# トレース用の Weave チームとプロジェクトを設定
+# トレース用の Weave チームとプロジェクトを設定する
weave.init("/")
dataset = [
@@ -296,9 +324,9 @@ class WBInferenceModel(weave.Model):
def predict(self, prompt: str) -> str:
client = openai.OpenAI(
base_url="https://api.inference.wandb.ai/v1",
- # https://wandb.ai/settings で APIキー を作成してください
+ # https://wandb.ai/settings で API キーを作成する
api_key="",
- # W&B inference の使用状況追跡のために必要です
+ # W&B inference の使用状況トラッキングに必要
project="/",
)
resp = client.chat.completions.create(
@@ -341,142 +369,174 @@ spec = leaderboard.Leaderboard(
weave.publish(spec)
```
-以下のコードサンプルを実行した後、[https://wandb.ai/](https://wandb.ai/) の W&B アカウントにアクセスし、以下の操作を行います。
+以下のコードサンプルを実行したら、[https://wandb.ai/](https://wandb.ai/) で自分の W&B アカウントを開き、次を行います。
-- **Traces** タブに移動して [トレースを表示](../tracking/tracing.mdx)
-- **Evals** タブに移動して [モデルの評価を表示](../core-types/evaluations.mdx)
-- **Leaders** タブに移動して [生成されたリーダーボードを表示](../core-types/leaderboards.mdx)
+* **Traces** タブに移動して、[トレースを表示します](../tracking/tracing.mdx)
+* **Evals** タブに移動して、[モデル評価を表示します](../core-types/evaluations.mdx)
+* **Leaders** タブに移動して、[生成されたリーダーボードを表示します](../core-types/leaderboards.mdx)
+ ## UI
+
-以下のセクションでは、W&B UI から Inference サービスを使用する方法について説明します。UI 経由で Inference サービスにアクセスする前に、[前提条件](#前提条件) を完了させてください。
+以下のセクションでは、W&B UI から Inference サービスを使用する方法について説明します。UI から Inference サービスにアクセスする前に、[前提条件](#prerequisites) を完了してください。
-### Inference サービスへのアクセス
+
+ ### Inference サービスにアクセスする
+
-Weave UI の 2 つの異なる場所から Inference サービスにアクセスできます。
+Inference サービスには Weave UI から次のいずれかの場所からアクセスできます。
-- [直接リンク](#direct-link)
-- [Inference タブから](#from-the-inference-tab)
-- [Playground タブから](#from-the-playground-tab)
+* [ダイレクトリンク](#direct-link)
+* [Inference タブから](#from-the-inference-tab)
+* [Playground タブから](#from-the-playground-tab)
-#### 直接リンク
+
+ #### 直接リンク
+
[https://wandb.ai/inference](https://wandb.ai/inference) にアクセスしてください。
-#### Inference タブから
+
+ #### Inference タブから
+
-1. [https://wandb.ai/](https://wandb.ai/) で W&B アカウントにアクセスします。
-2. 左側のサイドバーから **Inference** を選択します。利用可能なモデルとモデル情報のページが表示されます。
+1. [https://wandb.ai/](https://wandb.ai/) の自分の W&B アカウントにアクセスします。
+2. 左サイドバーから **Inference** を選択します。利用可能なモデルとモデル情報が表示されるページが開きます。
+ #### Playground タブから
+
-1. 左側のサイドバーから **Playground** を選択します。Playground のチャット UI が表示されます。
-2. LLM のドロップダウンリストから **W&B Inference** にマウスを合わせます。利用可能な W&B Inference モデルのドロップダウンが右側に表示されます。
-3. W&B Inference モデルのドロップダウンから、以下の操作が可能です：
- - 利用可能なモデル名をクリックして、[Playground で試用する](#playground-でモデルを試す)。
- - [Playground で 1 つ以上のモデルを比較する](#複数のモデルを比較する)。
+1. 左側のサイドバーで **Playground** を選択します。Playground のチャット UI が表示されます。
+2. LLM のドロップダウンリストから **W&B Inference** にマウスオーバーします。使用可能な W&B Inference モデルのドロップダウンが右側に表示されます。
+3. W&B Inference モデルのドロップダウンから、次のことができます:
+ * 利用可能な任意のモデル名をクリックして、[Playground で試す](#try-a-model-in-the-playground) ことができます。
+ * [Playground で 1 つ以上のモデルを比較する](#compare-multiple-models) ことができます。
+ ### Playground でモデルを試す
+
-[アクセスオプションのいずれかを使用してモデルを選択](#inference-サービスへのアクセス)したら、Playground でモデルを試すことができます。以下の操作が可能です。
+[いずれかのアクセス オプションを使ってモデルを選択](#access-the-inference-service)したら、Playground でそのモデルを試せます。次の操作が可能です。
-- [モデルの設定とパラメータのカスタマイズ](../tools/playground#customize-settings)
-- [メッセージの追加、再試行、編集、削除](../tools/playground#azureintegrationsazure)
-- [カスタム設定でのモデルの保存と再利用](../tools/playground#メッセージの再試行編集削除)
-- [複数のモデルを比較する](#複数のモデルを比較する)
+* [モデルの設定とパラメーターをカスタマイズする](../tools/playground#customize-settings)
+* [メッセージを追加、再試行、編集、削除する](../tools/playground#message-controls)
+* [カスタム設定付きのモデルを保存して再利用する](../tools/playground#saved-models)
+* [複数のモデルを比較する](#compare-multiple-models)
+ ### 複数のモデルを比較する
+
-Playground では、複数の Inference モデルを比較できます。比較ビューには 2 つの異なる場所からアクセスできます。
+Playground で複数の Inference モデルを比較できます。Compare ビューには次の 2 つの場所からアクセスできます。
-- [Inference タブから比較ビューにアクセスする](#access-the-compare-view-from-the-inference-tab)
-- [Playground タブから比較ビューにアクセスする](#access-the-compare-view-from-the-playground-tab)
+* [Inference タブから Compare ビューにアクセスする](#access-the-compare-view-from-the-inference-tab)
+* [Playground タブから Compare ビューにアクセスする](#access-the-compare-view-from-the-playground-tab)
-#### Inference タブから比較ビューにアクセスする
+
+ #### Inference タブから Compare ビューにアクセスする
+
-1. 左側のサイドバーから **Inference** を選択します。利用可能なモデルとモデル情報のページが表示されます。
-2. 比較するモデルを選択するには、モデルカードの任意の場所（モデル名以外）をクリックします。選択されたことを示すために、モデルカードの境界線が青色で強調表示されます。
-3. 比較したい各モデルについて、ステップ 2 を繰り返します。
-4. 選択されたいずれかのカードで、**Compare N models in the Playground** ボタン（`N` は比較するモデルの数。例：3 つのモデルが選択されている場合、ボタンは **Compare 3 models in the Playground** と表示されます）をクリックします。比較ビューが開きます。
+1. 左側のサイドバーから **Inference** を選択します。利用可能なモデルとモデル情報が表示されます。
+2. 比較するモデルを選択するには、モデル名以外の任意の場所でモデルカードをクリックします。選択されると、モデルカードの枠線が青色でハイライト表示されます。
+3. 比較したい各モデルについて、手順 2 を繰り返します。
+4. 選択したいずれかのカードで **Compare N models in the Playground** ボタンをクリックします（`N` は比較するモデルの数です。たとえば 3 つのモデルを選択した場合、ボタンには **Compare 3 models in the Playground** と表示されます）。比較ビューが開きます。
-これで、Playground でモデルを比較し、[Playground でモデルを試す](#playground-でモデルを試す) で説明されている機能を使用できるようになります。
+これで Playground 内でモデルを比較できるようになり、[Playground でモデルを試す](#try-a-model-in-the-playground) で説明されている機能をすべて利用できます。
+ #### Playground タブから Compare ビューにアクセスする
+
-1. 左側のサイドバーから **Playground** を選択します。Playground のチャット UI が表示されます。
-2. LLM のドロップダウンリストから **W&B Inference** にマウスを合わせます。利用可能な W&B Inference モデルのドロップダウンが右側に表示されます。
+1. 左サイドバーから **Playground** を選択します。Playground のチャット UI が表示されます。
+2. LLM のドロップダウンリストで **W&B Inference** の上にマウスカーソルを合わせます。利用可能な W&B Inference モデルのドロップダウンが右側に表示されます。
3. ドロップダウンから **Compare** を選択します。**Inference** タブが表示されます。
-4. 比較するモデルを選択するには、モデルカードの任意の場所（モデル名以外）をクリックします。モデルカードの境界線が青色で強調表示されます。
-5. 比較したい各モデルについて、ステップ 4 を繰り返します。
-6. 選択されたいずれかのカードで、**Compare N models in the Playground** ボタンをクリックします。比較ビューが開きます。
+4. 比較するモデルを選択するには、モデル名以外の任意の場所でモデルカードをクリックします。モデルカードの枠線が青色で強調表示され、選択されたことを示します。
+5. 比較したい各モデルについて、手順 4 を繰り返します。
+6. 選択されたカードのいずれかで **Compare N models in the Playground** ボタンをクリックします（`N` は比較するモデルの数です。たとえば 3 つのモデルが選択されている場合、ボタンには **Compare 3 models in the Playground** と表示されます）。比較ビューが開きます。
+
+これで Playground 内でモデルを比較できるようになり、[Try a model in the Playground](#try-a-model-in-the-playground) で説明されている機能を利用できます。
-これで、Playground でモデルを比較し、[Playground でモデルを試す](#playground-でモデルを試す) で説明されている機能を使用できるようになります。
+
+ ### 請求と利用状況を表示する
+
-### 請求および使用状況情報の確認
+Organization 管理者は、現在の Inference クレジット残高、利用履歴、および今後の請求（該当する場合）を W&B UI から直接確認できます。
-Organization 管理者は、現在の Inference クレジット残高、使用履歴、および今後の請求（該当する場合）を W&B UI から直接確認できます。
+1. W&B UI で W&B の **Billing** ページに移動します。
+2. 右下隅に Inference の請求情報カードが表示されます。ここから次の操作ができます。
-1. W&B UI で、W&B **Billing** ページに移動します。
-2. 右下隅に Inference の請求情報カードが表示されます。ここから以下の操作が可能です。
-- Inference 請求情報カードの **View usage** ボタンをクリックして、時間の経過に伴う使用状況を確認します。
-- 有料プランを利用している場合は、今後の推論料金を確認します。
+* Inference の請求情報カード内の **View usage** ボタンをクリックして、時間経過に伴う利用状況を表示します。
+* 有料プランを利用している場合、今後の Inference の請求額を確認します。
-[モデルごとの価格内訳については、Inference 価格ページをご覧ください](https://wandb.ai/site/pricing/inference)
+ [Inference pricing ページで、モデルごとの料金の詳細を確認してください](https://wandb.ai/site/pricing/inference)
-## 使用上の情報と制限
+
+ ## 利用に関する情報と制限事項
+
-以下のセクションでは、重要な使用上の情報と制限について説明します。サービスを使用する前に、これらの情報を確認してください。
+このセクションでは、重要な利用情報と制限事項について説明します。サービスをご利用になる前に、あらかじめこの内容をよく確認してください。
-### 地理的制限
+
+ ### 地理的制限
+
-Inference サービスは、サポートされている地理的場所からのみアクセス可能です。詳細については、[サービス利用規約](https://docs.coreweave.com/docs/policies/terms-of-service/terms-of-use#geographic-restrictions) を参照してください。
+Inference サービスは、対応している地域からのみアクセスできます。詳細については、[利用規約](https://docs.coreweave.com/docs/policies/terms-of-service/terms-of-use#geographic-restrictions)を参照してください。
-### 同時実行制限
+
+ ### 同時実行数の制限
+
-公正な利用と安定したパフォーマンスを確保するため、W&B Inference API はユーザーおよびプロジェクトレベルでレート制限を適用しています。これらの制限は以下のことに役立ちます。
+公平な利用と安定したパフォーマンスを確保するため、W&B Inference API は ユーザー レベルおよび プロジェクト レベルでレート制限を適用します。これらの制限は次の目的で役立ちます。
-- 誤用を防ぎ、API の安定性を保護する
-- すべてのユーザーがアクセスできるようにする
-- インフラストラクチャの負荷を効果的に管理する
+* 不正利用を防止し、API の安定性を維持する
+* すべてのユーザーが利用できるようにする
+* インフラストラクチャへの負荷を効果的に管理する
-レート制限を超えると、API は `429 Concurrency limit reached for requests` レスポンスを返します。このエラーを解決するには、同時リクエストの数を減らしてください。
+レート制限を超過した場合、API は `429 Concurrency limit reached for requests` レスポンスを返します。このエラーを解消するには、同時リクエスト数を減らしてください。
-### 価格
+
+ ### 料金
+
-モデルの価格情報については、[https://wandb.ai/site/pricing/inference](https://wandb.ai/site/pricing/inference) をご覧ください。
+モデル料金の詳細については、[https://wandb.ai/site/pricing/inference](https://wandb.ai/site/pricing/inference) を参照してください。
-## API エラー
+
+ ## API エラー
+
-| エラーコード | メッセージ | 原因 | 解決策 |
-| :--- | :--- | :--- | :--- |
-| 401 | Invalid Authentication | 認証資格情報が無効であるか、W&B プロジェクトの Entities または名前が正しくありません。 | 正しい APIキー が使用されているか、および/または W&B プロジェクト名と Entities が正しいことを確認してください。 |
-| 403 | Country, region, or territory not supported | サポートされていない場所から API にアクセスしています。 | [地理的制限](#地理的制限) を参照してください。 |
-| 429 | Concurrency limit reached for requests | 同時リクエスト数が多すぎます。 | 同時リクエストの数を減らしてください。 |
-| 429 | You exceeded your current quota, please check your plan and billing details | クレジットが不足しているか、月間の支出上限に達しました。 | クレジットをさらに購入するか、制限を引き上げてください。 |
-| 500 | The server had an error while processing your request | サーバー内部エラー。 | 少し待ってから再試行し、問題が解決しない場合はサポートにお問い合わせください。 |
-| 503 | The engine is currently overloaded, please try again later | サーバーが高トラフィックを経験しています。 | 少し時間を置いてからリクエストを再試行してください。 |
\ No newline at end of file
+| Error Code | Message | Cause | Solution |
+| ---------- | --------------------------------------------------------------------------- | ----------------------------------------------- | -------------------------------------------------------------------------------------- |
+| 401 | Invalid Authentication | 認証情報が無効であるか、W&B プロジェクトの entity や名前が正しくありません。 | 正しい API キーを使用していること、また W&B プロジェクト名と entity が正しいことを確認してください。 |
+| 403 | Country, region, or territory not supported | サポート対象外の場所から API にアクセスしています。 | [Geographic restrictions](#geographic-restrictions) を参照してください。 |
+| 429 | Concurrency limit reached for requests | 同時リクエスト数が多すぎます。 | 同時リクエスト数を減らしてください。 |
+| 429 | You exceeded your current quota, please check your plan and billing details | 現在のクオータを超過したか、月間利用上限に達しました。 | クレジットを追加購入するか、上限を引き上げてください。 |
+| 500 | The server had an error while processing your request | サーバー内部エラーです。 | 少し待ってから再試行し、継続する場合はサポートに連絡してください。 |
+| 503 | The engine is currently overloaded, please try again later | サーバーが高負荷状態です。 | 少し時間をおいてからリクエストを再試行してください。 |
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/instructor.mdx b/ja/weave/guides/integrations/instructor.mdx
index e0e4a03f18..021f8b1b8e 100644
--- a/ja/weave/guides/integrations/instructor.mdx
+++ b/ja/weave/guides/integrations/instructor.mdx
@@ -1,20 +1,21 @@
---
title: Instructor
-description: Weave の Instructor インテグレーションを使用して、LLM からの構造化データ抽出をトレースし評価します。Pydantic
- モデルのバリデーション、リトライロジック、JSON スキーマの適用をキャプチャし、信頼性の高い構造化出力 ワークフロー を実現します。
+description: "Weave の Instructor インテグレーションを使用して、LLM からの構造化データ抽出をトレースおよび評価します。Pydantic モデルの検証、リトライ ロジック、JSON スキーマの適用を記録し、信頼性の高い構造化出力ワークフローを実現します。"
---
-
-
+
-[Instructor](https://python.useinstructor.com/) は、LLM から JSON などの構造化データを簡単に取得できるようにする軽量なライブラリです。
+[Instructor](https://python.useinstructor.com/) は、LLM から JSON などの構造化データを簡単に取得できる軽量なライブラリです。
-## トレーシング
+
+ ## トレース
+
-開発中および プロダクション の両方において、言語モデル アプリケーション の トレース を中央の場所に保存することは重要です。これらの トレース は、デバッグや、アプリケーション を改善するのに役立つ データセット として有用です。
+言語モデルアプリケーションのトレースを、開発中と本番環境の両方で一元管理された場所に保存しておくことは重要です。これらのトレースはデバッグに役立つだけでなく、アプリケーションの改善に役立つデータセットとしても利用できます。
-Weave は [Instructor](https://python.useinstructor.com/) の トレース を自動的にキャプチャします。追跡を開始するには、`weave.init(project_name="")` を呼び出し、通常通りライブラリを使用してください。
+Weave は [Instructor](https://python.useinstructor.com/) のトレースを自動的に取得します。トラッキングを開始するには、`weave.init(project_name="")` を呼び出し、あとは通常どおりライブラリを使用します。
```python lines
import instructor
@@ -23,18 +24,18 @@ from pydantic import BaseModel
from openai import OpenAI
-# 期待する出力構造を定義
+# 希望する出力構造を定義する
class UserInfo(BaseModel):
user_name: str
age: int
-# Weave を初期化
+# Weave を初期化する
weave.init(project_name="instructor-test")
-# OpenAI クライアントにパッチを適用
+# OpenAI クライアントにパッチを適用する
client = instructor.from_openai(OpenAI())
-# 自然言語から構造化データを抽出
+# 自然言語から構造化データを抽出する
user_info = client.chat.completions.create(
model="gpt-3.5-turbo",
response_model=UserInfo,
@@ -42,17 +43,19 @@ user_info = client.chat.completions.create(
)
```
-|  |
-|-----------------------------------------------------------------------------------------------------------------------|
-| Weave は、Instructor を使用して行われたすべての LLM 呼び出しを追跡し、ログを記録します。Weave の Web インターフェースで トレース を確認できます。 |
+|  |
+| ---------------------------------------------------------------------------------------------------------------------------------------------- |
+| これで Weave は、Instructor を使って行われたすべての LLM 呼び出しを追跡してログに記録します。Weave の Web インターフェースでトレースを確認できます。 |
-## 独自の op を追跡する
+
+ ## 独自の op をトラッキングする
+
-関数を `@weave.op` でラップすると、入力、出力、および アプリケーション ロジックのキャプチャが開始され、データが アプリケーション 内をどのように流れるかをデバッグできるようになります。op を深くネストして、追跡したい関数の ツリー を構築できます。これにより、実験 中に git にコミットされていないアドホックな詳細をキャプチャするために、コード の バージョン管理 も自動的に開始されます。
+関数を `@weave.op` でラップすると、入力・出力・アプリのロジックがキャプチャされ、アプリ内をデータがどのように流れていくかをデバッグできるようになります。op は深くネストでき、トラッキングしたい関数の木構造を構築できます。これにより、git にコミットしていないアドホックな変更も含めて、実験中のコードのバージョン管理が自動的に開始されます。
-[`@weave.op`](/weave/guides/tracking/ops) でデコレートされた関数を作成するだけです。
+[`@weave.op`](/ja/weave/guides/tracking/ops) でデコレートされた関数を定義するだけです。
-以下の例では、`extract_person` という関数があり、これが `@weave.op` でラップされたメトリクス関数です。これにより、OpenAI のチャット完了呼び出しなど、中間ステップがどのように行われているかを確認できます。
+以下の例では、`extract_person` という関数が `@weave.op` でラップされたメトリクス関数になっています。これにより、OpenAI の chat completion 呼び出しなど、中間ステップがどのように動作しているかを確認できます。
```python lines
import instructor
@@ -61,20 +64,20 @@ from openai import OpenAI
from pydantic import BaseModel
-# 期待する出力構造を定義
+# 希望する出力構造を定義する
class Person(BaseModel):
person_name: str
age: int
-# Weave を初期化
+# Weave を初期化する
weave.init(project_name="instructor-test")
-# OpenAI クライアントにパッチを適用
+# OpenAI クライアントにパッチを適用する
lm_client = instructor.from_openai(OpenAI())
-# 自然言語から構造化データを抽出
+# 自然言語から構造化データを抽出する
@weave.op()
def extract_person(text: str) -> Person:
return lm_client.chat.completions.create(
@@ -89,17 +92,19 @@ def extract_person(text: str) -> Person:
person = extract_person("My name is John and I am 20 years old")
```
-|  |
-|---|
-| `extract_person` 関数を `@weave.op` でデコレートすることで、その入力、出力、および関数内で行われるすべての内部 LM 呼び出しが トレース されます。Weave はまた、Instructor によって生成された構造化 オブジェクト を自動的に追跡し、バージョン管理 します。 |
+|  |
+| ------------------------------------------------------------------------------------------------------------------------------------------------ |
+| `extract_person` 関数に `@weave.op` デコレータを付けると、その入力と出力、および関数内で行われるすべての内部 LM 呼び出しがトレースされます。Weave は Instructor によって生成された構造化オブジェクトも自動的に追跡し、バージョン管理します。 |
-## 実験 を容易にするために `Model` を作成する
+
+ ## 実験を簡単にするために `Model` を作成する
+
-多くの動的な要素がある場合、実験 の整理は困難になります。[`Model`](../core-types/models) クラスを使用すると、システムプロンプトや使用している モデル など、アプリケーション の 実験 的な詳細をキャプチャして整理できます。これにより、アプリケーション の異なるイテレーションを整理し、比較するのに役立ちます。
+要素が多くなると、実験を整理するのは難しくなります。[`Model`](../core-types/models) クラスを使うと、システムプロンプトや使用している モデル など、アプリの実験に関する詳細を記録して整理できます。これにより、アプリのさまざまな反復を整理し、比較しやすくなります。
-コード の バージョン管理 や入力/出力のキャプチャに加えて、[`Model`](../core-types/models) は アプリケーション の 振る舞い を制御する構造化された パラメータ をキャプチャし、どの パラメータ が最も効果的であったかを簡単に見つけられるようにします。また、Weave の Models は `serve`（以下を参照）や [`Evaluations`](../core-types/evaluations) と併用することもできます。
+コードのバージョニングや入出力の記録に加えて、[`Model`](../core-types/models) はアプリケーションの挙動を制御する構造化されたパラメーターも記録するため、どのパラメーターが最も有効だったかを簡単に特定できます。また、Weave Models を `serve` (下記参照) や [`Evaluation`](../core-types/evaluations) と組み合わせて使用することもできます。
-以下の例では、`PersonExtractor` を使って 実験 できます。これらのいずれかを変更するたびに、`PersonExtractor` の新しい _バージョン_ が作成されます。
+以下の例では、`PersonExtractor` を使って実験できます。これらのいずれかを変更するたびに、`PersonExtractor` の新しい *バージョン* が作成されます。
```python lines
import asyncio
@@ -111,16 +116,16 @@ from openai import AsyncOpenAI
from pydantic import BaseModel
-# 期待する出力構造を定義
+# 出力構造を定義する
class Person(BaseModel):
person_name: str
age: int
-# Weave を初期化
+# Weave を初期化する
weave.init(project_name="instructor-test")
-# OpenAI クライアントにパッチを適用
+# OpenAI クライアントにパッチを適用する
lm_client = instructor.from_openai(AsyncOpenAI())
@@ -153,20 +158,22 @@ model = PersonExtractor(openai_model="gpt-4", max_retries=2)
asyncio.run(model.predict("John is 30 years old"))
```
-|  |
-|---------------------------------------------------------------------------|
-| [`Model`](../core-types/models) を使用した呼び出しの トレース と バージョン管理 |
+|  |
+| ---------------------------------------------------------------------------------------------------------------------------------------- |
+| [`Model`](../core-types/models) を使って呼び出しをトレースし、バージョン管理する |
-## Weave Model をサービングする
+
+ ## Weave モデルの提供
+
-`weave.Model` オブジェクト の Weave リファレンスを指定することで、FastAPI サーバーを起動して [`serve`](https://wandb.github.io/weave/guides/tools/serve) することができます。
+`weave.Model` オブジェクトへの weave リファレンスがあれば、FastAPI サーバーを立ち上げて、それを [`serve`](https://docs.wandb.ai/weave/guides/tools/serve) できます。
-| [](https://wandb.ai/geekyrakshit/instructor-test/weave/objects/PersonExtractor/versions/xXpMsJvaiTOjKafz1TnHC8wMgH5ZAAwYOaBMvHuLArI) |
-|----------------------------------------------------------------------------------------------------------------------------------------------------------------|
-| 任意の `weave.Model` の Weave リファレンスは、モデル に移動して UI からコピーすることで確認できます。 |
+| [](https://wandb.ai/geekyrakshit/instructor-test/weave/objects/PersonExtractor/versions/xXpMsJvaiTOjKafz1TnHC8wMgH5ZAAwYOaBMvHuLArI) |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
+| 任意の `weave.Model` の weave リファレンスは、そのモデルのページに移動し、UI からコピーすることで取得できます。 |
-ターミナル で次の コマンド を使用して モデル をサービングできます。
+ターミナルで次のコマンドを実行してモデルを提供できます。
```shell
weave serve weave://your_entity/project-name/YourModel:
-```
\ No newline at end of file
+```
diff --git a/ja/weave/guides/integrations/js.mdx b/ja/weave/guides/integrations/js.mdx
index 6a709f405b..42d0eebb0b 100644
--- a/ja/weave/guides/integrations/js.mdx
+++ b/ja/weave/guides/integrations/js.mdx
@@ -1,72 +1,85 @@
---
-title: 'TypeScript SDK: サードパーティ Integration ガイド'
-description: Weave TypeScript SDK を使用したサードパーティライブラリとの統合
+title: "TypeScript SDK：サードパーティ インテグレーションガイド"
+description: "Weave TypeScript SDK とサードパーティライブラリをインテグレーションする"
---
-このガイドでは、Weave TypeScript SDK を使用してサードパーティライブラリ（例：OpenAI）をインテグレーションする方法について説明します。Weave は自動計装をサポートしており、セットアップを簡素化し、手動での configuration（設定）の必要性を減らします。
+このガイドでは、Weave TypeScript SDK とサードパーティライブラリ（例: OpenAI）を統合する方法について説明します。Weave は自動インスツルメンテーションをサポートしており、セットアップを容易にし、手動設定の必要性を減らします。
-**変更点**
-[PR #4554](https://github.com/wandb/weave/pull/4554) 以降、OpenAI などのサポートされているライブラリは、Weave がロードされる際に自動的にパッチが適用されます。以前のように手動でラップする必要はなくなりました。
+**何が変わったのか？**
+[PR #4554](https://github.com/wandb/weave/pull/4554) 以降、OpenAI のようなサポート対象ライブラリは、Weave がロードされたときに自動的にパッチが適用されます。以前のように、次のような手動でのラップは不要になりました。
```ts lines
weave.wrapOpenAI(new OpenAI());
```
-通常、Weave はこれを自動的に処理します。ただし、[エッジケース](#advanced-usage) が発生する可能性があります。
+通常は Weave がこれを自動的に処理します。ただし、[エッジケース](#advanced-usage) が発生する場合があります。
-## 使用方法
+
+ ## 使用手順
+
-CommonJS と ESM の両方を使用できます。
+CommonJS と ESM のどちらかを使用できます。
-### CommonJS
+
+ ### CommonJS
+
-CommonJS の場合、特別な configuration は必要ありません。自動パッチ適用がそのまま機能します。単純に Weave をインストールしてください。
+CommonJS の場合、特別な設定は必要ありません。自動パッチ適用がそのまま機能します。Weave をインストールするだけで利用できます。
```bash
npm install weave
```
-### ESM
-ESM の場合、Node の `--import` フラグを使用して自動計装を有効にします。`weave` パッケージがインストールされていれば、`weave/instrument` モジュールが利用可能です。
+
+ ### ESM
+
-1. Weave をインストールします。
+ESM では、Node の `--import` フラグを使用して自動インストルメンテーションを有効にします。`weave` パッケージがインストールされていれば、`weave/instrument` モジュールを利用できます。
+
+1. Weave をインストールします:
```bash
npm install weave
```
-2. `weave/instrument` モジュールをインポートします。
+2. `weave/instrument` モジュールをインポートします:
```bash
node --import=weave/instrument dist/main.js
```
-## 高度な使用法とトラブルシューティング
+
+ ## 高度な使い方とトラブルシューティング
+
-このセクションでは、TypeScript SDK の自動パッチ適用が期待通りに動作しない場合のエッジケースと回避策について説明します。例えば、ESM 専用の 環境、Next.js などのバンドラー設定、または制約のあるランタイム環境では、予期しない問題が発生することがあります。Traces が見当たらない場合やインテグレーションの問題が発生している場合は、ここから確認してください。
+このセクションでは、TypeScript SDK の自動パッチ処理が期待どおりに動作しない場合の、例外的なケースと回避策を扱います。たとえば、ESM のみの環境、Next.js のようなバンドラーのセットアップ、あるいは制約の厳しいランタイム環境では、予期しない問題が発生することがあります。トレースが欠落していたり、インテグレーション関連の問題が発生している場合は、まずここを参照してください。
-### `NODE_OPTIONS` の使用（ESM のみ）
+
+ ### `NODE_OPTIONS` を使用する（ESM 限定）
+
-`NODE_OPTIONS` は環境内のすべての Node.js プロセスに影響を与え、副作用を引き起こす可能性があるため、注意して使用してください。
+ `NODE_OPTIONS` の使用には注意してください。これはその環境内で動作するすべての Node.js プロセスに影響し、予期しない副作用を招く可能性があります。
-ESM プロジェクトを使用していて、CLI ツールやフレームワークの制約により CLI フラグを渡せない場合は、`NODE_OPTIONS` 環境変数を設定してください。
+ESM を利用するプロジェクトで、CLI フラグを渡せない場合（CLI ツールやフレームワーク側の制約など）、`NODE_OPTIONS` 環境変数を設定してください。
```bash
export NODE_OPTIONS="--import=weave/instrument"
```
-### バンドラーの互換性
+
+ ### バンドラーとの互換性
+
-Next.js などの一部のフレームワークやバンドラーは、実行時に Node がサードパーティライブラリにパッチを適用する機能を妨げる方法でライブラリをバンドルする場合があります。
+Next.js のような一部のフレームワークやバンドラーでは、サードパーティライブラリが、実行時に Node がパッチ適用を行えなくなる形でバンドルされる場合があります。
-お使いのセットアップがこれに該当する場合は、以下の手順を試してください。
+このようなセットアップの場合は、次の手順を試してください。
-1. バンドラーの設定で LLM ライブラリを `external` としてマークします。これにより、ライブラリがバンドルされるのを防ぎ、Weave が実行時に正しくパッチを適用できるようになります。
+1. バンドラーの設定で LLM ライブラリを external としてマークします。これにより、それらがバンドルされなくなり、実行時に Weave が正しくパッチを適用できるようになります。
- 次の例は、`next.config.js` の設定で `openai` パッケージを external としてマークし、バンドルされないようにする方法を示しています。モジュールは実行時にロードされるため、Weave は自動的にパッチを適用して追跡できます。自動計装を有効にするために、Next.js などのフレームワークを使用する場合にこの設定を利用してください。
+ 次の例は、`next.config.js` の設定で `openai` パッケージを external としてマークし、バンドルされないようにする方法を示しています。モジュールは実行時に読み込まれるため、Weave によるパッチ適用と追跡が自動的に行われます。Next.js のようなフレームワークで自動インストルメンテーションを有効にするには、このセットアップを使用してください。
```js
externals: {
@@ -74,20 +87,19 @@ Next.js などの一部のフレームワークやバンドラーは、実行時
}
```
+2. それでもパッチ適用に失敗する場合は、[手動インストルメンテーション](#manual-patching-fallback-option) に切り替えてください。
-2. パッチの適用が依然として失敗する場合は、[手動パッチ（フォールバックオプション）](#手動パッチフォールバックオプション) を試してください。
-
-
-### 手動パッチ（フォールバックオプション）
+
+ ### 手動パッチ適用（フォールバックオプション）
+
-手動パッチはレガシーな手法であり、自動パッチが機能しない場合にのみ使用してください。
+ 手動によるパッチ適用はレガシーな方法であり、自動パッチ適用が機能しない場合にのみ使用してください。
-場合によっては、引き続き手動計装を使用する必要があるかもしれません。
+場合によっては、依然として手動でインストルメンテーションを行う必要があることがあります。
```ts lines
import { wrapOpenAI } from 'weave';
-// OpenAI クライアントを手動でラップする
const client = wrapOpenAI(new OpenAI());
-```
\ No newline at end of file
+```
diff --git a/ja/weave/guides/integrations/koog.mdx b/ja/weave/guides/integrations/koog.mdx
index 4d07c51aea..c903493959 100644
--- a/ja/weave/guides/integrations/koog.mdx
+++ b/ja/weave/guides/integrations/koog.mdx
@@ -1,30 +1,34 @@
---
title: Koog
-description: Weave の組み込み OpenTelemetry サポートを使用して、Kotlin ベースの Koog エージェントをトレースします。単一の
- run や複雑な ワークフロー の実行、ツール の呼び出し、プロンプト、完了（completions）をキャプチャし、Kotlin AI アプリケーション の完全なオブザーバビリティを実現します。
+description: "Kotlin ベースの Koog エージェントを Weave の組み込み OpenTelemetry サポートでトレースし、単一実行と複雑なワークフロー実行、ツール呼び出し、プロンプト、コンプリーションをキャプチャして、Kotlin 製 AI アプリケーションを完全に可観測化します。"
---
-[Koog](https://docs.koog.ai/) は、単一の run や複雑なワークフローを持つ エージェント を構築するための Kotlin ベースの フレームワーク です。Koog には OpenTelemetry (OTEL) サポートが組み込まれており、トレース を直接 Weave にエクスポートできます。これにより、プロンプト、補完、ツール呼び出し、エンドツーエンド の エージェント 実行に関する豊富な 可視性 が得られます。
+[Koog](https://docs.koog.ai/) は、単一実行および複雑なワークフロー エージェントを構築するための Kotlin ベースのフレームワークです。Koog には OpenTelemetry (OTEL) のサポートが組み込まれており、トレースを直接 Weave にエクスポートできます。これにより、プロンプト、コンプリーション、ツール呼び出し、エージェント実行全体に対して豊富な可観測性を得られます。
-Weave エクスポーターを有効にすると、Koog は OpenTelemetry スパンを Weave の Projects に転送するため、デバッグやパフォーマンス分析、迅速なイテレーションが可能になります。
+Weave exporter を有効にすると、Koog は OpenTelemetry の span を Weave プロジェクトに転送できるようになり、デバッグやパフォーマンス解析を行いながら、より高速に反復できます。
+ ## 前提条件
+
-エージェント を実行する前に、以下の 環境 変数を設定してください：
+エージェントを実行する前に、以下の環境変数を設定してください。
```bash
export WEAVE_API_KEY=""
-export WEAVE_ENTITY="" # W&B の team/entity
-export WEAVE_PROJECT_NAME="koog-tracing" # 任意のプロジェクト名。初回使用時に作成されます。
+export WEAVE_ENTITY="" # W&B のチーム/エンティティ
+export WEAVE_PROJECT_NAME="koog-tracing" # 任意のプロジェクト名。初回使用時に作成されます
```
-## Koog のインストール (Gradle)
-Kotlin プロジェクト に Koog を追加します (Kotlin DSL の例)：
+
+ ## Koog をインストールする (Gradle)
+
+
+Kotlin プロジェクトに Koog を追加します (Kotlin DSL の例):
```kotlin
dependencies {
@@ -32,13 +36,16 @@ dependencies {
}
```
-インストールの詳細については、Koog の [公式ドキュメント](https://docs.koog.ai/) を参照してください。
+インストールに関する詳細は、[Koog のドキュメント](https://docs.koog.ai/)を参照してください。
+
-## Weave エクスポートの有効化 (OpenTelemetry)
+
+ ## Weave エクスポートを有効化する (OpenTelemetry)
+
-Koog の OpenTelemetry 機能をインストールし、Weave エクスポーターを追加します。これにより、Weave の OpenTelemetry エンドポイントを使用して、Koog のスパンが Weave の トレース にマッピングされます。
+Koog の OpenTelemetry 機能をインストールし、Weave exporter を追加します。これにより、Koog の span が Weave の OpenTelemetry エンドポイントを用いて Weave の trace にマッピングされます。
-以下の例は、`addWeaveExporter` の使用方法を示しています：
+以下の例では、`addWeaveExporter` の使い方を示します。
```kotlin
fun main() = runBlocking {
@@ -51,9 +58,7 @@ fun main() = runBlocking {
llmModel = OpenAIModels.CostOptimized.GPT4oMini,
systemPrompt = "You are a code assistant. Provide concise code examples."
) {
- // OpenTelemetry をインストール
install(OpenTelemetry) {
- // Weave エクスポーターを追加
addWeaveExporter()
}
}
@@ -70,7 +75,7 @@ fun main() = runBlocking {
}
```
-この関数は Weave の 環境 変数を自動的に読み取りますが、以下のようにエクスポーターの [特定のパラメータ](https://api.koog.ai/agents/agents-features/agents-features-opentelemetry/ai.koog.agents.features.opentelemetry.integration.weave/add-weave-exporter.html?query=fun%20OpenTelemetryConfig.addWeaveExporter(weaveOtelBaseUrl:%20String?%20=%20null,%20weaveEntity:%20String?%20=%20null,%20weaveProjectName:%20String?%20=%20null,%20weaveApiKey:%20String?%20=%20null,%20timeout:%20Duration%20=%2010.seconds)) を 設定 することも可能です：
+この関数は Weave の環境変数を自動的に読み取りますが、エクスポーター用に [個別のパラメーター](https://api.koog.ai/agents/agents-features/agents-features-opentelemetry/ai.koog.agents.features.opentelemetry.integration.weave/add-weave-exporter.html?query=fun%20OpenTelemetryConfig.addWeaveExporter\(weaveOtelBaseUrl:%20String?%20=%20null,%20weaveEntity:%20String?%20=%20null,%20weaveProjectName:%20String?%20=%20null,%20weaveApiKey:%20String?%20=%20null,%20timeout:%20Duration%20=%2010.seconds\)) を指定して設定することもできます。次のようにします：
```kotlin
install(OpenTelemetry) {
@@ -84,33 +89,41 @@ install(OpenTelemetry) {
}
```
-上記の例では：
+上記の例では、次のことを行っています。
+
+* 特定のチームとプロジェクトにトレースをルーティングするために `weaveEntity` と `weaveProjectName` を使用します。
+* トレースエンドポイント（例: `https://.wandb.io/`）として `weaveOtelBaseUrl` を設定します。専用の Weave インスタンスを利用する場合は、このパラメーターを使用します。
+
+Koog と Weave を初めて使用する場合は、次のドキュメントに目を通すことをおすすめします。
-- `weaveEntity` と `weaveProjectName` を使用して、トレース を特定の Teams と Projects にルーティングしています。
-- `weaveOtelBaseUrl` を トレース エンドポイント（例：`https://.wandb.io/`）に設定しています。専用の Weave インスタンスを使用する場合にこの パラメータ を使用してください。
+* エクスポーターに関する詳細については [Koog's Weave exporter guide](https://docs.koog.ai/opentelemetry-weave-exporter/)
+* OpenTelemetry が Koog とどのように連携するかの基本概念については [Koog's OpenTelemetry support guide](https://docs.koog.ai/opentelemetry-support/)
+* Weave が OTLP データをどのように取り込むかについては [Weave OTEL docs](../tracking/otel)
-Koog と Weave の連携を初めて行う場合は、以下のドキュメントを確認することをお勧めします：
-* [Koog の Weave エクスポーターガイド](https://docs.koog.ai/opentelemetry-weave-exporter/): エクスポーターに関する詳細 情報
-* [Koog の OpenTelemetry サポートガイド](https://docs.koog.ai/opentelemetry-support/): Koog で OpenTelemetry がどのように動作するかという基本概念
-* [Weave OTEL ドキュメント](../tracking/otel): Weave が OTLP データ をどのように取り込むかに関する 情報
-## トレース される内容
+
+ ## 何がトレースされるか
+
-有効にすると、Koog の Weave エクスポーターは Koog の一般的な OTEL インテグレーションと同じスパンをキャプチャします。これには以下が含まれます：
+有効化すると、Koog の Weave exporter は Koog の汎用 OTEL インテグレーションと同じ span を取得し、次の内容を含みます:
-- エージェント のライフサイクルイベント（開始、停止、エラー）
-- LLM とのやり取り（プロンプト、補完、トークン使用量、レイテンシ）
+- エージェントのライフサイクルイベント（開始、停止、エラー）
+- LLM のインタラクション（プロンプト、completion、トークン使用量、レイテンシ）
- ツールおよび API 呼び出し（関数呼び出しや外部リクエスト）
-- システムコンテキスト（モデル 名、Koog の バージョン、環境 メタデータ）
+- システムコンテキスト（モデル名、Koog バージョン、環境メタデータ）
-これらの トレース を Weave の UI で視覚化し、パフォーマンスや品質を把握できます。Weave での トレース のキャプチャに関する導入については、[Weave の トレース 概要](../tracking/tracing) を参照してください。
+これらのトレースは Weave UI で可視化して、パフォーマンスと品質を把握できます。Weave を使ったトレース取得の概要については、[Weave のトレーシング概要](../tracking/tracing) を参照してください。
-## サンプル ノートブック
+
+ ## ノートブックの例
+
-Weave に トレース をストリーミングする [実行可能な ノートブック](https://docs.koog.ai/examples/Weave/) については、Koog のドキュメントを参照してください。
+トレースを Weave にストリーミングする実行可能なノートブックについては、Koog のドキュメントを参照してください: [実行可能なノートブック](https://docs.koog.ai/examples/Weave/)。
-## トラブルシューティング
+
+ ## トラブルシューティング
+
-- トレース が表示されない場合は、まず `WEAVE_API_KEY`、`WEAVE_ENTITY`、`WEAVE_PROJECT_NAME` が正しく設定されているか確認してください。
-- 使用している 環境 から `https://trace.wandb.ai` にアクセスできること、およびエクスポーターが上記のように 設定 されていることを確認してください。
-- その他のトラブルシューティングやサンプリングに関する ガイド については、Koog の [OpenTelemetry support](https://docs.koog.ai/opentelemetry-support/) を参照してください。
\ No newline at end of file
+- トレースが見当たらない場合は、まず `WEAVE_API_KEY`、`WEAVE_ENTITY`、`WEAVE_PROJECT_NAME` が正しく設定されていることを確認します。
+- 環境から `https://trace.wandb.ai` にアクセスできること、およびエクスポーターが上記のとおりに設定されていることを確認します。
+- さらなるトラブルシューティングやサンプリングに関するガイダンスについては、Koog の [OpenTelemetry support](https://docs.koog.ai/opentelemetry-support/) を参照してください。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/langchain.mdx b/ja/weave/guides/integrations/langchain.mdx
index 8f5e4d0fa2..41abe1b07e 100644
--- a/ja/weave/guides/integrations/langchain.mdx
+++ b/ja/weave/guides/integrations/langchain.mdx
@@ -1,29 +1,30 @@
---
-title: LangChain
-description: Weave を使用して、LangChain Python ライブラリを通じて行われるすべてのコールを追跡し、ログ を記録します。
+title: "LangChain"
+description: "Weave を使用して LangChain Python ライブラリ 経由ですべての呼び出しを追跡およびログ記録する"
---
-
-
+
-Weave は、 [LangChain Python library](https://github.com/langchain-ai/langchain) を介して行われるすべての呼び出しの追跡とログ記録を簡単に行えるように設計されています。
+Weave は、[LangChain Python library](https://github.com/langchain-ai/langchain) を通じて行われるすべての呼び出しを、簡単に追跡およびログ記録できるように設計されています。
-LLM を扱う際、デバッグは避けて通れません。 モデル呼び出しの失敗、出力形式の誤り、あるいはネストされたモデル呼び出しによる混乱など、問題の特定が困難な場合があります。 LangChain アプリケーションは多くの場合、複数のステップと LLM 呼び出しの実行で構成されているため、チェーンや エージェント の内部動作を理解することが極めて重要です。
+LLM を扱う際、デバッグは避けられません。モデル呼び出しが失敗したり、出力の形式がおかしかったり、ネストされたモデル呼び出しが混乱を招いたりすると、問題箇所を特定するのは難しくなります。LangChain アプリケーションは多くの場合、複数のステップや LLM 呼び出しから構成されるため、チェーンやエージェントの内部動作を把握することが重要です。
-Weave は、 [LangChain](https://python.langchain.com/v0.2/docs/introduction/) アプリケーションの トレース を自動的にキャプチャすることで、このプロセスを簡素化します。 これにより、アプリケーションのパフォーマンスを監視・分析し、LLM ワークフローのデバッグや最適化を容易に行うことができます。
+Weave は、[LangChain](https://docs.langchain.com/oss/python/langchain/overview) アプリケーションのトレースを自動的に取得することで、このプロセスを簡素化します。これにより、アプリケーションのパフォーマンスを監視・分析でき、LLM ワークフローのデバッグと最適化が容易になります。
+
+ ## はじめに
+
-## クイックスタート
-
-使い始めるには、スクリプトの冒頭で `weave.init()` を呼び出すだけです。 `weave.init()` の 引数 は、 トレース を整理するのに役立つ Projects 名です。
+使い始めるには、スクリプトの先頭で単に `weave.init()` を呼び出します。`weave.init()` の引数は、トレースを整理するのに役立つプロジェクト名です。
```python lines {6}
import weave
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("langchain_demo")
llm = ChatOpenAI()
@@ -36,16 +37,18 @@ output = llm_chain.invoke({"number": 2})
print(output)
```
-## 呼び出しメタデータの追跡
+
+ ## コールメタデータのトラッキング
+
-LangChain 呼び出しから メタデータ を追跡するには、 [`weave.attributes`](/weave/reference/python-sdk#function-attributes) コンテキストマネージャーを使用できます。 このコンテキストマネージャーを使用すると、チェーンや単一のリクエストなど、特定のコードブロックに対してカスタム メタデータ を設定できます。
+LangChain のコールからメタデータをトラッキングするには、[`weave.attributes`](/ja/weave/reference/python-sdk#function-attributes) コンテキストマネージャーを使用できます。このコンテキストマネージャーを使うと、チェーンや単一リクエストなど、特定のコードブロックに対してカスタムメタデータを設定できます。
```python lines {6,13}
import weave
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("langchain_demo")
llm = ChatOpenAI()
@@ -58,40 +61,47 @@ with weave.attributes({"my_awesome_attribute": "value"}):
print(output)
```
-Weave は LangChain 呼び出しの トレース に対して メタデータ を自動的に追跡します。 以下に示すように、Weave のウェブインターフェースで メタデータ を確認できます。
-[](https://wandb.ai/parambharat/langchain_demo/weave/traces?cols=%7B%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
+Weave は LangChain 呼び出しのトレースに対してメタデータを自動的に記録します。以下のように、Weave の Web インターフェースでメタデータを表示できます。
+
+[](https://wandb.ai/parambharat/langchain_demo/weave/traces?cols=%7B%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
-## トレース
+
+ ## トレース
+
-LLM アプリケーションの トレース を中央データベースに保存することは、開発と プロダクション の両方のフェーズで不可欠です。 これらの トレース は、貴重な データセット を提供することで、アプリケーションのデバッグと改善に欠かせないものとなります。
+開発と本番の両方の段階で、LLM アプリケーションのトレースを中央データベースに保存することは極めて重要です。これらのトレースは、貴重なデータセットを提供することで、アプリケーションのデバッグや改善に欠かせないものです。
-Weave は LangChain アプリケーションの トレース を自動的にキャプチャします。 プロンプトテンプレート、チェーン、LLM 呼び出し、ツール、エージェント のステップなど、LangChain ライブラリを介して行われるすべての呼び出しを追跡し、ログを記録します。 トレース は Weave のウェブインターフェースで確認できます。
+Weave は LangChain アプリケーションのトレースを自動的に取得します。LangChain ライブラリを通じて行われるすべての呼び出し (プロンプトテンプレート、チェーン、LLM 呼び出し、ツール、エージェントステップを含む) を追跡してログに記録します。トレースは Weave の Web インターフェース上で確認できます。
-[](https://wandb.ai/parambharat/langchain_demo/weave/calls)
+[](https://wandb.ai/parambharat/langchain_demo/weave/calls)
-## 手動による呼び出しのトレース
+
+ ## 呼び出しを手動でトレースする
+
-自動追跡に加えて、 `WeaveTracer` コールバック または `weave_tracing_enabled` コンテキストマネージャーを使用して、手動で呼び出しを トレース することもできます。 これらの メソッド は、LangChain アプリケーションの個々の部分でリクエスト コールバック を使用するのと似ています。
+自動トレースに加えて、`WeaveTracer` コールバックや `weave_tracing_enabled` コンテキストマネージャーを使って、呼び出しを手動でトレースできます。これらの方法は、LangChain アプリケーションの特定の部分でリクエストコールバックを使うのと同様です。
-**注意:** Weave はデフォルトで LangChain Runnable を トレース します。これは `weave.init()` を呼び出すと有効になります。 `weave.init()` を呼び出す前に環境変数 `WEAVE_TRACE_LANGCHAIN` を `"false"` に設定することで、この 振る舞い を無効にできます。 これにより、アプリケーション内の特定のチェーンや個々のリクエストの トレース 動作を制御できるようになります。
+**Note:** Weave はデフォルトで LangChain Runnables をトレースしており、これは `weave.init()` を呼び出したときに有効になります。`weave.init()` を呼び出す前に、環境変数 `WEAVE_TRACE_LANGCHAIN` を `"false"` に設定することで、この挙動を無効にできます。これにより、特定の chain や、さらにはアプリケーション内の個々のリクエストのトレース挙動を制御できます。
-### `WeaveTracer` の使用
+
+ ### `WeaveTracer` を使用する
+
-`WeaveTracer` コールバック を個々の LangChain コンポーネントに渡して、特定のリクエストを トレース できます。
+特定のリクエストをトレースするために、各 LangChain コンポーネントに `WeaveTracer` コールバックを渡すことができます。
```python lines {11,13,15,22}
import os
-os.environ["WEAVE_TRACE_LANGCHAIN"] = "false" # <- 明示的にグローバルトレースを無効化
+os.environ["WEAVE_TRACE_LANGCHAIN"] = "false" # <- グローバルトレースを明示的に無効化する。
from weave.integrations.langchain import WeaveTracer
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
import weave
-# プロジェクト名で Weave を初期化
-weave.init("langchain_demo") # <-- 環境変数が false に設定されているため、ここではトレースは有効になりません
+# プロジェクト名で Weave を初期化する
+weave.init("langchain_demo") # <-- 環境変数が明示的に `false` に設定されているため、ここではトレースを有効化しない
weave_tracer = WeaveTracer()
@@ -102,66 +112,78 @@ prompt = PromptTemplate.from_template("1 + {number} = ")
llm_chain = prompt | llm
-output = llm_chain.invoke({"number": 2}, config=config) # <-- このチェーンの実行に対してのみトレースが有効になります
+output = llm_chain.invoke({"number": 2}, config=config) # <-- このチェーン呼び出しに対してのみトレースを有効化する。
-llm_chain.invoke({"number": 4}) # <-- LangChain呼び出しのトレースは有効になりませんが、openai呼び出しは引き続きトレースされます
+llm_chain.invoke({"number": 4}) # <-- langchain の呼び出しではトレースが有効化されないが、openai の呼び出しは引き続きトレースされる
```
-### `weave_tracing_enabled` コンテキストマネージャーの使用
+
+ ### `weave_tracing_enabled` コンテキストマネージャーの使用
+
-あるいは、 `weave_tracing_enabled` コンテキストマネージャーを使用して、特定のコードブロックの トレース を有効にすることもできます。
+別の方法として、`weave_tracing_enabled` コンテキストマネージャーを使用して、特定のコードブロックに対してのみトレースを有効にすることもできます。
```python lines {11,18}
import os
-os.environ["WEAVE_TRACE_LANGCHAIN"] = "false" # <- 明示的にグローバルトレースを無効化
+os.environ["WEAVE_TRACE_LANGCHAIN"] = "false" # <- グローバルトレースを明示的に無効化する。
from weave.integrations.langchain import weave_tracing_enabled
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
import weave
-# プロジェクト名で Weave を初期化
-weave.init("langchain_demo") # <-- 環境変数が false に設定されているため、ここではトレースは有効になりません
+# プロジェクト名で Weave を初期化する
+weave.init("langchain_demo") # <-- 環境変数が明示的に `false` に設定されているため、ここではトレースを有効化しない
llm = ChatOpenAI()
prompt = PromptTemplate.from_template("1 + {number} = ")
llm_chain = prompt | llm
-with weave_tracing_enabled(): # <-- このチェーンの実行に対してのみトレースが有効になります
+with weave_tracing_enabled(): # <-- このチェーン呼び出しに対してのみトレースを有効化する。
output = llm_chain.invoke({"number": 2})
-llm_chain.invoke({"number": 4}) # <-- LangChain呼び出しのトレースは有効になりませんが、openai呼び出しは引き続きトレースされます
+llm_chain.invoke({"number": 4}) # <-- langchain の呼び出しではトレースが有効化されないが、openai の呼び出しは引き続きトレースされる
```
-## 設定
+
+ ## 設定
+
-`weave.init` を呼び出すと、環境変数 `WEAVE_TRACE_LANGCHAIN` が `"true"` に設定され、 トレース が有効になります。 これにより、Weave が LangChain アプリケーションの トレース を自動的にキャプチャできるようになります。 この 振る舞い を無効にしたい場合は、環境変数を `"false"` に設定してください。
+`weave.init` を呼び出すと、環境変数 `WEAVE_TRACE_LANGCHAIN` が `"true"` に設定され、トレースが有効になります。これにより、Weave は LangChain アプリケーションのトレースを自動的に記録できるようになります。この挙動を無効にしたい場合は、環境変数を `"false"` に設定してください。
-## LangChain コールバックとの関係
+
+ ## LangChain コールバックとの関係
+
-### 自動ログ記録
+
+ ### 自動ロギング
+
-`weave.init()` による自動 ログ 記録は、LangChain アプリケーションのすべてのコンポーネントにコンストラクタ コールバック を渡すのと似ています。 つまり、プロンプトテンプレート、チェーン、LLM 呼び出し、ツール、エージェント のステップを含むすべてのインタラクションが、アプリケーション全体でグローバルに追跡されます。
+`weave.init()` によって提供される自動ロギングは、LangChain アプリケーション内のすべてのコンポーネントにコンストラクタ コールバックを渡すのとよく似ています。つまり、プロンプトテンプレート、チェーン、LLM 呼び出し、ツール、エージェントステップなど、あらゆるインタラクションがアプリケーション全体にわたって一元的に追跡されます。
-### 手動ログ記録
+
+ ### 手動ロギング
+
-手動 ログ 記録 メソッド （ `WeaveTracer` および `weave_tracing_enabled` ）は、LangChain アプリケーションの個々の部分でリクエスト コールバック を使用するのと似ています。 これらの メソッド を使用すると、アプリケーションのどの部分を トレース するかをより細かく制御できます。
+手動ロギングの方法 (`WeaveTracer` と `weave_tracing_enabled`) は、LangChain アプリケーションの個々の部分でリクエストコールバックを使う方法と似ています。これらのメソッドを使うと、アプリケーションのどの部分をトレースするかをより細かく制御できます。
-- **コンストラクタコールバック:** チェーンやコンポーネント全体に適用され、すべてのインタラクションを一貫して ログ 記録します。
-- **リクエストコールバック:** 特定のリクエストに適用され、特定の実行の詳細な トレース を可能にします。
+* **コンストラクターコールバック:** チェーン全体またはコンポーネント全体に適用され、すべてのやり取りを一貫して記録します。
+* **リクエストコールバック:** 特定のリクエストに適用され、特定の呼び出しについて詳細なトレースが行えます。
-Weave を LangChain と統合することで、LLM アプリケーションの包括的な ログ 記録と監視が可能になり、デバッグやパフォーマンスの最適化が容易になります。
+LangChain に Weave を統合することで、LLM アプリケーションのロギングとモニタリングを包括的に行うことができ、デバッグの容易化とパフォーマンス最適化に役立ちます。
-詳細については、 [LangChain documentation](https://python.langchain.com/v0.2/docs/how_to/debugging/#tracing) を参照してください。
+より詳細な情報については、[LangChain のドキュメント](https://python.langchain.com/v0.2/docs/how_to/debugging/#tracing)を参照してください。
-## Models と 評価
+
+ ## モデルと評価
+
-プロンプト、 モデル 設定、推論 パラメータ など複数のコンポーネントがある中で、さまざまな ユースケース に向けたアプリケーション内の LLM を整理し 評価 することは困難です。 [`weave.Model`](/weave/guides/core-types/models) を使用すると、システムプロンプトや使用した モデル などの 実験 の詳細をキャプチャして整理でき、異なるイテレーションの比較が容易になります。
+さまざまなユースケース向けアプリケーションで LLM を整理・評価することは、プロンプト、モデルの設定、推論パラメーターなど複数のコンポーネントが関わるため困難です。[`weave.Model`](/ja/weave/guides/core-types/models) を使用すると、システムプロンプトや使用しているモデルなどの実験に関する詳細情報を記録・整理でき、異なるイテレーションを比較しやすくなります。
-次の例は、LangChain のチェーンを `WeaveModel` でラップする方法を示しています。
+次の例では、LangChain の チェーン を `WeaveModel` でラップする方法を示します。
```python lines {10,12,16}
import json
@@ -172,7 +194,7 @@ import weave
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("langchain_demo")
class ExtractFruitsModel(weave.Model):
@@ -201,19 +223,23 @@ sentence = "There are many fruits that were found on the recently discovered pla
prediction = asyncio.run(model.predict(sentence))
-# Jupyter Notebookの場合はこちらを実行:
+# Jupyter Notebook を使用している場合は、以下を実行する:
# prediction = await model.predict(sentence)
print(prediction)
```
-この コード により、Weave UI で可視化可能な モデル が作成されます。
-[](https://wandb.ai/parambharat/langchain_demo/weave/object-versions?filter=%7B%22baseObjectClass%22%3A%22Model%22%7D&peekPath=%2Fparambharat%2Flangchain_demo%2Fobjects%2FExtractFruitsModel%2Fversions%2FBeoL6WuCH8wgjy6HfmuBMyKzArETg1oAFpYaXZSq1hw%3F%26)
+このコードは Weave UI 上で可視化できるモデルを作成します。
+
+[](https://wandb.ai/parambharat/langchain_demo/weave/object-versions?filter=%7B%22baseObjectClass%22%3A%22Model%22%7D\&peekPath=%2Fparambharat%2Flangchain_demo%2Fobjects%2FExtractFruitsModel%2Fversions%2FBeoL6WuCH8wgjy6HfmuBMyKzArETg1oAFpYaXZSq1hw%3F%26)
-Weave Models は `serve` や [`Evaluations`](/weave/guides/core-types/evaluations) と併用することもできます。
+Weave Models は `serve` や [`Evaluations`](/ja/weave/guides/core-types/evaluations) と併用することもできます。
-### 評価 (Evaluations)
-評価 は、 モデル のパフォーマンスを測定するのに役立ちます。 [`weave.Evaluation`](/weave/guides/core-types/evaluations) クラスを使用すると、特定のタスクや Datasets に対する モデル のパフォーマンスを把握でき、異なる モデル やアプリケーションのイテレーションの比較が容易になります。 次の例は、作成した モデル を 評価 する方法を示しています。
+
+ ### 評価
+
+
+評価を使うと、モデルの性能を測定できます。[`weave.Evaluation`](/ja/weave/guides/core-types/evaluations) クラスを使用すると、特定のタスクやデータセットに対してモデルがどの程度うまく動作しているかを記録できるため、異なるモデルやアプリケーションのイテレーションを簡単に比較できます。次の例では、作成したモデルをどのように評価するかを示します。
```python lines
@@ -248,19 +274,20 @@ evaluation = weave.Evaluation(
],
)
scores = asyncio.run(evaluation.evaluate(model)))
-# Jupyter Notebookの場合はこちらを実行:
+# Jupyter Notebook で実行する場合:
# scores = await evaluation.evaluate(model)
print(scores)
```
-この コード は、Weave UI で可視化可能な 評価 トレース を生成します。
-
-[](https://wandb.ai/parambharat/langchain_demo/weave/calls?filter=%7B%22traceRootsOnly%22%3Atrue%7D&peekPath=%2Fparambharat%2Flangchain_demo%2Fcalls%2F44c3f26c-d9d3-423e-b434-651ea5174be3)
+このコードは、Weave UI で可視化できる評価トレースを生成します。
-Weave を LangChain と統合することで、LLM アプリケーションの包括的な ログ 記録と監視が保証され、デバッグやパフォーマンスの最適化が容易になります。
+[](https://wandb.ai/parambharat/langchain_demo/weave/calls?filter=%7B%22traceRootsOnly%22%3Atrue%7D\&peekPath=%2Fparambharat%2Flangchain_demo%2Fcalls%2F44c3f26c-d9d3-423e-b434-651ea5174be3)
+Weave を LangChain とインテグレーションすることで、LLM アプリケーションの包括的なロギングとモニタリングが可能になり、デバッグやパフォーマンス最適化が容易になります。
-## 既知の問題
+
+ ## 既知の問題
+
-- **非同期呼び出しのトレース** - LangChain の `AsyncCallbackManager` の実装におけるバグにより、非同期呼び出しが正しい順序で トレース されない問題があります。 これを修正するために [PR](https://github.com/langchain-ai/langchain/pull/23909) を提出済みです。 そのため、LangChain Runnable で `ainvoke`、 `astream`、 `abatch` メソッド を使用する場合、 トレース 内の呼び出し順序が正確でない可能性があります。
\ No newline at end of file
+* **非同期呼び出しのトレース** - Langchain の `AsyncCallbackManager` 実装に存在するバグにより、非同期呼び出しが正しい順序でトレースされない不具合があります。この問題を修正するための [PR](https://github.com/langchain-ai/langchain/pull/23909) を提出済みです。そのため、Langchain Runnables で `ainvoke`、`astream`、`abatch` メソッドを使用している場合、トレース内の呼び出し順序が正確とは限りません。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/litellm.mdx b/ja/weave/guides/integrations/litellm.mdx
index 0e9fe83ce9..70339f0b0e 100644
--- a/ja/weave/guides/integrations/litellm.mdx
+++ b/ja/weave/guides/integrations/litellm.mdx
@@ -1,27 +1,28 @@
---
-title: LiteLLM
-description: LiteLLM を介して行われた LLM コールを自動的に追跡し、ログを記録します
+title: "LiteLLM"
+description: "LiteLLM 経由で行われる LLM 呼び出しを自動的に追跡してログに記録する"
---
-
-
+
-Weave は、 `weave.init()` を呼び出した後、 LiteLLM を介して行われる LLM 呼び出しを自動的に追跡し、 ログ を記録します。
+Weave は、`weave.init()` が呼び出された後に LiteLLM 経由で行われる LLM 呼び出しを自動的に追跡してログに記録します。
-## Traces
+
+ ## トレース
+
-開発中および プロダクション の両方において、 LLM アプリケーション の トレース を中央の データベース に保存することは重要です。 これらの トレース は、 デバッグ や、 アプリケーション を改善するための データセット として活用できます。
+LLM アプリケーションのトレースを、開発中と本番環境のどちらにおいても中央のデータベースに保存しておくことは重要です。これらのトレースはデバッグに利用できるほか、アプリケーションを改善するのに役立つデータセットとしても利用できます。
-> **注意:** LiteLLM を使用する場合、 `from litellm import completion` ではなく、 `import litellm` を使用して ライブラリ をインポートし、 `litellm.completion` で補完機能を呼び出すようにしてください。 これにより、 すべての関数と パラメータ が正しく参照されます。
+> **Note:** LiteLLM を使用する場合は、`import litellm` を使ってライブラリをインポートし、`from litellm import completion` ではなく `litellm.completion` で completion 関数を呼び出してください。これにより、すべての関数とパラメーターが正しく参照されることが保証されます。
-Weave は LiteLLM の トレース を自動的に取得します。 通常通り ライブラリ を使用できます。 まずは `weave.init()` を呼び出すことから始めましょう：
+Weave は LiteLLM のトレースを自動的に取得します。ライブラリは通常どおり使用でき、まずは `weave.init()` を呼び出してください。
```python lines {4}
import litellm
import weave
-# Weaveを初期化
weave.init("weave_litellm_integration")
openai_response = litellm.completion(
@@ -39,11 +40,14 @@ claude_response = litellm.completion(
print(claude_response.choices[0].message.content)
```
-これで Weave は、 LiteLLM を通じて行われるすべての LLM 呼び出しを追跡し、 ログ に記録します。 Weave のウェブインターフェースで トレース を確認できます。
+これで Weave は、LiteLLM を通じて行われたすべての LLM 呼び出しを追跡してログに記録するようになります。トレースは Weave の Web インターフェース上で確認できます。
-## 独自の op でラップする
-Weave の op を使用すると、 実験 に伴い コード を自動的に バージョン管理 し、 入出力を取得することで、 結果 の再現性を高めることができます。 `@weave.op()` デコレータを付けた関数を作成し、 その中で LiteLLM の `completion` 関数を呼び出すだけで、 Weave が入出力を追跡します。 以下に例を示します：
+
+ ## 独自の op でラップする
+
+
+Weave の op は、実験中のコードに対して自動的にバージョン管理を行い、入力と出力を記録することで、結果の再現性を確保します。`@weave.op()` でデコレートした関数を作成し、その中で LiteLLM の completion 関数を呼び出すだけで、Weave が入力と出力を追跡してくれます。次に例を示します。
```python lines {4,6}
import litellm
@@ -53,7 +57,6 @@ weave.init("weave_litellm_integration")
@weave.op()
def translate(text: str, target_language: str, model: str) -> str:
- # LiteLLMを呼び出すopを作成
response = litellm.completion(
model=model,
messages=[{"role": "user", "content": f"Translate '{text}' to {target_language}"}],
@@ -65,13 +68,16 @@ print(translate("Hello, how are you?", "French", "gpt-3.5-turbo"))
print(translate("Hello, how are you?", "Spanish", "claude-3-5-sonnet-20240620"))
```
-## 実験を容易にするための `Model` の作成
-多くの要素が動的に変化する状況では、 実験 の整理が難しくなります。 `Model` クラスを使用すると、 システムプロンプトや使用している モデル などの アプリケーション の 実験 詳細を取得し、 整理することができます。 これにより、 アプリケーション の異なる反復（イテレーション）の整理や比較が容易になります。
+
+ ## より簡単に実験するために `Model` を作成する
+
+
+要素が多いと、実験を整理するのは難しくなります。`Model` クラスを使うことで、システムプロンプトや使用しているモデルなど、アプリの実験に関する詳細を記録・整理できます。これにより、アプリのさまざまなバージョンを整理・比較しやすくなります。
-コード の バージョン管理 や入出力の取得に加えて、 Models は アプリケーション の 振る舞い を制御する構造化された パラメータ を取得するため、 どの パラメータ が最適であったかを簡単に見つけ出すことができます。 また、 Weave の Models は `serve` や Evaluations と併用することも可能です。
+コードのバージョニングや入力／出力の記録に加えて、Models はアプリケーションの挙動を制御する構造化されたパラメーターも記録するため、どのパラメーターが最も良かったかを簡単に特定できます。また、Weave Models を `serve` や Evaluations と組み合わせて使用することもできます。
-以下の例では、 異なる モデル や temperature（温度）を試すことができます：
+次の例では、異なるモデルや temperature を使って実験できます。
```python lines {4,6,10}
import litellm
@@ -96,23 +102,26 @@ class TranslatorModel(weave.Model):
)
return response.choices[0].message.content
-# 異なるモデルでインスタンスを作成
+# 異なるモデルでインスタンスを作成する
gpt_translator = TranslatorModel(model="gpt-3.5-turbo", temperature=0.3)
claude_translator = TranslatorModel(model="claude-3-5-sonnet-20240620", temperature=0.1)
-# 翻訳に異なるモデルを使用
+# 異なるモデルを使って翻訳する
english_text = "Hello, how are you today?"
-print("GPT-3.5 Translation to French:")
+print("GPT-3.5 フランス語への翻訳:")
print(gpt_translator.predict(english_text, "French"))
-print("\nClaude-3.5 Sonnet Translation to Spanish:")
+print("\nClaude-3.5 Sonnet スペイン語への翻訳:")
print(claude_translator.predict(english_text, "Spanish"))
```
-## 関数呼び出し (Function Calling)
-LiteLLM は、 対応している モデル で関数呼び出しをサポートしています。 Weave はこれらの関数呼び出しを自動的に追跡します。
+
+ ## 関数呼び出し
+
+
+LiteLLM は、対応する モデル での関数呼び出しをサポートします。Weave はこれらの関数呼び出しを自動的に追跡します。
```python lines {4}
import litellm
@@ -148,6 +157,6 @@ response = litellm.completion(
print(response)
```
-プロンプトで使用された関数を自動的に取得し、 それらを バージョン管理 された状態で保持します。
+プロンプトで使用した関数を自動的にキャプチャし、バージョン管理します。
-[](https://wandb.ai/a-sh0ts/weave_litellm_integration/weave/calls)
\ No newline at end of file
+[](https://wandb.ai/a-sh0ts/weave_litellm_integration/weave/calls)
diff --git a/ja/weave/guides/integrations/llamaindex.mdx b/ja/weave/guides/integrations/llamaindex.mdx
index b4e2e7c9e4..76da49cf26 100644
--- a/ja/weave/guides/integrations/llamaindex.mdx
+++ b/ja/weave/guides/integrations/llamaindex.mdx
@@ -1,24 +1,25 @@
---
title: LlamaIndex
-description: Weave を使用して LlamaIndex アプリケーションを自動的にトレースし、デバッグします。すべての LLM 呼び出し、RAG パイプライン、エージェント
- のステップ、および 評価 をキャプチャし、データと連携した AI ワークフロー の包括的なオブザーバビリティを実現します。
+description: "Weave を使って LlamaIndex アプリケーションを自動的にトレースおよびデバッグし、すべての LLM 呼び出し、RAG パイプライン、エージェントのステップ、評価を取得して、データ接続型 AI ワークフローに対する包括的な可観測性を実現します。"
---
-Weave は、[LlamaIndex Python ライブラリ](https://github.com/run-llama/llama_index) を通じて行われるすべての呼び出しの追跡とログ記録を簡素化するように設計されています。
+Weave は、[LlamaIndex Python library](https://github.com/run-llama/llama_index) を通じて行われるすべての呼び出しのトラッキングとログ取得を簡素化するように設計されています。
-LLM を扱う際、デバッグは避けて通れません。モデル呼び出しの失敗、出力のフォーマットミス、あるいは入れ子になったモデル呼び出しによる混乱など、問題の特定は困難な場合があります。[LlamaIndex](https://docs.llamaindex.ai/en/stable/) アプリケーションは多くの場合、複数のステップと LLM 呼び出しの実行で構成されるため、チェーンやエージェントの内部動作を理解することが極めて重要です。
+LLM を扱う際、デバッグは避けられません。モデル呼び出しが失敗したり、出力の形式が誤っていたり、入れ子になったモデル呼び出しが混乱を招いたりする場合、問題の特定は困難になり得ます。[LlamaIndex](https://docs.llamaindex.ai/en/stable/) アプリケーションは多くの場合、複数のステップと LLM 呼び出しの実行から構成されるため、チェーンやエージェントの内部動作を理解することが重要です。
-Weave は、LlamaIndex アプリケーションの Traces を自動的にキャプチャすることで、このプロセスを簡素化します。これにより、アプリケーションのパフォーマンスを監視および分析できるようになり、LLM ワークフローのデバッグや最適化が容易になります。また、Weave は評価ワークフローにも役立ちます。
+Weave は、LlamaIndex アプリケーションのトレースを自動的に取得することで、このプロセスを簡素化します。これにより、アプリケーションのパフォーマンスを監視・分析できるようになり、LLM ワークフローのデバッグや最適化が容易になります。Weave は評価ワークフローにも役立ちます。
-## はじめに
+
+ ## はじめに
+
-開始するには、スクリプトの冒頭で `weave.init()` を呼び出すだけです。`weave.init()` の引数には、Traces を整理するのに役立つ Projects 名を指定します。
+まずは、スクリプトの冒頭で `weave.init()` を呼び出すだけです。`weave.init()` の引数には、トレースを整理するための プロジェクト名を指定します。
```python lines {5}
import weave
from llama_index.core.chat_engine import SimpleChatEngine
-# プロジェクト名で Weave を初期化
+# プロジェクト名を指定して Weave を初期化する
weave.init("llamaindex_demo")
chat_engine = SimpleChatEngine.from_defaults()
@@ -28,26 +29,28 @@ response = chat_engine.chat(
print(response)
```
-上記の例では、内部で OpenAI 呼び出しを行うシンプルな LlamaIndex チャットエンジンを作成しています。以下のトレースを確認してください：
+上の例では、シンプルな LlamaIndex チャットエンジンを作成しており、その内部では OpenAI の API 呼び出しが行われています。以下のトレースを確認してください:
-[](https://wandb.ai/wandbot/test-llamaindex-weave/weave/calls/b6b5d898-2df8-4e14-b553-66ce84661e74)
+[](https://wandb.ai/wandbot/test-llamaindex-weave/weave/calls/b6b5d898-2df8-4e14-b553-66ce84661e74)
-## Tracing
+
+ ## トレーシング
+
-LlamaIndex は、データと LLM を簡単に接続できることで知られています。シンプルな RAG アプリケーションには、埋め込みステップ、リトリーバル（検索）ステップ、そしてレスポンス合成ステップが必要です。複雑さが増すにつれて、開発とプロダクションの両方のフェーズで、個々のステップの Traces を中央データベースに保存することが重要になります。
+LlamaIndex は、データと LLM を簡単に接続できることで知られています。シンプルな RAG アプリケーションには、埋め込み処理、検索処理、応答生成処理のステップが必要です。アプリケーションが複雑になるにつれて、開発環境と本番環境の両方で、各ステップのトレースを一元的なデータベースに保存することが重要になります。
-これらの Traces は、アプリケーションのデバッグと改善に不可欠です。Weave は、プロンプトテンプレート、LLM 呼び出し、ツール、エージェントのステップなど、LlamaIndex ライブラリを通じて行われるすべての呼び出しを自動的に追跡します。Traces は Weave のウェブインターフェースで表示できます。
+これらのトレースは、アプリケーションのデバッグと改善に不可欠です。Weave は LlamaIndex ライブラリ経由で行われるすべての呼び出し (プロンプトテンプレート、LLM 呼び出し、ツール、エージェントのステップなど) を自動的にトレースします。Weave の web インターフェースでこれらのトレースを確認できます。
-以下は、LlamaIndex の [Starter Tutorial (OpenAI)](https://docs.llamaindex.ai/en/stable/getting_started/starter_example/) に基づくシンプルな RAG パイプラインの例です：
+以下は、LlamaIndex の [Starter Tutorial (OpenAI)](https://docs.llamaindex.ai/en/stable/getting_started/starter_example/) にあるシンプルな RAG パイプラインの例です。
```python lines {5}
import weave
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
-# プロジェクト名で Weave を初期化
+# Weave をプロジェクト名で初期化する
weave.init("llamaindex_demo")
-# `data` ディレクトリーに `.txt` ファイルがあることを想定
+# `data` ディレクトリに `.txt` ファイルが存在することを前提とする
documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)
@@ -56,21 +59,25 @@ response = query_engine.query("What did the author do growing up?")
print(response)
```
-トレースのタイムラインは「イベント」をキャプチャするだけでなく、実行時間、コスト、および該当する場合はトークン数も記録します。トレースをドリルダウンして、各ステップの入力と出力を確認できます。
+トレースタイムラインは「events」を記録するだけでなく、該当する場合には実行時間、コスト、トークン数も取得します。トレースを掘り下げて各ステップの入力と出力を確認できます。
-[](https://wandb.ai/wandbot/test-llamaindex-weave/weave/calls?filter=%7B%22traceRootsOnly%22%3Atrue%7D&peekPath=%2Fwandbot%2Ftest-llamaindex-weave%2Fcalls%2F6ac53407-1bb7-4c38-b5a3-c302bd877a11%3Ftracetree%3D1)
+[](https://wandb.ai/wandbot/test-llamaindex-weave/weave/calls?filter=%7B%22traceRootsOnly%22%3Atrue%7D\&peekPath=%2Fwandbot%2Ftest-llamaindex-weave%2Fcalls%2F6ac53407-1bb7-4c38-b5a3-c302bd877a11%3Ftracetree%3D1)
-## ワンクリック・オブザーバビリティ（可観測性） 🔭
+
+ ## ワンクリック observability 🔭
+
-LlamaIndex は、プロダクション環境で原則に基づいた LLM アプリケーションを構築できるように、[ワンクリック・オブザーバビリティ 🔭](https://docs.llamaindex.ai/en/stable/module_guides/observability/) を提供しています。
+LlamaIndex は、本番環境で原則に基づいた LLM アプリケーションを構築できるようにするための [ワンクリック observability 🔭](https://docs.llamaindex.ai/en/stable/module_guides/observability/) を提供します。
-私たちのインテグレーションはこの LlamaIndex の機能を活用し、[`WeaveCallbackHandler()`](https://github.com/wandb/weave/blob/master/weave/integrations/llamaindex/llamaindex.py) を自動的に `llama_index.core.global_handler` に設定します。したがって、LlamaIndex と Weave のユーザーとして必要なのは、Weave の Run を初期化する `weave.init()` を実行することだけです。
+このインテグレーションは LlamaIndex のこの機能を活用し、自動的に [`WeaveCallbackHandler()`](https://github.com/wandb/weave/blob/master/weave/integrations/llamaindex/llamaindex.py) を `llama_index.core.global_handler` に設定します。したがって LlamaIndex と Weave の ユーザー は、Weave run を初期化するために `weave.init()` を実行するだけで済みます。
-## 実験を容易にするための `Model` 作成
+
+ ## 実験をより簡単に行うための `Model` を作成する
+
-プロンプト、モデル設定、推論パラメータなど、複数のコンポーネントがある様々なユースケースにおいて、アプリケーション内の LLM を整理し評価することは困難です。[`weave.Model`](/weave/guides/core-types/models) を使用すると、システムプロンプトや使用するモデルなどの実験の詳細をキャプチャして整理でき、異なるイテレーション間の比較が容易になります。
+さまざまなユースケース向けにアプリケーション内で LLM を整理・評価することは、プロンプト、モデルの設定、推論パラメーターなど複数のコンポーネントが関わるため困難です。[`weave.Model`](/ja/weave/guides/core-types/models) を使用すると、システムプロンプトや使用する モデル などの実験の詳細情報を記録・整理できるため、異なるイテレーションを比較しやすくなります。
-次の例は、[weave/data](https://github.com/wandb/weave/tree/master/data) フォルダにあるデータを使用して、`WeaveModel` 内で LlamaIndex クエリエンジンを構築する方法を示しています。
+次の例では、[weave/data](https://github.com/wandb/weave/tree/master/data) フォルダー内のデータを使って、`WeaveModel` 内に LlamaIndex クエリエンジンを構築する方法を示します。
```python lines {16,52,61}
import weave
@@ -141,13 +148,15 @@ response = rag_pipeline.predict("What did the author do growing up?")
print(response)
```
-この `weave.Model` を継承した `SimpleRAGPipeline` クラスは、この RAG パイプラインの重要なパラメータを整理します。`predict` メソッドを `weave.op()` でデコレートすることで、追跡が可能になります。
+`weave.Model` を継承したこの `SimpleRAGPipeline` クラスは、この RAG パイプラインにとって重要なパラメーターを整理してまとめています。`query` メソッドを `weave.op()` でデコレートすることで、トレースが可能になります。
-[](https://wandb.ai/wandbot/test-llamaindex-weave/weave/calls?filter=%7B%22traceRootsOnly%22%3Atrue%7D&peekPath=%2Fwandbot%2Ftest-llamaindex-weave%2Fcalls%2Fa82afbf4-29a5-43cd-8c51-603350abeafd%3Ftracetree%3D1)
+[](https://wandb.ai/wandbot/test-llamaindex-weave/weave/calls?filter=%7B%22traceRootsOnly%22%3Atrue%7D\&peekPath=%2Fwandbot%2Ftest-llamaindex-weave%2Fcalls%2Fa82afbf4-29a5-43cd-8c51-603350abeafd%3Ftracetree%3D1)
-## `weave.Evaluation` による評価の実施
+
+ ## `weave.Evaluation` で評価する
+
-Evaluations は、アプリケーションのパフォーマンスを測定するのに役立ちます。[`weave.Evaluation`](/weave/guides/core-types/evaluations) クラスを使用することで、特定のタスクやデータセットに対してモデルがどれだけ適切に機能するかをキャプチャでき、異なるモデルやアプリケーションのイテレーションを比較しやすくなります。次の例は、作成したモデルを評価する方法を示しています。
+評価は、アプリケーションのパフォーマンスを測定するのに役立ちます。[`weave.Evaluation`](/ja/weave/guides/core-types/evaluations) クラスを使用すると、特定のタスクやデータセットに対して モデル がどの程度うまく動作しているかを記録でき、異なる モデル やアプリケーションの反復バージョンを比較しやすくなります。次の例では、作成した モデル をどのように評価するかを示します。
```python lines {25,32,36}
import asyncio
@@ -188,12 +197,12 @@ rag_pipeline = SimpleRAGPipeline()
asyncio.run(evaluation.evaluate(rag_pipeline))
```
-この評価は前のセクションの例に基づいています。`weave.Evaluation` を使用した評価には、評価データセット、スコアラー関数、および `weave.Model` が必要です。これら 3 つの主要コンポーネントに関する注意点は以下の通りです。
+この評価は前のセクションの例に基づいています。`weave.Evaluation` を使って評価を行うには、評価用データセット、スコアラー関数、そして `weave.Model` が必要です。ここでは、この 3 つの主要コンポーネントに関するいくつかの注意点を説明します。
-- 評価サンプルの辞書のキーが、スコアラー関数の引数および `weave.Model` の `predict` メソッドの引数と一致していることを確認してください。
-- `weave.Model` には、`predict`、`infer`、または `forward` という名前のメソッドが必要です。追跡のためにこのメソッドを `weave.op()` でデコレートしてください。
-- スコアラー関数は `weave.op()` でデコレートし、`output` を名前付き引数として持つ必要があります。
+* 評価サンプルの辞書型オブジェクトのキーが、スコアラー関数および `weave.Model` の `predict` メソッドの引数と一致するようにしてください。
+* `weave.Model` には、`predict`、`infer`、または `forward` という名前のメソッドが必要です。このメソッドをトレースするには、`weave.op()` でデコレートしてください。
+* スコアラー関数も `weave.op()` でデコレートし、`output` を名前付き引数として受け取る必要があります。
-[](https://wandb.ai/wandbot/llamaindex-weave/weave/calls?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fwandbot%2Fllamaindex-weave%2Fop%2FEvaluation.predict_and_score%3ANmwfShfFmgAhDGLXrF6Xn02T9MIAsCXBUcifCjyKpOM%22%5D%2C%22parentId%22%3A%2233491e66-b580-47fa-9d43-0cd6f1dc572a%22%7D&peekPath=%2Fwandbot%2Fllamaindex-weave%2Fcalls%2F33491e66-b580-47fa-9d43-0cd6f1dc572a%3Ftracetree%3D1)
+[](https://wandb.ai/wandbot/llamaindex-weave/weave/calls?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fwandbot%2Fllamaindex-weave%2Fop%2FEvaluation.predict_and_score%3ANmwfShfFmgAhDGLXrF6Xn02T9MIAsCXBUcifCjyKpOM%22%5D%2C%22parentId%22%3A%2233491e66-b580-47fa-9d43-0cd6f1dc572a%22%7D\&peekPath=%2Fwandbot%2Fllamaindex-weave%2Fcalls%2F33491e66-b580-47fa-9d43-0cd6f1dc572a%3Ftracetree%3D1)
-Weave を LlamaIndex と統合することで、LLM アプリケーションの包括的なログ記録と監視が保証され、評価を使用したデバッグとパフォーマンスの最適化が容易になります。
\ No newline at end of file
+Weave を LlamaIndex と統合することで、LLM アプリケーションを包括的にロギングおよびモニタリングでき、評価を用いたデバッグやパフォーマンス最適化を容易に行えます。
diff --git a/ja/weave/guides/integrations/local_models.mdx b/ja/weave/guides/integrations/local_models.mdx
index 9240da1cbd..9b933c73fc 100644
--- a/ja/weave/guides/integrations/local_models.mdx
+++ b/ja/weave/guides/integrations/local_models.mdx
@@ -1,32 +1,43 @@
-# Local Models
+---
+title: ローカルモデル
+---
-多くの開発者が Llama-3、Mixtral、Gemma、Phi などのオープンソースモデルをローカルでダウンロードして実行しています。これらのモデルをローカルで実行する方法は数多くありますが、Weave は OpenAI SDK 互換をサポートしているものであれば、そのうちのいくつかを標準でサポートしています。
+
+ # ローカルモデル
+
-## ローカルモデルの関数を `@weave.op()` でラップする
+多くの開発者は、LLama-3、Mixtral、Gemma、Phi などのオープンソースの モデル をダウンロードしてローカルで実行しています。これらの モデル をローカルで動かす方法はいくつかあり、OpenAI SDK との互換性がある限り、Weave はそのうちのいくつかをデフォルトでサポートしています。
-`weave.init('')` で Weave を初期化し、LLM への呼び出しを `weave.op()` でラップするだけで、任意の LLM を簡単に Weave と統合できます。詳細については、[トレーシング](/weave/guides/tracking/tracing) のガイドを参照してください。
+
+ ## ローカルモデル関数を `@weave.op()` でラップする
+
-## OpenAI SDK コードをローカルモデル用に更新する
+`weave.init('')` を使って Weave を初期化し、その後 LLM への呼び出しを `weave.op()` でラップするだけで、自分で任意の LLM を簡単に Weave と統合できます。詳細については、[tracing](/ja/weave/guides/tracking/tracing) ガイドを参照してください。
-OpenAI SDK 互換をサポートするすべてのフレームワークやサービスにおいて、いくつかの軽微な変更が必要になります。
+
+ ## OpenAI SDK のコードをローカル モデルで使うように更新する
+
-最も重要かつ最初に行うべきことは、`openai.OpenAI()` の初期化時における `base_url` の変更です。
+OpenAI SDK 互換のすべてのサービスやフレームワークでは、いくつかの小さな変更が必要です。
+
+まず何よりも重要なのは、`openai.OpenAI()` の初期化時に行う `base_url` の変更です。
```python lines
client = openai.OpenAI(
- # ベースURLをローカルサーバーのアドレスに変更します
base_url="http://localhost:1234",
)
```
-ローカルモデルの場合、`api_key` は任意の文字列を指定できますが、必ず上書きする必要があります。そうしないと、OpenAI SDK は環境変数からキーを取得しようとしてエラーを表示することがあります。
+ローカル モデルを使用する場合、`api_key` は任意の文字列で構いませんが、必ず上書きしておく必要があります。そうしないと、OpenAI が環境変数から `api_key` を取得しようとしてエラーを表示します。
-## OpenAI SDK をサポートするローカルモデルランナー
+
+ ## OpenAI SDK に対応した Local Model runners
+
-以下は、Hugging Face からモデルをダウンロードしてコンピュータ上で実行でき、OpenAI SDK 互換をサポートしているアプリのリストです。
+以下は、Hugging Face からモデルをダウンロードして自分のコンピュータ上で実行でき、OpenAI SDK との互換性を備えたアプリの一覧です。
-1. Nomic [GPT4All](https://www.nomic.ai/gpt4all) - 設定内の Local Server 経由でサポート ([FAQ](https://docs.gpt4all.io/gpt4all_help/faq.html))
-1. [LMStudio](https://lmstudio.ai/) - Local Server による OpenAI SDK サポート [ドキュメント](https://lmstudio.ai/docs/local-server)
-1. [Ollama](https://ollama.com/) - OpenAI SDK の [実験的サポート](https://github.com/ollama/ollama/blob/main/docs/openai.mdx)
-1. llama.cpp - [llama-cpp-python](https://llama-cpp-python.readthedocs.io/en/latest/server/) Python パッケージ経由
-1. [llamafile](https://github.com/Mozilla-Ocho/llamafile#other-example-llamafiles) - Llamafile 実行時に `http://localhost:8080/v1` で自動的に OpenAI SDK をサポート
\ No newline at end of file
+1. Nomic [GPT4All](https://www.nomic.ai/gpt4all) - 設定の Local Server 経由でサポート ([FAQ](https://docs.gpt4all.io/gpt4all_help/faq.html))
+2. [LMStudio](https://lmstudio.ai/) - Local Server による OpenAI SDK サポート [docs](https://lmstudio.ai/docs/developer/core/server)
+3. [Ollama](https://ollama.com/) - OpenAI SDK 向けの [OpenAI 互換性](https://ollama.readthedocs.io/en/openai/)
+4. llama.cpp ([llama-cpp-python](https://llama-cpp-python.readthedocs.io/en/latest/server/) Python パッケージ経由)
+5. [llamafile](https://github.com/Mozilla-Ocho/llamafile#other-example-llamafiles) - `http://localhost:8080/v1` は Llamafile の run で自動的に OpenAI SDK をサポートします
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/mcp.mdx b/ja/weave/guides/integrations/mcp.mdx
index 0b8401950f..dfdc065208 100644
--- a/ja/weave/guides/integrations/mcp.mdx
+++ b/ja/weave/guides/integrations/mcp.mdx
@@ -1,54 +1,64 @@
---
-title: Model Context Protocol (MCP) と Weave
-description: Weave を使用して、MCP クライアントと MCP サーバー間のアクティビティをトレースする
+title: "Model Context Protocol (MCP) と Weave"
+description: "Weave を使って MCP クライアントと MCP サーバー間のアクティビティをトレースする"
---
-
-
+
-Model Context Protocol (MCP) は、AI アプリケーションが大規模言語モデル (LLM) と情報を交換できるようにするための標準化された通信プロトコルです。ハードウェアの互換性を変革したユニバーサルコネクタと同様に、MCP は LLM が様々なデータソースにアクセスし、外部ツールと対話するためのインターフェースを提供します。これにより、新しいサービスごとにカスタムインテグレーションを作成する必要がなくなります。
+Model Context Protocol (MCP) は、AI アプリケーションが大規模言語モデル (LLM) と情報をやり取りできるようにする標準化された通信プロトコルです。ハードウェア互換性を一変させた汎用コネクタと同様に、MCP は LLM がさまざまなデータソースにアクセスし、外部ツールと対話するためのインターフェースを提供し、新しいサービスごとにカスタムのインテグレーションを用意する必要をなくします。
-Weave インテグレーションを使用すると、MCP クライアントと MCP サーバー間のアクティビティをトレースできます。これにより、MCP ベースのシステム全体におけるツールの呼び出し、リソースへのアクセス、プロンプトの生成を詳細に可視化できます。
+Weave のインテグレーションを使うと、MCP クライアントと MCP サーバー間のアクティビティをトレースできます。これにより、MCP ベースのシステム全体にわたるツール呼び出し、リソースアクセス、プロンプト生成を詳細に把握できます。
-## 仕組み
+
+ ## 仕組み
+
-現在、このインテグレーションではクライアント側とサーバー側の操作を個別にキャプチャしますが、それらの相互作用をエンドツーエンドで可視化することはできません。エンドツーエンドの観測可能性を実現するために、MCP に OpenTelemetry トレースのサポートを追加する提案が進行中です。詳細については、[GitHub discussion #269](https://github.com/modelcontextprotocol/modelcontextprotocol/discussions/269) を参照してください。
+現在、このインテグレーションはクライアント側とサーバー側の処理をそれぞれ個別にキャプチャしますが、それらの相互作用をエンドツーエンドで可視化することはできません。エンドツーエンドのオブザーバビリティを実現するため、MCP に OpenTelemetry trace のサポートを追加する提案が進行中です。詳細は [GitHub discussion #269](https://github.com/modelcontextprotocol/modelcontextprotocol/discussions/269) を参照してください。
-Weave インテグレーションは、コアメソッドを [`weave.op()`](../tracking/ops) デコレータでパッチすることにより、Model Context Protocol (MCP) の主要コンポーネントを自動的にトレースします。具体的には、[`mcp.server.fastmcp.FastMCP`](https://github.com/modelcontextprotocol/python-sdk/blob/b4c7db6a50a5c88bae1db5c1f7fba44d16eebc6e/src/mcp/server/fastmcp/server.py#L109) および [`mcp.ClientSession`](https://github.com/modelcontextprotocol/python-sdk/blob/b4c7db6a50a5c88bae1db5c1f7fba44d16eebc6e/src/mcp/client/session.py#L84) クラスのメソッドをパッチします。
+Weave インテグレーションは、[`weave.op()`](../tracking/ops) デコレーターでコアメソッドをパッチすることで、Model Context Protocol (MCP) の主要コンポーネントを自動的にトレースします。具体的には、[`mcp.server.fastmcp.FastMCP`](https://github.com/modelcontextprotocol/python-sdk/blob/b4c7db6a50a5c88bae1db5c1f7fba44d16eebc6e/src/mcp/server/fastmcp/server.py#L109) クラスと [`mcp.ClientSession`](https://github.com/modelcontextprotocol/python-sdk/blob/b4c7db6a50a5c88bae1db5c1f7fba44d16eebc6e/src/mcp/client/session.py#L84) クラスのメソッドをパッチします。
-このインテグレーションを通じて、Weave は以下の MCP コンポーネントをトレースします：
+このインテグレーションを通じて、Weave は次の MCP コンポーネントをトレースします：
-- [Tools](https://modelcontextprotocol.io/docs/concepts/tools)
-- [Resources](https://modelcontextprotocol.io/docs/concepts/resources)
-- [Prompts](https://modelcontextprotocol.io/docs/concepts/prompts)
+- [Tools](https://modelcontextprotocol.io/specification/2025-06-18/server/tools)
+- [Resources](https://modelcontextprotocol.io/specification/2025-06-18/server/resources)
+- [Prompts](https://modelcontextprotocol.io/specification/2025-06-18/server/prompts)
[](https://wandb.ai/ayut/mcp_example/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fmcp_example%2Fop%2Frun_client%3A*%22%5D%7D&peekPath=%2Fayut%2Fmcp_example%2Fcalls%2F01966bbe-cc5e-7012-b45f-bf10617d8c1e%3FhideTraceTree%3D0)
+
+ ## インテグレーションを使用する
+
-## インテグレーションの使用方法
+Weave インテグレーションは MCP サーバーとクライアントの両方で動作します。インストール後は、`weave` をインポートする行と初期化する行の 2 行のコードを追加するだけで、トレーシングを有効にできます。
-Weave インテグレーションは MCP のサーバーとクライアントの両方で動作します。インストール後、`weave` をインポートし、初期化するだけのわずか 2 行のコードを追加するだけでトレースを有効にできます。
+
+ ### 前提条件
+
-### 事前準備
-
-開始する前に、必要なパッケージをインストールしてください：
+作業を始める前に、必要なパッケージをインストールしてください。
```bash
pip install -qq "mcp[cli]" weave
```
-### 設定
-MCP インテグレーションは環境変数を通じて設定できます：
+
+ ### 設定
+
+
+MCP インテグレーションは環境変数によって設定できます：
-- `MCP_TRACE_LIST_OPERATIONS`: `true` に設定すると、サーバー側とクライアント側の両方でリスト操作（`list_tools`、`list_resources`、`list_prompts`）をトレースします。
+- `MCP_TRACE_LIST_OPERATIONS`: `true` に設定すると、サーバー側とクライアント側の両方で、リスト操作（`list_tools`、`list_resources`、`list_prompts`）がトレースされます。
-### サーバー側のインテグレーション
+
+ ### サーバーサイド インテグレーション
+
-MCP サーバーをトレースするには、既存の `FastMCP` セットアップに 2 行追加します。1 つは Weave のインポート、もう 1 つはクライアントの初期化です。これらを追加すると、ツール、リソース、プロンプトの操作が自動的にトレースされます。
+MCP サーバーをトレースするには、既存の `FastMCP` セットアップに 2 行追加します。1 行は Weave をインポートするため、もう 1 行はクライアントを初期化するためです。これらを追加すると、tool、resource、prompt の各操作が自動的にトレースされます。
```python lines
# Weave をインポート（トレースに必要）
@@ -83,9 +93,12 @@ def review_code(code: str) -> str:
mcp.run(transport="stdio")
```
-### クライアント側のインテグレーション
-クライアント側でも、トレースには 2 つの変更（Weave のインポートと初期化）が必要なだけです。すべてのツールの呼び出し、リソースへのアクセス、プロンプトのリクエストが自動的にトレースされます。
+
+ ### クライアント側でのインテグレーション
+
+
+クライアント側では、トレースに必要な変更は 2 つだけです。Weave をインポートし、初期化します。ツールの呼び出しやリソースへのアクセス、プロンプトリクエストはすべて自動的にトレースされます。
```python lines
# Weave をインポート（トレースに必要）
@@ -93,116 +106,129 @@ import weave
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave_client = weave.init("my-project")
-# MCP クライアントをセットアップして実行
+# MCP クライアントをセットアップして実行する
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
- # セッションを初期化
+ # セッションを初期化する
await session.initialize()
- # ツールを呼び出す（これはトレースされます）
+ # ツールを呼び出す（トレースされる）
result = await session.call_tool("add", arguments={"a": 1, "b": 2})
- # リソースを読み込む（これはトレースされます）
+ # リソースを読み取る（トレースされる）
resource = await session.read_resource("greeting://user")
- # プロンプトを取得する（これはトレースされます）
+ # プロンプトを取得する（トレースされる）
prompt = await session.get_prompt("review_code", arguments={"code": "print('Hello')"})
```
-## チュートリアル: `mcp_demo` の例
-[`mcp_example`](https://github.com/wandb/docs/tree/main/weave/examples/mcp_demo) は、トレースのための Model Context Protocol (MCP) と Weave のインテグレーションを示しています。クライアントとサーバーの両方のコンポーネントを計測して、それらの相互作用の詳細なトレースをキャプチャする方法を紹介します。
+
+ ## チュートリアル: `mcp_demo` の例
+
+
+`mcp_demo` の例では、Model Context Protocol (MCP) と Weave を連携させてトレーシングを行うインテグレーションを紹介します。クライアントとサーバー双方のコンポーネントにインストルメンテーションを追加し、相互作用を詳細なトレースとして取得する方法を示します。
-### サンプルの実行
+
+ ### サンプルを実行する
+
-1. `weave` リポジトリをクローンし、`mcp_demo` サンプルに移動します。
+1. docs リポジトリをクローンし、`mcp_demo` サンプルディレクトリに移動します:
```bash
- git clone https://github.com/wandb/weave
- cd weave/examples/mcp_demo
+ git clone https://github.com/wandb/docs
+ cd docs/weave/examples/mcp_demo
```
- このサンプルには 2 つの主要なファイルが含まれています。
+ このサンプルには 2 つの主要なファイルが含まれています:
- - `example_server.py`: `FastMCP` で構築されたデモ MCP サーバー。ツール、リソース、プロンプトを定義しています。
- - `example_client.py`: サーバーに接続し、そのコンポーネントと対話するクライアント。
+ - `example_server.py`: `FastMCP` で構築された MCP サーバーのデモです。ツール、リソース、プロンプトを定義します。
+ - `example_client.py`: サーバーに接続し、そのコンポーネントと対話するクライアントです。
-2. 必要な依存関係を手動でインストールします。
+2. 必要な依存パッケージを手動でインストールします:
```bash
pip install mcp[cli] weave
```
-3. デモを実行します。
+3. デモを実行します:
```bash
python example_client.py example_server.py
```
- このコマンドはクライアントとサーバーの両方を起動します。クライアントは、様々な機能をテストできるインタラクティブな CLI を開始します。
+ このコマンドはクライアントとサーバーの両方を起動します。クライアントでは対話型 CLI が開始され、さまざまな機能をテストできます。
-### クライアント CLI コマンド
+
+ ### クライアント CLI コマンド
+
-クライアントインターフェースは以下のコマンドをサポートしています。
+クライアント インターフェースは、次のコマンドをサポートしています。
-| コマンド | 説明 |
-| :--- | :--- |
-| `tools` | 利用可能なツールを一覧表示 |
-| `resources` | 利用可能なリソースを一覧表示 |
-| `prompts` | 利用可能なプロンプトを一覧表示 |
-| `add ` | 2つの数値を加算 |
-| `bmi ` | BMI を計算 |
-| `weather ` | 都市の気象データを取得 |
-| `greeting ` | パーソナライズされた挨拶を取得 |
-| `user ` | ユーザープロフィールを取得 |
-| `config` | アプリの設定を取得 |
-| `code-review ` | コードレビューのプロンプトを生成 |
-| `debug ` | デバッグ用のプロンプトを生成 |
-| `demo` | 利用可能なすべての機能のフルデモを実行します。各機能を順番に実行し、Weave UI にインタラクションの全トレースタイムラインを生成します。 |
-| `q` | セッションを終了 |
+| Command | Description |
+|-----------------------|-----------------------------------------|
+| `tools` | 利用可能なツールを一覧表示する |
+| `resources` | 利用可能なリソースを一覧表示する |
+| `prompts` | 利用可能なプロンプトを一覧表示する |
+| `add ` | 2 つの数値を加算する |
+| `bmi ` | BMI（ボディマス指数）を計算する |
+| `weather ` | 指定した都市の天気データを取得する |
+| `greeting ` | パーソナライズされた挨拶を取得する |
+| `user ` | ユーザー プロファイルを取得する |
+| `config` | アプリケーション 設定を取得する |
+| `code-review ` | コードレビュー用のプロンプトを生成する |
+| `debug ` | デバッグ用のプロンプトを生成する |
+| `demo` | 利用可能なすべての機能を順に実行するデモを実行する。各機能を順次実行し、Weave UI でインタラクションの完全なトレースタイムラインを生成する。 |
+| `q` | セッションを終了する |
-### サンプルの理解
+
+ ### この例について
+
-`example_server.py` サーバーは以下を定義しています：
+`example_server.py` サーバーは次の内容を定義します:
-- _ツール_: `add()`、`calculate_bmi()`、`fetch_weather()` などの関数
-- _リソース_: `greeting://{name}`、`config://app`、`users://{id}/profile` などのエンドポイント
-- _プロンプト_: `review_code()` や `debug_error()` などのテンプレート
+- _Tools_：`add()`, `calculate_bmi()`, `fetch_weather()` のような関数
+- _Resources_：`greeting://{name}`、`config://app`、`users://{id}/profile` のようなエンドポイント
+- _Prompts_：`review_code()` や `debug_error()` のようなテンプレート
-`weave.init()` でクライアントを初期化すると、すべてのサーバー側の操作が Weave によって自動的にトレースされます。
+クライアントを `weave.init()` で初期化すると、すべてのサーバー側の処理が自動的に Weave によってトレースされます。
-`example_client.py` クライアントは以下の方法を示しています：
+`example_client.py` クライアントは、次のことをどのように行うかを示しています:
-- MCP サーバーへの接続
-- 利用可能なツール、リソース、プロンプトの検出
-- パラメータを指定したツールの呼び出し
-- リソース URI からの読み取り
-- 引数を指定したプロンプトの生成
-- カスタムメソッド/関数での [`weave.op()`](../tracking/ops) の使用
+- MCP サーバーに接続する
+- 利用可能な tools、resources、prompts を検出する
+- パラメーター付きで tools を呼び出す
+- resource の URI から読み取る
+- 引数付きで prompts を生成する
+- カスタムメソッド／関数で [`weave.op()`](../tracking/ops) を使用する方法を示す
-Weave はすべてのクライアント側の呼び出しをトレースし、クライアントとサーバー間のインタラクションの完全なビューを提供します。
+Weave はすべてのクライアント側呼び出しをトレースし、クライアントとサーバー間のやり取りを完全に把握できるようにします。
-## FAQ
+
+ ## よくある質問
+
-### なぜ MCP トレースが必要なのですか？
+
+ ### なぜ MCP トレースが必要なのですか？
+
-LLM アプリケーションの開発者は、通常以下の 3 つのカテゴリのいずれかに当てはまります：
+LLM アプリケーション開発者として、あなたは次の 3 つのカテゴリのいずれかに属します。
-- _MCP サーバーサイド開発者_: 複数のツール、リソース、プロンプトを MCP クライアントに公開したい。既存のアプリケーションのツールやリソースなどを公開する場合や、エージェントを構築したり、オーケストレーターエージェントによって複数のエージェントをオーケストレーションしたりする場合。
+- _MCP サーバーサイド開発者_: 複数のツール、リソース、プロンプトを MCP クライアントに公開したいと考えています。既存アプリケーションのツールやリソースなどを公開しているか、エージェントを構築している、あるいはオーケストレーターエージェントによって複数のエージェントをオーケストレーションしています。
-- _MCP クライアントサイド開発者_: クライアントサイドのアプリケーションを複数の MCP サーバーに接続したい。クライアントサイドのロジックの核となる部分は、どのツールを呼び出すか、どのリソースを取得するかを決定するために LLM を呼び出すことです。
+- _MCP クライアントサイド開発者_: クライアントサイドアプリケーションを複数の MCP サーバーに接続したいと考えています。クライアントサイドロジックの中核は、どのツールを呼び出すか、どのリソースを取得するかを決定するための LLM 呼び出しです。
-- _MCP サーバーおよびクライアント開発者_: サーバーとクライアントの両方を開発している。
+- _MCP サーバー兼クライアント開発者_: サーバーとクライアントの両方を開発しています。
-最初の 2 つのカテゴリのいずれかに当てはまる場合、各ツールがいつ呼び出されたか、実行フローはどのようになっているか、トークン数、およびサーバーまたはクライアント側のロジックにおける各コンポーネントのレイテンシを知りたいはずです。
+最初の 2 つのカテゴリのいずれかに当てはまる場合、各ツールがいつ呼び出されたか、その実行フローがどうなっているか、サーバーまたはクライアントサイドロジック内の各コンポーネントごとのトークン数やレイテンシを把握したいと考えるはずです。
-サーバーとクライアントの両方を開発している場合は、統合されたトレースタイムラインを表示できることで、サーバー側とクライアント側の両方のロジックを迅速に反復（イテレーション）できます。
+サーバーとクライアントの両方を開発している場合は、統一されたトレースタイムラインを確認できることで、サーバーおよびクライアントサイドロジックの両方を素早く反復改善できます。
-いずれの場合も、観測可能性レイヤーを使用することで以下のことが可能になります：
+いずれの場合でも、オブザーバビリティ レイヤーがあることで次のことが可能になります。
-- アプリケーションの迅速な反復開発
-- ワークフローや実行ロジックの監査
-- ボトルネックの特定
\ No newline at end of file
+- アプリケーションを素早く反復改善する
+- ワークフローや実行ロジックを監査する
+- ボトルネックを特定する
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/mistral.mdx b/ja/weave/guides/integrations/mistral.mdx
index 9f54670bb3..8c6abc09f5 100644
--- a/ja/weave/guides/integrations/mistral.mdx
+++ b/ja/weave/guides/integrations/mistral.mdx
@@ -1,28 +1,29 @@
---
title: MistralAI
-description: Weave の自動トレーシング機能を使用して、MistralAI モデルの呼び出しを追跡・監視します。オープンウェイトモデルや商用 Mistral
- モデルにおけるチャット補完、関数呼び出し、および モデル とのインタラクションをキャプチャします。
+description: "Weave の自動トレース機能により、オープンウェイト版および商用版の Mistral モデルに対するチャット補完、関数呼び出し、モデルとのやり取りを含む MistralAI モデル呼び出しを追跡および監視します。"
---
-
-
+
-Weave は、 [MistralAI Python library](https://github.com/mistralai/client-python) を介して行われる LLM コールを自動的に追跡し、ログを記録します。
+Weave は、[MistralAI Python library](https://github.com/mistralai/client-python) を介して行われる LLM 呼び出しを自動的に追跡しログに記録します。
-> 新しい Mistral v1.0 SDK をサポートしています。移行ガイドについては [こちら](https://github.com/mistralai/client-python/blob/main/MIGRATION.mdx) をご確認ください。
+> 新しい Mistral v1.0 SDK をサポートしています。マイグレーションガイドは [こちら](https://github.com/mistralai/client-python/blob/main/MIGRATION.md) を参照してください。
-## トレース
+
+ ## トレース
+
-開発中および プロダクション の両方において、 LLM アプリケーション の トレース を中央データベースに保存することは重要です。これらの トレース はデバッグに使用されるだけでなく、 アプリケーション を改善するための データセット としても役立ちます。
+LLM アプリケーションのトレースを、開発中と本番環境の両方で集中管理されたデータベースに保存しておくことは重要です。これらのトレースはデバッグに使用するほか、アプリケーションを改善するのに役立つデータセットとしても利用します。
-Weave は [mistralai](https://github.com/mistralai/client-python) の トレース を自動的にキャプチャします。ライブラリを通常通り使用し、まず `weave.init()` を呼び出すだけで開始できます。
+Weave は [mistralai](https://github.com/mistralai/client-python) のトレースを自動的に記録します。ライブラリは通常どおり使用でき、まずは `weave.init()` を呼び出すところから始めます。
```python lines
import weave
weave.init("cheese_recommender")
-# その後、通常通り mistralai ライブラリを使用します
+# 通常通り mistralai ライブラリを使用する
import os
from mistralai import Mistral
@@ -44,18 +45,20 @@ chat_response = client.chat.complete(
)
```
-これで、 Weave は MistralAI ライブラリを通じて行われるすべての LLM コールを追跡し、 ログ を記録します。 Weave のウェブインターフェースで トレース を確認できます。
+これで Weave は、MistralAI ライブラリを通じて行われるすべての LLM コールを追跡してログに記録します。Weave の Web インターフェースでトレースを確認できます。
-[](https://wandb.ai/capecape/mistralai_project/weave/calls)
+[](https://wandb.ai/capecape/mistralai_project/weave/calls)
-## 独自の op でラップする
+
+ ## 独自の op でラップする
+
-Weave の op は、 実験 中の コード を自動的に バージョン管理 することで 結果 の *再現性* を高め、入力と出力をキャプチャします。 [`@weave.op()`](/weave/guides/tracking/ops) デコレータを付けた関数を作成し、その中で [`mistralai.client.MistralClient.chat()`](https://docs.mistral.ai/capabilities/completion/) を呼び出すだけで、 Weave が自動的に入力と出力を追跡します。チーズレコメンダーでこれをどのように行うか見てみましょう。
+Weave の op は、実験中のコードに自動的にバージョン管理を行い、入力と出力を記録することで、結果を *再現可能* にします。[`@weave.op()`](/ja/weave/guides/tracking/ops) を付与した関数を作成し、その中で [`mistralai.client.MistralClient.chat()`](https://docs.mistral.ai/capabilities/completion) を呼び出すだけで、Weave が入力と出力を追跡してくれます。チーズレコメンダーでこれをどのように行うか見てみましょう。
```python lines {1}
@weave.op()
def cheese_recommender(region:str, model:str) -> str:
- "指定された地域の最高のチーズを推薦する"
+ "Recommend the best cheese in a given region"
messages = [
{
@@ -75,15 +78,17 @@ cheese_recommender(region="Spain", model="mistral-large-latest")
cheese_recommender(region="Netherlands", model="mistral-large-latest")
```
-[](https://wandb.ai/capecape/mistralai_project/weave/calls)
+[](https://wandb.ai/capecape/mistralai_project/weave/calls)
-## より簡単な実験のために `Model` を作成する
+
+ ## `Model` を作成して実験をしやすくする
+
-多くの可動パーツがある場合、 実験 を整理するのは困難です。 [`Model`](/weave/guides/core-types/models) クラスを使用すると、システムプロンプトや使用している モデル など、 アプリケーション の 実験 詳細をキャプチャして整理できます。これにより、 アプリケーション の異なる反復の整理と比較が容易になります。
+多くの要素が関わると、実験を整理するのは難しくなります。[`Model`](/ja/weave/guides/core-types/models) クラスを使うと、システムプロンプトや使用しているモデルなど、アプリの実験に関する詳細を記録して整理できます。これにより、アプリのさまざまなバージョンを整理して比較しやすくなります。
-コード の バージョン管理 や入出力のキャプチャに加えて、 [`Model`](/weave/guides/core-types/models) は アプリケーション の 振る舞い を制御する構造化された パラメータ をキャプチャするため、どの パラメータ が最適であったかを簡単に見つけることができます。また、 Weave の Models は `serve` や [`Evaluation`](/weave/guides/core-types/evaluations) と併用することもできます。
+コードのバージョン管理や入出力の記録に加えて、[`Model`](/ja/weave/guides/core-types/models) はアプリケーションの挙動を制御する構造化されたパラメーターも記録するため、どのパラメーター構成が最も良かったかを簡単に見つけられます。また、Weave Models を `serve` や [`Evaluation`](/ja/weave/guides/core-types/evaluations) と組み合わせて使用することもできます。
-以下の例では、 `model` や `country` を使って 実験 できます。これらを変更するたびに、 `CheeseRecommender` の新しい *バージョン* が作成されます。
+以下の例では、`model` と `country` を変えて実験できます。これらのいずれかを変更するたびに、`CheeseRecommender` の新しい *version* が作成されます。
```python lines
import weave
@@ -97,7 +102,7 @@ class CheeseRecommender(weave.Model): # `weave.Model` に変更
@weave.op()
def predict(self, region:str) -> str: # `predict` に変更
- "指定された地域の最高のチーズを推薦する"
+ "指定された地域で最高のチーズを推薦する"
client = Mistral(api_key=api_key)
@@ -123,4 +128,4 @@ result = cheese_model.predict(region="France")
print(result)
```
-[](https://wandb.ai/capecape/mistralai_project/weave/models)
\ No newline at end of file
+[](https://wandb.ai/capecape/mistralai_project/weave/models)
diff --git a/ja/weave/guides/integrations/notdiamond.mdx b/ja/weave/guides/integrations/notdiamond.mdx
index 519a49c2a0..e45c126c3a 100644
--- a/ja/weave/guides/integrations/notdiamond.mdx
+++ b/ja/weave/guides/integrations/notdiamond.mdx
@@ -1,31 +1,36 @@
---
-title: Not Diamond ¬◇
-description: Not Diamond を使用して、精度を最大限に高めつつコストを節約しながら、ニーズに合った適切な モデル へプロンプトをルーティングします
+title: "Not Diamond ¬◇"
+description: "Not Diamond を使用して、ニーズに最適なモデルへプロンプトをルーティングしつつ、精度を最大化しコストを削減します"
---
-複雑な LLM ワークフローを構築する際、ユーザーは精度、コスト、または呼び出しのレイテンシに応じて異なるモデルにプロンプトを送信する必要がある場合があります。 [Not Diamond][nd] を使用すると、これらのワークフロー内のプロンプトをニーズに合った適切なモデルにルーティングでき、モデルコストを抑えながら精度を最大化できます。
+複雑な LLM ワークフローを構築する際、ユーザーは精度、コスト、または呼び出しレイテンシーに応じて異なるモデルにプロンプトを送る必要が生じる場合があります。[Not Diamond][nd] を使用すると、これらのワークフロー内のプロンプトをニーズに合った適切なモデルへルーティングでき、精度を最大化しつつモデルコストを削減できます。
-## クイックスタート
+
+ ## はじめに
+
-[アカウントを作成][account] し、 [APIキーを生成][keys] していることを確認してください。その後、環境変数 `NOTDIAMOND_API_KEY` として API キーを追加します。
+[アカウントを作成][account]し、[API キーを発行][keys]したうえで、API キーを `NOTDIAMOND_API_KEY` という名前で環境変数に追加してください。
-]
+
-ここから、以下のことが行えます。
+ここからは次のことができます。
-- [クイックスタートガイド] を試す
-- W&B Weave と Not Diamond を使用して [カスタムルーターを構築する][custom router]
-- [Not Diamond とチャット][chat] してルーティングの動作を確認する
+- [クイックスタートガイド][quickstart guide]を試す
+- W&B Weave と Not Diamond を使って [カスタムルーターを構築][custom router]する
+- [Not Diamond とチャット][chat]してルーティングの動作を確認する
-## トレース
+
+ ## トレース
+
-Weave は [Not Diamond の Python ライブラリ][python] と連携し、 [自動的に API 呼び出しをログに記録][ops] します。ワークフローの開始時に `weave.init()` を実行するだけで、あとは通常通りルーティングされたプロバイダーを使用できます。
+Weave は [Not Diamond's Python library][python] と統合されており、[API 呼び出しを自動的に記録][ops] します。
+ワークフローの最初に `weave.init()` を 1 回実行し、あとは通常どおりルーティングされた
+プロバイダーを使い続けるだけです。
```python lines
from notdiamond import NotDiamond
import weave
-# Weaveを初期化
weave.init('notdiamond-quickstart')
client = NotDiamond()
@@ -37,21 +42,23 @@ session_id, provider = client.chat.completions.model_select(
model=['openai/gpt-4o', 'anthropic/claude-3-5-sonnet-20240620']
)
-print("LLM called: ", provider.provider) # openai, anthropic など
-print("Provider model: ", provider.model) # gpt-4o, claude-3-5-sonnet-20240620 など
+print("LLM called: ", provider.provider) # openai、anthropic など
+print("Provider model: ", provider.model) # gpt-4o、claude-3-5-sonnet-20240620 など
```
-## カスタムルーティング
+
+ ## カスタムルーティング
+
-また、 [Evaluations][evals] に基づいて独自の [カスタムルーター][custom router] をトレーニングすることもできます。これにより、特定の use case における評価パフォーマンスに従って Not Diamond がプロンプトをルーティングできるようになります。
+また、[Evaluations][evals] 上で独自の [custom router] をトレーニングし、特定のユースケース向けに評価結果に応じて Not Diamond がプロンプトをルーティングできるようにすることもできます。
-まず、カスタムルーターをトレーニングします。
+まずはカスタムルーターをトレーニングします：
```python lines
from weave.flow.eval import EvaluationResults
from weave.integrations.notdiamond.custom_router import train_router
-# gpt-4o と Claude 3.5 Sonnet で Evaluation を構築
+# gpt-4o と Claude 3.5 Sonnet で Evaluation を構築する
evaluation = weave.Evaluation(...)
gpt_4o = weave.Model(...)
sonnet = weave.Model(...)
@@ -69,7 +76,7 @@ preference_id = train_router(
)
```
-この preference ID を `model_select` リクエストで再利用することで、評価データに基づいてパフォーマンスを最大化し、コストを最小限に抑えるようにプロンプトをルーティングできます。
+この preference ID を任意の `model_select` リクエストで再利用すると、評価データに対してパフォーマンスを最大化しつつコストを最小化するようにプロンプトをルーティングできます。
```python lines
from notdiamond import NotDiamond
@@ -85,7 +92,7 @@ session_id, provider = client.chat.completions.model_select(
],
model=['openai/gpt-4o', 'anthropic/claude-3-5-sonnet-20240620'],
- # この preference ID を渡すことでカスタムルーターを再利用します
+ # この preference ID を渡すことでカスタムルーターを再利用する
preference_id=preference_id
)
@@ -93,18 +100,30 @@ print("LLM called: ", provider.provider) # openai, anthropic など
print("Provider model: ", provider.model) # gpt-4o, claude-3-5-sonnet-20240620 など
```
-## 追加のサポート
+
+ ## 追加サポート
+
-さらなるサポートについては、 [ドキュメント][docs] を参照するか、 [メッセージを送信][support] してください。
+さらなるサポートが必要な場合は、[docs] を参照するか、[support] までご連絡ください。
[account]: https://app.notdiamond.ai
+
[chat]: https://chat.notdiamond.ai
+
[custom router]: https://docs.notdiamond.ai/docs/router-training-quickstart
+
[docs]: https://docs.notdiamond.ai
+
[evals]: /weave/guides/core-types/evaluations
+
[keys]: https://app.notdiamond.ai/keys
+
[nd]: https://www.notdiamond.ai/
+
[ops]: /weave/guides/tracking/ops
+
[python]: https://github.com/Not-Diamond/notdiamond-python
+
[quickstart guide]: https://docs.notdiamond.ai/docs/quickstart-routing
+
[support]: mailto:support@notdiamond.ai
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/nvidia_nim.mdx b/ja/weave/guides/integrations/nvidia_nim.mdx
index a349647efb..18ae79273a 100644
--- a/ja/weave/guides/integrations/nvidia_nim.mdx
+++ b/ja/weave/guides/integrations/nvidia_nim.mdx
@@ -1,23 +1,25 @@
---
-title: NVIDIA NIM
-description: Weave を使用して、ChatNVIDIA ライブラリ経由で行われる LLM コールのトレースと ログ 記録を行います。
+title: "NVIDIA NIM"
+description: "Weave を使用して ChatNVIDIA ライブラリ経由で行われる LLM 呼び出しをトレースおよびログに記録する"
---
-Weave は、`weave.init()` を呼び出した後、[ChatNVIDIA](https://python.langchain.com/docs/integrations/chat/nvidia_ai_endpoints/) ライブラリを介して行われた LLM 呼び出しを自動的に追跡し、ログを記録します。
+Weave は、`weave.init()` が呼び出された後、[ChatNVIDIA](https://python.langchain.com/docs/integrations/chat/nvidia_ai_endpoints/) ライブラリ経由で行われる LLM 呼び出しを自動的にトレースし、ログに記録します。
-最新のチュートリアルについては、[Weights & Biases on NVIDIA](https://wandb.ai/site/partners/nvidia) をご覧ください。
+ 最新のチュートリアルは、[Weights & Biases on NVIDIA](https://wandb.ai/site/partners/nvidia) を参照してください。
-## Tracing
+
+ ## トレース
+
-開発中および Production (プロダクション) の両方において、LLM アプリケーションの Traces を中央データベースに保存することは重要です。これらの Traces はデバッグに使用したり、アプリケーションを改善しながら評価するための、トリッキーな例を含んだ Datasets を構築するのに役立ちます。
+開発中および本番環境の両方で、LLM アプリケーションのトレースを中央集約されたデータベースに保存しておくことが重要です。これらのトレースはデバッグに利用できるほか、アプリケーションを改善する際に評価に使うための難しい例のデータセットを構築するのにも役立ちます。
- Weave は [ChatNVIDIA python library](https://python.langchain.com/docs/integrations/chat/nvidia_ai_endpoints/) の Traces を自動的にキャプチャできます。
+ Weave は [ChatNVIDIA Python ライブラリ](https://python.langchain.com/docs/integrations/chat/nvidia_ai_endpoints/) のトレースを自動的にキャプチャできます。
- 任意のプロジェクト名を指定して `weave.init()` を呼び出すことで、キャプチャを開始します。
+ 任意のプロジェクト名を指定して `weave.init()` を呼び出し、キャプチャを開始します。
```python lines {4}
from langchain_nvidia_ai_endpoints import ChatNVIDIA
@@ -33,41 +35,43 @@ Weave は、`weave.init()` を呼び出した後、[ChatNVIDIA](https://python.l
response = client.invoke(messages)
```
-
+
- ```plaintext
- このライブラリは Python 版のみのため、TypeScript ではまだこの機能を利用できません。
- ```
+ ```plaintext
+ この機能は、このライブラリが Python のみで提供されているため、現時点では TypeScript では利用できません。
+ ```
+ ## 自分の op をトラッキングする
+
-関数を `@weave.op` でラップすると、入力、出力、およびアプリケーションロジックのキャプチャが開始され、データがアプリ内をどのように流れるかをデバッグできるようになります。ops は深くネストさせることができ、追跡したい関数の ツリー を構築できます。これにより、実験中に git にコミットされていないアドホックな詳細をキャプチャするために、コード の バージョン管理 も自動的に開始されます。
+ `@weave.op` で関数をラップすると、入力・出力・アプリ ロジックの記録が始まり、アプリ内でデータがどのように流れているかをデバッグできるようになります。op を深くネストして、トラッキングしたい関数のツリーを構築できます。また、git にコミットしていないアドホックな変更も含めて、実験中のコードのバージョン管理が自動的に行われます。
-単に [`@weave.op`](/weave/guides/tracking/ops) デコレータを付けた関数を作成し、その中で [ChatNVIDIA python library](https://python.langchain.com/docs/integrations/chat/nvidia_ai_endpoints/) を呼び出すだけです。
+ [`@weave.op`](/ja/weave/guides/tracking/ops) でデコレートされた関数を作成し、その中から [ChatNVIDIA Python ライブラリ](https://python.langchain.com/docs/integrations/chat/nvidia_ai_endpoints/) を呼び出すだけです。
-以下の例では、2つの関数を op でラップしています。これにより、RAG アプリにおける検索ステップのような中間ステップが、アプリの 振る舞い にどのように影響しているかを確認できます。
+ 以下の例では、op でラップされた関数が 2 つあります。これにより、RAG アプリの取得ステップのような中間ステップが、アプリの挙動にどのように影響しているかを確認できます。
```python lines {1,9,11,29,31,33}
import weave
from langchain_nvidia_ai_endpoints import ChatNVIDIA
import requests, random
- PROMPT="""初期のポケモンの図鑑をエミュレートしてください。ポケモンの名前を述べ、その後に説明を加えてください。
- トーンは情報提供でありながら、少し生意気で、事実に基づいた詳細にドライなユーモアを交えてください。3文以内で簡潔に。"""
- POKEMON = ['pikachu', 'charmander', 'squirtle', 'bulbasaur', 'jigpuff', 'meowth', 'eevee']
+ PROMPT="""Emulate the Pokedex from early Pokémon episodes. State the name of the Pokemon and then describe it.
+ Your tone is informative yet sassy, blending factual details with a touch of dry humor. Be concise, no more than 3 sentences. """
+ POKEMON = ['pikachu', 'charmander', 'squirtle', 'bulbasaur', 'jigglypuff', 'meowth', 'eevee']
client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0.7, max_tokens=100, top_p=1)
@weave.op
def get_pokemon_data(pokemon_name):
- # これは RAG アプリ内の検索ステップのような、アプリケーション内のステップです
+ # これはアプリケーション内の 1 ステップであり、RAG アプリ内の取得ステップのようなものです
url = f"https://pokeapi.co/api/v2/pokemon/{pokemon_name}"
response = requests.get(url)
if response.status_code == 200:
@@ -87,7 +91,7 @@ Weave は、`weave.init()` を呼び出した後、[ChatNVIDIA](https://python.l
@weave.op
def pokedex(name: str, prompt: str) -> str:
- # これは他の ops を呼び出すルート op です
+ # これは他の op を呼び出すルート op です
data = get_pokemon_data(name)
if not data: return "Error: Unable to fetch data"
@@ -100,32 +104,35 @@ Weave は、`weave.init()` を呼び出した後、[ChatNVIDIA](https://python.l
return response.content
weave.init('pokedex-nvidia')
- # 特定のポケモンのデータを取得する
+ # 特定の Pokémon のデータを取得する
pokemon_data = pokedex(random.choice(POKEMON), PROMPT)
```
-Weave に移動し、UI で `get_pokemon_data` をクリックすると、そのステップの入力と出力を確認できます。
-
-
+ Weave に移動し、UI で `get_pokemon_data` をクリックすると、そのステップの入力と出力を確認できます。
+
+
+
```plaintext
- このライブラリは Python 版のみのため、TypeScript ではまだこの機能を利用できません。
+ このライブラリは Python にしか用意されていないため、この機能は現時点では TypeScript では利用できません。
```
-
+
+ ## 実験を容易にするために `Model` を作成する
+
-多くの動的な要素がある場合、実験の整理は困難になります。[`Model`](/weave/guides/core-types/models) クラスを使用することで、システムプロンプトや使用している モデル など、アプリの実験的な詳細をキャプチャして整理できます。これにより、アプリの異なるイテレーションの整理や比較が容易になります。
+ 関係する要素が多いと、実験を整理するのは難しくなります。[`Model`](/ja/weave/guides/core-types/models) クラスを使うことで、システムプロンプトや使用しているモデルなど、アプリの実験に関する詳細を記録して整理できます。これにより、アプリのさまざまなイテレーションを整理・比較しやすくなります。
-コード の バージョン管理 や入力/出力のキャプチャに加えて、[`Model`](/weave/guides/core-types/models) はアプリケーションの 振る舞い を制御する構造化された パラメータ をキャプチャするため、どの パラメータ が最適だったかを簡単に見つけることができます。また、Weave Models は `serve` や [`Evaluations`](/weave/guides/core-types/evaluations) と併用することも可能です。
+ コードのバージョン管理や入出力の記録に加えて、[`Model`](/ja/weave/guides/core-types/models) はアプリケーションの挙動を制御する構造化されたパラメーターも記録できるため、どのパラメーターが最も効果的だったかを簡単に見つけることができます。Weave Models を `serve` や [`Evaluation`](/ja/weave/guides/core-types/evaluations) と組み合わせて使用することもできます。
-以下の例では、`model` と `system_message` を使って実験できます。これらいずれかを変更するたびに、`GrammarCorrectorModel` の新しい バージョン が作成されます。
+ 次の例では、`model` と `system_message` を変えながら実験できます。これらのどちらかを変更するたびに、`GrammarCorrectorModel` の新しい *version* が作成されます。
```python lines
import weave
@@ -133,11 +140,11 @@ Weave に移動し、UI で `get_pokemon_data` をクリックすると、その
weave.init('grammar-nvidia')
- class GrammarCorrectorModel(weave.Model): # weave.Model に変更
+ class GrammarCorrectorModel(weave.Model): # `weave.Model` に変更
system_message: str
@weave.op()
- def predict(self, user_input): # predict に変更
+ def predict(self, user_input): # `predict` に変更
client = ChatNVIDIA(model="mistralai/mixtral-8x7b-instruct-v0.1", temperature=0, max_tokens=100, top_p=1)
messages=[
@@ -160,18 +167,21 @@ Weave に移動し、UI で `get_pokemon_data` をクリックすると、その
print(result)
```
+
```plaintext
- このライブラリは Python 版のみのため、TypeScript ではまだこの機能を利用できません。
+ この機能は、このライブラリが Python のみで提供されているため、まだ TypeScript では利用できません。
```
+ ## 利用情報
+
-ChatNVIDIA インテグレーションは、`invoke`、`stream`、およびそれらの非同期バリアントをサポートしています。また、ツールの使用もサポートしています。
-ChatNVIDIA は多種多様な モデル で使用されることを想定しているため、関数呼び出し（function calling）のサポートは含まれていません。
\ No newline at end of file
+ChatNVIDIA インテグレーションは `invoke`、`stream` およびそれらの非同期版をサポートします。ツールの利用にも対応しています。
+ChatNVIDIA は多様な種類の モデル での利用を想定しているため、function calling 機能はサポートしていません。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/openai.mdx b/ja/weave/guides/integrations/openai.mdx
index ced8c18f83..3ae8c50a60 100644
--- a/ja/weave/guides/integrations/openai.mdx
+++ b/ja/weave/guides/integrations/openai.mdx
@@ -1,87 +1,89 @@
---
-title: OpenAI
-description: OpenAI を Weave と統合して、トレーシング、評価、モニタングを実行する
+title: "OpenAI"
+description: "Weave と OpenAI を連携してトレーシング、評価、モニタリングを行う"
---
-
-
+
-セットアップなしで Weave 上で OpenAI モデルを試してみたいですか？ [LLM Playground](../tools/playground) をお試しください。
+セットアップ不要で Weave 上の OpenAI モデルを試してみたい場合は、[LLM Playground](../tools/playground) をお試しください。
-## トレース (Tracing)
+
+ ## トレース
+
-開発中およびプロダクション環境の両方で、LLM アプリケーションの トレース を中央データベースに保存することは重要です。これらの トレース は、デバッグや、アプリケーションを改善する際の 評価 に使用するトリッキーな例の データセット を構築するのに役立ちます。
+LLM アプリケーションのトレースを、開発中と本番環境の両方で中央データベースに保存しておくことは重要です。これらのトレースはデバッグに使用するほか、アプリケーションを改善する際に評価に使うための難しい例のデータセットを構築するのにも役立ちます。
-Weave は [openai python library](https://platform.openai.com/docs/libraries/python-library) の トレース を自動的にキャプチャできます。
+Weave は [OpenAI Python ライブラリ](https://developers.openai.com/api/docs/libraries) のトレースを自動的にキャプチャできます。
-お好みの プロジェクト 名を指定して `weave.init()` を呼び出すことで、キャプチャを開始します。OpenAI は、インポートするタイミングに関係なく自動的にパッチが適用されます。
+`weave.init()` を任意のプロジェクト名で呼び出して、キャプチャを開始します。OpenAI は、インポートのタイミングに関係なく自動的にパッチされます。
-`weave.init()` を呼び出す際に W&B の チーム を指定しない場合は、デフォルトの Entity が使用されます。デフォルトの Entity の確認や更新については、W&B Models ドキュメントの [User Settings](https://docs.wandb.ai/platform/app/settings-page/user-settings/#default-team) を参照してください。
+`weave.init()` を呼び出すときに W&B チームを指定しなかった場合、デフォルトの entity が使用されます。デフォルトの entity を確認または更新するには、W&B Models ドキュメントの [User Settings](https://docs.wandb.ai/platform/app/settings-page/user-settings/#default-team) を参照してください。
-**自動パッチ適用 (Automatic Patching)**
+**自動パッチ適用**
-Weave は、`weave.init()` の前後のどちらでインポートされたかにかかわらず、OpenAI に自動的にパッチを適用します。
+Weave は、`weave.init()` の前後どちらでインポートされた場合でも、OpenAI に自動的にパッチを適用します。
-```python Python lines {4}
-from openai import OpenAI
-import weave
-
-weave.init('emoji-bot') # OpenAI は自動的にパッチされます！
-
-client = OpenAI()
-response = client.chat.completions.create(
- model="gpt-4",
- messages=[
- {
- "role": "system",
- "content": "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
- },
- {
- "role": "user",
- "content": "How are you?"
- }
- ]
-)
-```
+ ```python Python lines {4}
+ from openai import OpenAI
+ import weave
-```typescript TypeScript
-import { OpenAI } from 'openai';
-import { wrapOpenAI } from '@wandb/weave';
+ weave.init('emoji-bot') # OpenAI is automatically patched!
-const openai = wrapOpenAI(new OpenAI());
-
-// これで OpenAI へのすべての呼び出しがトレースされます
-openai.chat.completions.create(
- {
- model: "gpt-4",
- messages: [
+ client = OpenAI()
+ response = client.chat.completions.create(
+ model="gpt-4",
+ messages=[
{
- role: "system",
- content: "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
+ "role": "system",
+ "content": "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
},
{
- role: "user",
- content: "How are you?"
+ "role": "user",
+ "content": "How are you?"
}
]
- }
-);
-```
+ )
+ ```
+
+ ```typescript TypeScript
+ import { OpenAI } from 'openai';
+ import { wrapOpenAI } from '@wandb/weave';
+
+ const openai = wrapOpenAI(new OpenAI());
+
+ // これにより、OpenAI へのすべての呼び出しがトレースされるようになります
+ openai.chat.completions.create(
+ {
+ model: "gpt-4",
+ messages: [
+ {
+ role: "system",
+ content: "You are AGI. You will be provided with a message, and your task is to respond using emojis only."
+ },
+ {
+ role: "user",
+ content: "How are you?"
+ }
+ ]
+ }
+ );
+ ```
-**明示的なパッチ適用 (任意)**
+**明示的なパッチ適用（オプション）**
-きめ細かな制御が必要な場合は、引き続き明示的にパッチを適用することもできます。
+より細かく制御したい場合は、明示的にパッチを適用することもできます。
```python lines {3,4}
import weave
weave.init('emoji-bot')
-weave.integrations.patch_openai() # OpenAI のトレースを有効化
+weave.integrations.patch_openai() # OpenAI トレーシングを有効化
from openai import OpenAI
client = OpenAI()
@@ -93,15 +95,18 @@ response = client.chat.completions.create(
)
```
-[実際のトレースを表示](https://wandb.ai/capecape/emoji-bot/weave/calls/01928a78-6d8a-7e20-9b8c-0cbc8318a0c8)
+[ライブの trace を表示](https://wandb.ai/capecape/emoji-bot/weave/calls/01928a78-6d8a-7e20-9b8c-0cbc8318a0c8)
-[OpenAI Functions](https://platform.openai.com/docs/guides/function-calling) や [OpenAI Assistants](https://platform.openai.com/docs/assistants/overview) の関数呼び出しツールもキャプチャします。
+ [OpenAI Functions](https://platform.openai.com/docs/guides/function-calling) と [OpenAI Assistants](https://platform.openai.com/docs/assistants/overview) のツールからの関数呼び出しも同様に記録します。
-## 構造化出力 (Structured Outputs)
-Weave は OpenAI を使用した構造化出力もサポートしています。これは、LLM のレスポンスが特定の形式に従うようにするのに役立ちます。
+
+ ## 構造化出力
+
+
+Weave は OpenAI と組み合わせた構造化出力にも対応しています。これは、LLM の応答が特定の形式に従うように保証したい場合に役立ちます。
```python Python
@@ -130,9 +135,11 @@ print(user_detail)
```
-## 非同期サポート (Async Support)
+
+ ## 非同期処理のサポート
+
-Weave は OpenAI の非同期関数もサポートしています。
+Weave では OpenAI の非同期関数（async）にも対応しています。
```python Python
@@ -163,7 +170,9 @@ result = await call_openai()
```
-## ストリーミングサポート (Streaming Support)
+
+ ## ストリーミングのサポート
+
Weave は OpenAI からのストリーミングレスポンスもサポートしています。
@@ -195,9 +204,11 @@ for chunk in response:
```
-## 関数呼び出しのトレース (Tracing Function Calls)
+
+ ## 関数呼び出しのトレース
+
-Weave は、ツールを使用する際に OpenAI によって行われる関数呼び出しも トレース します。
+Weave は、tools を使用する際に OpenAI が実行する関数呼び出しもトレースします。
```python Python
@@ -247,9 +258,11 @@ print(response.choices[0].message.tool_calls)
```
-## Batch API
+
+ ## Batch API
+
-Weave は、複数のリクエストを処理するための OpenAI Batch API もサポートしています。
+Weave は、複数のリクエストを一括処理するための OpenAI Batch API もサポートしています。
```python Python
@@ -259,7 +272,7 @@ import weave
client = OpenAI()
weave.init('batch-processing')
-# バッチファイルを作成
+# バッチファイルを作成する
batch_input = [
{
"custom_id": "request-1",
@@ -281,21 +294,23 @@ batch_input = [
}
]
-# バッチを送信
+# バッチを送信する
batch = client.batches.create(
input_file_id="your-file-id",
endpoint="/v1/chat/completions",
completion_window="24h"
)
-# バッチ結果を取得
+# バッチ結果を取得する
completed_batch = client.batches.retrieve(batch.id)
```
-## Assistants API
+
+ ## Assistants API
+
-Weave は、会話型 AI アプリケーションを構築するための OpenAI Assistants API もサポートしています。
+Weave は、OpenAI Assistants API を利用した会話型 AI アプリケーションの構築にも対応しています。
```python Python
@@ -305,45 +320,49 @@ import weave
client = OpenAI()
weave.init('assistant-bot')
-# アシスタントを作成
+# アシスタントを作成する
assistant = client.beta.assistants.create(
name="Math Assistant",
instructions="You are a personal math tutor. Answer questions about math.",
model="gpt-4"
)
-# スレッドを作成
+# スレッドを作成する
thread = client.beta.threads.create()
-# スレッドにメッセージを追加
+# スレッドにメッセージを追加する
message = client.beta.threads.messages.create(
thread_id=thread.id,
role="user",
content="What is 2+2?"
)
-# アシスタントを実行
+# アシスタントを実行する
run = client.beta.threads.runs.create(
thread_id=thread.id,
assistant_id=assistant.id
)
-# アシスタントのレスポンスを取得
+# アシスタントの応答を取得する
messages = client.beta.threads.messages.list(thread_id=thread.id)
```
-## コスト追跡 (Cost Tracking)
+
+ ## コスト追跡
+
Weave は OpenAI API 呼び出しのコストを自動的に追跡します。Weave UI でコストの内訳を確認できます。
-コスト追跡はすべての OpenAI モデルで利用可能であり、最新の OpenAI 料金に基づいて計算されます。
+コスト追跡はすべての OpenAI モデルで利用可能で、最新の OpenAI の料金体系に基づいて計算されます。
-## カスタム関数のトレース
+
+ ## カスタム関数のトレース
+
-`@weave.op` デコレータを使用することで、OpenAI を使用するカスタム関数も トレース できます。
+`@weave.op` デコレーターを使用すると、OpenAI を使用するカスタム関数もトレースできます。
```python Python
@@ -366,18 +385,20 @@ def generate_response(prompt: str) -> str:
)
return response.choices[0].message.content
-# この関数呼び出しがトレースされます
+# この関数呼び出しはトレースされます
result = generate_response("Hello, how are you?")
```
-## 次のステップ
+
+ ## 次のステップ
+
-OpenAI の トレース 設定が完了したので、以下のことが行えます。
+OpenAI 用のトレーシングを設定したので、次のことができます。
-1. **Weave UI で トレース を表示する**: Weave プロジェクト にアクセスして、OpenAI 呼び出しの トレース を確認します。
-2. **評価 を作成する**: トレース を使用して 評価 用の データセット を構築します。
-3. **パフォーマンスを監視する**: レイテンシ、コスト、その他の メトリクス を追跡します。
-4. **問題をデバッグする**: トレース を使用して、LLM アプリケーション内で何が起きているかを把握します。
+1. **Weave UI でトレースを表示**: Weave プロジェクトを開き、OpenAI 呼び出しのトレースを確認します
+2. **評価を作成**: トレースを使って評価用データセットを作成します
+3. **パフォーマンスを監視**: レイテンシ、コスト、その他のメトリクスを追跡します
+4. **問題をデバッグ**: トレースを使って、LLM アプリケーション内で何が起きているかを把握します
-これらのトピックの詳細については、[評価ガイド](../evaluation/scorers) および [モニタリングガイド](../tracking) を参照してください。
\ No newline at end of file
+これらのトピックの詳細については、[評価ガイド](../evaluation/scorers) と [監視ガイド](../tracking) を参照してください。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/openai_agents.mdx b/ja/weave/guides/integrations/openai_agents.mdx
index b5a1d3ff2b..c655083234 100644
--- a/ja/weave/guides/integrations/openai_agents.mdx
+++ b/ja/weave/guides/integrations/openai_agents.mdx
@@ -1,27 +1,32 @@
---
-title: OpenAI エージェント SDK
-description: OpenAI Agents SDK で W&B Weave を使用して、エージェント アプリケーションの追跡と監視を行います
+title: "OpenAI Agents SDK"
+description: "OpenAI Agents SDK と W&B Weave を使用してエージェント型アプリケーションを追跡および監視する"
---
-[OpenAI Agents Python SDK](https://github.com/openai/openai-agents-python) は、マルチエージェントのワークフローを構築するための軽量で強力なフレームワークです。 W&B Weave を OpenAI Agents SDK と併用することで、エージェントアプリケーションの追跡と監視が可能になります。
+[OpenAI Agents Python SDK](https://github.com/openai/openai-agents-python) は、マルチエージェントワークフローを構築するための軽量かつ強力なフレームワークです。OpenAI Agents SDK と W&B Weave を併用して、エージェント型アプリケーションを追跡および監視できます。
-## インストール
+
+ ## インストール
+
-`pip` を使用して、必要な依存関係をインストールします。
+`pip` を使用して必要な依存関係をインストールします:
```bash
pip install weave openai-agents
```
-## はじめに
-OpenAI Agents SDK で Weave を使用するには、以下の手順が必要です。
+
+ ## はじめに
+
-- プロジェクト名で Weave を初期化する
-- Weave のトレースプロセッサをエージェントに追加する
-- 通常通りエージェントを作成して実行する
+OpenAI Agents SDK を Weave と併用するには、次の手順を実行します:
-以下のコードサンプルでは、OpenAI Agent を作成し、追跡可能性（トレース）のために Weave と統合しています。まず、 Weave プロジェクトを初期化し、実行トレースをキャプチャするために `WeaveTracingProcessor` をセットアップします。次に、天候情報を表すための `Weather` データモデルを作成します。 `get_weather` 関数は、エージェントが使用できるツールとしてデコレートされ、サンプルの天気予報を返します。 `Hello world` という名前のエージェントは、基本的な指示と気象ツールへのアクセス権を持って構成されています。 `main` 関数は非同期でエージェントを実行し、サンプル入力（「東京の天気はどうですか？」）を与えて最終的な結果を出力します。
+* プロジェクト名を指定して Weave を初期化する
+* Weave tracing プロセッサをエージェントに追加する
+* いつもどおりエージェントを作成して実行する
+
+以下のコードサンプルでは、OpenAI Agent を作成し、トレース可能にするために Weave と統合しています。まず、Weave プロジェクトを初期化し、`WeaveTracingProcessor` を設定して実行トレースを取得します。天気情報を表す `Weather` データモデルを作成します。`get_weather` 関数は、エージェントが使用できるツールとしてデコレータで指定され、サンプルの天気レポートを返します。`Hello world` という名前のエージェントは、基本的な指示と天気ツールへのアクセス権を持つように構成されています。`main` 関数は、サンプル入力（`What's the weather in Tokyo?`）でエージェントを非同期に実行し、最終的な応答を出力します。
```python lines
from pydantic import BaseModel
@@ -30,7 +35,6 @@ import agents
import weave
import asyncio
-# Weaveプロジェクトを初期化
weave.init("openai-agents")
class Weather(BaseModel):
@@ -38,12 +42,10 @@ class Weather(BaseModel):
temperature_range: str
conditions: str
-# エージェントが使用するツールを定義
@function_tool
def get_weather(city: str) -> Weather:
return Weather(city=city, temperature_range="14-20C", conditions="Sunny with wind.")
-# エージェントの設定
agent = Agent(
name="Hello world",
instructions="You are a helpful agent.",
@@ -51,7 +53,6 @@ agent = Agent(
)
async def main():
- # エージェントを実行し結果を取得
result = await Runner.run(agent, input="What's the weather in Tokyo?")
print(result.final_output)
@@ -59,6 +60,9 @@ if __name__ == "__main__":
asyncio.run(main())
```
-## トレースの表示
-上記のコードサンプルを実行すると、 Weave ダッシュボードへのリンクが生成されます。エージェントの実行中に何が起きたかを確認するには、そのリンクにアクセスしてエージェントの トレース を確認してください。
\ No newline at end of file
+
+ ## トレースを表示する
+
+
+上記のコードサンプルを実行すると、Weave ダッシュボードへのリンクが生成されます。エージェントの実行中に何が起こったかを確認するには、そのリンクを開いてエージェントのトレースを表示してください。
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/openrouter.mdx b/ja/weave/guides/integrations/openrouter.mdx
index 6e345c2121..ec89bce0fe 100644
--- a/ja/weave/guides/integrations/openrouter.mdx
+++ b/ja/weave/guides/integrations/openrouter.mdx
@@ -1,13 +1,13 @@
---
-title: OpenRouter
-description: 自動 Weave インテグレーションを備えた OpenRouter の統合インターフェースを使用して、多数の LLM を利用する
+title: "OpenRouter"
+description: "OpenRouter の統合インターフェースを使って、多数の LLM を自動 Weave インテグレーション付きで利用する"
---
-Openrouter.ai は、多くの LLM のための統合インターフェースです。OpenAI GPT-4、Anthropic Claude、Google Gemini などの基盤モデルだけでなく、LLama-3 や Mixtral などのオープンソースモデル、さらには [他にも多数](https://openrouter.ai/models) のモデルをサポートしており、一部のモデルは無料で提供されています。
+Openrouter.ai は多くの LLM に対する統合インターフェースであり、OpenAI GPT-4、Anthropic Claude、Google Gemini のような基盤モデルだけでなく、LLama-3、Mixtral などのオープンソースモデルや、[その他多数のモデル](https://openrouter.ai/models) をサポートしています。一部のモデルは無料でも提供されています。
-OpenRouter は REST API と OpenAI SDK 互換性 ([ドキュメント](https://docs.together.ai/docs/openai-api-compatibility)) を提供しており、Weave はこれを自動的に検出してインテグレーションします（詳細は OpenRouter の [クイックスタート](https://openrouter.ai/docs/quick-start) を参照してください）。
+OpenRouter は REST API と OpenAI SDK 互換のインターフェース ([ドキュメント](https://docs.together.ai/docs/openai-api-compatibility)) を提供しており、Weave が自動的に検出してインテグレーションします (詳細は OpenRouter の [クイックスタート](https://openrouter.ai/docs/quick-start) を参照してください) 。
-OpenAI SDK のコードを OpenRouter に切り替えるには、APIキー を [OpenRouter API](https://openrouter.ai/docs/api-keys) キーに、`base_url` を `https://openrouter.ai/api/v1` に、そして model を多数ある [チャットモデル](https://openrouter.ai/docs/models) のいずれかに変更します。`weave.init()` を呼び出す際に、Traces のための プロジェクト 名を指定してください。指定しない場合は、デフォルトの Entities が使用されます。デフォルトの Entities を確認または更新するには、W&B Models ドキュメントの [User Settings](https://docs.wandb.ai/platform/app/settings-page/user-settings/#default-team) を参照してください。
+OpenAI SDK コードを OpenRouter に切り替えるには、API キーを自分の [OpenRouter API](https://openrouter.ai/docs/api-keys) キーに変更し、`base_url` を `https://openrouter.ai/api/v1` に、`model` を多数ある [chat models](https://openrouter.ai/docs/models) のいずれかに設定します。`weave.init()` を呼び出す際、トレース用の プロジェクト名を指定してください。指定しない場合は、デフォルトの entity が使用されます。デフォルトの entity を確認または更新するには、W&B Models ドキュメントの [User Settings](https://docs.wandb.ai/platform/app/settings-page/user-settings/#default-team) を参照してください。
```python lines {5,10-12}
import os
@@ -25,8 +25,8 @@ client = openai.OpenAI(
)
chat_completion = client.chat.completions.create(
extra_headers={
- "HTTP-Referer": $YOUR_SITE_URL, # オプション。openrouter.ai のランキングにあなたのアプリを含める場合に使用します。
- "X-Title": $YOUR_APP_NAME, # オプション。openrouter.ai のランキングに表示されます。
+ "HTTP-Referer": $YOUR_SITE_URL, # 省略可能。openrouter.ai のランキングにアプリを掲載する場合に使用します。
+ "X-Title": $YOUR_APP_NAME, # 省略可能。openrouter.ai のランキングに表示されます。
},
model="meta-llama/llama-3.1-8b-instruct:free",
messages=[
@@ -37,7 +37,7 @@ chat_completion = client.chat.completions.create(
max_tokens=1024,
)
response = chat_completion.choices[0].message.content
-print("Model response:\n", response)
+print("モデルの応答:\n", response)
```
-これは開始するための簡単な例ですが、より複雑な ユースケース で Weave を独自の関数と統合する方法については、[OpenAI](/weave/guides/integrations/openai#track-your-own-ops) ガイドを参照してください。
\ No newline at end of file
+これは入門用の簡単な例ですが、より複雑なユースケース向けに Weave を独自の関数とインテグレーションする方法の詳細については、[OpenAI](/ja/weave/guides/integrations/openai#track-your-own-ops) ガイドを参照してください。
diff --git a/ja/weave/guides/integrations/pydantic_ai.mdx b/ja/weave/guides/integrations/pydantic_ai.mdx
index f5c83cd037..fe21f96f52 100644
--- a/ja/weave/guides/integrations/pydantic_ai.mdx
+++ b/ja/weave/guides/integrations/pydantic_ai.mdx
@@ -1,43 +1,52 @@
---
-title: PydanticAI
-description: OpenTelemetry を使用して Weave で PydanticAI の エージェント と ツール の呼び出しをトレースする
+title: "PydanticAI"
+description: "OpenTelemetry を使用して Weave で PydanticAI エージェントとツールの呼び出しをトレースする"
---
-[OpenTelemetry (OTEL)](https://opentelemetry.io/) を使用して、 [PydanticAI](https://ai.pydantic.dev/) の agent や tool の呼び出しを Weave でトレースできます。 PydanticAI は Pydantic チームによって構築された Python agent フレームワークで、 Generative AI を使用したプロダクション・グレードのアプリケーションを簡単かつ型安全に構築できるように設計されています。 PydanticAI は、すべての agent および tool の呼び出しをトレースするために OTEL を使用します。
+[OpenTelemetry (OTEL)](https://opentelemetry.io/) を使用して Weave で [PydanticAI](https://ai.pydantic.dev/) エージェントとツールの呼び出しをトレースできます。PydanticAI は Pydantic チームによって開発された Python エージェント フレームワークであり、生成 AI を用いた本番グレードのアプリケーションを、簡単かつ型安全に構築できるようにします。PydanticAI は、すべてのエージェントとツールの呼び出しをトレースするために OTEL を使用します。
-Weave における OTEL トレースの詳細については、 [Send OTEL Traces to Weave](../tracking/otel) を参照してください。
+ Weave での OTEL トレースの詳細については、[Send OTEL Traces to Weave](../tracking/otel) を参照してください。
-このガイドでは、 OTEL を使用して PydanticAI の agent および tool の呼び出しをトレースし、それらの Traces を Weave で可視化する方法を説明します。必要な依存関係のインストール、 Weave にデータを送信するための OTEL トレーサーの設定、 PydanticAI の agent および tool のインスツルメンテーション方法について学びます。また、アプリケーション内のすべての agent でデフォルトでトレースを有効にする方法も紹介します。
+このガイドでは、OTEL を使用して PydanticAI エージェントとツールの呼び出しをトレースし、そのトレースを Weave で可視化する方法を説明します。必要な依存関係のインストール方法、Weave にデータを送信する OTEL トレーサーの設定方法、および PydanticAI エージェントとツールを計測する方法を学びます。また、アプリケーション内のすべてのエージェントで、デフォルトでトレースを有効にする方法も示します。
-## 事前準備
+
+ ## 前提条件
+
開始する前に、必要な OTEL 依存関係をインストールしてください。
```bash
pip install opentelemetry-sdk OTELemetry-exporter-otlp-proto-http
```
-次に、 [Weave での OTEL トレースの設定](#weave-での-otel-トレースの設定) を行います。
-### Weave での OTEL トレースの設定
+次に、[Weave で OTEL トレーシングを設定します](#configure-otel-tracing-in-weave)。
-PydanticAI から Weave に Traces を送信するには、 `TracerProvider` と `OTLPSpanExporter` を使用して OTEL を設定します。エクスポーターには、 [認証とプロジェクト識別のための正しいエンドポイントと HTTP ヘッダー](#必要な設定) を設定してください。
+
+ ### Weave で OTEL トレースを設定する
+
+
+PydanticAI から Weave にトレースを送信するには、`TracerProvider` と `OTLPSpanExporter` を使って OTEL を設定します。エクスポーターの送信先として、[認証およびプロジェクト識別のための正しいエンドポイントと HTTP ヘッダー](#required-configuration) を指定します。
-API キーやプロジェクト情報などの機密性の高い環境変数は、環境ファイル（例： `.env` ）に保存し、 `os.environ` を使用してロードすることをお勧めします。これにより、認証情報を安全に保ち、コードベースから切り離すことができます。
+ API キーやプロジェクト情報などの機密性の高い環境変数は、`.env` などの環境ファイルに保存し、`os.environ` を使用して読み込むことを推奨します。これにより、認証情報を安全に保ち、コードベースから切り離しておくことができます。
-### 必要な設定
+
+ ### 必要な設定
+
-- **エンドポイント:** `https://trace.wandb.ai/otel/v1/traces`
-- **ヘッダー:**
- - `Authorization`: W&B APIキー を使用した基本認証
- - `project_id`: W&B の Entities / Projects 名（例： `myteam/myproject` ）
+* **Endpoint:** `https://trace.wandb.ai/otel/v1/traces`
+* **Headers:**
+ * `Authorization`: W&B の API キーを使用した Basic 認証
+ * `project_id`: W&B Entities/Projects の名前 (例: `myteam/myproject`)
-### 設定例
+
+ ### セットアップ例
+
-以下のコードスニペットは、 OTLP スパンエクスポーターとトレーサープロバイダーを設定して、 PydanticAI アプリケーションから Weave に OTEL トレースを送信する方法を示しています。
+次のコードスニペットは、OTLP span exporter と tracer provider を設定し、PydanticAI アプリケーションから Weave へ OTEL トレースを送信する方法を示します。
```python lines
import base64
@@ -46,10 +55,10 @@ from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExport
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.trace.export import SimpleSpanProcessor
-# 環境変数から機密性の高い値をロードします
+# 環境変数から機密情報を読み込む
WANDB_BASE_URL = "https://trace.wandb.ai"
-PROJECT_ID = os.environ.get("WANDB_PROJECT_ID") # W&B の entity/project 名 (例: "myteam/myproject")
-WANDB_API_KEY = os.environ.get("WANDB_API_KEY") # W&B APIキー
+PROJECT_ID = os.environ.get("WANDB_PROJECT_ID") # W&B の entity/project 名（例: "myteam/myproject"）
+WANDB_API_KEY = os.environ.get("WANDB_API_KEY") # W&B の API キー
OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"
AUTH = base64.b64encode(f"api:{WANDB_API_KEY}".encode()).decode()
@@ -59,28 +68,30 @@ OTEL_EXPORTER_OTLP_HEADERS = {
"project_id": PROJECT_ID,
}
-# エンドポイントとヘッダーを指定して OTLP スパンエクスポーターを作成します
+# エンドポイントとヘッダーを指定して OTLP スパンエクスポーターを作成する
exporter = OTLPSpanExporter(
endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
headers=OTEL_EXPORTER_OTLP_HEADERS,
)
-# トレーサープロバイダーを作成し、エクスポーターを追加します
+# トレーサープロバイダーを作成してエクスポーターを追加する
tracer_provider = trace_sdk.TracerProvider()
tracer_provider.add_span_processor(SimpleSpanProcessor(exporter))
```
-## OTEL を使用した PydanticAI Agents のトレース
+
+ ## OTEL を使用して PydanticAI エージェントをトレースする
+
-PydanticAI の agent をトレースしてトレースデータを Weave に送信するには、設定済みのトレーサープロバイダーを含む `InstrumentationSettings` オブジェクトを `Agent` コンストラクタに渡します。これにより、すべての agent および tool の呼び出しが OTEL 設定に従ってトレースされるようになります。
+PydanticAI エージェントをトレースしてトレースデータを Weave に送信するには、tracer provider を設定した `InstrumentationSettings` オブジェクトを `Agent constructor` に渡します。これにより、すべてのエージェントとツールの呼び出しが OTEL の設定に従ってトレースされます。
-以下の例は、トレースを有効にしたシンプルな agent を作成する方法を示しています。重要なステップは、 agent の初期化時に `instrument` 引数を設定することです。
+次の例は、トレースを有効にしたシンプルなエージェントを作成する方法を示しています。重要なステップは、エージェントを初期化するときに instrument 引数を設定することです。
```python lines
from pydantic_ai import Agent
from pydantic_ai.models.instrumented import InstrumentationSettings
-# OTEL トレースを有効にした PydanticAI agent を作成します
+# OTEL トレーシングを使用して PydanticAI エージェントを作成する
agent = Agent(
"openai:gpt-4o",
instrument=InstrumentationSettings(tracer_provider=tracer_provider),
@@ -90,23 +101,25 @@ result = agent.run_sync("What is the capital of France?")
print(result.output)
```
-agent へのすべての呼び出しがトレースされ、 Weave に送信されます。
+エージェントへのすべての呼び出しはトレースされ、Weave に送信されます。
+ ## OTEL を使用して PydanticAI のツールをトレースする
+
-Weave は、 agent と tool の両方の呼び出しを含む、 OTEL でインスツルメントされたあらゆる PydanticAI オペレーションをトレースできます。つまり、 agent が tool （例： `@agent.tool_plain` でデコレートされた関数）を呼び出すと、 tool の入力、出力、モデルの推論プロセスを含むインタラクション全体が Weave でキャプチャされ、可視化されます。
+Weave は、エージェント呼び出しとツール呼び出しの両方を含め、OTEL でインストルメントされたあらゆる PydanticAI の処理をトレースできます。つまり、エージェントがツール（例: `@agent.tool_plain` でデコレートされた関数）を呼び出すと、そのやり取り全体が Weave によってキャプチャおよび可視化され、ツールの入力・出力に加えてモデルの推論過程も確認できます。
-以下の例は、システムプロンプトと tool を持つ agent を作成する方法を示しています。 agent と tool の両方でトレースが自動的に有効になります。
+次の例では、system prompt と ツールを持つエージェントの作成方法を示します。トレースはエージェントとツールの両方に対して自動的に有効になります。
```python lines
from pydantic_ai import Agent
from pydantic_ai.models.instrumented import InstrumentationSettings
-# システムプロンプトと OTEL トレースを備えた PydanticAI agent を作成します
+# システムプロンプトと OTEL トレーシングを使用して PydanticAI エージェントを作成する
agent = Agent(
"openai:gpt-4o",
system_prompt=(
@@ -116,34 +129,37 @@ agent = Agent(
instrument=InstrumentationSettings(tracer_provider=tracer_provider),
)
-# tool を定義します
+# ツールを定義する
@agent.tool_plain
def multiply(a: int, b: int) -> int:
- """2つの数値を掛け合わせます。"""
+ """2つの数値を掛け合わせる。"""
return a * b
-# agent に tool を使用するように依頼します
+# エージェントにツールを使用するよう指示する
result = agent.run_sync("What is 7 multiplied by 8?")
print(result.output)
```
+
+ ## すべてのエージェントをデフォルトでインストルメント化する
+
-アプリケーション内のすべての PydanticAI agent に OTEL トレースを適用するには、 `Agent.instrument_all()` メソッドを使用します。これにより、 `instrument` パラメータを明示的に指定していないすべての agent に対して、デフォルトの `InstrumentationSettings` インスタンスが設定されます。
+アプリケーション内のすべての PydanticAI エージェントに OTEL トレーシングを適用するには、`Agent.instrument_all()` メソッドを使用します。これにより、`instrument` パラメーターを明示的に指定していないすべてのエージェントに対して、デフォルトの `InstrumentationSettings` インスタンスが設定されます。
```python lines
from pydantic_ai import Agent
from pydantic_ai.models.instrumented import InstrumentationSettings
-# すべての agent に対してデフォルトのインスツルメンテーションを設定します
+# すべてのエージェントにデフォルトのインストルメンテーションを設定する
Agent.instrument_all(InstrumentationSettings(tracer_provider=tracer_provider))
-# これ以降、新しい agent はデフォルトでこのインスツルメンテーションを使用します
+# 以降、新しいエージェントはデフォルトでこのインストルメンテーションを使用する
agent1 = Agent("openai:gpt-4o")
agent2 = Agent("openai:gpt-4o", system_prompt="Be helpful.")
@@ -151,11 +167,13 @@ result = agent1.run_sync("What is the capital of France?")
print(result.output)
```
-これは、設定を繰り返すことなく、すべての agent で一貫したトレースを行いたい大規模なアプリケーションで便利です。詳細については、 [PydanticAI OTEL ドキュメント](https://ai.pydantic.dev/logfire/#using-logfire) を参照してください。
+これは、すべてのエージェント間で設定を繰り返すことなく一貫したトレーシングを行いたい、大規模なアプリケーションにおいて有用です。詳細については、[PydanticAI OTEL ドキュメント](https://ai.pydantic.dev/logfire/#using-logfire) を参照してください。
-## 詳細情報
+
+ ## 参考情報
+
-- [Weave documentation: Send OTEL traces to Weave](../tracking/otel)
-- [Official OTEL documentation](https://opentelemetry.io/)
-- [Official PydanticAI documentation](https://ai.pydantic.dev/)
-- [PydanticAI GitHub repository](https://github.com/pydantic/pydantic-ai)
\ No newline at end of file
+* [Weave ドキュメント: OTEL トレースを Weave に送信する](../tracking/otel)
+* [OTEL の公式ドキュメント](https://opentelemetry.io/)
+* [PydanticAI の公式ドキュメント](https://ai.pydantic.dev/)
+* [PydanticAI の GitHub リポジトリ](https://github.com/pydantic/pydantic-ai)
\ No newline at end of file
diff --git a/ja/weave/guides/integrations/smolagents.mdx b/ja/weave/guides/integrations/smolagents.mdx
index 5b483bc4f8..33e037e319 100644
--- a/ja/weave/guides/integrations/smolagents.mdx
+++ b/ja/weave/guides/integrations/smolagents.mdx
@@ -1,90 +1,97 @@
---
title: Smolagents
-description: Weave の自動トレーシング機能を使用して、Smolagents のエージェント アプリケーションを追跡・分析できます。OpenAI、Hugging
- Face、Anthropic などの LLM プロバイダーにわたる ツール 呼び出し、モデル 推論、マルチステップの ワークフロー をキャプチャします。
+description: "Weave の自動トレーシングを使って Smolagents のエージェント型アプリケーションを追跡・分析し、ツール呼び出し、モデル推論、および OpenAI、Hugging Face、Anthropic などの LLM プロバイダーにまたがるマルチステップワークフローをキャプチャします。"
---
-このページに掲載されているすべてのコード例は Python で記述されています。
+ このページに掲載されているコードサンプルはすべて Python で書かれています。
-このページでは、[Smolagents](https://huggingface.co/docs/smolagents/en/index) を W&B Weave と統合して、エージェントアプリケーションを追跡および分析する方法について説明します。モデルの推論のログ記録、関数呼び出しの監視、および Weave の Traces 機能とバージョニング機能を使用した実験の整理方法を学びます。提供されている例に従うことで、貴重なインサイトを取得し、アプリケーションを効率的にデバッグし、異なるモデル設定を比較することができます。これらすべては Weave のウェブインターフェース内で行えます。
+このページでは、[Smolagents](https://huggingface.co/docs/smolagents/en/index) を W&B Weave と統合して、エージェント型アプリケーションを追跡・分析する方法を説明します。Weave のトレーシングとバージョニング機能を使って、モデル推論をログに記録し、関数呼び出しを監視し、実験を整理する方法を学びます。掲載されている例に従うことで、貴重な洞察を得て、アプリケーションを効率的にデバッグし、Weave の Web インターフェース内でさまざまなモデル設定を比較できます。
-## 概要
+
+ ## 概要
+
-Smolagents は、強力なエージェントアプリケーションを構築するための最小限の抽象化を提供するシンプルなフレームワークです。OpenAI、Hugging Face Transformers、Anthropic など、複数の LLM プロバイダーをサポートしています。
+Smolagents は、強力なエージェントアプリケーションを構築するための、最小限の抽象化を提供するシンプルなフレームワークです。OpenAI、Hugging Face Transformers、Anthropic など、複数の LLM プロバイダーをサポートしています。
-Weave は [Smolagents](https://huggingface.co/docs/smolagents/en/index) のトレースを自動的に取得します。トラッキングを開始するには、`weave.init()` を呼び出し、通常通りライブラリを使用するだけです。
+Weave は [Smolagents](https://huggingface.co/docs/smolagents/en/index) のトレースを自動的に記録します。追跡を開始するには、`weave.init()` を呼び出し、通常どおりライブラリを使用してください。
-## 事前準備
+
+ ## 前提条件
+
-1. Weave で Smolagents を使用する前に、必要なライブラリをインストールするか、最新バージョンにアップグレードしてください。次のコマンドは `smolagents`、`openai`、`weave` をインストールまたはアップグレードし、出力を抑制します。
+1. Weave で Smolagents を使う前に、必要なライブラリをインストールするか、最新バージョンにアップグレードしてください。次のコマンドは `smolagents`、`openai`、`weave` をインストールまたはアップグレードし、出力を抑制します：
- ```python lines
- pip install -U smolagents openai weave -qqq
- ```
+ ```python lines
+ pip install -U smolagents openai weave -qqq
+ ```
-2. Smolagents は、OpenAI、Hugging Face Transformers、Anthropic などの複数の LLM プロバイダーをサポートしています。対応する環境変数を設定して、選択したプロバイダーの APIキー を設定します。
+2. Smolagents は、OpenAI、Hugging Face Transformers、Anthropic など、複数の LLM プロバイダーをサポートしています。選択したプロバイダーの API キーを、対応する環境変数を設定することで指定します：
- ```python lines
- import os
- import getpass
+ ```python lines
+ import os
+ import getpass
- os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter your OpenAI API key: ")
- ```
+ os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter your OpenAI API key: ")
+ ```
-## 基本的なトレース
+
+ ## 基本的なトレース
+
-言語モデルアプリケーションのトレースを中央の場所に保存することは、開発およびプロダクションにおいて不可欠です。これらのトレースはデバッグに役立ち、アプリケーションを改善するための貴重な Datasets として機能します。
+開発や本番環境において、言語モデルアプリケーションのトレースを一元的に保存することは不可欠です。これらのトレースはデバッグに役立つだけでなく、アプリケーションを改善するための有用なデータセットとしても機能します。
-Weave は [Smolagents](https://huggingface.co/docs/smolagents/en/index) のトレースを自動的に取得します。トラッキングを開始するには、`weave.init()` を呼び出して Weave を初期化し、その後は通常どおりライブラリを使用します。
+Weave は [Smolagents](https://huggingface.co/docs/smolagents/en/index) のトレースを自動的に取得します。記録を開始するには、`weave.init()` を呼び出して Weave を初期化し、その後は通常どおりライブラリを使用します。
-次の例では、ツールを使用する LLM エージェントへの推論呼び出しを Weave でログ記録する方法を示します。このシナリオでは：
+次の例は、Weave を使ってツールを利用する LLM エージェントへの推論呼び出しをログする方法を示しています。このシナリオでは、次のことを行います。
-- Smolagents の `OpenAIServerModel` を使用して言語モデル（OpenAI の `gpt-4o`）を定義します。
-- エージェントが必要に応じて呼び出すことができる検索ツール（`DuckDuckGoSearchTool`）を設定します。
-- ツールとモデルを渡して `ToolCallingAgent` を構築します。
-- 検索ツールをトリガーするクエリをエージェント経由で実行します。
-- Weave は各関数とモデルの呼び出しをログに記録し、ウェブインターフェースを介して検査できるようにします。
+* Smolagents の `OpenAIServerModel` を使って、言語モデル（OpenAI の `gpt-4o`）を定義します。
+* エージェントが必要に応じて呼び出せる検索ツール（`DuckDuckGoSearchTool`）を構成します。
+* ツールとモデルを渡して `ToolCallingAgent` を構築します。
+* 検索ツールをトリガーするクエリをエージェント経由で実行します。
+* Weave は各関数およびモデルの呼び出しをログに記録し、Web インターフェースから確認できるようにします。
```python lines
import weave
from smolagents import DuckDuckGoSearchTool, OpenAIServerModel, ToolCallingAgent
-# Weave を初期化
+# Weave を初期化する
weave.init(project_name="smolagents")
-# Smolagents でサポートされている LLM プロバイダーを定義
+# Smolagents がサポートする LLM プロバイダーを定義する
model = OpenAIServerModel(model_id="gpt-4o")
-# クエリに基づいて DuckDuckGo ウェブ検索ツールを定義
+# クエリに基づいて DuckDuckGo ウェブ検索ツールを定義する
search_tool = DuckDuckGoSearchTool()
-# ツール呼び出しエージェントを定義
+# ツール呼び出しエージェントを定義する
agent = ToolCallingAgent(tools=[search_tool], model=model)
answer = agent.run(
"Get me just the title of the page at url 'https://wandb.ai/geekyrakshit/story-illustration/reports/Building-a-GenAI-assisted-automatic-story-illustrator--Vmlldzo5MTYxNTkw'?"
)
```
-コードサンプルを実行したら、Weave のプロジェクトダッシュボードに移動してトレースを確認してください。
+コードサンプルを実行したら、Weave プロジェクトのダッシュボードに移動してトレースを確認します。
+ ## カスタムツールのトレーシング
+
-`smolagents` の `@tool` デコレータを関数に付与するか、`smolagents.Tool` クラスを継承することで、エージェントワークフロー用のカスタムツールを宣言できます。
+`smolagents` の `@tool` デコレーターを関数に付与するか、`smolagents.Tool` クラスを継承することで、エージェント型ワークフロー向けのカスタムツールを定義できます。
-Weave は Smolagents ワークフローのカスタムツール呼び出しを自動的に追跡します。次の例は、カスタム Smolagents ツール呼び出しを Weave でログ記録する方法を示しています。
+Weave は Smolagents ワークフローにおけるカスタムツール呼び出しを自動で追跡します。次の例では、Weave を使ってカスタム Smolagents ツール呼び出しをログする方法を示します。
-- カスタム関数 `get_weather` が定義され、Smolagents の `@tool` でデコレートされています。これにより、エージェントが推論プロセスの一部として呼び出せるようになります。
-- この関数は場所と、摂氏出力用のオプションのフラグを受け取ります。
-- `OpenAIServerModel` を使用して言語モデルがインスタンス化されます。
-- カスタムツールとモデルを使用して `ToolCallingAgent` が作成されます。
-- エージェントがクエリを実行すると、`get_weather` ツールを選択して呼び出します。
-- Weave はモデルの推論とカスタムツールの呼び出しの両方をログに記録し、引数 (arguments) と戻り値を含めます。
+* カスタム関数 `get_weather` が定義され、Smolagents の `@tool` でデコレートされており、エージェントが推論プロセスの一部としてそれを呼び出せるようになっています。
+* この関数は場所と、摂氏で出力するかどうかを指定するオプションフラグを受け取ります。
+* `OpenAIServerModel` を使って言語モデルをインスタンス化します。
+* カスタムツールとモデルを使って `ToolCallingAgent` を作成します。
+* エージェントがクエリを実行すると、`get_weather` ツールを選択して呼び出します。
+* Weave は、引数と戻り値を含むモデル推論とカスタムツール呼び出しの両方をログします。
```python lines
from typing import Optional
@@ -97,20 +104,20 @@ weave.init(project_name="smolagents")
@tool
def get_weather(location: str, celsius: Optional[bool] = False) -> str:
"""
- 指定された場所の今後数日間の天気を取得します。
- 引数:
+ 指定した場所の今後数日間の天気を取得します。
+ Args:
location: 場所。
- celsius: 温度に摂氏を使用するかどうか。
+ celsius: 温度にセルシウスを使用するかどうか。
"""
- return f"The weather in {location} is sunny with temperatures around 7°C."
+ return f"{location} の天気は晴れで、気温は約 7°C です。"
model = OpenAIServerModel(model_id="gpt-4o")
agent = ToolCallingAgent(tools=[get_weather], model=model)
-answer = agent.run("What is the weather in Tokyo?")
+answer = agent.run("東京の天気はどうですか？")
```
-コードサンプルを実行したら、Weave のプロジェクトダッシュボードに移動してトレースを確認してください。
+コードサンプルを実行したら、Weave プロジェクトのダッシュボードを開き、トレースを確認します。
-
-`together` Python パッケージに対する完全な Weave サポートは現在開発中です。
-
+ Weave による `together` Python パッケージの完全サポートは現在開発中です
-`together` Python パッケージへの完全な Weave サポートは現在開発中ですが、Together は OpenAI SDK 互換性（[docs](https://docs.together.ai/docs/openai-api-compatibility)）をサポートしており、Weave はこれを自動的に検出して統合します。
+`together` Python パッケージに対する Weave の完全なサポートは現在開発中ですが、Together は OpenAI SDK 互換機能 ([docs](https://docs.together.ai/docs/openai-api-compatibility)) をサポートしており、Weave はこれを自動的に検出してインテグレーションします。
-Together API の使用に切り替えるには、API キーを [Together API](https://docs.together.ai/docs/get-started#access-your-api-key) キーに、`base_url` を `https://api.together.xyz/v1` に、そして model を同社の [チャットモデル](https://docs.together.ai/docs/inference-models#chat-models) のいずれかに変更するだけです。
+Together API を使用するには、単に API キーを自分の [Together API](https://docs.together.ai/docs/quickstart) のキーに差し替え、`base_url` を `https://api.together.xyz/v1` に設定し、モデルを Together の [チャットモデル](https://docs.together.ai/docs/inference-models#chat-models) のいずれかに変更します。
```python lines {5, 10-13}
import os
@@ -43,4 +40,4 @@ response = chat_completion.choices[0].message.content
print("Together response:\n", response)
```
-これは使い始めるための簡単な例ですが、より複雑な use case で Weave を独自の関数と統合する方法の詳細については、[OpenAI](/weave/guides/integrations/openai#track-your-own-ops) ガイドを参照してください。
\ No newline at end of file
+これは入門用のシンプルな例ですが、より複雑なユースケースで独自の関数と Weave をインテグレーションする方法については、[OpenAI](/ja/weave/guides/integrations/openai#track-your-own-ops) ガイドを参照してください。
diff --git a/ja/weave/guides/integrations/verdict.mdx b/ja/weave/guides/integrations/verdict.mdx
index a4128da534..105a85b676 100644
--- a/ja/weave/guides/integrations/verdict.mdx
+++ b/ja/weave/guides/integrations/verdict.mdx
@@ -1,21 +1,23 @@
---
-title: Verdict
-description: Verdict Evaluation フレームワークと Weave を併用して、 LLM 評価 パイプライン のトレースとモニタリングを行います。
+title: "Verdict"
+description: "Weave と Verdict 評価フレームワークを使用して、LLM 評価パイプラインをトレースおよびモニタリングする"
---
-
-Weave は、[Verdict Python ライブラリ](https://verdict.haizelabs.com/docs/) を介して行われるすべての呼び出しの追跡と ログ を簡単に行えるように設計されています。
+Weave は、[Verdict Python library](https://verdict.haizelabs.com/docs/) を通じて行われるすべての呼び出しの追跡とログ記録を、手間なく行えるように設計されています。
-AI 評価 パイプライン を扱う際、デバッグ は非常に重要です。パイプライン のステップが失敗したり、出力が予期しないものであったり、ネストされた操作が混乱を招いたりする場合、問題の特定は困難を極めることがあります。Verdict アプリケーション は多くの場合、複数の パイプライン ステップ、ジャッジ（判断ロジック）、変換で構成されており、評価 ワークフロー の内部動作を理解することが不可欠です。
+AI 評価パイプラインを扱う際には、デバッグが重要です。パイプラインのステップが失敗したり、出力が予期しないものになったり、ネストされた処理によって混乱が生じたりする場合、問題箇所を特定するのは困難です。Verdict アプリケーションは、多くの場合、複数のパイプラインステップやジャッジ (judge) 、変換処理から構成されるため、評価ワークフローの内部動作を理解することが不可欠です。
-Weave は、[Verdict](https://verdict.readthedocs.io/) アプリケーション の トレース を自動的にキャプチャすることで、このプロセスを簡素化します。これにより、パイプライン のパフォーマンスを監視・分析 でき、AI 評価 ワークフロー の デバッグ や最適化が容易になります。
+Weave は、[Verdict](https://verdict.readthedocs.io/) アプリケーションのトレースを自動的に収集することで、このプロセスを簡素化します。これにより、パイプラインのパフォーマンスをモニタリングおよび分析できるようになり、AI 評価ワークフローのデバッグと最適化が容易になります。
-## クイックスタート
+
+ ## はじめに
+
-まずは、スクリプトの冒頭で `weave.init(project=...)` を呼び出すだけです。`project` 引数 を使用して、`team-name/project-name` で特定の W&B Team 名に ログ を記録するか、`project-name` を指定してデフォルトの チーム / Entity に ログ を記録します。
+開始するには、スクリプトの冒頭で `weave.init(project=...)` を呼び出します。`project` 引数を使って、`team-name/project-name` のように指定することで特定の W&B Team 名にログを記録するか、`project-name` のみを指定してデフォルトの team/entity にログを記録します。
```python lines {7}
import weave
@@ -23,25 +25,27 @@ from verdict import Pipeline
from verdict.common.judge import JudgeUnit
from verdict.schema import Schema
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("verdict_demo")
-# シンプルな評価パイプラインを作成
+# シンプルな評価パイプラインを作成する
pipeline = Pipeline()
pipeline = pipeline >> JudgeUnit().prompt("Rate the quality of this text: {source.text}")
-# サンプルデータを作成
+# サンプルデータを作成する
data = Schema.of(text="This is a sample text for evaluation.")
-# パイプラインを実行 - これは自動的にトレースされます
+# パイプラインを実行する - 自動的にトレースされる
output = pipeline.run(data)
print(output)
```
-## 呼び出しメタデータの追跡
+
+ ## 呼び出しメタデータのトラッキング
+
-Verdict パイプライン の呼び出しから メタデータ を追跡するには、[`weave.attributes`](/weave/reference/python-sdk#function-attributes) コンテキストマネージャを使用できます。このコンテキストマネージャを使用すると、パイプライン の実行や評価バッチなど、特定の コード ブロックに対してカスタム メタデータ を設定できます。
+Verdict パイプライン呼び出しからのメタデータをトラッキングするには、[`weave.attributes`](/ja/weave/reference/python-sdk#function-attributes) コンテキストマネージャーを使用します。このコンテキストマネージャーを使うと、パイプライン run や評価バッチなど、特定のコードブロックに対してカスタム メタデータを設定できます。
```python lines {7,14}
import weave
@@ -49,7 +53,7 @@ from verdict import Pipeline
from verdict.common.judge import JudgeUnit
from verdict.schema import Schema
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("verdict_demo")
pipeline = Pipeline()
@@ -63,25 +67,29 @@ with weave.attributes({"evaluation_type": "sentiment", "batch_id": "batch_001"})
print(output)
```
-Weave は、Verdict パイプライン 呼び出しの トレース に対して自動的に メタデータ を追跡します。メタデータ は Weave の Web インターフェースで確認できます。
+Weave は Verdict パイプライン呼び出しの trace に付随するメタデータを自動的に記録します。メタデータは Weave の Web インターフェースで確認できます。
-## トレース
+
+ ## トレース
+
-AI 評価 パイプライン の トレース を中央データベースに保存することは、開発と プロダクション の両方の段階において極めて重要です。これらの トレース は、貴重な データセット を提供することで、評価 ワークフロー の デバッグ や改善に不可欠な役割を果たします。
+AI 評価パイプラインのトレースを中央データベースに保存することは、開発時と本番運用時の両方で極めて重要です。これらのトレースは、貴重なデータセットを提供することで、評価ワークフローのデバッグや改善に不可欠です。
-Weave は Verdict アプリケーション の トレース を自動的にキャプチャします。Verdict ライブラリを通じて行われる以下のようなすべての呼び出しを追跡し、ログ を記録します。
+Weave は Verdict アプリケーションのトレースを自動的に収集します。Verdict ライブラリ経由で行われたすべての呼び出しを追跡してログに記録し、次の内容が含まれます:
-- パイプライン 実行ステップ
-- ジャッジユニットによる 評価
-- レイヤー変換
-- プーリング操作
-- カスタムユニットおよび変換
+* パイプライン実行ステップ
+* Judge ユニットの評価
+* レイヤーの変換
+* プーリング処理
+* カスタムユニットや変換
-Weave の Web インターフェースで トレース を表示し、パイプライン 実行の階層構造を確認できます。
+トレースは Weave の Web インターフェースで表示でき、パイプライン実行の階層構造を確認できます。
-## パイプライン トレース の例
+
+ ## パイプライントレーシングの例
+
-以下は、Weave がネストされた パイプライン 操作をどのように トレース するかを示す、より複雑な例です。
+次に、Weave がネストされたパイプライン処理をどのようにトレースするかを示す、より複雑な例を紹介します。
```python lines {8}
import weave
@@ -90,10 +98,10 @@ from verdict.common.judge import JudgeUnit
from verdict.transform import MeanPoolUnit
from verdict.schema import Schema
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("verdict_demo")
-# 複数のステップを持つ複雑なパイプラインを作成
+# 複数のステップを持つ複雑なパイプラインを作成する
pipeline = Pipeline()
pipeline = pipeline >> Layer([
JudgeUnit().prompt("Rate coherence: {source.text}"),
@@ -105,32 +113,38 @@ pipeline = pipeline >> MeanPoolUnit()
# サンプルデータ
data = Schema.of(text="This is a comprehensive evaluation of text quality across multiple dimensions.")
-# パイプラインを実行 - すべての操作がトレースされます
+# パイプラインを実行する - すべての操作がトレースされる
result = pipeline.run(data)
print(f"Average score: {result}")
```
-これにより、以下を示す詳細な トレース が作成されます。
-- メインの Pipeline 実行
-- Layer 内の各 JudgeUnit 評価
-- MeanPoolUnit 集計ステップ
-- 各操作のタイミング情報
+これにより、次の内容を含む詳細なトレースが作成されます：
-## 設定
+* メインの Pipeline 実行
+* Layer 内の各 JudgeUnit の評価
+* MeanPoolUnit の集約ステップ
+* 各処理のタイミング情報
-`weave.init()` を呼び出すと、Verdict パイプライン の トレース が自動的に有効になります。この インテグレーション は、`Pipeline.__init__` メソッドをパッチして `VerdictTracer` を挿入し、すべての トレース データを Weave に転送することで動作します。
+
+ ## 設定
+
-追加の設定は不要です。Weave は自動的に以下を行います。
-- すべての パイプライン 操作をキャプチャ
-- 実行タイミングの追跡
-- 入力と出力の ログ 記録
-- トレース の階層構造の維持
-- パイプライン の並列実行の処理
+`weave.init()` を呼び出すと、Verdict パイプラインに対してトレース機能が自動的に有効化されます。このインテグレーションは、`Pipeline.__init__` メソッドにパッチを適用して `VerdictTracer` を挿入し、すべてのトレースデータを Weave に転送することで動作します。
-## カスタムトレーサーと Weave
+追加の設定は不要です。Weave は自動的に次のことを行います:
-アプリケーション でカスタムの Verdict トレーサーを使用している場合でも、Weave の `VerdictTracer` はそれらと併用できます。
+* すべてのパイプライン操作をキャプチャします
+* 実行時間をトラッキングします
+* 入力と出力をログに記録します
+* トレースの階層構造を維持します
+* パイプラインの同時実行を処理します
+
+
+ ## カスタムトレーサーと Weave
+
+
+アプリケーションでカスタムの Verdict トレーサーを使用している場合、Weave の `VerdictTracer` をそれらと一緒に利用できます。
```python lines {8}
import weave
@@ -139,27 +153,29 @@ from verdict.common.judge import JudgeUnit
from verdict.util.tracing import ConsoleTracer
from verdict.schema import Schema
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("verdict_demo")
-# Verdictの内蔵トレーサーも引き続き使用可能
+# Verdict の組み込みトレーサーも引き続き使用できる
console_tracer = ConsoleTracer()
-# Weave（自動）と Console トレースの両方を使用してパイプラインを作成
-pipeline = Pipeline(tracer=[console_tracer]) # Weaveトレーサーは自動的に追加されます
+# Weave（自動）とコンソールの両方でトレーシングするパイプラインを作成する
+pipeline = Pipeline(tracer=[console_tracer]) # Weave トレーサーは自動的に追加される
pipeline = pipeline >> JudgeUnit().prompt("Evaluate: {source.text}")
data = Schema.of(text="Sample evaluation text")
-# これにより Weave とコンソールの両方にトレースされます
+# Weave とコンソールの両方にトレースする
result = pipeline.run(data)
```
-## Models と Evaluations
+
+ ## Models と Evaluations
+
-複数の パイプライン コンポーネントを持つ AI システムを整理し評価することは困難な場合があります。[`weave.Model`](/weave/guides/core-types/models) を使用すると、プロンプト、パイプライン 設定、評価 パラメータ などの実験の詳細をキャプチャして整理でき、異なるイテレーションの比較が容易になります。
+複数のパイプラインコンポーネントを持つ AI システムを整理して評価するのは、難しい場合があります。[`weave.Model`](/ja/weave/guides/core-types/models) を使用すると、プロンプトやパイプライン設定、評価パラメーターなどの実験の詳細を記録・整理できるため、さまざまなイテレーションを比較しやすくなります。
-次の例では、Verdict パイプライン を `WeaveModel` でラップする方法を示します。
+次の例は、Verdict パイプラインを `WeaveModel` でラップする方法を示しています。
```python lines {8,10,14}
import asyncio
@@ -168,7 +184,7 @@ from verdict import Pipeline
from verdict.common.judge import JudgeUnit
from verdict.schema import Schema
-# プロジェクト名で Weave を初期化
+# プロジェクト名で Weave を初期化する
weave.init("verdict_demo")
class TextQualityEvaluator(weave.Model):
@@ -198,17 +214,19 @@ text = "This is a well-written and informative piece of content that provides cl
prediction = asyncio.run(model.predict(text))
-# Jupyter Notebook の場合は以下を実行:
+# Jupyter Notebook を使用している場合は、次を実行してください:
# prediction = await model.predict(text)
print(prediction)
```
-この コード は Weave UI で視覚化可能な モデル を作成し、パイプライン 構造と 評価 結果の両方を表示します。
+このコードは Weave UI 上で可視化できるモデルを作成し、パイプライン構造と評価結果の両方を表示します。
-### Evaluations
+
+ ### 評価
+
-Evaluations（評価）は、評価 パイプライン 自体のパフォーマンスを測定するのに役立ちます。[`weave.Evaluation`](/weave/guides/core-types/evaluations) クラスを使用することで、特定のタスクや データセット に対して Verdict パイプライン がどの程度良好に機能するかをキャプチャできます。
+評価は、評価パイプライン自体の性能を測定するのに役立ちます。[`weave.Evaluation`](/ja/weave/guides/core-types/evaluations) クラスを使用すると、特定のタスクやデータセットに対して Verdict パイプラインがどの程度うまく機能しているかを把握できます。
```python lines {8}
import asyncio
@@ -217,10 +235,10 @@ from verdict import Pipeline
from verdict.common.judge import JudgeUnit
from verdict.schema import Schema
-# Weave を初期化
+# Weave を初期化する
weave.init("verdict_demo")
-# 評価モデルを作成
+# 評価モデルを作成する
class SentimentEvaluator(weave.Model):
@weave.op()
async def predict(self, text: str) -> dict:
@@ -261,18 +279,23 @@ evaluation = weave.Evaluation(
)
scores = asyncio.run(evaluation.evaluate(model))
-# Jupyter Notebook の場合は以下を実行:
+# Jupyter Notebook を使用している場合は、次を実行してください:
# scores = await evaluation.evaluate(model)
print(scores)
```
-これにより、Verdict パイプライン がさまざまなテストケースでどのように機能するかを示す 評価 トレース が作成されます。
+これにより、さまざまなテストケースにおける Verdict パイプラインの動作を可視化する evaluation trace が作成されます。
-## ベストプラクティス
+
+ ## ベストプラクティス
+
-### パフォーマンス監視
-Weave は、すべての パイプライン 操作のタイミング情報を自動的にキャプチャします。これを使用して、パフォーマンスのボトルネックを特定できます。
+
+ ### パフォーマンス監視
+
+
+Weave は、パイプライン内のすべての処理についてタイミング情報を自動的に取得します。これを利用して、パフォーマンスのボトルネックを特定できます。
```python lines {6}
import weave
@@ -282,23 +305,26 @@ from verdict.schema import Schema
weave.init("verdict_demo")
-# パフォーマンスにばらつきが出る可能性のあるパイプラインを作成
+# パフォーマンスにばらつきが生じる可能性のあるパイプラインを作成する
pipeline = Pipeline()
pipeline = pipeline >> Layer([
JudgeUnit().prompt("Quick evaluation: {source.text}"),
- JudgeUnit().prompt("Detailed analysis: {source.text}"), # こちらの方が遅い可能性があります
+ JudgeUnit().prompt("Detailed analysis: {source.text}"), # これは処理が遅くなる可能性がある
], 2)
data = Schema.of(text="Sample text for performance testing")
-# タイミングのパターンを確認するために複数回実行
+# タイミングパターンを確認するために複数回実行する
for i in range(3):
with weave.attributes({"run_number": i}):
result = pipeline.run(data)
```
-### エラー処理
-Weave は、パイプライン の実行中に発生した例外を自動的にキャプチャします。
+
+ ### エラー処理
+
+
+Weave はパイプライン実行中に発生する例外を自動的に捕捉します。
```python lines {6}
import weave
@@ -309,7 +335,7 @@ from verdict.schema import Schema
weave.init("verdict_demo")
pipeline = Pipeline()
-pipeline = pipeline >> JudgeUnit().prompt("Process: {source.invalid_field}") # これによりエラーが発生します
+pipeline = pipeline >> JudgeUnit().prompt("Process: {source.invalid_field}") # これはエラーを引き起こします
data = Schema.of(text="Sample text")
@@ -317,7 +343,7 @@ try:
result = pipeline.run(data)
except Exception as e:
print(f"Pipeline failed: {e}")
- # エラー詳細は Weave トレースにキャプチャされます
+ # エラーの詳細は Weave トレースにキャプチャされます
```
-Weave を Verdict と統合することで、AI 評価 パイプライン に対する包括的なオブザーバビリティが得られ、評価 ワークフロー の デバッグ、最適化、理解が容易になります。
\ No newline at end of file
+Weave を Verdict と統合することで、AI 評価パイプラインに対する包括的な可観測性を得られ、評価ワークフローのデバッグ、最適化、理解が容易になります。
diff --git a/ja/weave/guides/integrations/verifiers.mdx b/ja/weave/guides/integrations/verifiers.mdx
index d541d44d80..2b48d509e3 100644
--- a/ja/weave/guides/integrations/verifiers.mdx
+++ b/ja/weave/guides/integrations/verifiers.mdx
@@ -1,46 +1,50 @@
---
-title: ベリファイア
-description: Weave を使用して Verifiers RL 環境や LLM agent のトレーニングを追跡・デバッグし、多層的な会話、評価ロールアウト、モデルのパフォーマンスメトリクスをキャプチャすることで、強化学習ワークフローの包括的なオブザーバビリティを実現します。
+title: Verifiers
+description: "Weave を使用して Verifiers RL 環境と LLM エージェントのトレーニングを追跡・デバッグし、複数ラウンドの会話、評価ロールアウト、およびモデルのパフォーマンス メトリクスをキャプチャして、強化学習ワークフローの包括的な可観測性を実現します。"
---
-[Verifiers](https://github.com/willccbb/verifiers) は、強化学習（RL）環境の構築と LLM エージェントのトレーニングのためのモジュール式コンポーネントライブラリです。Verifiers で構築された環境は、LLM の評価、合成データパイプライン、あらゆる OpenAI 互換エンドポイントのエージェントハーネス、および RL トレーニングとして機能します。
+[Verifiers](https://github.com/willccbb/verifiers) は、Reinforcement Learning (RL) 環境を作成し、LLM エージェントをトレーニングするためのモジュール式コンポーネントのライブラリです。Verifiers で構築された環境は、LLM 評価、合成データパイプライン、任意の OpenAI 互換エンドポイント向けのエージェントハーネス、そして RL トレーニングとして利用できます。
-W&B を使用してトレーニングメトリクスを記録するだけでなく、Weave を Verifiers の RL ワークフローに統合することで、トレーニング中のモデルのパフォーマンスに関するオブザーバビリティ（可観測性）を得ることができます。Weave は各ステップの入力、出力、タイムスタンプを記録するため、各ターンでデータがどのように変換されるかを確認したり、複雑なマルチラウンドの会話をデバッグしたり、トレーニング結果を最適化したりすることができます。
+トレーニング メトリクスを記録するために W&B を使用することに加えて、Weave を Verifiers の RL ワークフローと統合することで、トレーニング中にモデルがどのように動作しているかを可視化できます。Weave は各ステップの入力、出力、タイムスタンプを記録するため、各段階でデータがどのように変換されるかを確認し、複雑なマルチラウンドの会話をデバッグし、トレーニング結果を最適化できます。
-また、Weave と Verifiers を組み合わせて 評価（Evaluations）を実行することも可能です。
+また、Weave と Verifiers を組み合わせて評価を実行することもできます。
-このガイドでは、Verifiers、W&B、Weave のインストール方法を説明し、Verifiers を Weave および W&B と共に使用する 2 つの例を紹介します。
+このガイドでは、Verifiers、W&B、Weave のインストール方法を説明し、Verifiers を Weave および W&B と一緒に使用する 2 つの例を紹介します。
-## はじめに
+
+ ## はじめに
+
-Verifiers と Weave を統合するには、まず `uv` を使用して Verifiers ライブラリをインストールします（[ライブラリの作者によって推奨されています](https://github.com/willccbb/verifiers?tab=readme-ov-file#setup)）。以下のコマンドのいずれかを使用してライブラリをインストールしてください。
+Verifiers を Weave と統合するには、まず `uv` を使って Verifiers ライブラリをインストールします ([`uv` はライブラリの作者により推奨されています](https://github.com/willccbb/verifiers?tab=readme-ov-file#setup)) 。次のいずれかのコマンドを使用してライブラリをインストールします。
```bash
# ローカル開発および API ベースのモデル向けのコアライブラリをインストール
uv add verifiers
-# PyTorch や GPU サポートを含む、すべてのオプションの依存関係を含むフルバージョンをインストール
+# PyTorch および GPU サポートを含む、すべてのオプション依存関係を備えたライブラリのフルバージョンをインストール
uv add 'verifiers[all]' && uv pip install flash-attn --no-build-isolation
-# GitHub から直接最新バージョンをインストール（未リリースの最新機能や修正を含む）
+# 未リリースの最新機能およびバグ修正を含む、ライブラリの最新バージョンを GitHub から直接インストール
uv add verifiers @ git+https://github.com/willccbb/verifiers.git
```
-次に、Weave と W&B をインストールします。
+次に Weave と W&B をインストールします：
```bash
uv pip install weave wandb
```
-Weave は、デフォルトでこのライブラリに対して [暗黙的なパッチ適用（implicit patching）](/weave/guides/integrations#automatic-implicit-patching) を有効にします。これにより、パッチ関数を明示的に呼び出すことなく、Verifiers で Weave を使用できます。
+Weave はデフォルトでこのライブラリに対して [implicit patching](/ja/weave/guides/integrations#automatic-implicit-patching) を有効にします。これにより、明示的に call patch 関数を呼び出すことなく、Verifiers と共に Weave を使用できます。
-### ロールアウトのトレースと評価
+
+ ### rollout をトレースして評価する
+
-必要なライブラリをインストールしたら、Weave と Verifiers を併用してコールの トレース（Traces）や 評価（Evaluations）を実行できます。
+必要なライブラリをインストールしたら、Weave と Verifiers を組み合わせてコールをトレースし、評価を実行できます。
-以下のサンプルスクリプトは、Verifiers で評価を実行し、その結果を Weave に ログ（log）する方法を示しています。このスクリプトは、[GSM8K データセット](https://huggingface.co/datasets/openai/gsm8k) を使用して LLM が数学の問題を解く能力をテストします。GPT-4 に 2 つの数学の問題を解かせ、各回答から数値を抽出し、Verifiers を評価フレームワークとして使用してその試行を採点します。
+次のサンプルスクリプトは、Verifiers を使って評価を実行し、その結果を Weave にログする方法を示しています。スクリプトは [GSM8K データセット](https://huggingface.co/datasets/openai/gsm8k) を使って、LLM が数学の問題を解けるかどうかをテストします。GPT-4 に 2 問の数学の問題を解かせ、それぞれの応答から数値部分を抽出し、Verifiers を評価フレームワークとして用いて各試行を採点します。
サンプルを実行し、Weave で結果を確認してください。
@@ -52,7 +56,7 @@ import weave
os.environ["OPENAI_API_KEY"] = ""
-# Weave を初期化
+# Weave を初期化する
weave.init("verifiers_demo")
# 最小限のシングルターン環境
@@ -78,17 +82,19 @@ results = env.evaluate(
)
```
-### 実験管理とトレースを用いたモデルのファインチューン
+
+ ### 実験管理とトレースを用いてモデルをファインチューニングする
+
-Weave は、トレーニング中のモデルの挙動に関する洞察を提供することで、RL のファインチューンワークフローにおける強力なツールとなります。W&B と併用することで、包括的なオブザーバビリティが得られます。W&B はトレーニングメトリクスとパフォーマンスチャートを追跡し、Weave はトレーニングプロセス中の各インタラクションの詳細な トレース（Traces）をキャプチャします。
+Weave は、トレーニング中の モデル の性能に関するインサイトを提供することで、RL ファインチューニングのワークフローにおいて強力なツールになります。W&B と併用すると、包括的なオブザーバビリティが得られます。W&B はトレーニングのメトリクスやパフォーマンスチャートを追跡し、Weave はトレーニング プロセス中の各インタラクションの詳細なトレースを取得します。
-`verifiers` リポジトリには、すぐに実行できる [例](https://github.com/willccbb/verifiers/tree/main/examples/grpo) が用意されています。
+`verifiers` リポジトリには、導入に役立つすぐに実行可能な [examples](https://github.com/PrimeIntellect-ai/verifiers) が含まれています。
-以下の RL トレーニングパイプラインの例では、ローカルの推論サーバーを実行し、GSM8K データセットを使用してモデルをトレーニングします。モデルは数学の問題に対する回答を返し、トレーニングループは出力をスコアリングしてそれに応じてモデルを更新します。W&B は損失、報酬、精度などのトレーニングメトリクスを記録し、Weave は入力、出力、推論過程、およびスコアリングをキャプチャします。
+次の例では、RL のトレーニング パイプラインがローカル推論サーバーを実行し、GSM8K データセットを使って モデル をトレーニングします。モデルは数学の問題への回答を返し、トレーニングループがその出力にスコアを付け、それに応じて モデル を更新します。W&B は loss、reward、accuracy などのトレーニング メトリクスをログし、Weave は入力、出力、推論過程、およびスコアリングを取得します。
-このパイプラインを使用するには：
+このパイプラインを利用するには:
-1. ソースからフレームワークをインストールします。以下のコマンドで GitHub から Verifiers ライブラリと必要な依存関係をインストールします。
+1. ソースからフレームワークをインストールします。次のコマンドは、GitHub から Verifiers ライブラリと必要な依存関係をインストールします:
```bash
git clone https://github.com/willccbb/verifiers
@@ -96,38 +102,40 @@ cd verifiers
uv sync --all-extras && uv pip install flash-attn --no-build-isolation
```
-2. 既成の環境をインストールします。以下のコマンドで、事前設定済みの GSM8K トレーニング環境をインストールします。
+2. 既製の環境をインストールします。次のコマンドで、あらかじめ設定された GSM8K トレーニング環境をインストールします。
```bash
vf-install gsm8k --from-repo
```
-3. モデルをトレーニングします。以下のコマンドは、それぞれ推論サーバーとトレーニングループを ローンチ（Launch）します。このサンプルワークフローではデフォルトで `report_to=wandb` が設定されているため、別途 `wandb.init` を呼び出す必要はありません。W&B にメトリクスを記録するために、このマシンの認証を求められます。
+3. モデルをトレーニングします。次のコマンドは、それぞれ inference サーバーとトレーニングループを起動します。このワークフローの例では、デフォルトで `report_to=wandb` が設定されているため、別途 `wandb.init` を呼び出す必要はありません。メトリクスを W&B に記録するために、このマシンを認証するよう求められます。
```bash
-# 推論サーバーを実行
+# 推論サーバーを起動する
CUDA_VISIBLE_DEVICES=0 vf-vllm --model willcb/Qwen3-0.6B --enforce-eager --disable-log-requests
-# トレーニングループを実行
+# トレーニングループを起動する
CUDA_VISIBLE_DEVICES=1 accelerate launch --num-processes 1 --config-file configs/zero3.yaml examples/grpo/train_gsm8k.py
```
-この例は 2xH100 で正常にテストされました。安定性を高めるために、以下の環境変数を設定しています。
+ このサンプルは 2 基の H100 GPU 上で正常に動作することを確認しており、安定性を高めるために次の環境変数を設定しました:
-```bash
-# ローンチ前に、両方のシェル（サーバーとトレーナー）で実行
-export NCCL_CUMEM_ENABLE=0
-export NCCL_CUMEM_HOST_ENABLE=0
-```
+ ```bash
+ # 起動する前に、server と trainer の両方のシェルで実行
+ export NCCL_CUMEM_ENABLE=0
+ export NCCL_CUMEM_HOST_ENABLE=0
+ ```
-これらの変数は、デバイスメモリ割り当てのための CUDA Unified Memory (CuMem) を無効にします。
+ これらの変数は、デバイスメモリ確保における CUDA Unified Memory (CuMem) を無効化します。
-トレーニングが開始されると、UI で run 中にログ記録された [トレースを確認](/weave/guides/tools/weave-in-workspaces) できます。
+トレーニングが開始したら、UI で run 中に記録された [トレースを確認](/ja/weave/guides/tools/weave-in-workspaces)できます。
-トレースでは、`Environment.a_generate` および `Rubric.score_rollouts` メソッドの `logprobs` が除外されます。これにより、トレーニング用のオリジナルデータはそのままに、ペイロードサイズを小さく抑えています。
+トレースには `Environment.a_generate` と `Rubric.score_rollouts` メソッドの `logprobs` は含まれません。これは、トレーニング用の元データはそのまま保持しつつ、ペイロードのサイズを小さく保つためです。
-## 関連項目
+
+ ## 関連項目
+
-Verifiers は W&B Models との強力なインテグレーションを備えています。詳細は [Monitoring](https://verifiers.readthedocs.io/en/latest/training.html#monitoring) を参照してください。
\ No newline at end of file
+Verifiers は W&B Models と第一級のインテグレーションを提供しています。詳細は [Verifiers リポジトリ](https://github.com/PrimeIntellect-ai/verifiers) を参照してください。
\ No newline at end of file
diff --git a/ja/weave/guides/platform.mdx b/ja/weave/guides/platform.mdx
index a70eb5d4f5..ed6bfe390e 100644
--- a/ja/weave/guides/platform.mdx
+++ b/ja/weave/guides/platform.mdx
@@ -1,47 +1,55 @@
---
-title: デプロイメント オプションとセキュリティ機能
-description: Weave の deployment オプション、IAM 管理、およびデータセキュリティ機能について説明します。
+title: "デプロイオプションとセキュリティ機能"
+description: "Weave のデプロイオプション、IAM 管理、およびデータセキュリティ機能について説明します。"
---
-Weave は以下のデプロイメントオプションで利用可能です：
+Weave は、以下のデプロイオプションで利用できます。
-- **[W&B Multi-tenant Cloud](https://docs.wandb.ai/platform/hosting/hosting-options/multi_tenant_cloud):** 北米リージョンの W&B の Google Cloud Platform (Google Cloud) アカウントにデプロイされた、マルチテナントの完全管理型プラットフォーム。
-- **[W&B Dedicated Cloud](https://docs.wandb.ai/platform/hosting/hosting-options/dedicated_cloud):** AWS、Google Cloud、Azure で一般提供されています。
-- **[Self-Managed instances](/weave/guides/platform/weave-self-managed):** Weave を独自にホストすることを希望する Teams 向けに、デプロイメントオプションを評価するためのガイダンスを W&B チームから提供しています。
+* **[W&B Multi-tenant Cloud](https://docs.wandb.ai/platform/hosting/hosting-options/multi_tenant_cloud):** 北米リージョンにある W&B の Google Cloud Platform (Google Cloud) アカウントにデプロイされた、マルチテナント型の完全マネージドプラットフォームです。
+* **[W&B Dedicated Cloud](https://docs.wandb.ai/platform/hosting/hosting-options/dedicated-cloud):** AWS、Google Cloud、Azure で一般提供されている専用クラウドです。
+* **[Self-Managed instances](/ja/weave/guides/platform/weave-self-managed):** Weave を独自にホストしたいチーム向けに、デプロイオプションを評価するためのガイダンスを W&B チームが提供しています。
-## アイデンティティとアクセス管理
+
+ ## アイデンティティとアクセス管理
+
-[W&B Organization](/platform/hosting/iam/org_team_struct#organization) における安全な認証と効果的な認可のために、アイデンティティおよびアクセス管理機能を利用してください。Weave の Users は、デプロイメントオプションと [料金プラン](https://wandb.ai/site/pricing/) に応じて、以下の機能を利用できます：
+[W&B Organization](/ja/platform/hosting/iam/org_team_struct#organization) のアイデンティティおよびアクセス管理機能を使用して、安全な認証と効果的な認可を実現します。以下の機能は、デプロイオプションおよび [料金プラン](https://wandb.ai/site/pricing/) に応じて Weave ユーザーが利用できます。
-- **シングルサインオン (SSO) を使用した認証:** Google や Github などのパブリックな ID プロバイダーのほか、Okta、Azure Active Directory などのエンタープライズプロバイダーを [OIDC を使用して](/platform/hosting/iam/sso) 利用可能です。
-- **[チームベースの論理的分離](/platform/app/settings-page/teams):** 各 Team は、組織内のビジネスユニット、部門、またはプロジェクトチームに対応させることができます。
-- **W&B Projects を使用したイニシアチブの整理:** Team 内でイニシアチブを整理し、機密性の高いコラボレーションのための `restricted` スコープを含む、必要な [公開範囲](/platform/hosting/iam/access-management/restricted-projects) を設定します。
-- **ロールベースのアクセス制御:** [Team](/platform/hosting/iam/access-management/restricted-projects#assign-project-level-role-to-a-user) または [Project](/platform/hosting/iam/access-management/restricted-projects#assign-project-level-role-to-a-user) レベルでアクセス権を設定し、Users が必要最小限の原則に基づいてデータにアクセスできるようにします。
-- **スコープ指定されたサービスアカウント:** 組織または Team にスコープを絞ったサービスアカウントを使用して、Gen AI ワークフローを自動化します。
-- **[SCIM API および Python SDK](/platform/hosting/iam/automate_iam):** SCIM API と Python SDK を使用して、Users と Teams を効率的に管理します。
+* **シングルサインオン (SSO) を使用した認証:** Google や Github などのパブリックなアイデンティティプロバイダーに加え、Okta、Azure Active Directory などのエンタープライズプロバイダーにも対応しており、[OIDC を利用して設定](/ja/platform/hosting/iam/sso) できます。
+* **[チームベースの論理的分離](/ja/platform/app/settings-page/teams):** 各チームは、組織内の事業部門、部署、またはプロジェクトチームに対応させることができます。
+* **W&B Projects を使用してイニシアチブを整理:** チーム内のイニシアチブを整理し、機密性の高いコラボレーション向けの `restricted` scope を含め、必要な [公開範囲](/ja/platform/hosting/iam/access-management/restricted-projects) を設定します。
+* **ロールベースのアクセス制御:** [チーム](/ja/platform/hosting/iam/access-management/restricted-projects#assign-project-level-role-to-a-user) または [プロジェクト](/ja/platform/hosting/iam/access-management/restricted-projects#assign-project-level-role-to-a-user) 単位でアクセス権を設定し、ユーザーが必要なデータのみにアクセスできるようにします。
+* **スコープ付きサービスアカウント:** 組織またはチームをスコープとするサービスアカウントを使用して、生成 AI ワークフローを自動化します。
+* **[SCIM API と Python SDK](/ja/platform/hosting/iam/automate_iam):** SCIM API と Python SDK を使用して、ユーザーおよびチームを効率的に管理します。
-## データセキュリティ
+
+ ## データセキュリティ
+
-- **SaaS Cloud:** すべての Weave ユーザーのデータは、共有の Clickhouse Cloud クラスターに保存され、クラウドネイティブの暗号化を使用して暗号化されます。共有コンピューティングサービスがデータを処理し、W&B の組織、Team、および Project で構成されるセキュリティコンテキストを通じて分離を確保します。
+* **SaaS クラウド:** すべての Weave ユーザーのデータは、クラウドネイティブな暗号化を用いて暗号化された共有の Clickhouse Cloud クラスターに保存されます。共有のコンピュートサービスがデータを処理し、W&B の organization、team、project から成るセキュリティコンテキストにより分離を確保します。
-- **Dedicated Cloud:** データは、選択したクラウドおよびリージョンの専用 Clickhouse Cloud クラスターに保存されます。独自のコンピューティング環境でデータが処理され、以下の追加保護が提供されます：
- - **[IP 許可リスト](/platform/hosting/data-security/ip-allowlisting):** 特定の IP アドレスからインスタンスへのアクセスを認可します。これはオプション機能です。
- - **[プライベート接続](/platform/hosting/data-security/private-connectivity):** クラウドプロバイダーのプライベートネットワークを介してデータを安全にルーティングします。これはオプション機能です。
- - **[データの暗号化](/platform/hosting/data-security/data-encryption):** W&B は、W&B 管理の独自の暗号化キーを使用して、保管中のデータを暗号化します。
- - **Clickhouse クラスターのセキュリティ:** W&B は、クラウドプロバイダーのプライベートネットワークを介して Dedicated Cloud インスタンス用の専用 Clickhouse Cloud クラスターに接続します。また、Clickhouse のファイルレベルの暗号化を活用しつつ、W&B 管理の独自の暗号化キーを使用してクラスターを暗号化します。
+* **専用クラウド:** データは、任意に選択したクラウドおよびリージョン内の一意の Clickhouse Cloud クラスターに保存されます。一意のコンピュート環境がデータを処理し、さらに次のような追加の保護が適用されます。
+ * **[IP allowlisting](/ja/platform/hosting/data-security/ip-allowlisting):** 特定の IP アドレスからのみインスタンスへのアクセスを許可します。これはオプション機能です。
+ * **[Private connectivity](/ja/platform/hosting/data-security/private-connectivity):** クラウドプロバイダーのプライベートネットワークを経由してデータを安全にルーティングします。これはオプション機能です。
+ * **[Data encryption](/ja/platform/hosting/data-security/data-encryption):** W&B は、W&B が管理する一意の暗号鍵を使用して、保存データ (data at rest) を暗号化します。
+ * **Clickhouse クラスターのセキュリティ:** W&B は、クラウドプロバイダーのプライベートネットワーク経由で、Dedicated Cloud インスタンス専用の一意の Clickhouse Cloud クラスターに接続します。さらに、Clickhouse のファイルレベル暗号化を活用しつつ、W&B が管理する一意の暗号鍵を用いてクラスター自体も暗号化します。
-[W&B プラットフォームのセキュアストレージコネクタまたは BYOB](/platform/hosting/data-security/secure-storage-connector) は、Weave では利用できません。
+ [The W&B Platform secure storage connector or BYOB](/ja/platform/hosting/data-security/secure-storage-connector) は Weave では利用できません。
-## メンテナンス
+
+ ## メンテナンス
+
-SaaS Cloud または Dedicated Cloud で Weave を使用する場合、W&B プラットフォームは完全に管理されているため、プロビジョニング、運用、およびメンテナンスのオーバーヘッドやコストを回避できます。
+SaaS Cloud または Dedicated Cloud で Weave を利用している場合は、W&B プラットフォームが完全マネージドで提供されるため、プロビジョニング、運用、および保守に伴うオーバーヘッドやコストを抑えられます。
-## コンプライアンス
+
+ ## コンプライアンス
+
-SOC 2 レポートやその他のセキュリティ・コンプライアンスドキュメントをリクエストするには、[W&B Security Portal](https://security.wandb.ai/) を参照するか、詳細について W&B チームにお問い合わせください。
+ SOC 2 レポートやその他のセキュリティ／コンプライアンス関連文書を請求するには、[W&B Security Portal](https://security.wandb.ai/) を参照するか、詳細について W&B チームにお問い合わせください。
-SaaS Cloud と Dedicated Cloud の両方のセキュリティ管理策は、定期的かつ内部および外部で監査されています。両プラットフォームとも SOC 2 Type II に準拠しています。さらに、Dedicated Cloud は、生成 AI アプリケーションを構築しながら PHI（保護対象保健情報）データを管理する組織向けに、HIPAA に準拠しています。
\ No newline at end of file
+SaaS Cloud と専用クラウドの両方のセキュリティ管理策は、社内外で定期的に監査を受けています。両プラットフォームは SOC 2 Type II に準拠しています。さらに、専用クラウドは、生成 AI アプリの構築時に PHI データを扱う組織向けに HIPAA に準拠しています。
\ No newline at end of file
diff --git a/ja/weave/guides/platform/weave-projects.mdx b/ja/weave/guides/platform/weave-projects.mdx
new file mode 100644
index 0000000000..d02af127c4
--- /dev/null
+++ b/ja/weave/guides/platform/weave-projects.mdx
@@ -0,0 +1,115 @@
+---
+title: "Weave Projects を管理する"
+description: "Weave プロジェクトを使用して、traces、prompts、evaluations、モデル、ダッシュボードなどの関連アセットを整理します。"
+---
+
+Weave プロジェクトは、traces、evaluations、モデル、データセット、その他の Weave アセットなど、関連するアセットを整理された状態に保ちます。プロジェクトを利用することで、チーム内の情報を整理しやすくなり、共同作業や共有を円滑にし、時間の経過とともに変化する LLM アプリケーションの進化を追跡できるようになります。
+
+
+ ## プロジェクトリソース
+
+
+プロジェクトには次のリソースが保存されます。
+
+| リソース | 説明 |
+| --- | --- |
+| **Traces** | 個々の LLM 呼び出し、関数実行、およびアプリケーションフローであり、入力・出力・レイテンシ・トークン使用量を記録してデバッグや分析に利用します。 [Traces](/ja/weave/guides/tracking/tracing) を参照してください。|
+| **Evaluations** | スコアリング関数を使ってモデルの品質、精度、その他のメトリクスを測定し、データセットに対するモデルの性能を比較するテスト結果です。 [Evaluations](/ja/weave/guides/core-types/evaluations) を参照してください。 |
+| **Monitors** | 本番環境で時間の経過に伴う品質メトリクスを追跡するために、LLM-as-a-judge スコアラーを用いて一部の関数呼び出しを自動でスコアリングするバックグラウンドプロセスです。 [Monitors](/ja/weave/guides/evaluation/monitors) を参照してください。 |
+| **Leaderboards** | 異なる評価 run 間でモデルの性能をランク付けして比較し、最も性能の高い設定を特定できるようにする機能です。 [Leaderboards](/ja/weave/guides/core-types/leaderboards) を参照してください。 |
+| **Threads** | 関連する呼び出しを共通のスレッド ID の下にまとめ、ユーザーとの一連のインタラクション全体を分析できるようにするマルチターン会話およびセッションベースのワークフローです。 [Threads](/ja/weave/guides/tracking/threads) を参照してください。 |
+| **Assets** | **Assets** タブでは、プロジェクト内のバージョン管理されたオブジェクトを保存・整理します。**Models**: プロンプト、パラメーター、および設定を保持し、再現性と比較のために変更履歴を自動追跡するバージョン付きのモデル定義です。 [Models](/ja/weave/guides/core-types/models) を参照してください。 **Datasets**: ダウンロード、閲覧、評価の実行に利用できるテスト例のコレクションで、Weave オブジェクトとして保存されます。 [Datasets](/ja/weave/guides/core-types/datasets) を参照してください。 **Prompts**: テストやモデル設定で再利用できる、バージョン管理されたシステムプロンプトです。 [Prompts](/ja/weave/guides/core-types/prompts) を参照してください。 **Scorers**: モデルの入力と出力を評価し、品質、安全性、あるいはカスタムメトリクスを測定する関数です。 [Scorers](/ja/weave/guides/evaluation/scorers) を参照してください。 **Ops**: `@weave.op()` でデコレートされ、自動でバージョン管理および追跡される関数で、呼び出しを生成し、関数の変更履歴を保持します。 [Ops](/ja/weave/guides/tracking/ops) を参照してください。 **その他のオブジェクトとメタデータ**: プロジェクト内に保存される、追加の Weave オブジェクト、カスタム型、および関連メタデータです。
+ ## プロジェクトパス
+
+
+[Teams](/ja/platform/hosting/iam/org_team_struct#team) (Entities とも呼ばれます) は、W&B 組織内のプロジェクトを所有し管理します。チーム名とプロジェクト名を組み合わせたものが、W&B UI におけるプロジェクトへのパスになります。このパスは、コード内で Weave リソースをそのプロジェクトに関連付ける際にも使用します。
+
+例えば、チーム名が `my-team`、プロジェクト名が `my-project` の場合、プロジェクトへのパスは次のようになります:
+
+```
+my-team/my-project
+```
+
+コードで Weave を初期化する際にはこのパスを指定し、アプリのデータをそのプロジェクトに関連付けます。
+
+```
+weave.init('my-team/my-project')
+```
+
+
+ ## プロジェクトの作成と検索
+
+
+W&B UI を使用するか、コード内で新しいプロジェクト パスを設定して Weave プロジェクトを作成できます。
+
+
+
+ W&B UI を使用して新しいプロジェクトを作成するには、次の手順を実行します。
+
+ 1. [wandb.ai](https://wandb.ai) に移動します。
+ 2. **New project** を選択します。**Create a new project** モーダルダイアログが開きます。
+ 3. モーダルで次のフィールドを設定します。
+ * **Team**: このプロジェクトを関連付ける既存のチーム。
+ * **Name**: プロジェクトの名前。
+ * **Project visibility**: プロジェクトを閲覧および編集できるユーザーの公開範囲。
+ * **Description**: (任意) プロジェクトの目的を追跡および整理しやすくするための短い説明。
+ 4. 必要なフィールドを設定したら、**Create project** を選択します。プロジェクトが作成されます。
+
+ 作成したばかりのプロジェクトを探すには、左上隅の **Weights & Biases ロゴ** を選択して **Global navigation** メニューを開きます。メニューには、直近のプロジェクトと所属しているチームが一覧表示され、コンテキストをすばやく切り替えることができます。対象のプロジェクトを選択すると、そのプロジェクトのワークスペースが開きます。
+
+ または、右上の自分の名前の下にあるメニューから **Profile** を開きます。**Projects** タブには、すべてのプロジェクトが一覧表示されます。
+
+ 新しいプロジェクトのワークスペースを開くと、UI には W&B Models と W&B Weave の両方のクイックスタートが表示されます。プロジェクトのツールバーには、それぞれのプロダクト用のツールも用意されています。コードを通じて Weave データをプロジェクトに関連付けると、サイドナビには Weave ツールのみが表示され、Weave ダッシュボードが利用可能になります。
+
+
+
+ コードから直接 Weave プロジェクトを作成するには、`weave.init()` の引数として新しいプロジェクト パスを指定します。
+
+
+ ```python
+ import weave
+
+ weave.init('my-team/my-llm-app')
+ ```
+
+ ```typescript
+ import * as weave from 'weave';
+
+ await weave.init('my-team/my-llm-app');
+ ```
+
+
+ コードを実行すると、Weave が W&B アカウント内に新しいプロジェクトを作成し、その run からの該当データをプロジェクトにアップロードします。Weave はそのプロジェクトを Weave プロジェクト (W&B Models プロジェクトではない) としても構成し、UI のサイドナビには Weave ツールのみが表示されます。
+
+
+
+
+ ## UI でプロジェクトを表示する
+
+
+Weave UI でプロジェクトにアクセスするには：
+
+1. [wandb.ai](https://wandb.ai) に移動します。
+2. 左上の **Weights & Biases logo** をクリックして **Global navigation menu** を開き、**Projects** サイドバーから自分のプロジェクトを選択します。これにより、そのプロジェクトの概要ページが開きます。すでにトレースをそのプロジェクトにログしている場合は、代わりに **Traces** ページが開きます。
+3. 概要ページからは、次のことができます：
+ * プロジェクトにログされたトレースの数や、プロジェクトが使用しているストレージ量など、プロジェクトの統計情報を確認します。
+ * サイドバーを使用して、トレース、評価、その他のリソースに移動します。
+ * 最近ログされたトレース、評価、モデル、データセットに移動します。
+
+
+ ## プロジェクトを削除する
+
+
+W&B アカウントからプロジェクトを削除するには、次の手順を実行します。
+
+1. [wandb.ai](https://wandb.ai) に移動します。
+2. **Projects** サイドバーから対象のプロジェクトを選択します。プロジェクトの概要ページ、またはすでに traces をそのプロジェクトにログしている場合は **Traces** ページが開きます。
+3. サイドナビで **Project** (
-詳細なリファレンスアーキテクチャーについては、 [W&B Self-Managed Reference Architecture](https://docs.wandb.ai/guides/hosting/self-managed/ref-arch/#models-and-weave) を参照してください。
+詳細なリファレンスアーキテクチャについては、[W&B Self-Managed Reference Architecture](https://docs.wandb.ai/guides/hosting/self-managed/ref-arch/#models-and-weave) を参照してください。
-## セットアップに関する重要な注意点
+
+ ## 重要なセットアップに関する注意事項
+
-このガイドの設定例は参照用です。組織の Kubernetes 環境はそれぞれ異なるため、セルフホストインスタンスでは以下の調整が必要になる可能性が高いです：
+本ガイド内の設定例は、あくまで参考用です。各組織の Kubernetes 環境はそれぞれ異なるため、セルフホスト環境では次の点を調整する必要が生じる可能性があります。
-- **セキュリティとコンプライアンス**: 組織のセキュリティポリシーや Kubernetes/OpenShift の要件に従って、セキュリティコンテキスト、 `runAsUser`/`fsGroup` の値、その他のセキュリティ設定を調整してください。
-- **リソースのサイジング**: 記載されているリソース割り当ては開始点です。予想されるトレース量とパフォーマンス要件に基づく適切なサイジングについては、 **W&B のソリューションアーキテクトチームにご相談ください** 。
-- **インフラストラクチャーの詳細**: 環境に合わせて、ストレージクラス、ノードセレクター、その他のインフラ固有の設定を更新してください。
+- **セキュリティとコンプライアンス**: 組織のセキュリティポリシーおよび Kubernetes / OpenShift の要件に従って、security context、`runAsUser` / `fsGroup` の値、その他のセキュリティ設定を調整してください。
+- **リソース規模**: 記載されているリソース割り当ては出発点に過ぎません。想定されるトレース量およびパフォーマンス要件に基づいた適切なサイズ決定については、**W&B Solutions Architect チームに相談してください**。
+- **インフラ固有の事項**: ストレージクラス、node selector、その他インフラ固有の設定を、環境に合わせて更新してください。
-このガイドの設定は、規定の解決策ではなく、テンプレートとして扱う必要があります。
+本ガイドのこれらの設定は、厳密な手順や唯一の解決策としてではなく、テンプレートとして扱ってください。
-## アーキテクチャー
+
+ ## アーキテクチャ
+
```mermaid
graph TD
@@ -42,64 +46,79 @@ graph TD
E --> G
```
-## 前提条件
-自己管理型 Weave インスタンスには、以下のリソースが必要です：
+
+ ## 前提条件
+
+
+セルフマネージドの Weave インスタンスには、以下のリソースが必要です。
- **Kubernetes クラスター**: バージョン 1.29 以上
-- **Kubernetes ノード**: マルチノードクラスター（高可用性のために最低 3 ノードを推奨）
-- **ストレージクラス**: 永続ボリューム用の動作可能な StorageClass（例： `gp3`, `standard`, `nfs-csi`）
-- **S3 バケット**: 適切なアクセス権限が設定された、構成済みの S3 または S3 互換バケット
-- **W&B プラットフォーム**: すでにインストールされ実行されていること（ [W&B Self-Managed Deployment Guide](https://docs.wandb.ai/guides/hosting/hosting-options/self-managed/) を参照）
-- **W&B ライセンス**: W&B サポートから提供された Weave 有効化済みのライセンス
+- **Kubernetes ノード**: 複数ノードのクラスター（高可用性のため、最低 3 ノードを推奨）
+- **Storage Class**: 永続ボリューム用に動作する StorageClass（例: `gp3`, `standard`, `nfs-csi`）
+- **S3 バケット**: 適切なアクセス権限を持つ、事前に設定済みの S3 または S3 互換バケット
+- **W&B Platform**: すでにインストール済みで稼働していること（[W&B Self-Managed Deployment Guide](https://docs.wandb.ai/guides/hosting/hosting-options/self-managed/) を参照）
+- **W&B License**: W&B Support から提供される Weave 対応ライセンス
-この前提条件リストだけでサイジングを決定しないでください。リソースの必要量は、トレース量や使用パターンによって大きく異なります。具体的なクラスターサイジングのガイダンスについては、詳細な [リソース要件](#最小構成-プロダクション向け) セクションを参照してください。
+これらの前提条件リストだけを基準に、リソースのサイジングを決定しないでください。必要なリソースは、トレース量や利用パターンによって大きく異なります。明示的なクラスターサイジングのガイダンスについては、詳細な [Resource Requirements](#resource-requirements) セクションを参照してください。
-### 必要なツール
+
+ ### 必要なツール
+
-インスタンスをセットアップするには、以下のツールが必要です：
+インスタンスをセットアップするために、次のツールが必要です。
-- クラスターへのアクセス権が設定された `kubectl`
-- `helm` v3.0 以上
-- AWS クレデンシャル（S3 を使用する場合）または S3 互換ストレージへのアクセス権
+- クラスターへアクセスできるように設定された `kubectl`
+- `helm` v3.0 以降
+- AWS 認証情報（S3 を使用する場合）、または S3 互換ストレージへのアクセス
-### ネットワーク要件
+
+ ### ネットワーク要件
+
-Kubernetes クラスターには以下のネットワーク設定が必要です：
+Kubernetes クラスターでは、次のネットワーク設定が必要です。
-- `clickhouse` ネームスペース内の Pod が `wandb` ネームスペース内の Pod と通信できること
-- ClickHouse ノードがポート 8123, 9000, 9009, 2181 で相互に通信できること
+- `clickhouse` ネームスペース内の Pod は、`wandb` ネームスペース内の Pod と通信できる必要があります
+- ClickHouse ノード同士が、ポート 8123、9000、9009、2181 で相互に通信できる必要があります
-## 自己管理型 Weave インスタンスのデプロイ
+
+ ## セルフマネージドの Weave インスタンスをデプロイする
+
-### ステップ 1: Altinity ClickHouse Operator のデプロイ
+
+ ### ステップ 1: Altinity ClickHouse Operator をデプロイする
+
-Altinity ClickHouse Operator は、Kubernetes での ClickHouse のインストールを管理します。
+Altinity ClickHouse Operator は、Kubernetes 上の ClickHouse デプロイメントを管理します。
-#### 1.1 Altinity Helm リポジトリの追加
+
+ #### 1.1 Altinity Helm リポジトリを追加する
+
```bash
helm repo add altinity https://helm.altinity.com
helm repo update
```
-#### 1.2 オペレーター設定の作成
-`ch-operator.yaml` という名前のファイルを作成します：
+
+ #### 1.2 オペレーターの設定を作成する
+
+
+`ch-operator.yaml` という名前のファイルを作成します。
```yaml
operator:
image:
repository: altinity/clickhouse-operator
- tag: "0.25.4"
- # セキュリティコンテキスト - クラスターの要件に合わせて調整してください
+ # セキュリティコンテキスト - クラスターの要件に応じて調整してください
containerSecurityContext:
runAsGroup: 0
runAsNonRoot: true
- runAsUser: 10001 # OpenShift/Kubernetes のセキュリティポリシーに基づいて更新してください
+ runAsUser: 10001 # OpenShift/Kubernetes のセキュリティポリシーに合わせて更新してください
allowPrivilegeEscalation: false
capabilities:
drop:
@@ -110,33 +129,38 @@ operator:
metrics:
enabled: false
-# 名前のオーバーライド - 必要に応じてカスタマイズ
+# 名前のオーバーライド - 必要に応じてカスタマイズしてください
nameOverride: "wandb"
```
-ここに示されている `containerSecurityContext` の値は、ほとんどの Kubernetes ディストリビューションで動作します。 **OpenShift** の場合は、プロジェクトに割り当てられた UID 範囲に合わせて `runAsUser` と `fsGroup` を調整する必要がある場合があります。
+ここで示す `containerSecurityContext` の値は、ほとんどの Kubernetes ディストリビューションで動作します。**OpenShift** を使用している場合は、`runAsUser` と `fsGroup` を、プロジェクトに割り当てられている UID 範囲に合わせて調整する必要がある場合があります。
+
-#### 1.3 オペレーターのインストール
+
+ #### 1.3 オペレーターをインストールする
+
```bash
helm upgrade --install ch-operator altinity/altinity-clickhouse-operator \
- --version 0.25.4 \
--namespace clickhouse \
--create-namespace \
-f ch-operator.yaml
```
-#### 1.4 オペレーターインストールの確認
+
+
+ #### 1.4 オペレーターのインストールを確認する
+
```bash
-# オペレーター Pod が実行中であることを確認
+# operator pod が実行中であることを確認する
kubectl get pods -n clickhouse
# 期待される出力:
# NAME READY STATUS RESTARTS AGE
# ch-operator-wandb-xxxxx 1/1 Running 0 30s
-# オペレーターのイメージバージョンを確認
+# operator イメージのバージョンを確認する
kubectl get pods -n clickhouse -o jsonpath="{.items[*].spec.containers[*].image}" | \
tr ' ' '\n' | grep -v 'metrics-exporter' | sort -u
@@ -144,33 +168,43 @@ kubectl get pods -n clickhouse -o jsonpath="{.items[*].spec.containers[*].image}
# altinity/clickhouse-operator:0.25.4
```
-### ステップ 2: S3 ストレージの準備
-ClickHouse はデータの永続化のために S3 または S3 互換ストレージを必要とします。
+
+ ### ステップ 2: S3 ストレージの準備
+
+
+ClickHouse は、データの永続化に S3 または S3 互換ストレージが必要です。
-#### 2.1 S3 バケットの作成
+
+ #### 2.1 S3 バケットを作成する
+
-AWS アカウントまたは S3 互換ストレージプロバイダーで S3 バケットを作成します：
+ご自身の AWS アカウントまたは S3 互換ストレージプロバイダーで S3 バケットを作成します。
```bash
# AWS の例
aws s3 mb s3://my-wandb-clickhouse-bucket --region eu-central-1
```
-#### 2.2 S3 クレデンシャルの設定
-S3 アクセス用のクレデンシャルを提供するには、2 つのオプションがあります：
+
+ #### 2.2 S3 認証情報を設定する
+
-##### オプション A: AWS IAM ロールの使用 (IRSA - AWS 推奨)
+S3 へのアクセス認証情報を設定する方法は 2 つあります。
-Kubernetes ノードに S3 アクセス権を持つ IAM ロールが付与されている場合、ClickHouse は EC2 インスタンスのメタデータを使用できます：
+
+ ##### オプション A: AWS IAM ロールを使用する場合 (IRSA - AWS 向け推奨)
+
+
+Kubernetes ノードに S3 へのアクセス権を持つ IAM ロールが付与されている場合、ClickHouse は EC2 インスタンスメタデータを使用できます：
```yaml
-# ch-server.yaml で以下を設定:
+# ch-server.yaml で以下を設定します:
true
```
-**必要な IAM ポリシー** (ノードの IAM ロールにアタッチ):
+**必須の IAM ポリシー**（ノード IAM ロールにアタッチ）:
```json
{
@@ -193,9 +227,12 @@ Kubernetes ノードに S3 アクセス権を持つ IAM ロールが付与され
}
```
-##### オプション B: アクセスキーの使用
-静的なクレデンシャルを使用する場合は、Kubernetes secret を作成します：
+
+ ##### オプション B: アクセスキーを使用する
+
+
+静的な認証情報を使用する場合は、Kubernetes Secret を作成します。
```bash
kubectl create secret generic aws-creds \
@@ -204,15 +241,20 @@ kubectl create secret generic aws-creds \
--from-literal aws_secret_key=YOUR_SECRET_KEY
```
-その後、この secret を使用するように ClickHouse を設定します（後述の ch-server.yaml 設定を参照）。
+次に、ClickHouse がシークレットを使用するように設定します（下記の ch-server.yaml の設定を参照してください）。
+
-### ステップ 3: ClickHouse Keeper のデプロイ
+
+ ### ステップ 3: ClickHouse Keeper をデプロイする
+
-[ClickHouse Keeper](https://clickhouse.com/docs/guides/sre/keeper/clickhouse-keeper) は、データレプリケーションと分散 DDL クエリ実行のためのコーディネーションシステムを提供します。
+[ClickHouse Keeper](https://clickhouse.com/docs/guides/sre/keeper/clickhouse-keeper) は、データ レプリケーションと分散 DDL クエリの実行を行うためのコーディネーションシステムを提供します。
-#### 3.1 Keeper 設定の作成
+
+ #### 3.1 Keeper の設定を作成する
+
-`ch-keeper.yaml` という名前のファイルを作成します：
+`ch-keeper.yaml` という名前のファイルを作成します。
```yaml
apiVersion: "clickhouse-keeper.altinity.com/v1"
@@ -234,18 +276,18 @@ spec:
labels:
app: clickhouse-keeper
spec:
- # Pod セキュリティコンテキスト - 環境に合わせて調整してください
+ # Pod security context - adjust according to your environment
securityContext:
- fsGroup: 10001 # クラスターのセキュリティ要件に基づいて更新してください
+ fsGroup: 10001 # Update based on your cluster's security requirements
fsGroupChangePolicy: Always
runAsGroup: 0
runAsNonRoot: true
- runAsUser: 10001 # OpenShift の場合は、プロジェクトに割り当てられた UID 範囲を使用してください
+ runAsUser: 10001 # For OpenShift, use your project's assigned UID range
seccompProfile:
type: RuntimeDefault
- # Keeper をノード間に分散させるためのアンチアフィニティ（高可用性のために推奨）
- # クラスターのサイズと可用性要件に基づいてカスタマイズまたは削除してください
+ # Anti-affinity to spread keepers across nodes (recommended for HA)
+ # Customize or remove based on your cluster size and availability requirements
affinity:
podAntiAffinity:
requiredDuringSchedulingIgnoredDuringExecution:
@@ -260,8 +302,8 @@ spec:
containers:
- name: clickhouse-keeper
imagePullPolicy: IfNotPresent
- image: "clickhouse/clickhouse-keeper:25.3.5.42"
- # リソースリクエスト - 例示的な値。ワークロードに基づいて調整してください
+ image: "clickhouse/clickhouse-keeper:25.10"
+ # Resource requests - example values, adjust based on workload
resources:
requests:
memory: "256Mi"
@@ -284,7 +326,7 @@ spec:
labels:
app: clickhouse-keeper
spec:
- storageClassName: gp3 # 使用する StorageClass に変更してください
+ storageClassName: gp3 # Change to your StorageClass
accessModes:
- ReadWriteOnce
resources:
@@ -293,7 +335,7 @@ spec:
configuration:
clusters:
- - name: keeper # Keeper クラスター名 - サービス DNS 名に使用されます
+ - name: keeper # Keeper cluster name - used in service DNS naming
layout:
replicasCount: 3
templates:
@@ -312,22 +354,27 @@ spec:
**重要な設定の更新**:
-- **StorageClass**: クラスターで使用可能な StorageClass に合わせて `storageClassName: gp3` を更新してください。
-- **セキュリティコンテキスト**: 組織のセキュリティポリシーに準拠するように `runAsUser`, `fsGroup` の値を調整してください。
-- **アンチアフィニティ**: クラスターのトポロジーと高可用性要件に基づいて `affinity` セクションをカスタマイズまたは削除してください。
-- **リソース**: CPU/メモリの値は例です。適切なサイジングについては W&B ソリューションアーキテクトにご相談ください。
-- **ネーミング**: `metadata.name` または `configuration.clusters[0].name` を変更した場合は、ch-server.yaml (ステップ 4) の Keeper ホスト名を一致するように **必ず更新** する必要があります。
+- **StorageClass**: `storageClassName: gp3` を、使用中のクラスターで利用可能な StorageClass に合わせて更新します
+- **Security Context**: 組織のセキュリティポリシーに準拠するように、`runAsUser`、`fsGroup` の値を調整します
+- **Anti-Affinity**: クラスターのトポロジーと HA 要件に基づいて、`affinity` セクションをカスタマイズまたは削除します
+- **Resources**: CPU/メモリの値はサンプルです。適切なサイズについては W&B Solutions Architects に相談してください
+- **Naming**: `metadata.name` または `configuration.clusters[0].name` を変更する場合は、必ず ch-server.yaml (ステップ 4) 内の Keeper のホスト名もそれに合わせて更新してください
-#### 3.2 ClickHouse Keeper のデプロイ
+
+ #### 3.2 ClickHouse Keeper をデプロイする
+
```bash
kubectl apply -f ch-keeper.yaml
```
-#### 3.3 Keeper デプロイの確認
+
+
+ #### 3.3 Keeper デプロイメントを確認する
+
```bash
-# Keeper Pod の確認
+# Keeper のポッドを確認する
kubectl get pods -n clickhouse -l app=clickhouse-keeper
# 期待される出力:
@@ -336,19 +383,23 @@ kubectl get pods -n clickhouse -l app=clickhouse-keeper
# chk-wandb-keeper-0-1-0 1/1 Running 0 2m
# chk-wandb-keeper-0-2-0 1/1 Running 0 2m
-# Keeper サービスの確認
+# Keeper のサービスを確認する
kubectl get svc -n clickhouse | grep keeper
-# ポート 2181 で keeper サービスが表示されることを確認
+# ポート 2181 で keeper サービスが表示されることを確認する
```
-### ステップ 4: ClickHouse クラスターのデプロイ
+
+ ### ステップ 4: ClickHouse クラスターをデプロイする
+
-Weave のトレースデータを保存する ClickHouse サーバークラスターをデプロイします。
+Weave のトレース データを格納する ClickHouse サーバー クラスターをデプロイします。
-#### 4.1 ClickHouse サーバー設定の作成
+
+ #### 4.1 ClickHouse サーバーの設定を作成する
+
-`ch-server.yaml` という名前のファイルを作成します：
+`ch-server.yaml` という名前のファイルを作成します。
```yaml
apiVersion: "clickhouse.altinity.com/v1"
@@ -370,18 +421,18 @@ spec:
labels:
app: clickhouse-server
spec:
- # Pod セキュリティコンテキスト - 環境に合わせてカスタマイズしてください
+ # Pod security context - customize for your environment
securityContext:
- fsGroup: 10001 # セキュリティポリシーに基づいて調整してください
+ fsGroup: 10001 # Adjust based on your security policies
fsGroupChangePolicy: Always
runAsGroup: 0
runAsNonRoot: true
- runAsUser: 10001 # OpenShift の場合は割り当てられた UID 範囲を使用
+ runAsUser: 10001 # For OpenShift, use assigned UID range
seccompProfile:
type: RuntimeDefault
- # アンチアフィニティルール - サーバーが異なるノードで実行されるようにします（オプションですが推奨）
- # クラスターのサイズと要件に基づいて調整または削除してください
+ # Anti-affinity rule - ensures servers run on different nodes (optional but recommended)
+ # Adjust or remove based on your cluster size and requirements
affinity:
podAntiAffinity:
requiredDuringSchedulingIgnoredDuringExecution:
@@ -395,8 +446,8 @@ spec:
containers:
- name: clickhouse
- image: clickhouse/clickhouse-server:25.3.5.42
- # 例示的なリソース割り当て - ワークロードに基づいて調整してください
+ image: clickhouse/clickhouse-server:25.10
+ # Example resource allocation - adjust based on workload
resources:
requests:
memory: 1Gi
@@ -405,7 +456,7 @@ spec:
memory: 16Gi
cpu: 4
- # AWS クレデンシャル（IRSA を使用する場合はこのセクションを削除してください）
+ # AWS credentials (remove this section if using IRSA)
env:
- name: AWS_ACCESS_KEY_ID
valueFrom:
@@ -437,11 +488,11 @@ spec:
resources:
requests:
storage: 50Gi
- storageClassName: gp3 # 使用する StorageClass に変更
+ storageClassName: gp3 # Change to your StorageClass
configuration:
- # Keeper (ZooKeeper) 設定
- # 重要: これらのホスト名はステップ 3 の Keeper デプロイと一致している必要があります
+ # Keeper (ZooKeeper) configuration
+ # IMPORTANT: These hostnames MUST match your Keeper deployment from Step 3
zookeeper:
nodes:
- host: chk-wandb-keeper-0-0.clickhouse.svc.cluster.local
@@ -450,37 +501,37 @@ spec:
port: 2181
- host: chk-wandb-keeper-0-2.clickhouse.svc.cluster.local
port: 2181
- # オプション: 必要に応じてタイムアウトを調整するためにコメント解除
+ # Optional: Uncomment to adjust timeouts if needed
# session_timeout_ms: 30000
# operation_timeout_ms: 10000
- # ユーザー設定: https://clickhouse.com/docs/operations/configuration-files#user-settings
- # パスワード作成のヒント:
- # sha256sum <<< weave123 または echo -n weave123 | sha256sum または printf "weave123" | sha256sum
- # ユーザー設定で ... として返されます
+ # Users 設定: https://clickhouse.com/docs/operations/configuration-files#user-settings
+ # 本番環境では、平文の代わりに SHA-256 ハッシュ化されたパスワードを使用してください:
+ # printf "your-password" | sha256sum
+ # その後、weave/password の代わりに weave/password_sha256_hex: を使用してください
users:
- weave/password: weave123
+ weave/password: weave123 # デプロイ前に強力なパスワードに置き換えてください
weave/access_management: 1
weave/profile: default
weave/networks/ip:
- "0.0.0.0/0"
- "::"
- # サーバー設定
+ # Server settings
settings:
disable_internal_dns_cache: 1
- # クラスター設定
+ # Cluster configuration
clusters:
- - name: weavecluster # クラスター名 - カスタマイズ可能ですが wandb-cr.yaml と一致させる必要があります
+ - name: weavecluster # Cluster name - can be customized but must match wandb-cr.yaml
layout:
shardsCount: 1
- replicasCount: 3 # レプリカ数 - 高可用性要件に基づいて調整
+ replicasCount: 3 # Number of replicas - adjust based on HA requirements
templates:
podTemplate: clickhouse
dataVolumeClaimTemplate: data
- # 設定ファイル
+ # Configuration files
files:
config.d/network_configuration.xml: |
@@ -501,7 +552,7 @@ spec:
s3
-
+
https://YOUR-BUCKET-NAME.s3.YOUR-REGION.amazonaws.com/s3_disk/{replica}
/var/lib/clickhouse/disks/s3_disk/
true
@@ -511,7 +562,7 @@ spec:
cache
s3_disk
/var/lib/clickhouse/s3_disk_cache/cache/
-
+
40Gi
true
@@ -532,24 +583,26 @@ spec:
```
-**必要な重要な設定更新**:
+**重要な設定の更新が必要です**:
-1. **StorageClass**: クラスターの StorageClass に合わせて `storageClassName: gp3` を更新してください。
-2. **S3 Endpoint**: `YOUR-BUCKET-NAME` と `YOUR-REGION` を実際の値に置き換えてください。
-3. **Cache Size**: `40Gi ` は、永続ボリュームのサイズ (50Gi) よりも **小さく** なければなりません。
-4. **セキュリティコンテキスト**: 組織のポリシーに合わせて `runAsUser`, `fsGroup` およびその他のセキュリティ設定を調整してください。
-5. **リソース割り当て**: CPU/メモリの値はあくまで例です。予想されるトレース量に基づく適切なサイジングについては、 **W&B ソリューションアーキテクトにご相談ください** 。
-6. **アンチアフィニティルール**: クラスターのトポロジーと高可用性のニーズに基づいてカスタマイズまたは削除してください。
-7. **Keeper Hostnames**: Keeper ノードのホスト名は、ステップ 3 の Keeper デプロイ時の名前に **必ず一致** させる必要があります（下記の「Keeper の命名規則について」を参照）。
-8. **Cluster Naming**: クラスター名 `weavecluster` は変更可能ですが、ステップ 5 の `WF_CLICKHOUSE_REPLICATED_CLUSTER` の値と一致させる必要があります。
+1. **StorageClass**: `storageClassName: gp3` をクラスターの StorageClass に合わせて更新してください
+2. **S3 Endpoint**: `YOUR-BUCKET-NAME` と `YOUR-REGION` を実際の値に置き換えてください
+3. **Cache Size**: `40Gi ` は永続ボリュームのサイズ (50Gi) よりも **小さく** する必要があります
+4. **Security Context**: `runAsUser`、`fsGroup`、その他のセキュリティ設定を、組織のポリシーに合わせて調整してください
+5. **Resource Allocation**: CPU/メモリの値はあくまで例です — 予想されるトレース量に基づいた適切なサイズ決定については、**必ず W&B Solutions Architect に相談してください**
+6. **Anti-Affinity Rules**: クラスターのトポロジーや高可用性要件に応じてカスタマイズするか削除してください
+7. **Keeper Hostnames**: Keeper ノードのホスト名は、ステップ 3 の Keeper デプロイメントの命名と **一致している必要があります** (下記の「Keeper Naming の理解」を参照)
+8. **Cluster Naming**: クラスター名 `weavecluster` は変更可能ですが、ステップ 5 の `WF_CLICKHOUSE_REPLICATED_CLUSTER` の値と一致させる必要があります
9. **Credentials**:
- - IRSA の場合: `true ` を保持するか、環境変数にマップされた secret キーにアクセスしてください。
+ - IRSA を使用する場合: `true ` を維持するか、環境変数にマッピングされたシークレットキーにアクセスしてください。
-#### 4.2 S3 設定の更新
+
+ #### 4.2 S3 設定を更新する
+
`ch-server.yaml` の `storage_configuration.xml` セクションを編集します：
-**AWS S3 の例**:
+**AWS S3 の例：**
```xml
https://my-wandb-clickhouse.s3.eu-central-1.amazonaws.com/s3_disk/{replica}
@@ -564,12 +617,15 @@ spec:
```
-**`{replica}` を削除しないでください。** これにより、各 ClickHouse レプリカがバケット内の独自のフォルダに書き込むようになります。
+ **`{replica}` を削除しないでください。** これにより、各 ClickHouse レプリカがバケット内の専用フォルダーに書き込むようになります。
-#### 4.3 クレデンシャルの設定 (オプション B のみ)
-ステップ 2 の **オプション B (アクセスキー)** を使用する場合は、`ch-server.yaml` の `env` セクションが secret を参照していることを確認してください：
+
+ #### 4.3 認証情報を設定する（オプション B のみ）
+
+
+手順 2 で **Option B (Access Keys)** を使用している場合、`ch-server.yaml` の `env` セクションがそのシークレットを参照するように設定されていることを確認します。
```yaml
env:
@@ -585,24 +641,27 @@ env:
key: aws_secret_key
```
-**オプション A (IRSA)** を使用する場合は、 `env` セクション全体を削除してください。
+**Option A (IRSA)** を使用する場合は、`env` セクション全体を削除してください。
-#### 4.4 Keeper の命名規則について
-`zookeeper.nodes` セクションの Keeper ノードホスト名は、ステップ 3 の Keeper デプロイに基づく特定のパターンに従います：
+
+ #### 4.4 Keeper の名前付けの仕組み
+
-**ホスト名パターン**: `chk-{インストール名}-{クラスター名}-{クラスターインデックス}-{レプリカインデックス}.{ネームスペース}.svc.cluster.local`
+`zookeeper.nodes` セクション内の Keeper ノードのホスト名は、手順 3 で行った Keeper デプロイに基づいて、特定のパターンに従います：
-各要素の説明：
+**ホスト名パターン**: `chk-{installation-name}-{cluster-name}-{cluster-index}-{replica-index}.{namespace}.svc.cluster.local`
-- `chk` = ClickHouseKeeperInstallation プレフィックス (固定)
-- `{インストール名}` = ch-keeper.yaml の `metadata.name` (例: `wandb`)
-- `{クラスター名}` = ch-keeper.yaml の `configuration.clusters[0].name` (例: `keeper`)
-- `{クラスターインデックス}` = クラスターインデックス。単一クラスターの場合は通常 `0`
-- `{レプリカインデックス}` = レプリカ番号。3 レプリカの場合は `0`, `1`, `2`
-- `{ネームスペース}` = Kubernetes ネームスペース (例: `clickhouse`)
+各要素の意味は次のとおりです：
-**デフォルト名の例**:
+* `chk` = ClickHouseKeeperInstallation のプレフィックス（固定）
+* `{installation-name}` = ch-keeper.yaml の `metadata.name`（例: `wandb`）
+* `{cluster-name}` = ch-keeper.yaml の `configuration.clusters[0].name`（例: `keeper`）
+* `{cluster-index}` = クラスターインデックス。単一クラスターの場合は通常 `0`
+* `{replica-index}` = レプリカ番号。3 レプリカの場合は `0`, `1`, `2`
+* `{namespace}` = Kubernetes namespace（例: `clickhouse`）
+
+**デフォルト名を使用した例**:
```
chk-wandb-keeper-0-0.clickhouse.svc.cluster.local
@@ -610,7 +669,7 @@ chk-wandb-keeper-0-1.clickhouse.svc.cluster.local
chk-wandb-keeper-0-2.clickhouse.svc.cluster.local
```
-**Keeper のインストール名をカスタマイズした場合** (例: `metadata.name: myweave`):
+**Keeper のインストール名をカスタマイズする場合は**（例: `metadata.name: myweave`）:
```
chk-myweave-keeper-0-0.clickhouse.svc.cluster.local
@@ -618,7 +677,7 @@ chk-myweave-keeper-0-1.clickhouse.svc.cluster.local
chk-myweave-keeper-0-2.clickhouse.svc.cluster.local
```
-**Keeper のクラスター名をカスタマイズした場合** (例: `clusters[0].name: coordination`):
+**Keeper クラスター名をカスタマイズしている場合**（例: `clusters[0].name: coordination`）:
```
chk-wandb-coordination-0-0.clickhouse.svc.cluster.local
@@ -626,30 +685,36 @@ chk-wandb-coordination-0-1.clickhouse.svc.cluster.local
chk-wandb-coordination-0-2.clickhouse.svc.cluster.local
```
-**実際の Keeper ホスト名を確認するには**:
+**実際の Keeper のホスト名を確認するには**：
```bash
-# 実際の名前を確認するために Keeper サービスをリスト
+# 実際の名前を確認するために Keeper サービスを一覧表示する
kubectl get svc -n clickhouse | grep keeper
-# 命名パターンを確認するために Keeper Pod をリスト
+# 命名パターンを確認するために Keeper Pod を一覧表示する
kubectl get pods -n clickhouse -l app=clickhouse-keeper
```
-`ch-server.yaml` 内の Keeper ホスト名は、Keeper デプロイによって作成された実際のサービス名と **完全に一致** している必要があります。一致しない場合、ClickHouse サーバーはコーディネーションサービスに接続できません。
+ `ch-server.yaml` 内の Keeper ホスト名は、Keeper デプロイメントによって作成される実際のサービス名と**完全に一致している必要があります**。一致していない場合、ClickHouse サーバーはコーディネーションサービスに接続できません。
-#### 4.5 ClickHouse クラスターのデプロイ
+
+
+ #### 4.5 ClickHouse クラスターをデプロイする
+
```bash
kubectl apply -f ch-server.yaml
```
-#### 4.6 ClickHouse デプロイの確認
+
+
+ #### 4.6 ClickHouse デプロイを検証する
+
```bash
-# ClickHouse Pod の確認
+# ClickHouse pods を確認する
kubectl get pods -n clickhouse -l app=clickhouse-server
# 期待される出力:
@@ -658,36 +723,43 @@ kubectl get pods -n clickhouse -l app=clickhouse-server
# chi-wandb-weavecluster-0-1-0 1/1 Running 0 3m
# chi-wandb-weavecluster-0-2-0 1/1 Running 0 3m
-# ClickHouse 接続テスト
+# ClickHouse の接続性をテストする
kubectl exec -n clickhouse chi-wandb-weavecluster-0-0-0 -- \
clickhouse-client --user weave --password weave123 --query "SELECT version()"
-# クラスターステータスの確認
+# クラスターのステータスを確認する
kubectl exec -n clickhouse chi-wandb-weavecluster-0-0-0 -- \
clickhouse-client --user weave --password weave123 --query \
"SELECT cluster, host_name, port FROM system.clusters WHERE cluster='weavecluster'"
```
-### ステップ 5: W&B プラットフォームで Weave を有効化
-次に、Weave トレースに ClickHouse クラスターを使用するように W&B プラットフォームを設定します。
+
+ ### ステップ 5: W&B Platform で Weave を有効にする
+
-#### 5.1 ClickHouse 接続情報の収集
+次に、Weave のトレースに ClickHouse クラスターを使用するように W&B Platform を設定します。
-以下の情報が必要です：
+
+ #### 5.1 ClickHouse 接続情報を収集する
+
-- **Host**: `clickhouse-wandb.clickhouse.svc.cluster.local`
-- **Port**: `8123`
-- **User**: `weave` (ch-server.yaml で設定したもの)
-- **Password**: `weave123` (ch-server.yaml で設定したもの)
-- **Database**: `weave` (自動的に作成されます)
-- **Cluster Name**: `weavecluster` (ch-server.yaml で設定したもの)
+次の情報が必要です。
-ホスト名は次のパターンに従います： `clickhouse-{インストール名}.{ネームスペース}.svc.cluster.local`
+- **ホスト**: `clickhouse-wandb.clickhouse.svc.cluster.local`
+- **ポート**: `8123`
+- **ユーザー**: `weave` (ch-server.yaml で設定)
+- **パスワード**: `weave123` (ch-server.yaml で設定)
+- **データベース**: `weave` (自動的に作成されます)
+- **クラスター名**: `weavecluster` (ch-server.yaml で設定)
-#### 5.2 W&B カスタムリソースの更新
+ホスト名は次のパターンに従います: `clickhouse-{installation-name}.{namespace}.svc.cluster.local`
-W&B プラットフォームのカスタムリソース (CR) を編集して Weave の設定を追加します：
+
+ #### 5.2 W&B カスタムリソースを更新する
+
+
+Weave の設定を追加するために、W&B Platform の Custom Resource (CR) を編集します。
```yaml
apiVersion: apps.wandb.com/v1
@@ -700,21 +772,21 @@ spec:
global:
# ... 既存の設定 ...
- # ClickHouse 設定の追加
+ # ClickHouse の設定を追加
clickhouse:
- install: false # 別途デプロイしたため
+ install: false # 別途デプロイ済み
host: clickhouse-wandb.clickhouse.svc.cluster.local
port: 8123
user: weave
password: weave123
database: weave
- replicated: true # マルチレプリカ構成の場合は必須
+ replicated: true # マルチレプリカ構成では必須
- # Weave トレースを有効化
+ # Weave Trace を有効化
weave-trace:
enabled: true
- # Weave トレースの設定
+ # Weave Trace の設定
weave-trace:
install: true
extraEnv:
@@ -730,7 +802,7 @@ spec:
autoscaling:
horizontal:
enabled: false
- # 例示的なリソース割り当て - ワークロードに基づいて調整してください
+ # リソース割り当ての例 - ワークロードに応じて調整してください
resources:
limits:
cpu: 4
@@ -740,11 +812,11 @@ spec:
memory: "4Gi"
# Pod セキュリティコンテキスト - 環境に合わせてカスタマイズしてください
podSecurityContext:
- fsGroup: 10001 # セキュリティ要件に基づいて調整してください
+ fsGroup: 10001 # セキュリティ要件に応じて調整してください
fsGroupChangePolicy: Always
runAsGroup: 0
runAsNonRoot: true
- runAsUser: 10001 # OpenShift の場合は割り当てられた UID 範囲を使用
+ runAsUser: 10001 # OpenShift の場合は割り当てられた UID 範囲を使用してください
seccompProfile:
type: RuntimeDefault
# コンテナセキュリティコンテキスト
@@ -759,295 +831,348 @@ spec:
**重要な設定**:
-- `clickhouse.replicated: true` - 3 レプリカを使用する場合は **必須**
-- `WF_CLICKHOUSE_REPLICATED: "true"` - レプリケートされたセットアップでは **必須**
-- `WF_CLICKHOUSE_REPLICATED_CLUSTER: "weavecluster"` - ch-server.yaml のクラスター名と **一致させる必要** があります
+* `clickhouse.replicated: true` - 3 つのレプリカ構成で **必須**
+* `WF_CLICKHOUSE_REPLICATED: "true"` - レプリケーション構成では **必須**
+* `WF_CLICKHOUSE_REPLICATED_CLUSTER: "weavecluster"` - ch-server.yaml 内のクラスター名と **一致している必要があります**
-上記のセキュリティコンテキスト、リソース割り当て、およびその他の Kubernetes 固有の設定は参照例です。組織の要件に合わせてカスタマイズし、適切なリソースサイジングについては W&B のソリューションアーキテクトチームにご相談ください。
+ 上記に示した SecurityContext、リソース割り当て、その他 Kubernetes 固有の設定は、参照用のサンプルです。ご自身の組織の要件に合わせてカスタマイズし、適切なリソースサイジングについては W&B Solutions Architect チームに相談してください。
-#### 5.3 更新した設定の適用
+
+
+ #### 5.3 更新済みの設定を適用する
+
```bash
kubectl apply -f wandb-cr.yaml
```
-#### 5.4 Weave トレースデプロイの確認
+
+
+ #### 5.4 Weave Trace のデプロイを検証する
+
```bash
-# weave-trace Pod のステータス確認
+# weave-trace pod のステータスを確認する
kubectl get pods -n wandb | grep weave-trace
# 期待される出力:
# wandb-weave-trace-bc-xxxxx 1/1 Running 0 2m
-# ClickHouse 接続に関する weave-trace のログを確認
+# ClickHouse 接続に関する weave-trace のログを確認する
kubectl logs -n wandb --tail=50
-# ClickHouse への接続成功メッセージを探してください
+# ClickHouse 接続成功のメッセージを確認する
```
-### ステップ 6: Weave データベースの初期化
-weave-trace サービスは、最初の起動時に必要なデータベーススキーマを自動的に作成します。
+
+ ### ステップ 6: Weave データベースの初期化
+
+
+weave-trace サービスは、初回起動時に必要なデータベーススキーマを自動的に作成します。
-#### 6.1 データベースマイグレーションの監視
+
+ #### 6.1 データベース移行を監視する
+
```bash
-# 起動中の weave-trace ログを監視
+# 起動中に weave-trace のログを監視する
kubectl logs -n wandb -f
-# データベースの初期化が成功したことを示すマイグレーションメッセージを探してください
+# データベースの初期化が成功したことを示すマイグレーションメッセージを確認する
```
-#### 6.2 データベース作成の確認
+
+
+ #### 6.2 データベース作成の確認
+
```bash
-# ClickHouse に接続してデータベースを確認
+# ClickHouse に接続してデータベースを確認する
kubectl exec -n clickhouse chi-wandb-weavecluster-0-0-0 -- \
clickhouse-client --user weave --password weave123 --query \
"SHOW DATABASES"
-# 'weave' データベースがリストされていることを確認
+# 'weave' データベースが一覧に表示されることを確認する
-# weave データベース内のテーブルを確認
+# weave データベースのテーブルを確認する
kubectl exec -n clickhouse chi-wandb-weavecluster-0-0-0 -- \
clickhouse-client --user weave --password weave123 --query \
"SHOW TABLES FROM weave"
```
-### ステップ 7: Weave が有効であることを確認
-#### 7.1 W&B コンソールへのアクセス
+
+ ### ステップ 7: Weave が有効になっていることを確認する
+
+
+
+ #### 7.1 W&B Console にアクセスする
+
-ウェブブラウザで W&B インスタンスの URL にアクセスします。
+Web ブラウザで W&B インスタンスの URL を開きます。
-#### 7.2 Weave ライセンスステータスの確認
+
+ #### 7.2 Weave ライセンスの状態を確認する
+
-W&B コンソールにて：
+W&B Console で次の操作を行います。
-1. **右上のメニュー** → **Organization Dashboard** へ移動します。
-2. **Weave access** が有効になっていることを確認します。
+1. 画面右上のメニュー → **Organization ダッシュボード** に移動します
+2. **Weave access** が有効になっていることを確認します
-#### 7.3 Weave 機能のテスト
+
+ #### 7.3 Weave の機能をテストする
+
-Weave が動作しているか確認するために、簡単な Python テストを作成します：
+Weave が動作していることを確認するために、簡単な Python テストを作成します。
```python
+import os
import weave
-# Weave を初期化（実際の W&B ホストに置き換えてください）
+# Weave をセルフマネージドの W&B インスタンスに向ける
+os.environ["WANDB_BASE_URL"] = "https://your-wandb-host" # Replace with your W&B URL
+
weave.init('test-project')
-# シンプルなトレース対象関数を作成
+# シンプルなトレース関数を作成する
@weave.op()
def hello_weave(name: str) -> str:
return f"Hello, {name}!"
-# 関数を呼び出し
+# 関数を呼び出す
result = hello_weave("World")
print(result)
```
-これを実行した後、W&B UI の組織のトレースページでトレースを確認してください。
+これを実行した後、組織内の W&B UI の traces ページでトレースを確認してください。
-## トラブルシューティング
+
+ ## トラブルシューティング
+
-### ClickHouse Keeper の問題
+
+ ### ClickHouse Keeper の問題
+
-**問題**: Keeper Pod が `Pending` 状態のままになる
+**問題**: Keeper Pod が `Pending` 状態のままになっている
-**解決策**: 以下の複数の原因を確認してください：
+**解決策**: 考えられる原因を確認してください:
-1. **PVC と StorageClass の問題**:
+1. **PVC と StorageClass に関する問題**:
```bash
kubectl get pvc -n clickhouse
kubectl describe pvc -n clickhouse
```
-StorageClass が正しく設定され、利用可能な容量があることを確認してください。
+`StorageClass` が正しく構成されており、十分な空き容量があることを確認してください。
-2. **アンチアフィニティとノードの可用性**:
+2. **アンチアフィニティとノードの可用性**：
```bash
-# アンチアフィニティルールがスケジューリングを妨げていないか確認
+# アンチアフィニティルールがスケジューリングを妨げていないか確認する
kubectl describe pod -n clickhouse | grep -A 10 "Events:"
-# 利用可能なノードとそのリソースを確認
+# 利用可能なノードとそのリソースを確認する
kubectl get nodes
kubectl describe nodes | grep -A 5 "Allocated resources"
```
-よくある問題：
-- アンチアフィニティに 3 つの個別のノードが必要だが、クラスターのノード数がそれ以下である
-- ノードに Pod のリクエストを満たす十分な CPU/メモリがない
-- ノードの Taint（汚れ）が Pod のスケジューリングを妨げている
+よくある問題:
-**対策**:
-- ノードが 3 つ未満の場合は、アンチアフィニティルールを削除または調整する
-- より柔軟なアンチアフィニティのために、 `requiredDuringSchedulingIgnoredDuringExecution` の代わりに `preferredDuringSchedulingIgnoredDuringExecution` を使用する
-- ノードのリソースが不足している場合は、リソースリクエストを減らす
-- クラスターにノードを追加する
+* アンチアフィニティには 3 つの個別ノードが必要だが、クラスター内のノード数がそれより少ない
+* ノードに、Pod のリクエストを満たすのに十分な CPU とメモリがない
+* ノードのテイントによって Pod のスケジューリングが妨げられている
----
+**解決策**:
+
+* ノードが 3 未満の場合は、アンチアフィニティルールを削除するか調整する
+* より緩やかなアンチアフィニティにするために、`requiredDuringSchedulingIgnoredDuringExecution` の代わりに `preferredDuringSchedulingIgnoredDuringExecution` を使用する
+* ノードに制約がある場合は、リソースリクエストを減らす
+* クラスターにノードを追加する
-**問題**: Keeper Pod が `CrashLoopBackOff` になる
+***
-**解決策**: ログを確認し、設定を検証してください：
+**問題**: Keeper Pod が `CrashLoopBackOff` 状態になる
+
+**解決策**: ログを確認し、設定を検証する:
```bash
kubectl logs -n clickhouse
```
-よくある問題：
-- セキュリティコンテキストが正しくない（runAsUser, fsGroup を確認）
-- ボリュームの権限の問題
-- ポートの競合
-- ch-keeper.yaml の設定エラー
+よくある問題:
+
+* セキュリティコンテキストの誤り（runAsUser、fsGroup を確認）
+* ボリューム権限の問題
+* ポートの競合
+* ch-keeper.yaml の設定エラー
-### ClickHouse サーバーの問題
+
+
+ ### ClickHouse サーバーの問題
+
**問題**: ClickHouse が S3 に接続できない
-**解決策**: S3 のクレデンシャルと権限を確認してください：
+**解決策**: S3 の認証情報とアクセス権限を確認する:
```bash
-# secret が存在するか確認（アクセスキーを使用している場合）
+# シークレットが存在するか確認する（アクセスキーを使用している場合）
kubectl get secret aws-creds -n clickhouse
-# S3 エラーについて ClickHouse のログを確認
+# S3 エラーの ClickHouse ログを確認する
kubectl logs -n clickhouse | grep -i s3
-# ストレージ設定の S3 エンドポイントを確認
+# ストレージ設定の S3 エンドポイントを確認する
kubectl get chi wandb -n clickhouse -o yaml | grep -A 10 storage_configuration
```
----
+***
**問題**: ClickHouse が Keeper に接続できない
-**解決策**: Keeper のエンドポイントと名前を確認してください：
+**解決策**: Keeper のエンドポイントと名前設定を確認する:
```bash
-# Keeper サービスとその実際の名前を確認
+# Keeper サービスと実際の名前を確認する
kubectl get svc -n clickhouse | grep keeper
-# 命名パターンを確認するために Keeper Pod をリスト
+# Keeper Pod を確認して命名パターンを確認する
kubectl get pods -n clickhouse -l app=clickhouse-keeper
-# ch-server.yaml の zookeeper.nodes 設定と比較
-# ホスト名は実際のサービス名と一致している必要があります
+# ch-server.yaml の zookeeper.nodes 設定と比較する
+# ホスト名は実際のサービス名と一致している必要がある
-# 接続エラーについて ClickHouse のログを確認
+# ClickHouse ログで接続エラーを確認する
kubectl logs -n clickhouse chi-wandb-weavecluster-0-0-0 | grep -i keeper
```
-接続に失敗する場合、 `ch-server.yaml` の Keeper ホスト名が実際の Keeper デプロイと一致していない可能性があります。命名パターンについては、ステップ 4 の「Keeper の命名規則について」を参照してください。
+接続に失敗する場合、ch-server.yaml 内の Keeper のホスト名が、実際の Keeper デプロイメントと一致していない可能性があります。命名パターンについては、手順 4 の「Keeper の命名規則について」を参照してください。
-### Weave トレースの問題
-**問題**: `weave-trace` Pod の起動に失敗する
+
+ ### Weave Trace の問題
+
-**解決策**: ClickHouse への接続性を確認してください：
+**問題**: `weave-trace` pod が起動に失敗する
+
+**解決策**: ClickHouse への接続を確認する：
```bash
-# weave-trace Pod 名を取得
+# weave-trace の Pod 名を取得する
kubectl get pods -n wandb | grep weave-trace
-# weave-trace のログを確認
+# weave-trace のログを確認する
kubectl logs -n wandb
# よくあるエラー: "connection refused" または "authentication failed"
-# wandb-cr.yaml の ClickHouse クレデンシャルが ch-server.yaml と一致しているか確認
+# wandb-cr.yaml の ClickHouse 認証情報が ch-server.yaml と一致しているか確認する
```
----
+***
-**問題**: コンソールで Weave が有効として表示されない
+**問題**: Console で Weave が有効として表示されない
-**解決策**: 設定を検証してください：
+**解決方法**: 設定を確認してください：
+
+1. ライセンスに Weave が含まれていることを確認してください：
-1. ライセンスに Weave が含まれているか確認します：
```bash
kubectl get secret license-key -n wandb -o jsonpath='{.data.value}' | base64 -d | jq
```
-2. `wandb-cr.yaml` で `weave-trace.enabled: true` および `clickhouse.replicated: true` が設定されていることを確認します。
-3. W&B オペレーターのログを確認します：
+
+2. wandb-cr.yaml で `weave-trace.enabled: true` と `clickhouse.replicated: true` が設定されていることを確認してください
+
+3. W&B operator のログを確認してください：
```bash
kubectl logs -n wandb deployment/wandb-controller-manager
```
----
+***
-**問題**: データベースマイグレーションに失敗する
+**問題**: データベース マイグレーションが失敗する
-**解決策**: クラスター名が一致しているか確認してください：
+**解決方法**: クラスター名が一致しているか確認してください：
-`WF_CLICKHOUSE_REPLICATED_CLUSTER` 環境変数は、 `ch-server.yaml` のクラスター名と **一致させる必要** があります：
+`WF_CLICKHOUSE_REPLICATED_CLUSTER` 環境変数は、ch-server.yaml のクラスター名と **一致している必要があります**。
```yaml
# ch-server.yaml 内:
clusters:
- name: weavecluster # <-- この名前
-# wandb-cr.yaml 内で一致させる必要があるもの:
+# wandb-cr.yaml 内の値と一致させること:
weave-trace:
extraEnv:
WF_CLICKHOUSE_REPLICATED_CLUSTER: "weavecluster" # <-- この値
```
-## リソース要件
+
+
+ ## リソース要件
+
-以下のリソース割り当ては、 **あくまで開始時の目安例** です。実際の要件は、以下によって大きく異なります：
+以下のリソース割り当ては、あくまで**参考となる初期値の一例**です。実際の要件は、次のような要因によって大きく変動します:
-- トレースの取り込み量 (秒あたりのトレース数)
-- クエリのパターンと同時実行数
+- トレース取り込み量（1 秒あたりのトレース数）
+- クエリパターンおよび同時実行数
- データ保持期間
-- 同時実行ユーザー数
+- 同時接続しているユーザー数
-お客様の具体的なユースケースに適したサイジングを決定するために、 **必ず W&B のソリューションアーキテクトチームにご相談ください** 。リソース不足はパフォーマンスの問題につながり、過剰なプロビジョニングはインフラコストの無駄になります。
+**必ず W&B Solutions Architect チームに相談し**、お客様固有のユースケースに対して適切なサイズを決定してください。リソースが不足しているとパフォーマンス問題の原因となり、過剰にプロビジョニングするとインフラコストの無駄につながります。
-### 最小構成 (プロダクション向け)
+
+ ### 本番環境の最小構成
+
-| コンポーネント | レプリカ数 | CPU リクエスト / リミット | メモリ リクエスト / リミット | ストレージ |
-| :--- | :--- | :--- | :--- | :--- |
-| ClickHouse Keeper | 3 | 0.5 / 1 | 256Mi / 2Gi | 各 10Gi |
-| ClickHouse Server | 3 | 1 / 4 | 1Gi / 16Gi | 各 50Gi |
-| Weave Trace | 1 | 1 / 4 | 4Gi / 8Gi | - |
-| **合計** | **7 pods** | **約 4.5 / 15 CPU** | **約 7.8Gi / 58Gi** | **180Gi** |
+| コンポーネント | レプリカ数 | CPU リクエスト / 制限 | メモリ リクエスト / 制限 | ストレージ |
+| ----------------- | ---------- | ---------------------- | ------------------------ | ---------- |
+| ClickHouse Keeper | 3 | 0.5 / 1 | 256Mi / 2Gi | 各 10Gi |
+| ClickHouse Server | 3 | 1 / 4 | 1Gi / 16Gi | 各 50Gi |
+| Weave Trace | 1 | 1 / 4 | 4Gi / 8Gi | - |
+| **合計** | **7 個の pod** | **約 4.5 / 15 CPU** | **約 7.8Gi / 58Gi** | **180Gi** |
-_用途: 開発、テスト、または低負荷のプロダクション環境_
+_対象: 開発、テスト、または小規模な本番環境_
-### 推奨構成 (プロダクション向け)
+
+ ### 本番環境向け推奨セットアップ
+
-トレース量が多いプロダクションワークロード向け：
+トレース量の多い本番ワークロード向け:
-| コンポーネント | レプリカ数 | CPU リクエスト / リミット | メモリ リクエスト / リミット | ストレージ |
-| :--- | :--- | :--- | :--- | :--- |
-| ClickHouse Keeper | 3 | 1 / 2 | 1Gi / 4Gi | 各 20Gi |
-| ClickHouse Server | 3 | 1 / 16 | 8Gi / 64Gi | 各 200Gi |
-| Weave Trace | 2-3 | 1 / 4 | 4Gi / 8Gi | - |
-| **合計** | **8-9 pods** | **約 6-9 / 52-64 CPU** | **約 27-33Gi / 204-216Gi** | **660Gi** |
+| Component | Replicas | CPU Request / Limit | Memory Request / Limit | Storage |
+| ----------------- | ------------ | -------------------- | ------------------------ | ---------- |
+| ClickHouse Keeper | 3 | 1 / 2 | 1Gi / 4Gi | 20Gi each |
+| ClickHouse Server | 3 | 1 / 16 | 8Gi / 64Gi | 200Gi each |
+| Weave Trace | 2-3 | 1 / 4 | 4Gi / 8Gi | - |
+| **Total** | **8-9 pods** | **~6-9 / 52-64 CPU** | **~27-33Gi / 204-216Gi** | **660Gi** |
-_用途: 高負荷のプロダクション環境_
+_適用対象: トレース量の多い本番環境_
-超大規模なデプロイメントについては、具体的なトレース量とパフォーマンス要件に基づいたカスタムサイジングの推奨事項について、W&B のソリューションアーキテクトチームにお問い合わせください。
+超大規模なデプロイの場合は、特定のトレース量およびパフォーマンス要件に基づくカスタムのサイジング推奨について、W&B Solutions Architect チームまでお問い合わせください。
-## 高度な設定
+
+ ## 高度な設定
+
-このセクションでは、垂直スケーリングや水平スケーリングによる ClickHouse キャパシティの拡張、Keeper とサーバー両方の設定でのイメージタグ変更による ClickHouse バージョンの更新、および ClickHouse のヘルス監視を含む、自己管理型 Weave デプロイメントのカスタマイズオプションについて説明します。
+このセクションでは、セルフマネージドの Weave デプロイメント向けのカスタマイズ オプションとして、垂直スケーリングまたは水平スケーリングによる ClickHouse 容量の拡張、keeper と server の両方の設定でイメージタグを変更して ClickHouse バージョンを更新する方法、および ClickHouse の健全性の監視について説明します。
-パフォーマンスと信頼性の要件に確実に対応するために、インスタンスに高度な変更を加える場合は、W&B のソリューションアーキテクトチームに相談することをお勧めします。
+インスタンスに対して高度な変更を行う際には、パフォーマンスおよび信頼性の要件を満たしていることを確認するため、W&B Solutions Architect チームに相談することをお勧めします。
-### ClickHouse のスケーリング
+
+ ### ClickHouse のスケーリング
+
-ClickHouse のキャパシティを増やすには、以下の方法があります：
+ClickHouse のキャパシティを増やすには、次の方法があります。
-1. **垂直スケーリング**: Pod あたりのリソースを増やします（よりシンプルなアプローチ）。
+1. **垂直スケーリング**: Pod ごとのリソースを増やす（より単純な方法）
```yaml
resources:
@@ -1059,147 +1184,172 @@ ClickHouse のキャパシティを増やすには、以下の方法がありま
cpu: 16
```
- **推奨事項**: 実際のリソース使用状況を監視し、それに応じてスケールしてください。超大規模なデプロイメントについては、W&B のソリューションアーキテクトチームにご相談ください。
+ **推奨**: 実際のリソース使用状況を監視し、それに応じてスケールしてください。超大規模なデプロイの場合は、W&B Solutions Architect チームに連絡してください。
-2. **水平スケーリング**: レプリカを追加します（慎重な計画が必要です）。
- - レプリカを増やすにはデータの再配置（リバランシング）が必要です。
- - シャード管理については ClickHouse のドキュメントを参照してください。
- - プロダクション環境で水平スケーリングを実施する前に、 **W&B ソリューションアーキテクトにご相談ください** 。
+2. **水平スケーリング**: レプリカを追加する（慎重な計画が必要）
+ - レプリカを増やすと、データのリバランスが必要になります
+ - シャード管理については ClickHouse のドキュメントを参照してください
+ - 本番環境で水平スケーリングを実装する前に、**W&B Solutions Architect に連絡**してください
-### 異なる ClickHouse バージョンの使用
+
+ ### 異なる ClickHouse バージョンの使用
+
-異なる ClickHouse バージョンを使用するには、 `ch-keeper.yaml` と `ch-server.yaml` 両方のイメージタグを更新します：
+異なる ClickHouse バージョンを使用するには、`ch-keeper.yaml` と `ch-server.yaml` の両方のイメージタグを更新してください。
```yaml
-image: clickhouse/clickhouse-keeper:25.3.5.42 # Keeper バージョン
-image: clickhouse/clickhouse-server:25.3.5.42 # サーバー バージョン
+image: clickhouse/clickhouse-keeper:25.10 # Keeper version
+image: clickhouse/clickhouse-server:25.10 # Server version
```
-互換性のために、Keeper とサーバーのバージョンは一致させるか、Keeper バージョンをサーバーバージョン以上に（Keeper >= Server）する必要があります。
+互換性を確保するには、keeper のバージョンは server のバージョンと同じか、それ以上でなければなりません。
-### ClickHouse の監視
+
+ ### ClickHouse の監視
+
-監視のために ClickHouse のシステムテーブルにアクセスします：
+監視には ClickHouse のシステムテーブルにアクセスします。
```bash
-# ディスク使用量の確認
+# ディスク使用量を確認する
kubectl exec -n clickhouse chi-wandb-weavecluster-0-0-0 -- \
clickhouse-client --user weave --password weave123 --query \
"SELECT name, path, formatReadableSize(free_space) as free, formatReadableSize(total_space) as total FROM system.disks"
-# レプリケーションステータスの確認
+# レプリケーションのステータスを確認する
kubectl exec -n clickhouse chi-wandb-weavecluster-0-0-0 -- \
clickhouse-client --user weave --password weave123 --query \
"SELECT database, table, is_leader, total_replicas, active_replicas FROM system.replicas WHERE database='weave'"
-# ClickHouse サーバー Pod のステータス確認
+# ClickHouse サーバーのステータスを確認する
kubectl get pods -n clickhouse -l app=clickhouse-server
```
-### バックアップとリカバリ
-ClickHouse のデータは S3 に保存されるため、S3 のバージョニングやバケットレプリケーション機能を通じて本来的なバックアップ機能が提供されます。デプロイメント固有のバックアップ戦略については、W&B ソリューションアーキテクトチームに相談し、 [ClickHouse バックアップドキュメント](https://clickhouse.com/docs/en/operations/backup) を参照してください。
+
+ ### バックアップと復旧
+
-## セキュリティに関する考慮事項
+ClickHouse のデータは S3 に保存されており、S3 のバージョニング機能とバケットレプリケーション機能によって、標準でバックアップ機能が備わっています。特定のデプロイメントに合わせたバックアップ戦略については、W&B Solutions Architect チームに相談し、[ClickHouse のバックアップに関するドキュメント](https://clickhouse.com/docs/en/operations/backup) を参照してください。
-1. **クレデンシャル**: ClickHouse のパスワードはプレーンテキストではなく、Kubernetes secret に保存してください。
-2. **ネットワークポリシー**: ClickHouse へのアクセスを制限するために、NetworkPolicies の実装を検討してください。
-3. **RBAC**: サービスアカウントに必要最小限の権限のみが付与されていることを確認してください。
-4. **S3 バケット**: 保存時の暗号化を有効にし、バケットへのアクセスを必要な IAM ロールのみに制限してください。
-5. **TLS** (オプション): プロダクション環境では、ClickHouse クライアント接続に対して TLS を有効にしてください。
+
+ ## セキュリティ上の考慮事項
+
-## アップグレード
+1. **認証情報**: ClickHouse のパスワードはプレーンテキストではなく Kubernetes Secret に保存する
+2. **ネットワークポリシー**: ClickHouse へのアクセスを制限するために NetworkPolicy の実装を検討する
+3. **RBAC**: ServiceAccount には必要最小限の権限のみを付与する
+4. **S3 バケット**: 保存データの暗号化 (暗号化 at rest) を有効にし、必要な IAM ロールにのみバケットへのアクセスを制限する
+5. **TLS** (オプション): 本番環境では ClickHouse クライアント接続に TLS を有効化する
-### ClickHouse Operator のアップグレード
+
+ ## アップグレード
+
+
+
+ ### ClickHouse Operator のアップグレード
+
```bash
helm upgrade ch-operator altinity/altinity-clickhouse-operator \
- --version 0.25.4 \
--namespace clickhouse \
-f ch-operator.yaml
```
-### ClickHouse Server のアップグレード
-`ch-server.yaml` のイメージバージョンを更新して適用します：
+
+ ### ClickHouse Server のアップグレード
+
+
+`ch-server.yaml` のイメージのバージョンを更新して適用します:
```bash
-# ch-server.yaml を編集し、イメージタグを変更
+# ch-server.yaml を編集し、イメージタグを変更する
kubectl apply -f ch-server.yaml
-# Pod を監視
+# Pod を監視する
kubectl get pods -n clickhouse
```
-### Weave Trace のアップグレード
-`wandb-cr.yaml` のイメージタグを更新して適用します：
+
+ ### Weave Trace のアップグレード
+
+
+`wandb-cr.yaml` のイメージタグを更新して、適用します:
```bash
kubectl apply -f wandb-cr.yaml
-# weave-trace Pod の再起動を監視
+# weave-trace pod の再起動を監視する
kubectl get pods -n wandb | grep weave-trace
```
-## 追加リソース
+
+
+ ## 参考資料
+
- [Altinity ClickHouse Operator ドキュメント](https://docs.altinity.com/altinitykubernetesoperator/)
- [ClickHouse ドキュメント](https://clickhouse.com/docs)
- [W&B Weave ドキュメント](https://docs.wandb.ai/weave)
-- [ClickHouse S3 ストレージ設定](https://clickhouse.com/docs/en/engines/table-engines/mergetree-family/mergetree#s3-virtual-hosted-style)
+- [ClickHouse S3 ストレージの設定](https://clickhouse.com/docs/en/engines/table-engines/mergetree-family/mergetree#s3-virtual-hosted-style)
-## サポート
+
+ ## サポート
+
-プロダクション環境でのデプロイや問題については：
+本番環境へのデプロイや問題が発生した場合:
-- **W&B サポート**: `support@wandb.com`
-- **ソリューションアーキテクト**: 超大規模デプロイメント、カスタムサイジング、およびデプロイ計画について。
-- **サポートリクエストに含める内容**:
- - weave-trace、ClickHouse Pod、およびオペレーターのログ
+- **W&B Support**: `support@wandb.com`
+- **Solutions Architects**: 超大規模デプロイ、カスタム規模設計、デプロイ計画に関する相談
+- **サポート依頼時に含める情報**:
+ - weave-trace、ClickHouse Pod、operator のログ
- W&B バージョン、ClickHouse バージョン、Kubernetes バージョン
- クラスター情報とトレース量
-## よくある質問 (FAQ)
+
+ ## よくある質問
+
-**Q: 3 つではなく、単一の ClickHouse レプリカを使用できますか？**
+**Q: ClickHouse のレプリカを 3 つではなく 1 つだけにできますか？**
-A: 可能ですが、プロダクション環境では推奨されません。 `ch-server.yaml` で `replicasCount: 1` に更新し、 `wandb-cr.yaml` で `clickhouse.replicated: false` を設定してください。
+A: 可能ですが、本番環境では推奨されません。`ch-server.yaml` の `replicasCount: 1` を更新し、`wandb-cr.yaml` で `clickhouse.replicated: false` を設定してください。
-**Q: ClickHouse の代わりに別のデータベースを使用できますか？**
+**Q: ClickHouse の代わりに別のデータベースを使えますか？**
-A: いいえ、Weave Trace はその高性能な列指向ストレージ機能のために ClickHouse を必要とします。
+A: いいえ、Weave Trace は高性能なカラム型ストレージ機能のために ClickHouse を必要とします。
-**Q: どの程度の S3 ストレージが必要ですか？**
+**Q: 必要な S3 ストレージ容量はどれくらいですか？**
-A: S3 ストレージの要件は、トレース量、保持期間、およびデータの圧縮率に依存します。デプロイ後に実際の使用量を監視し、それに応じて調整してください。ClickHouse の列指向フォーマットは、トレースデータに対して優れた圧縮を提供します。
+A: 必要な S3 ストレージ容量は、トレースの量、保持期間、データ圧縮率に依存します。デプロイ後に実際の使用量を監視し、それに応じて調整してください。ClickHouse のカラム型フォーマットは、トレースデータに対して優れた圧縮を提供します。
-**Q: ClickHouse で `database` 名を設定する必要がありますか？**
+**Q: ClickHouse で `database` 名を設定する必要はありますか？**
-A: いいえ、 `weave` データベースは最初の起動時に weave-trace サービスによって自動的に作成されます。
+A: いいえ、`weave` データベースは初回起動時に weave-trace サービスによって自動的に作成されます。
**Q: クラスター名が `weavecluster` ではない場合はどうなりますか？**
-A: `WF_CLICKHOUSE_REPLICATED_CLUSTER` 環境変数をクラスター名と一致するように設定する必要があります。そうしないと、データベースのマイグレーションに失敗します。
+A: クラスター名と一致するように `WF_CLICKHOUSE_REPLICATED_CLUSTER` 環境変数を設定する必要があります。そうしないと、データベースのマイグレーションが失敗します。
-**Q: 例に示されているセキュリティコンテキストをそのまま使用すべきですか？**
+**Q: サンプルに示されている security context をそのまま使うべきですか？**
-A: いいえ。このガイドで提供されているセキュリティコンテキスト (runAsUser, fsGroup など) は参照例です。組織のセキュリティポリシー、特に特定の UID/GID 範囲の要件がある OpenShift クラスターなどに合わせて調整する必要があります。
+A: いいえ。このガイドで示している security context（runAsUser、fsGroup など）は参考例です。特に UID/GID の範囲に関する固有の要件がある OpenShift クラスターでは、自組織のセキュリティポリシーに準拠するように調整する必要があります。
-**Q: ClickHouse クラスターのサイジングが正しいかどうか、どうすればわかりますか？**
+**Q: 自分の ClickHouse クラスターのサイズが適切かどうかは、どうすればわかりますか？**
-A: 予想されるトレース量と使用パターンを添えて、W&B のソリューションアーキテクトチームにお問い合わせください。具体的なサイジングの推奨事項を提供します。デプロイメントのリソース使用状況を監視し、必要に応じて調整してください。
+A: 想定しているトレース量と利用パターンを添えて、W&B Solutions Architect チームにお問い合わせください。具体的なサイジングの推奨を受けられます。デプロイメントのリソース使用状況を監視し、必要に応じて調整してください。
-**Q: 例で使用されている命名規則をカスタマイズできますか？**
+**Q: サンプルで使われている命名規則をカスタマイズできますか？**
-A: はい、ただしすべてのコンポーネント間で一貫性を保つ必要があります：
+A: はい。ただし、すべてのコンポーネント間で一貫性を維持する必要があります。
-1. **ClickHouse Keeper 名** → `ch-server.yaml` の `zookeeper.nodes` セクションにある Keeper ノードホスト名と一致させる必要があります。
-2. **ClickHouse クラスター名** (`weavecluster`) → `wandb-cr.yaml` の `WF_CLICKHOUSE_REPLICATED_CLUSTER` と一致させる必要があります。
-3. **ClickHouse インストール名** → weave-trace が使用するサービスのホスト名に影響します。
+1. **ClickHouse Keeper 名** → `ch-server.yaml` の `zookeeper.nodes` セクションにある Keeper ノードのホスト名と一致している必要があります
+2. **ClickHouse クラスター名**（`weavecluster`） → `wandb-cr.yaml` の `WF_CLICKHOUSE_REPLICATED_CLUSTER` と一致している必要があります
+3. **ClickHouse インストール名** → weave-trace が使用するサービスのホスト名に影響します
-命名パターンと実際の名前を確認する方法については、ステップ 4 の「Keeper の命名規則について」セクションを参照してください。
+命名パターンと実際の名前の確認方法については、ステップ 4 の「Keeper の命名について」セクションを参照してください。
-**Q: クラスターで異なるアンチアフィニティ要件がある場合はどうなりますか？**
+**Q: クラスターで異なる anti-affinity 要件を使用している場合はどうなりますか？**
-A: 示されているアンチアフィニティルールは、高可用性のための推奨事項です。クラスターのサイズ、トポロジー、および可用性要件に基づいて調整または削除してください。小規模なクラスターや開発環境では、アンチアフィニティルールは必要ない場合があります。
\ No newline at end of file
+A: ここで示している anti-affinity ルールは、高可用性のための推奨設定です。クラスターのサイズ、トポロジー、可用性要件に応じて調整または削除してください。小規模なクラスターや開発環境では、anti-affinity ルールが不要な場合もあります。
\ No newline at end of file
diff --git a/ja/weave/guides/tools.mdx b/ja/weave/guides/tools.mdx
index 670e14e22f..d845f0d18c 100644
--- a/ja/weave/guides/tools.mdx
+++ b/ja/weave/guides/tools.mdx
@@ -1,24 +1,28 @@
---
-title: ツール & ユーティリティ
-description: AI アプリケーションの ワークフロー と デプロイメント のための Weave ツール と ユーティリティ
+title: "ツールとユーティリティ"
+description: "AI アプリケーションのワークフローとデプロイメント向け Weave ツールおよびユーティリティ"
---
-Weave は、AI アプリケーションの ワークフロー と デプロイメント プロセス を支援する一連の ツール とユーティリティを開発しています。これらは現在、初期のアルファ段階にあり、変更される可能性があります。現在取り組んでいる内容の概要は以下の通りです。
+Weave は、AI アプリケーションのワークフローとデプロイ プロセスを支援するための一連のツールやユーティリティを開発しています。これらは現在、アルファ版の初期段階であり、今後変更される可能性があります。以下では、現在取り組んでいる内容の概要を紹介します。
-## Serve（実験的機能）
+
+ ## Serve (実験的)
+
-[Serve](/weave/guides/tools/serve) は、Weave の op や Models を API エンドポイントとして公開するための機能です。以下のような可能性を検討しています。
+[Serve](/ja/weave/guides/tools/serve) は、Weave の ops とモデルを API エンドポイントとして公開できる機能です。現在、次のような可能性を検討しています。
-- Weave コンポーネント用の Web サービスの作成
-- 既存の アプリケーション への Weave コンポーネントの統合
-- より プロダクション に近い 環境 で モデル をテストする方法の提供
+* Weave コンポーネント向けの Web サービスを作成する
+* 既存のアプリケーションに Weave コンポーネントを統合する
+* 本番環境に近い形でモデルをテストする方法を提供する
-## Deploy（実験的機能）
+
+ ## Deploy (実験的)
+
-[Deploy](/weave/guides/tools/deploy) は、Weave の op や Models のデプロイを支援するために開発中の、もう一つのアルファ段階のユーティリティです。検討中の主な機能は以下の通りです。
+[Deploy](/ja/weave/guides/tools/deploy) は、Weave ops や モデル のデプロイを支援するために現在開発中の、別のアルファ段階のユーティリティです。検討中の機能としては、次のようなものがあります。
-- クラウド プラットフォームへの モデル のプッシュ
-- 異なる デプロイメント 環境 の管理
-- デプロイメント プロセス の一部を自動化する方法の探索
+* モデル をクラウドプラットフォームにプッシュする
+* 異なるデプロイ環境を管理する
+* デプロイプロセスの一部を自動化する方法を検討する
-これらの ツール はまだ開発の非常に初期段階にあることにご注意ください。完全に機能しない可能性や、大幅に変更される可能性、あるいは提供が中止される可能性もあります。現時点では、実験的な目的でのみ使用することをお勧めします。
\ No newline at end of file
+これらのツールは、まだ開発のごく初期段階にある点に注意してください。完全には機能しない場合があったり、大きく変更されたり、開発が中止される可能性もあります。現時点では、実験的な目的でのみ使用することをおすすめします。
\ No newline at end of file
diff --git a/ja/weave/guides/tools/attributes.mdx b/ja/weave/guides/tools/attributes.mdx
index 40400ac9d4..793e02b969 100644
--- a/ja/weave/guides/tools/attributes.mdx
+++ b/ja/weave/guides/tools/attributes.mdx
@@ -1,24 +1,27 @@
---
-title: 属性の定義とログの記録
-description: 属性を使用して、 トレース や 評価 にメタデータを追加します。
+title: "属性を定義してログする"
+description: "属性を使用して、トレースや評価にメタデータを追加します。"
---
-Weave における Attributes（属性）を使用すると、トレースや Evaluations にカスタムの メタデータ を付加できます。この メタデータ には、環境名、モデル の バージョン 、実験 ID、ユーザー ID、またはその他のコンテキスト情報を含めることができ、Weave データの整理、フィルタリング、分析に役立ちます。
+Weave の属性を使用すると、トレースや評価にカスタム メタデータを追加できます。メタデータには、環境名、モデル バージョン、実験 ID、ユーザー ID、その他のコンテキスト情報などを含めることができ、Weave データの整理、フィルタリング、分析に役立ちます。
-Weave では、属性を追加する2つの方法を提供しています。
+Weave では、属性を追加する方法が 2 つあります。
-* **コールごとの属性**: `weave.attributes()` を使用して、特定のオペレーションや コード ブロックに メタデータ を追加します。
-* **グローバル属性**: `global_attributes` フィールドを使用して初期化時に属性を設定し、プロジェクト 内のすべての トレース と Evaluations に適用します。
+* **Per-call attributes**: 特定の処理やコード ブロックにメタデータを追加するには、`weave.attributes()` を使用します
+* **Global attributes**: `global_attributes` フィールドを使用して初期化時に属性を設定し、プロジェクト内のすべてのトレースや評価に適用します
-トレース や Evaluation の実行中に ログ 記録されたすべての属性は UI で確認できます。その後、これらを使用して データのフィルタリングやグループ化を行うことができます。
+トレースや評価でログされたすべての属性は UI で確認できます。その後、それらを使用してデータをフィルタリングやグループ化できます。
-`call.attributes` は、コールが開始されると変更できません。op を呼び出す前にこの コンテキスト マネージャーを使用して メタデータ を設定してください。
+`call.attributes` は、呼び出しが開始された後は変更できません。op を呼び出す前にメタデータを設定するには、この
+コンテキストマネージャーを使用してください。
-## コールごとの属性
+
+ ## 呼び出しごとの属性
+
-`weave.attributes()` コンテキスト マネージャーを使用すると、特定のトレース対象オペレーションに メタデータ を追加できます。これにより、特定の関数呼び出しや Evaluation の実行にコンテキスト情報をタグ付けできます。
+`weave.attributes()` コンテキストマネージャーを使うと、特定のトレース対象の処理にメタデータを追加できます。これにより、特定の関数呼び出しや評価 run にコンテキスト情報をタグ付けできます。
@@ -31,7 +34,7 @@ weave.init("attribute-check")
def my_function(name: str):
return f"Hello, {name}!"
-# 特定のコールに属性を追加する
+# Add attributes to a specific call
with weave.attributes({'env': 'production', 'user_id': '12345'}):
result = my_function("World")
```
@@ -44,10 +47,10 @@ async function main() {
await init('your-team/attribute-example');
const myFunction = op(async function myFunction(name: string) {
- return `Hello, {name}!`;
+ return `Hello, ${name}!`;
});
- // 特定のコールに属性を追加する
+ // Add attributes to a specific call
const result = await withAttributes(
{env: 'production', user_id: '12345'},
async () => myFunction('World')
@@ -61,9 +64,9 @@ main().catch(console.error);
-この関数は、コンテキスト マネージャー ブロック（Python）または コールバック 関数（TypeScript）内のすべてのトレース対象オペレーションに属性を付加します。
+この関数は、コンテキストマネージャーブロック内 (Python) またはコールバック関数内 (TypeScript) のすべてのトレース対象処理に属性を付与します。
-また、`weave.attributes()` コンテキストをネストすることもできます。内側のコンテキストは、同じ キー に対して外側のコンテキストを上書きします。
+`weave.attributes()` コンテキストはネストして使うこともできます。同じキーについては、内側のコンテキストが外側のコンテキストを上書きします。
@@ -72,20 +75,20 @@ main().catch(console.error);
def process_data(data: str):
return data.upper()
-# 外側のコンテキスト
+# Outer context
with weave.attributes({
"env": "production",
"version": "1.0.0",
"region": "us-west-2"
}):
- process_data("hello") # 3つの属性すべてを持つ
+ process_data("hello") # Has all three attributes
- # 内側のコンテキストが 'version' を上書きする
+ # Inner context overrides 'version'
with weave.attributes({
"version": "1.1.0",
"experiment": "exp-456"
}):
- process_data("world") # env='production', version='1.1.0', region='us-west-2', experiment='exp-456' を持つ
+ process_data("world") # Has env='production', version='1.1.0', region='us-west-2', experiment='exp-456'
```
@@ -99,7 +102,7 @@ async function main() {
return data.toUpperCase();
});
- // 外側のコンテキスト
+ // Outer context
await withAttributes(
{
env: 'production',
@@ -107,16 +110,16 @@ async function main() {
region: 'us-west-2'
},
async () => {
- await processData('hello'); // 3つの属性すべてを持つ
+ await processData('hello'); // Has all three attributes
- // 内側のコンテキストが 'version' を上書きする
+ // Inner context overrides 'version'
await withAttributes(
{
version: '1.1.0',
experiment: 'exp-456'
},
async () => {
- await processData('world'); // env='production', version='1.1.0', region='us-west-2', experiment='exp-456' を持つ
+ await processData('world'); // Has env='production', version='1.1.0', region='us-west-2', experiment='exp-456'
}
);
}
@@ -128,9 +131,11 @@ main().catch(console.error);
-## グローバル属性
+
+ ## グローバル属性
+
-Weave の初期化時にグローバル属性を設定すると、プロジェクト 内の **すべて** の トレース と Evaluations に自動的に適用されます。これは、環境、デプロイメント バージョン 、チーム情報などの プロジェクト 全体の メタデータ を伝播させるのに便利です。
+Weave の初期化時にグローバル属性を設定すると、それらはプロジェクト内の **すべて** の trace と evaluation に自動的に適用されます。これは、環境やデプロイバージョン、チーム情報といったプロジェクト全体のメタデータを一括して行き渡らせるのに役立ちます。
@@ -147,16 +152,16 @@ weave.init(
}
)
-# global_attributes 辞書は、これ以降のすべてのオペレーションにこれらの属性を適用します
+# global_attributes 辞書によって、これらの属性が以降のすべての処理に適用される
@weave.op
def my_function():
return "Hello"
-my_function() # 自動的にすべてのグローバル属性を持つ
+my_function() # 自動的にすべてのグローバル属性が付与される
-# Evaluations にもグローバル属性が付与される
+# Evaluation にもグローバル属性が適用される
evaluation = weave.Evaluation(dataset=examples, scorers=[scorer])
-asyncio.run(evaluation.evaluate(model)) # すべてのグローバル属性を持つ
+asyncio.run(evaluation.evaluate(model)) # すべてのグローバル属性が付与される
```
@@ -173,12 +178,12 @@ async function main() {
}
});
- // globalAttributes オブジェクトは、これ以降のすべてのオペレーションにこれらの属性を適用します
+ // globalAttributes オブジェクトによって、これらの属性が以降のすべての処理に適用される
const myFunction = op(async function myFunction() {
return 'Hello';
});
- const result = await myFunction(); // 自動的にすべてのグローバル属性を持つ
+ const result = await myFunction(); // 自動的にすべてのグローバル属性が付与される
console.log('Result:', result);
}
main().catch(console.error);
@@ -186,16 +191,18 @@ main().catch(console.error);
-### グローバル属性とコールごとの属性の組み合わせ
+
+ ### グローバル属性と呼び出しごとの属性を組み合わせる
+
-グローバル属性とコールごとの属性を組み合わせて使用できます。同じ キー を持つコールごとの属性は、グローバル属性を上書きします。
+グローバル属性と呼び出しごとの属性を併用できます。同じキーを持つ呼び出しごとの属性は、グローバル属性を上書きします：
```python lines
import weave
-# グローバル属性を設定する
+# グローバル属性を設定
weave.init(
"my-project",
global_attributes={
@@ -208,10 +215,10 @@ weave.init(
def process(data: str):
return data
-# このコールは env='production', app_version='2.1.0' を持つ
+# この呼び出しでは次の属性になる: env='production', app_version='2.1.0'
process("test1")
-# このコールは env='staging', app_version='2.1.0', experiment='A' を持つ
+# この呼び出しでは次の属性になる: env='staging', app_version='2.1.0', experiment='A'
with weave.attributes({'env': 'staging', 'experiment': 'A'}):
process("test2")
```
@@ -221,7 +228,7 @@ with weave.attributes({'env': 'staging', 'experiment': 'A'}):
import {init, op, withAttributes} from 'weave';
async function main() {
- // グローバル属性を設定する
+ // グローバル属性を設定
await init('your-team/attribute-example', {
globalAttributes: {
env: 'production',
@@ -233,10 +240,10 @@ async function main() {
return data;
});
- // このコールは env='production', app_version='2.1.0' を持つ
+ // この呼び出しでは次の属性になる: env='production', app_version='2.1.0'
await process('test1');
- // このコールは env='staging', app_version='2.1.0', experiment='A' を持つ
+ // この呼び出しでは次の属性になる: env='staging', app_version='2.1.0', experiment='A'
await withAttributes(
{env: 'staging', experiment: 'A'},
async () => process('test2')
@@ -247,14 +254,16 @@ main().catch(console.error);
-## 実行中の属性の取得
+
+ ## 実行中に属性を取得する
+
-コールに ログ 記録されている現在の属性セットを返します。これは、コールのデバッグや、条件付きロジックのコンテキスト把握に役立ちます。
+現在の呼び出しに対してログされている属性のセットを返します。これにより、呼び出しのデバッグや条件付きロジック用のコンテキストの把握に役立ちます。
-以下の例では、Weave デコレータを設定して `process_data` 関数を ログ 記録し、ログ 記録する属性を構成してから、実行時にそれらを返します。
+次の例では、Weave デコレーターを使って `process_data` 関数をログ対象にし、ログする属性を設定してから、実行時にそれらを取得して返します。
```python lines
import weave
@@ -263,13 +272,13 @@ weave.init("your-team/your-project")
@weave.op
def process_data(data: str):
- # op 内で現在のコールを取得する
+ # op 内で現在の call を取得
call = weave.get_current_call()
if call:
print(f"Attributes: {call.attributes}")
return data.upper()
-# 属性を設定して関数を実行する
+# 属性を設定して関数を実行
with weave.attributes({
"env": "production",
"version": "1.0.0",
@@ -284,19 +293,19 @@ with weave.attributes({
process_data("world")
```
-出力結果:
+出力は次のとおりです:
```shell
Attributes: {'env': 'production', 'version': '1.0.0', 'region': 'us-west-2'}
Attributes: {'env': 'production', 'version': '1.1.0', 'region': 'us-west-2', 'experiment': 'exp-456'}
```
-`weave.get_current_call()` は、`@weave.op` デコレータが付いた関数 **内部** でのみ機能します。op の外部では `None` を返します。
+`weave.get_current_call()` は `@weave.op` でデコレートされた関数の **内部でのみ** 動作します。op の外では `None` を返します。
-Weave TypeScript SDK を使用すると、`client.getCurrentAttributes()` を使用して現在の属性を取得できます。Weave Python SDK とは異なり、TypeScript の属性は op 内だけでなく、`withAttributes()` コンテキスト内であればどこからでもアクセスできます。
+Weave TypeScript SDK を使用すると、`client.getCurrentAttributes()` を使って現在の属性を取得できます。Weave Python SDK と異なり、TypeScript では op の内部だけでなく、`withAttributes()` コンテキスト内のどこからでも属性にアクセスできます。
```typescript lines
import * as weave from 'weave';
@@ -306,13 +315,13 @@ async function main() {
const client = await weave.init('your-team/your-project');
const processData = weave.op(async function processData(data: string) {
- // op 内部でも属性にアクセス可能
+ // op の内部でも属性にアクセス可能
const attrs = client.getCurrentAttributes();
console.log('Attributes inside op:', attrs);
return data.toUpperCase();
});
- // 属性を設定して関数を実行する
+ // 属性を設定して関数を実行
await withAttributes(
{
env: 'production',
@@ -320,7 +329,7 @@ async function main() {
region: 'us-west-2'
},
async () => {
- // コンテキスト内のどこからでも属性を取得可能
+ // コンテキスト内のどこからでも属性を取得
console.log('Current attributes:', client.getCurrentAttributes());
await processData('hello');
@@ -341,7 +350,7 @@ async function main() {
main().catch(console.error);
```
-出力結果:
+出力は次のとおりです:
```shell
Current attributes: { env: 'production', version: '1.0.0', region: 'us-west-2' }
Attributes inside op: { env: 'production', version: '1.0.0', region: 'us-west-2' }
diff --git a/ja/weave/guides/tools/column-mapping.mdx b/ja/weave/guides/tools/column-mapping.mdx
index da0dc4a69f..3c975c8da3 100644
--- a/ja/weave/guides/tools/column-mapping.mdx
+++ b/ja/weave/guides/tools/column-mapping.mdx
@@ -1,13 +1,13 @@
---
-title: Datasets 内の列をマッピングする
-description: Datasets 内のカラムを別の名前にマッピングします。これにより、Datasets 内のカラム名とスコアラーが想定するカラム名を一致させることができます。
+title: "データセット内のカラムを対応付ける"
+description: "データセット内のカラム名を別の名前に対応付けます。これにより、スコアラーが想定するカラム名とデータセット内のカラム名を一致させることができます。"
---
- Weave Python SDK では、スコーラーの `column_map` 属性を使用して、スコーラーが期待する引数名とデータセットの列名をマッピングします。マッピングの形式は `{scorer_parameter: dataset_column}` です。
+ Weave Python SDK では、スコアラーの `column_map` 属性を使って、スコアラーが想定するパラメーター名をデータセットのカラム名に対応付けます。マッピング形式は `{scorer_parameter: dataset_column}` です。
- 次の例では、`output` と `target` 引数を、データセットの `model_output` 列と `answer` 列にマッピングしています。
+ 次の例では、`output` と `target` パラメーターを、データセットの `model_output` と `answer` カラムに対応付けています:
```python
from weave.scorers import EmbeddingSimilarityScorer
@@ -15,17 +15,17 @@ description: Datasets 内のカラムを別の名前にマッピングします
similarity_scorer = EmbeddingSimilarityScorer()
similarity_scorer.column_map = {
- "output": "model_output", # モデルによって生成されたテキスト
- "target": "answer" # 期待される、または参照用の回答
+ "output": "model_output", # モデルが生成したテキスト
+ "target": "answer" # 期待される、または参照用の応答
}
```
- スコーラーの列マッピングに関する詳細は、[Mapping Column Names with `column_map`](../evaluation/scorers#mapping-column-names-with-column_map) を参照してください。
+ スコアラーのカラムマッピングの詳細については、[Mapping Column Names with `column_map`](../evaluation/scorers#mapping-column-names-with-column_map) を参照してください。
- Weave TypeScript SDK では、列マッピングは個々のスコーラーではなく、`Evaluation` オブジェクトの `columnMapping` オプションで設定します。マッピングの形式は `{scorer_key: dataset_column}` です。
+ Weave TypeScript SDK では、カラムマッピングは個々のスコアラーではなく、`Evaluation` オブジェクトの `columnMapping` オプションとして設定します。マッピング形式は `{scorer_key: dataset_column}` です。
- 次の例では、（スコーラーで使用される）`expectedOutputTimesTwo` をデータセットの `expected` 列にマッピングしています。
+ 次の例では、スコアラーで使用される `expectedOutputTimesTwo` を、データセット内の `expected` カラムに対応付けています:
```typescript
import * as weave from 'weave';
@@ -45,6 +45,6 @@ description: Datasets 内のカラムを別の名前にマッピングします
});
```
- TypeScript のスコーラー引数に関する詳細は、[Scorer Keyword Arguments](../evaluation/scorers#scorer-のキーワード引数) を参照してください。
+ TypeScript の scorer のキーワード引数の詳細は、[Scorer Keyword Arguments](../evaluation/scorers#scorer-keyword-arguments) を参照してください。
\ No newline at end of file
diff --git a/ja/weave/guides/tools/comparison.mdx b/ja/weave/guides/tools/comparison.mdx
index 99e884be9f..69349e4e45 100644
--- a/ja/weave/guides/tools/comparison.mdx
+++ b/ja/weave/guides/tools/comparison.mdx
@@ -1,130 +1,189 @@
---
-title: トレース とその他の ログ 情報の比較
-description: コード、 トレース、 プロンプト、 Models、 設定 を視覚的に比較し、その差分を確認します
+title: "トレースとその他のログ情報を比較する"
+description: "コード、トレース、プロンプト、モデル、設定を視覚的に比較・差分表示する"
---
-Weave の比較機能（Comparison feature）を使用すると、コード、トレース、プロンプト、Models、およびモデル設定（configuration）を視覚的に比較し、その差分（diff）を確認できます。2つのオブジェクトを並べて比較したり、より大きなオブジェクトのセットを分析して、違い、パターン、傾向を特定したりすることが可能です。
+W&B Weave Comparison 機能を使うと、コード、トレース、プロンプト、モデル、およびモデル設定を視覚的に比較し、差分を確認できます。2 つのオブジェクトを左右に並べて比較したり、より多くのオブジェクトを分析して、相違点やパターン、トレンドを特定したりできます。
-このガイドでは、比較を開始する手順と、ベースライン（baseline）比較、数値差分のフォーマットなど、比較ビューをカスタマイズするための利用可能なアクションについて説明します。
+このガイドでは、比較を開始する手順と、ベースライン比較、数値差分の表示形式など、比較ビューを用途に合わせて調整するために利用できる操作について説明します。
-## 比較ビューへのアクセス
+
+ ## Comparison ビューにアクセスする
+
-1. サイドバーで、比較したいオブジェクトのタイプ（**Traces**、**Models** など）を選択します。
-2. 比較したいオブジェクトを選択します。選択方法は、比較するオブジェクトのタイプによって異なります：
- - **Traces** の場合、Traces カラムの適切な行にあるチェックボックスをオンにして、比較するトレースを選択します。
- - **Models** などのオブジェクトの場合、モデルの Versions ページに移動し、比較したいバージョン（version）の横にあるチェックボックスをオンにします。
-3. **Compare** をクリックして比較ビューを開きます。これで、[利用可能なアクション](#利用可能なアクション)を使用してビューを微調整できます。
+1. サイドバーで、比較するオブジェクトの種類を選択します (例: **Traces** や **Models**) 。
+2. 比較したいオブジェクトを選択します。選択方法は、比較対象のオブジェクトの種類によって異なります。
+ * **Traces** の場合は、Trace 列の該当する行のチェックボックスをオンにして、比較する traces を選択します。
+ * **Models** などのオブジェクトの場合は、model Versions ページに移動し、比較したいバージョンの横にあるチェックボックスをオンにします。
+3. **Compare** を選択して Comparison ビューを開きます。ページ上部の比較バーには、インタラクティブな call ID トークン (例: `f02b`、`4a98`) が表示され、ドラッグして並べ替えたり削除したりして、比較内容を変更できます。
+4. [利用可能なアクション](#available-actions) を使ってビューを絞り込むことができます。
-## 利用可能なアクション
+
+ ## Comparison ビューをカスタマイズする
+
-比較ビューでは、比較されているオブジェクトの数に応じて、複数のアクションを利用できます。[使用上の注意](#複数オブジェクトの比較からペアを比較する)も併せてご確認ください。
+Comparison ビューでは、オブジェクトの表示方法や比較方法を調整できます：
-- [差分表示の変更](#差分表示の変更)
-- [並べて表示（Side-by-side）](#display-side-by-side)
-- [統合ビューで表示（Unified view）](#並べて表示side-by-side)
-- [ベースラインの設定](#統合ビューで表示unified-view)
-- [ベースラインの解除](#ベースラインの設定)
-- [比較順序の変更](#ベースラインの解除)
-- [数値差分の表示形式の変更](#change-numeric-diff-display-format)
-- [ベースラインまたは前のオブジェクトと比較する](#比較順序の変更)
-- [複数オブジェクトの比較からペアを比較する](#数値差分の表示形式の変更)
-- [比較からオブジェクトを削除する](#ベースラインまたは前のオブジェクトと比較する)
+* [概要を表示する](#display-summary)
+* [Calls ビューを表示する](#display-a-calls-view)
+* [diff 表示を変更する](#change-the-diff-display)
+* [左右に並べて表示する](#display-side-by-side)
+* [統合ビューで表示する](#display-in-a-unified-view)
+* [ベースラインを設定する](#set-a-baseline)
+* [ベースラインを削除する](#remove-a-baseline)
+* [比較順序を変更する](#change-the-comparison-order)
+* [数値 diff の表示形式を変更する](#change-numeric-diff-display-format)
+* [ベースラインまたは直前のオブジェクトと比較する](#compare-with-baseline-or-previous)
+* [複数オブジェクトの比較からペアを比較する](#compare-a-pair-from-a-multi-object-comparison)
+* [比較対象からオブジェクトを削除する](#remove-an-object-from-comparison)
-### 差分表示の変更
+
+ ### サマリーを表示する
+
-デフォルトでは、**Diff only** はオフに設定されています。変更があった行のみを表示するようにテーブル行をフィルタリングするには、**Diff only** をオンに切り替えます。
+選択したオブジェクトの比較画面のデフォルトビューはサマリーです。サマリーには、LLM の入力と出力のプレビューに加えて、トークン数、コスト、レイテンシが含まれます。
-### 並べて表示（Side-by-side）
+
+ ### Calls ビューを表示する
+
-このオプションは、2つのオブジェクトを比較している場合、または [複数オブジェクトの比較から特定のペアを選択](#数値差分の表示形式の変更) している場合にのみ利用可能です。
+各オブジェクトの Calls を比較するには、**Calls** を選択します。このビューでは次のことができます：
-各オブジェクトを別々の列に並べて比較するには、**Side-by-side** を選択します。
+* Call の完全なトレース ツリーを表示します。
+* メモリ内の基本的なテキスト検索機能を利用できます。
+* Call ごとのレイテンシー、コスト、トークン、Op の種類、フィードバックの表示を切り替えられます。
+ ### 差分表示を変更する
+
-このオプションは、2つのオブジェクトを比較している場合、または [複数オブジェクトの比較から特定のペアを選択](#数値差分の表示形式の変更) している場合にのみ利用可能です。
+デフォルトでは **Diff only** はオフになっています。変更された行のみが表示されるようにテーブルの行をフィルタリングするには、**Diff only** をオンにします。
-各オブジェクトを統合されたビューで比較するには、**Unified** を選択します。
+**Diff only** はサイドバイサイド ビューおよび統合ビューに適用され、それ以外のビューでは無効です。
+
+
+ ### 横に並べて表示
+
+
+各オブジェクトを別々の列で横に並べて比較するには、**Side-by-side** を選択します。
+ ### 統合ビューで表示する
+
-デフォルトでは、比較ビューの各オブジェクトはその左隣のオブジェクトと比較されます。しかし、特定のオブジェクトを _ベースライン（baseline）_ として設定することもできます。これにより、すべてのオブジェクトがビューの最も左にあるオブジェクトと比較されるようになります。
-オブジェクトをベースラインとして設定するには、以下の手順に従ってください：
+2 つのオブジェクトを統合ビューで比較するには、**Unified** を選択します。2 つを超えるオブジェクトを比較する場合、このビューは使用できません。
-1. 比較ビューのトップバーで、ベースラインに設定したいオブジェクトの上にマウスを置きます。
-2. ID の右側にある3つのドットをクリックします。
- 
-3. ドロップダウンで **Make baseline** を選択します。UI が更新され、ベースラインオブジェクトがトップバーの左端に配置され、ID の横に `Baseline` と表示されます。
- 
+
+ ### ベースラインを設定する
+
-オブジェクトのベースライン設定を解除するには、以下の手順に従ってください：
+デフォルトでは、Comparison ビュー内の各オブジェクトは左隣のオブジェクトと比較されます。ただし、あるオブジェクトを *ベースライン* として設定すると、ビュー内のすべてのオブジェクトがいちばん左のオブジェクトと比較されるようになります。
-1. 比較ビューのトップバーで、ベースラインオブジェクトの上にマウスを置きます。
-2. ID の右側にある3つのドットをクリックします。
-3. ドロップダウンで **Remove baseline** を選択します。これで、ID の横に `Baseline` が表示されなくなります。
+オブジェクトをベースラインとして設定するには、次の手順を実行します。
-### 比較順序の変更
+1. Comparison バーで、ベースラインとして設定したいオブジェクト上にポインターを置きます。
+2. ID の右側にある三点リーダー アイコン (
+ ### ベースラインを削除する
+
-1. 比較ビューのトップバーで、順序を変更したい ID の上にマウスを置きます。
-2. ID の左側にある6つのドットをクリックします。
-3. 選択したオブジェクトに応じて、ID を左または右にドラッグします。
-4. ID を希望の順序に配置します。UI が更新され、変更された比較順序が表示されます。
+オブジェクトをベースラインから削除するには、次の手順を実行します。
-### 数値差分の表示形式の変更
+1. Comparison バーで、ベースラインのオブジェクトにポインターを合わせます。
+2. ID の右側にある三点リーダー (
+ ### 比較順序を変更する
+
-1. 比較テーブルで、差分の表示形式を更新したい数値を見つけます。
- 
-2. 差分の値（diff value）をクリックします。形式が自動的に整数またはパーセンテージに更新されます。
- 
+比較バー内のオブジェクトをドラッグして並び替えます。これにより、比較テーブルの対応する列の順序も同様に変更されます。
-### ベースラインまたは前のオブジェクトと比較する
+比較順序を変更するには:
-このオプションは、3つ以上のオブジェクトを比較している場合にのみ利用可能です。また、[ID の右側にある3つのドットをクリックすることで、既存のベースラインを設定](#統合ビューで表示unified-view) したり [解除](#ベースラインの設定) したりすることもできます。
+1. 比較バーで、並び替えたい ID の上にポインターを置きます。
+2. ID の左にある 6 つの点をクリックしたまま、必要に応じて左または右にドラッグします。
+3. ID を希望する順番になる位置までドラッグして配置します。比較データが更新され、新しい順序で比較が表示されます。
-3つ以上のオブジェクトでベースライン比較を実行するには、以下の手順に従ってください：
+
+ ### 数値差分の表示形式を変更する
+
-1. 比較ビューの右隅にあるドロップダウンをクリックします。現在のビュー設定に応じて、ドロップダウンのタイトルは **Compare with previous** または **Compare with baseline** のいずれかになっています。
+`completion_tokens` や `total_tokens` のような数値では、差分を整数またはパーセンテージとして表示できます。さらに、正の数値は倍率として表示することもできます。
+
+数値差分の表示形式を変更するには:
+
+1. Comparison テーブルで、差分の表示形式を変更したい数値を見つけます。
+ 
+2. 差分の値をクリックします。形式は自動的に整数またはパーセンテージのいずれかに切り替わります。
+ 
+
+
+ ### ベースラインまたは前のオブジェクトと比較する
+
+
+このオプションは、3 つ以上のオブジェクトを比較している場合にのみ使用できます。[ベースラインを設定](#set-a-baseline)したり、[ID 右側の 3 点アイコンをクリックして既存のベースラインを削除](#remove-a-baseline)したりできます。
+
+3 つ以上のオブジェクトでベースライン比較を行うには、次の手順に従います。
+
+1. Side-by-side ビューまたは Unified Comparison ビューの右上隅でリストをクリックします。現在のビューの設定に応じて、リストのタイトルは **Compare with previous** または **Compare with baseline** のいずれかになります。
2. 現在のビュー設定に応じて、**Compare with previous** または **Compare with baseline** のいずれかを選択します。
- - **Compare with baseline**: 最も左側のオブジェクトをベースラインとして設定します。テーブルが更新され、左端の列がベースラインになります。
- - **Compare with previous**: ベースラインとなるオブジェクトは設定されません（各オブジェクトをその直前のものと比較します）。
+ * **Compare with baseline**: 一番左のオブジェクトをベースラインとして設定します。テーブルが更新され、一番左の列がベースラインになります。
+ * **Compare with previous**: どのオブジェクトもベースラインとして設定されません。
+
+
+ ### 複数オブジェクト比較からペアを比較する
+
-### 複数オブジェクトの比較からペアを比較する
+このオプションは、3 個以上のオブジェクトを比較している場合にのみ利用できます。
-このオプションは、3つ以上のオブジェクトを比較している場合にのみ利用可能です。
+3 個以上のオブジェクトを比較しているときは、単一のオブジェクトをその隣のオブジェクトまたはベースラインと比較できます。これにより Comparison table ビューが変更され、2 つのオブジェクト比較と同じビューになります。
-3つ以上のオブジェクトを比較しているときに、単一のオブジェクトを前のオブジェクトまたはベースラインと比較できます。これにより、比較テーブルの表示が2つのオブジェクトの比較時と同じ形式に変更されます。複数オブジェクトの比較からペアを比較するには、以下の手順に従ってください：
+複数オブジェクト比較から 2 つのオブジェクトを比較するには、次の手順を実行します。
-1. 比較ビューのトップバーで、前回のオブジェクトまたはベースラインと比較したい ID を見つけます。
-2. そのアイテムを選択するために ID をクリックします。UI が更新され、2方向の比較テーブルが表示されます。
- 
+1. comparison バーで、比較したい ID を選択します。ベースラインを設定している場合、ビューでは選択したオブジェクトとベースラインが比較されます。ベースラインを設定していない場合は、comparison バー内で選択したオブジェクトの左隣にある ID と比較されます。
+2. 項目を選択するには、その ID をクリックします。UI が更新され、2 つのオブジェクト間の比較テーブルが表示されます。
+ 
-テーブルに比較対象として最初に選択された6つのオブジェクトが表示されるようにビューをリセットするには、再度 ID をクリックします。
+最初に比較用に選択した 6 個のオブジェクトがテーブルに表示される元のビューに戻すには、同じ ID をもう一度クリックします。
-### 比較からオブジェクトを削除する
+
+ ### 比較からオブジェクトを削除する
+
-このオプションは、3つ以上のオブジェクトを比較している場合にのみ利用可能です。
+このオプションは、3 つ以上のオブジェクトを比較している場合にのみ利用できます。
-比較からオブジェクトを削除するには、以下の手順に従ってください：
+比較からオブジェクトを削除するには、次の手順を実行します。
-1. 比較ビューのトップバーで、比較から削除したいオブジェクトを見つけます。
-2. ID の右側にある3つのドットをクリックします。
-3. ドロップダウンで **Remove object from comparison** を選択します。UI が更新され、削除されたオブジェクトを含まない新しいテーブルが表示されます。
+1. 比較バーで、比較から削除したいオブジェクトを見つけます。
+2. ID の右側にある省略記号 (
+ ## 使用上の注意
+
- - 比較機能は UI でのみ利用可能です。
- - 好きなだけ多くのオブジェクトを比較できます。ただし、UI に同時に表示されるのは最大6つまでです。6つ以上のオブジェクトを比較しているときに、現在表示されていないオブジェクトを比較テーブルで確認するには、[比較順序を変更](#ベースラインの解除) してそのオブジェクトを左から6番目以内に移動させるか、表示しやすいように [複数オブジェクトの比較からペアを選択](#数値差分の表示形式の変更) してください。
+* Comparison 機能は UI でのみ利用できます。
+* 比較できるオブジェクトの数に制限はありませんが、UI に表示されるのは最大 6 個までです。6 個を超えるオブジェクトを比較しているときに、比較テーブル上で特定のオブジェクトが表示されていない場合は、そのオブジェクトが左から 6 個以内に入るように [比較順序を変更](#change-the-comparison-order)するか、[複数オブジェクトの比較からペア比較](#compare-a-pair-from-a-multi-object-comparison)を行って、そのオブジェクトを確認してください。
\ No newline at end of file
diff --git a/ja/weave/guides/tools/deploy.mdx b/ja/weave/guides/tools/deploy.mdx
index 21ccdf17ae..8a2c310f8d 100644
--- a/ja/weave/guides/tools/deploy.mdx
+++ b/ja/weave/guides/tools/deploy.mdx
@@ -1,22 +1,24 @@
---
-title: Google Cloud へのデプロイ
-description: Weave モデル を クラウド プラットフォーム にデプロイする
+title: "Google Cloud にデプロイする"
+description: "Weave モデルをクラウドプラットフォームにデプロイする"
---
-## Google Cloud へのデプロイ
+
+ ## Google Cloud へデプロイする
+
-`weave deploy` を使用するには、マシンに `gcloud` がインストールされ、設定されている必要があります。 `weave deploy gcp` は、コマンドライン 引数で直接指定されない限り、既存の設定済み configuration を使用します。
+ `weave deploy` を使用するには、マシンに `gcloud` がインストールおよび設定されている必要があります。`weave deploy gcp` は、コマンドライン 引数で明示的に指定されていない場合、あらかじめ設定済みの構成を使用します。
-Weave モデルを Google Cloud にデプロイするには、以下のコマンドを実行します。
+Weave モデルを Google Cloud にデプロイするには、次のコマンドを実行します:
```
weave deploy gcp [
```
-デプロイが完了すると、 ターミナル に以下の形式の URL が表示されます。
+デプロイが完了すると、ターミナルに次の形式の URL が表示されます：
-```
+```
Service URL: ]`. Visit `/docs` to interact with your model!
-```
\ No newline at end of file
+```
diff --git a/ja/weave/guides/tools/evaluation_playground.mdx b/ja/weave/guides/tools/evaluation_playground.mdx
index a168529220..5a354d6323 100644
--- a/ja/weave/guides/tools/evaluation_playground.mdx
+++ b/ja/weave/guides/tools/evaluation_playground.mdx
@@ -1,121 +1,137 @@
---
-title: Evaluation Playground を使用したモデルパフォーマンスの比較
-description: コードを使用せずに、Weave の対話型 Playground を活用してモデルのパフォーマンスを比較・評価できます。視覚的なインターフェース上で、カスタム
- Datasets や LLM judge を使用して Evaluations を実行し、システムプロンプト、Models 、スコアリング基準をテストすることが可能です。
+title: "Evaluation Playground を使ってモデルの性能を比較する"
+description: "Weave のインタラクティブな Playground を使うと、コードを書くことなくモデルの性能を比較・評価できます。カスタム データセットや LLM ジャッジを用いて、システムプロンプト、モデル、スコアリング基準をビジュアルインターフェース上でテストしながら評価を実行できます。"
---
-# Evaluation Playground
+
+ # Evaluation Playground
+
-Evaluation Playground を使用すると、既存の Models にアクセスし、Evaluation Datasets や LLM スコアリングジャッジを使用してそのパフォーマンスを比較できます。これにより、コードを記述することなく、モデルの実験や比較を開始できます。また、プレイグラウンドで開発した Models、スコアラー、Datasets を保存して、後の開発やデプロイメントに活用することも可能です。
+Evaluation Playground を使用すると、既存の モデル にアクセスし、評価用 データセット と LLM ジャッジによるスコアリングを使ってパフォーマンスを比較できます。これにより、コードを一切用意しなくても、 モデル をすぐに試したり比較したりできます。さらに、Evaluation Playground 内で作成した モデル、スコアラー、データセット を保存しておき、後で開発やデプロイに活用できます。
-例えば、Evaluation Playground を開き、以前に保存した 2 つの Models を追加して、新規または保存済みの質疑応答形式の Evaluation Dataset に基づいてパフォーマンスを評価できます。次に、インターフェース上で新しいモデルを追加し、システムプロンプトを設定して、3 つのモデルすべてに対して新しい評価を実行し、それぞれのパフォーマンスを比較することができます。
+たとえば、Evaluation Playground を開き、以前に保存した 2 つの モデル を追加してから、新規または既存の質問応答形式の評価用 データセット に基づいてそれらのパフォーマンスを評価できます。その後、インターフェース上で新しい モデル を追加し、その モデル に system プロンプトを設定して、3 つの モデル すべてに対して新しい評価を実行し、それぞれのパフォーマンスを比較できます。
+ ## Playground で評価をセットアップする
+
-Evaluation Playground で評価を設定するには、以下の手順に従います。
+Evaluation Playground で評価をセットアップするには、次の手順に従います。
-1. [Weave UI](https://wandb.ai/wandb/quickstart_playground/weave/playground) を開き、評価を実行したい Project を開きます。これにより Traces ページが開きます。
-2. Traces ページで、左メニューの **Playground** アイコンをクリックし、Playground ページの **Evaluate** タブを選択します。Evaluate ページでは、以下のいずれかを選択できます。
- * **Load a demo example**: 定義済みの設定を読み込みます。これは MoonshotAI Kimi K2 モデルを期待される出力に対して評価し、LLM ジャッジを使用してその正当性を判断するデモです。この設定を使用してインターフェースを試すことができます。
- * **Start from scratch**: 構築のベースとなる空の設定を読み込みます。
-3. **Start from scratch** を選択した場合は、**Title** と **Description** フィールドに、評価の内容を示すタイトルと説明を追加します。
+1. [Weave UI](https://wandb.ai/wandb/quickstart_playground/weave/playground) を開き、評価を実行したいプロジェクトを開きます。Traces ページが開きます。
+2. Traces ページで、左メニューの **Playground** アイコンをクリックし、Playground ページで **Evaluate** タブを選択します。Evaluate ページでは、次のいずれかを実行できます。
+ * **Load a demo example**: 事前定義された設定が読み込まれ、MoonshotAI Kimi K2 モデルを想定出力に対して評価し、その正しさを判定するために LLM ジャッジを使用します。この設定を使ってインターフェースを試すことができます。
+ * **Start from scratch**: 空の設定が読み込まれ、そこから自由に構成できます。
+3. **Start from scratch** を選択した場合は、**Title** と **Description** フィールドに、評価のわかりやすいタイトルと説明を追加します。
-次のセクションの手順に従って、Datasets、Models、およびスコアラーを設定してください。
+次のセクションの手順に従って、データセット、モデル、スコアラーをセットアップします。
-### Dataset を追加する
+
+ ### データセットを追加する
+
-[Datasets](../core-types/datasets) は、ユーザー入力の例と、モデルからの期待される応答をまとめたコレクションです。評価中、プレイグラウンドは各テスト入力をモデルに供給し、その出力を収集して、正確性などの選択したメトリクスに基づいて出力をスコアリングします。UI でデータセットを作成するか、プロジェクトに保存済みの既存のデータセットを追加するか、新しいデータセットをアップロードするかを選択できます。
+[Datasets](../core-types/datasets) は、ユーザー入力のサンプルと、その入力に対する モデル からの期待される応答をまとめたコレクションです。評価時には、playground が各テスト入力を モデル に渡し、その出力を収集し、正解率などあなたが選択したメトリクスに基づいてスコアリングします。UI で新しいデータセットを作成するか、すでにプロジェクトに保存されている既存のデータセットを追加するか、新しいデータセットをアップロードできます。
-以下の形式のデータセットをアップロードできます。
+次の形式でデータセットをアップロードできます:
* `.csv`
* `.tsv`
* `.json`
* `.jsonl`
-Datasets のフォーマットや Weave への保存方法の詳細については、Datasets ページを参照してください。
+データセットのフォーマット方法や Weave への保存方法の詳細については、Datasets のページを参照してください。
-**Dataset** セクションでデータセットを追加するには：
+**Dataset** セクションでデータセットを追加するには:
-1. ドロップダウンメニューをクリックし、以下のいずれかを選択します。
- * UI で新しいデータセットを作成するには **Start from scratch**。
- * ローカルマシンからデータセットをアップロードするには **Upload a file**。
- * プロジェクトに保存済みの既存のデータセット。
-2. 任意： **Save** をクリックして、後で使用するためにデータセットをプロジェクトに保存します。
+1. ドロップダウンメニューをクリックし、次のいずれかを選択します:
+ * **Start from scratch**: UI 上で新しいデータセットを作成します。
+ * **Upload a file**: ローカルマシンからデータセットをアップロードします。
+ * すでにプロジェクトに保存されている既存のデータセット。
+2. 任意: **Save** をクリックして、後で使用できるようにデータセットをプロジェクトに保存します。
-オプションを選択すると、UI の右ペインにデータセットが表示され、各フィールドをクリックして必要に応じて編集できます。また、**Add row** をクリックしてデータセットに新しい行を追加することもできます。
+オプションを選択すると、そのデータセットは UI の右側ペインに表示され、各フィールドをクリックして必要に応じて編集できます。**Add row** をクリックして、データセットに新しい行を追加することもできます。
-UI を使用して編集できるのは、新しいデータセットのみです。
+ UI を使用して編集できるのは、新しいデータセットのみです。
-また、スコアラーがデータにアクセスできるように、データセットの列に `user_input` および `expected_output` と適切に名前を付けることが重要です。
+ スコアラーがデータにアクセスできるように、データセット内の列名を適切に `user_input` および `expected_output` と設定することも重要です。
-### Model を追加する
+
+ ### モデルを追加する
+
-Weave における [Models](/weave/guides/core-types/models) は、AI モデル（GPT など）と、評価中にモデルがどのように動作するかを定義する環境（この場合はシステムプロンプト）の組み合わせです。プロジェクト内の既存のモデルを選択するか、評価用に新しいモデルを作成できます。また、複数のモデルを一度に追加して、同じデータセットとスコアラーで同時に評価することも可能です。**プレイグラウンド機能を使用して作成されたモデルのみを使用できます。**
+Weave のコンテキストにおける [Models](/ja/weave/guides/core-types/models) は、AI モデル（GPT など）と、その評価中にモデルがどのように動作するかを定義する環境（この場合はシステムプロンプト）を組み合わせたものです。プロジェクト内の既存のモデルを選択して評価に使用することも、新しいモデルを作成して評価することもできます。また、複数のモデルを一度に追加して、同じデータセットとスコアラーを使って同時に評価できます。**Playground 機能を使って作成したモデルだけを使用できます。**
-Evaluation Playground の **Models** セクションでモデルを追加するには：
+Evaluation Playground の **Models** セクションでモデルを追加するには、次の手順を実行します。
-1. **Add Model** をクリックし、ドロップダウンメニューから **New Model** または既存のモデルを選択します。
-2. **New Model** を選択した場合は、以下のフィールドを設定します。
- * **Name**: 新しいモデルに分かりやすい名前を付けます。
- * **LLM Model**: 新しいモデルのベースとなる基盤モデル（OpenAI の GPT-4 など）を選択します。すでにアクセス設定済みの基盤モデルのリストから選択するか、**Add AI provider** を選択してモデルを選択し、基盤モデルへのアクセスを追加できます。プロバイダーを追加すると、そのプロバイダーへのアクセス資格情報の入力を求められます。APIキー、エンドポイント、および Weave を使用してモデルにアクセスするために必要な追加の設定情報の確認方法については、プロバイダーのドキュメントを参照してください。
- * **System Prompt**: モデルの動作に関する指示を提供します。例えば、`You are a helpful assistant specializing in Python programming.` などです。データセットからの `user_input` は後続のメッセージで送信されるため、システムプロンプトに含める必要はありません。
+1. **Add Model** をクリックし、**New Model** を選択するか、ドロップダウンメニューから既存のモデルを選択します。
- 既存のモデルを選択すると、モデル名の横に新しいフィールドが表示され、既存モデルのバージョンを選択できます。設定する追加フィールドはありません。評価の前後に既存のモデルに変更を加えたい場合は、[Prompt Playground](../tools/playground) を使用してください。
+2. **New Model** を選択した場合、次のフィールドを設定します。
-3. 任意： **Save** をクリックして、後で使用するためにモデルをプロジェクトに保存します。
-4. 任意： **Add Model** を再度クリックして他のモデルを追加することで、複数のモデルを同時に評価できます。
+ * **Name**: 新しいモデルにわかりやすい名前を付けます。
+ * **LLM Model**: OpenAI の GPT-4 など、新しいモデルのベースとなる基盤モデルを選択します。すでにアクセス権を設定済みの基盤モデルの一覧から選択することも、**Add AI provider** を選択してモデルを選び、基盤モデルへのアクセスを追加することもできます。プロバイダーを追加すると、そのプロバイダーへのアクセス認証情報の入力が求められます。API キー、エンドポイント、Weave を使ってモデルにアクセスするために必要な追加の設定情報の確認方法については、利用するプロバイダーのドキュメントを参照してください。
+ * **System Prompt**: モデルにどのように振る舞うべきかを指示します。例: `You are a helpful assistant specializing in Python programming.`。データセットの `user_input` は後続のメッセージとして送信されるため、System Prompt に含める必要はありません。
-### スコアラーを追加する
+ 既存のモデルを選択した場合、モデル名の横に新しいフィールドが表示され、既存モデルのバージョンを選択できますが、それ以外に設定するフィールドはありません。評価の前後で既存のモデルを変更したい場合は、[Prompt Playground](../tools/playground) を使用してください。
-[Scorers](../evaluation/scorers) は、LLM ジャッジを使用して AI モデルの出力の品質を測定および評価します。プロジェクト内の既存のスコアラーを選択するか、モデルを評価するための新しいスコアラーを作成できます。
+3. 任意: **Save** をクリックして、そのモデルを後で使用できるようにプロジェクトに保存します。
-Evaluation Playground でスコアラーを追加するには：
+4. 任意: 必要に応じて **Add Model** を再度クリックし、他のモデルを追加して同時に評価することもできます。
-1. **Add Scorer** をクリックし、以下のフィールドを設定します。
- * **Name**: スコアラーに分かりやすい名前を付けます。
- * **Type**: スコアの出力方法を、Boolean（真偽値）または Number（数値）から選択します。Boolean スコアラーは、モデルの出力が設定した判定パラメータを満たしているかどうかに応じて、バイナリの `True` または `False` を返します。Number スコアラーは `0` から `1` の間のスコアを出力し、モデルの出力が判定パラメータをどの程度満たしているかの一般的なグレードを提供します。
- * **LLM-as-a-judge-model**: スコアラーのジャッジとして使用する基盤モデルを選択します。**Models** セクションの LLM Model フィールドと同様に、設定済みの基盤モデルから選択するか、新しくアクセスを設定できます。
- * **Scoring Prompt**: LLM ジャッジに、何を基準に出力をスコアリングすべきかのパラメータを提供します。例えば、ハルシネーションをチェックしたい場合は、次のようなスコアリングプロンプトを入力できます。
+
+ ### スコアラーを追加する
+
- ```
- Given the following context and answer, determine if the answer contains any information not supported by the context.
+[Scorers](../evaluation/scorers) は LLM ジャッジを使用して、AI モデルの出力の品質を測定・評価します。プロジェクト内の既存のスコアラーを選択するか、新しいスコアラーを作成してモデルを評価できます。
- User input: {user_input}
- Expected output: {expected_output}
- Model Output: {output}
+Evaluation Playground でスコアラーを追加するには:
- Is the model output correct?
- ```
+1. **Add Scorer** をクリックし、次の項目を設定します:
+ * **Name**: スコアラーにわかりやすい名前を付けます。
+ * **Type**: スコアの出力形式として、boolean か number を選択します。boolean スコアラーは、モデルの出力が設定したジャッジパラメーターを満たしているかどうかに応じて、`True` または `False` の二値を返します。number スコアラーは `0` から `1` の範囲のスコアを出力し、モデルの出力がジャッジパラメーターをどの程度満たしているかの総合的な評価を提供します。
+ * **LLM-as-a-judge-model**: スコアラーのジャッジとして使用する foundation model を選択します。**Models** セクションの LLM Model フィールドと同様に、すでにアクセスを設定済みの foundation model から選択するか、新たに foundation model へのアクセスを設定できます。
+ * **Scoring Prompt**: 何を評価対象とするべきかについての LLM ジャッジ用パラメーターを指定します。たとえば、ハルシネーションを検出したい場合は、次のようなスコアリングプロンプトを入力できます:
- データセットのフィールドや応答を、`{user_input}`、`{expected_output}`、`{output}` などの変数としてスコアリングプロンプトで使用できます。利用可能な変数のリストを表示するには、UI で **Insert variable** をクリックします。
+ ```
+ Given the following context and answer, determine if the answer contains any information not supported by the context.
-2. 任意： **Save** をクリックして、後で使用するためにスコアラーをプロジェクトに保存します。
+ User input: {user_input}
+ Expected output: {expected_output}
+ Model Output: {output}
-### 評価を実行する
+ Is the model output correct?
+ ```
-Datasets、Models、およびスコアラーの設定が完了したら、評価を実行できます。
+ スコアリングプロンプト内で、`{user_input}`、`{expected_output}`、`{output}` のように、データセットやレスポンスのフィールドを変数として使用できます。利用可能な変数の一覧を表示するには、UI の **Insert variable** をクリックします。
+
+2. オプション: **Save** をクリックして、スコアラーを後で使用できるようにプロジェクトに保存します。
+
+
+ ### 評価を実行する
+
+
+データセット、モデル、スコアラー の設定が完了したら、評価を実行できます。
* Evaluation Playground で評価を実行するには、**Run eval** をクリックします。
-Weave は追加された各モデルに対して個別の評価を実行し、データセットを使用した各リクエストに関するメトリクスを収集します。Weave はこれらの各評価を、後で確認できるように **Evals** セクションに保存します。
+Weave は、追加した各モデルごとに評価を個別に実行し、データセットを使用して行われた各リクエストに関するメトリクスを収集します。Weave は、これらそれぞれの評価を後から確認できるように、**Evals** セクションに保存します。
-### 評価結果を確認する
+
+ ### 評価結果を確認する
+
-評価が完了すると、プレイグラウンドは、モデルへの各リクエストで収集されたさまざまなメトリクスを表示するレポートを開きます。
+評価が完了すると、playground がレポートを開き、モデル への各リクエストで収集されたさまざまなメトリクスを表示します。
")
-
- # MyObjを処理するトレース可能な演算を定義
- @weave.op()
- def process_obj(obj: MyObj) -> int:
- return len(obj.x)
-
- # 大きなMyObjインスタンスを作成して処理
- large_obj = make_my_obj()
- length = process_obj(large_obj)
- print(f"Length of x in MyObj: {length}")
- print("dict:", large_obj.to_dict())
-
- if __name__ == "__main__":
- main()
- ```
\ No newline at end of file
diff --git a/ja/weave/guides/tools/playground.mdx b/ja/weave/guides/tools/playground.mdx
index db0e8eb1d5..7dc1db04bf 100644
--- a/ja/weave/guides/tools/playground.mdx
+++ b/ja/weave/guides/tools/playground.mdx
@@ -1,388 +1,288 @@
---
-title: Playground を使用してプロンプトを 実験 します
-description: LLM のプロンプトとレスポンスを反復的に改善する プロセス を簡素化します
+title: "Playground を使ってプロンプトを試す"
+description: "LLM プロンプトとレスポンスの反復作業を簡素化する"
---
-期間限定で、新しい W&B Inference サービスが無料枠に含まれています。W&B Inference を使用すると、API および Weave Playground を介して主要なオープンソースの基盤モデルにアクセスできます。
-- [開発者ドキュメント](../integrations/inference)
-- [製品ページ](https://wandb.ai/site/inference)
+期間限定で、W&B Inference が無料枠に含まれています。W&B Inference は、API と Weave Playground を通じて、主要なオープンソース基盤モデルへのアクセスを提供します。
+- [Developer documentation](../integrations/inference)
+- [Product page](https://wandb.ai/site/inference)
-LLM のプロンプトと応答を評価することは困難です。Weave Playground は、LLM のプロンプトと応答の反復プロセスを簡素化するように設計されており、さまざまなモデルやプロンプトでの実験を容易にします。プロンプトの編集、メッセージの再試行、モデル比較などの機能により、Playground は LLM アプリケーションの迅速なテストと改善を支援します。Playground は現在、OpenAI、Anthropic、Google、Groq、Amazon Bedrock、Microsoft Azure のモデル、および [カスタムプロバイダー](#llm-パラメータの調整) をサポートしています。
+LLM のプロンプトとレスポンスを評価するのは難しい作業です。Weave Playground は、LLM プロンプトとレスポンスの反復プロセスを簡素化し、さまざまなモデルやプロンプトを試しやすくするために設計されています。プロンプト編集、メッセージの再試行、モデル比較などの機能により、Playground を使って LLM アプリケーションを素早くテストして改善できます。現在 Playground は、OpenAI、Anthropic、Google などのプロバイダーのモデルに加えて、[カスタムプロバイダー](#add-a-custom-provider) にも対応しています。
-- **クイックアクセス:** W&B サイドバーから新しいセッションとして、または Call ページから既存のプロジェクトをテストするために Playground を開くことができます。
-- **メッセージコントロール:** チャット内で直接メッセージの編集、再試行、削除が可能です。
-- **柔軟なメッセージング:** ユーザー入力またはシステム入力として新しいメッセージを追加し、LLM に送信できます。
-- **カスタマイズ可能な設定:** お好みの LLM プロバイダーを選択し、モデル設定を調整できます。
-- **マルチ LLM サポート:** チームレベルの API キー管理により、モデルを簡単に切り替えられます。
-- **モデル比較:** プロンプトに対して異なるモデルがどのように応答するかを比較できます。
-- **カスタムプロバイダー:** カスタムモデル用の OpenAI 互換 API エンドポイントをテストできます。
-- **保存済みモデル:** ワークフローに合わせて再利用可能なモデルプリセットを作成および設定できます。
+- **クイックアクセス:** Weave のサイドバー メニューから「Playground」を開いて新しいセッションを開始するか、「Call」ページから既存のプロジェクトをテストします。
+- **メッセージ制御:** チャット内でメッセージを直接編集、再試行、削除できます。
+- **柔軟なメッセージ送信:** 新しいメッセージを ユーザー または system 入力として追加し、LLM に送信できます。
+- **カスタマイズ可能な設定:** 利用したい LLM プロバイダーを設定し、モデル設定を調整できます。
+- **マルチ LLM 対応:** モデルを切り替えられ、チーム単位で API キーを管理できます。
+- **モデル比較:** 異なるモデルがプロンプトにどのように応答するかを比較できます。
+- **カスタムプロバイダー:** カスタムモデル向けに、OpenAI 互換の API エンドポイントをテストできます。
+- **保存済みモデル:** ワークフローで再利用できるモデルプリセットを作成・設定できます。
-Playground を使い始めて、LLM とのやり取りを最適化し、プロンプトエンジニアリングのプロセスと LLM アプリケーション開発を効率化しましょう。
+Playground を使い始めて、LLM との対話を最適化し、プロンプトエンジニアリングと LLM アプリケーション開発のプロセスを効率化しましょう。
-- [事前準備](#prerequisites)
- - [プロバイダーの認証情報と情報の追加](#事前準備)
- - [Playground へのアクセス](#プロバイダーの認証情報と情報の追加)
-- [LLM の選択](#playground-へのアクセス)
-- [設定のカスタマイズ](#customize-settings)
-- [メッセージコントロール](#add-retry-edit-and-delete-messages)
-- [LLM の比較](#deepseek)
-- [カスタムプロバイダー](#設定のカスタマイズ)
-- [保存済みモデル](#メッセージの再試行編集削除)
+- [プロバイダーの認証情報と詳細を追加する](#add-provider-credentials-and-information)
+- [Playground にアクセスする](#access-the-playground)
+- [LLM を選択する](#select-an-llm)
+- [Playground 設定をカスタマイズする](#customize-playground-settings)
+- [メッセージ制御](#message-controls)
+- [LLM を比較する](#compare-llms)
+- [カスタムプロバイダー](#custom-providers)
+- [保存済みモデル](#saved-models)
-## 事前準備
+
+ ## プロバイダーの認証情報と設定情報を追加する
+
-Playground を使用する前に、[プロバイダーの認証情報の追加](#事前準備) と [Playground UI の表示](#プロバイダーの認証情報と情報の追加) を行う必要があります。
+Playground を使用する前に、プロバイダーの認証情報を追加する必要があります。Playground は現在、多数のプロバイダーが提供する モデル をサポートしています。利用可能な モデル のいずれかを使用するには、W&B の設定で team secrets に必要な情報を追加してください。
-### プロバイダーの認証情報と情報の追加
-
-Playground は現在、OpenAI、Anthropic、Google、Groq、Amazon Bedrock、Microsoft Azure のモデルをサポートしています。利用可能なモデルを使用するには、W&B 設定のチームシークレットに適切な情報を追加してください。
-
-- OpenAI: `OPENAI_API_KEY`
-- Anthropic: `ANTHROPIC_API_KEY`
-- Google: `GEMINI_API_KEY`
-- Groq: `GROQ_API_KEY`
- Amazon Bedrock:
- `AWS_ACCESS_KEY_ID`
- `AWS_SECRET_ACCESS_KEY`
- `AWS_REGION_NAME`
+- Anthropic: `ANTHROPIC_API_KEY`
- Azure:
- `AZURE_API_KEY`
- `AZURE_API_BASE`
- `AZURE_API_VERSION`
-- X.AI:
- - `XAI_API_KEY`
-- Deepseek
- - `DEEPSEEK_API_KEY`
+- Deepseek: `DEEPSEEK_API_KEY`
+- Google: `GEMINI_API_KEY`
+- Groq: `GROQ_API_KEY`
+- Mistral: `MISTRAL_API_KEY`
+- OpenAI: `OPENAI_API_KEY`
+- X.AI: `XAI_API_KEY`
-### Playground へのアクセス
+
+ ## Playground にアクセスする
+
-Playground にアクセスするには 2 つの方法があります。
+Playground にアクセスする方法は 2 つあります。
-1. _シンプルなシステムプロンプトで新しい Playground ページを開く_: サイドバーで **Playground** を選択します。Playground が同じタブで開きます。
-2. _特定の Call に対して Playground を開く_:
- 1. サイドバーで **Traces** タブを選択します。トレースのリストが表示されます。
- 2. トレースリストで、表示したい Call の名前をクリックします。Call の詳細ページが開きます。
- 3. **Open chat in playground** をクリックします。Playground が新しいタブで開きます。
+1. _シンプルな system prompt で新規の Playground ページを開く_: Weave プロジェクトのサイドバーで **Playground** を選択します。Playground が同じタブで開きます。
+2. _特定の call の Playground を開く_:
+ 1. サイドバーで **Traces** タブを選択します。trace の一覧が表示されます。
+ 2. trace の一覧で、表示したい call の名前をクリックします。call の詳細ページが開きます。
+ 3. **Open chat in Playground** をクリックします。Playground が新しいタブで開きます。
+ ## LLM を選択する
+
+
+プロンプトヘッダー（Playground メインパネル上部）の **Select a model** ドロップダウンを使って、使用する LLM を切り替えることができます。さまざまなプロバイダーから利用可能なモデルは次のとおりです。
+
+- Amazon Bedrock
+- Anthropic
+- Azure
+- Deepseek
+- Google
+- Groq
+- Mistral
+- OpenAI
+- X.AI
+
+利用可能なモデルは、チームで設定されているプロバイダーによって異なります。
+
+
+ ## Playground の設定をカスタマイズする
+
+
+
+ ### LLM パラメーターを調整する
+
+
+選択した モデル に対して、さまざまなパラメーター値を試すことができます。Playground でパラメーターを調整するには、次の手順を実行します。
+
+1. プロンプトヘッダー（メインパネル上部）で **Chat settings (
+ ### 関数を追加する
+
+
+ユーザーからの入力に基づいて、異なるモデルが関数をどのように利用するかをテストできます。Playground でテスト用の関数を追加するには、**Chat settings** パネルで **+ Add function** をクリックします。画面の指示に従って関数を定義し、変更を保存します。
+
+
+ ## メッセージ コントロール
+
+
+
+ ### プロンプト定義エリア
+
+
+**Prompt definition area** では、対話全体を通して モデル の振る舞いを決定づける指示を定義できます。
-ユーザーからの入力に基づいて、異なるモデルがどのように関数を使用するかをテストできます。Playground でテスト用に関数を追加するには、以下の手順に従ってください。
+このエリアを使って、メッセージがやり取りされる前に一貫して適用されるコンテキストを指定します。これには、ロール定義、トーンやスタイルのガイドライン、動作上の制約、出力要件などが含まれます。ここでの変更は、後から修正しない限り、以降のすべての対話に影響します。
-1. Playground UI の右上にある **Chat settings** をクリックして、パラメータ設定ドロップダウンを開きます。
-2. ドロップダウン内の **+ Add function** をクリックします。
-3. ポップアップで、関数の情報を追加します。
-4. 変更を保存して関数のポップアップを閉じるには、右上の **x** をクリックします。
-5. **Chat settings** をクリックして設定ドロップダウンを閉じ、変更を保存します。
+ここには次の要素が含まれます。
-### 試行回数の調整
+- **Prompt selector**: 既存の保存済みプロンプトを選択するか、新しいプロンプトを作成します。
+- **Message role selector**: 定義中のメッセージのロール（**System**、**Assistant**、または **User** ロール）を指定します。
+- **Prompt text**: モデル がどのように応答すべきかを定める指示文を入力します。
+- **Add message** ボタン: 実行前のプロンプトコンテキストに追加のメッセージを加えられます。
-Playground では、試行回数（Number of trials）を設定することで、同じ入力に対して複数の出力を生成できます。デフォルト設定は `1` です。試行回数を調整するには、以下の手順に従ってください。
+これらのメッセージは モデル にまとめて送信され、次の目的に利用できます。
-1. Playground UI で、設定サイドバーが開いていない場合は開きます。
-2. **Number of trials** を調整します。
+- 追加のシステムレベルの指示を加える。
+- 応答を誘導するための Assistant メッセージ例を提供する（few-shot プロンプトなど）。
+- 特定のシナリオをテストするための ユーザー メッセージをあらかじめ定義する。
-## メッセージコントロール
+
+ ### メッセージパネル
+
-### メッセージの再試行、編集、削除
+**メッセージパネル** には、実行中に生成された会話が表示されます。
-Playground では、メッセージの再試行、編集、削除が可能です。この機能を使用するには、編集、再試行、または削除したいメッセージの上にカーソルを置きます。**Delete**、**Edit**、**Retry** の 3 つのボタンが表示されます。
+次の内容が含まれます。
-- **Delete**: チャットからメッセージを削除します。
-- **Edit**: メッセージの内容を修正します。
-- **Retry**: それ以降のすべてのメッセージを削除し、選択したメッセージからチャットを再試行します。
+- プロンプト設定に含まれる、あらかじめ定義されたメッセージ
+- メッセージコンポーザーから送信されたメッセージ
+- モデルから返された応答
-### 新しいメッセージの追加
+パネル内のメッセージに対して、**Copy**、**Delete**、**Edit**、**Retry** の操作を行うことができます。
-チャットに新しいメッセージを追加するには、以下の手順に従ってください。
+
+ ### メッセージコンポーザー（入力フィールド）
+
-1. チャットボックスで、利用可能なロール（**Assistant** または **User**）のいずれかを選択します。
-2. **+ Add** をクリックします。
-3. LLM に新しいメッセージを送信するには、**Send** ボタンをクリックします。または、**Command** と **Enter** キーを同時に押します。
+**Message composer** は、新しいメッセージを モデル に送信するための入力欄です。
+
+メッセージのロールを選択し、実行用のメッセージを送信できます。ほとんどの対話は **User** メッセージとして作成されます。テストしたいインストラクションを変更する場合は、**System** や **Assistant** メッセージを追加できます。
+ ## メッセージ履歴を表示する
+
+
+メッセージ履歴を表示するには、右側にある Playground のツールバーで **History (
+ ## LLM を比較する
+
-## カスタムプロバイダー
+Playground では LLM を比較できます。比較を行うには、右側の Playground のツールバーで **Add Chat (
+ ## カスタムプロバイダー
+
-[サポートされているプロバイダー](#playground-へのアクセス) に加えて、Playground を使用してカスタムモデル用の OpenAI 互換 API エンドポイントをテストできます。例としては以下があります。
+
+ ### カスタムプロバイダーを追加する
+
-- サポートされているモデルプロバイダーの旧バージョン
+組み込みプロバイダーに加えて、Playground を使ってカスタムモデル向けの OpenAI 互換 API エンドポイントをテストできます。例として、次のようなものがあります。
+
+- サポート対象モデルプロバイダーの古いバージョン
- ローカルモデル
-Playground にカスタムプロバイダーを追加するには、以下の手順に従ってください。
+Playground にカスタムプロバイダーを追加するには、次の操作を行います。
-1. Playground UI の左上にある **Select a model** ドロップダウンをクリックします。
+1. プロンプトヘッダー (メインパネル上部) で **Select a model** ドロップダウンをクリックします。
2. **+ Add AI provider** を選択します。
-3. ポップアップモーダルで、プロバイダー情報を入力します。
+3. **Custom Provider** を選択します。
+4. ポップアップモーダルで、プロバイダー情報を入力します。
- - _Provider name_: 例: `openai` や `ollama`。
- - _API key_: 例: OpenAI の APIキー。
- - _Base URL_: 例: `https://api.openai.com/v1/` や ngrok の URL `https://e452-2600-1700-45f0-3e10-2d3f-796b-d6f2-8ba7.ngrok-free.app`。
- - _Headers_ (任意): 複数のヘッダーのキーと値を追加できます。
- - _Models_: 1 つのプロバイダーに対して複数のモデルを追加できます。例: `deepseek-r1` や `qwq`。
- - _Max tokens_ (任意): 各モデルについて、応答で生成できる最大トークン数を指定できます。
+- **Provider name**: `openai` や `ollama` など、プロバイダーの名前。
+- **API key**: OpenAI の API キー など、プロバイダー用の API キー。
+- **Base URL**: `https://api.openai.com/v1/` や `https://e452-2600-1700-45f0-3e10-2d3f-796b-d6f2-8ba7.ngrok-free.app` といった、プロバイダーのベースエンドポイント。
+- **Headers**: (オプション) 1 つ以上のカスタム HTTP ヘッダーのキーと値のペア。
+- **Models**: `deepseek-r1` や `qwq` など、そのプロバイダーで利用する 1 つ以上のモデル。
+- **Max tokens**: (オプション) 各モデルについて、そのモデルがレスポンスで生成できるトークンの最大数。
-4. プロバイダー情報を入力したら、**Add provider** をクリックします。
-5. Playground UI の左上にある **Select a model** ドロップダウンから、新しいプロバイダーと利用可能なモデルを選択します。
+5. プロバイダー情報を入力したら、**Add provider** をクリックします。
+6. **Select a model** ドロップダウンから、新しいプロバイダーと利用可能なモデルを選択します。
-CORS の制限により、Playground から localhost や 127.0.0.1 の URL を直接呼び出すことはできません。Ollama などのローカルモデルサーバーを実行している場合は、ngrok のようなトンネリングサービスを使用して安全に公開してください。詳細は、[Ollama で ngrok を使用する](#use-ngrok-with-ollama) を参照してください。
+CORS の制約により、Playground から localhost や 127.0.0.1 の URL を直接呼び出すことはできません。ローカルモデルサーバー (Ollama など) を実行している場合は、ngrok のようなトンネリングサービスを使用して、安全に公開してください。詳細については、[Use ngrok with Ollama](#use-a-local-model-as-a-custom-provider) を参照してください。
-これで、標準の Playground 機能を使用してカスタムプロバイダーモデルをテストできます。また、カスタムプロバイダーの [編集](#関数の追加) や [削除](#試行回数の調整) も可能です。
+これで、Playground の標準機能を使ってカスタムプロバイダーのモデルをテストできます。また、カスタムプロバイダーを[編集](#edit-a-custom-provider)または[削除](#remove-a-custom-provider)することもできます。
+
+
+ ### カスタムプロバイダーを編集する
+
+
+[すでに作成したカスタムプロバイダー](#add-a-custom-provider) の情報を編集するには、次の手順を実行します。
+
+1. プロンプトヘッダーで **Select a model** ドロップダウンをクリックし、**+Configure providers** を選択します。
+
+* または、サイドバーのメニューで **Project** を選択し、**AI Providers** タブを選択します。
+
+2. **Custom providers** テーブルで、更新したいカスタムプロバイダーを探します。
+3. カスタムプロバイダーの行の **Last Updated** 列で、編集ボタン（鉛筆アイコン）をクリックします。
+4. 表示されるポップアップモーダルで、プロバイダー情報を編集します。
+5. **Save** をクリックします。
-### カスタムプロバイダーの編集
+
+ ### カスタムプロバイダーを削除する
+
-[以前に作成したカスタムプロバイダー](#llm-パラメータの調整) の情報を編集するには、以下の手順に従ってください。
+[以前に作成したカスタムプロバイダー](#add-a-custom-provider) を削除するには、次の手順を実行します。
-1. Weave サイドバーで **Overview** に移動します。
-2. 上部ナビゲーションメニューから **AI Providers** を選択します。
-3. **Custom providers** テーブルで、更新したいカスタムプロバイダーを見つけます。
-4. そのエントリの **Last Updated** 列にある編集ボタン（鉛筆アイコン）をクリックします。
-5. ポップアップモーダルで、プロバイダー情報を編集します。
-6. **Save** をクリックします。
+1. プロンプトヘッダーで **Select a model** ドロップダウンをクリックし、**+Configure providers** を選択します。
-### カスタムプロバイダーの削除
+* または、サイドバーのメニューで **Project** を選択し、**AI Providers** タブを選択することもできます。
-[以前に作成したカスタムプロバイダー](#llm-パラメータの調整) を削除するには、以下の手順に従ってください。
+2. **Custom providers** テーブルで、削除したいカスタムプロバイダーを探します。
+3. カスタムプロバイダーのエントリの **Last Updated** 列で、削除ボタン（ごみ箱アイコン）をクリックします。
+4. ポップアップ モーダルで、そのプロバイダーを削除することを確認します。この操作は元に戻せません。
+5. **Delete** をクリックします。
-1. Weave サイドバーで **Overview** に移動します。
-2. 上部ナビゲーションメニューから **AI Providers** を選択します。
-3. **Custom providers** テーブルで、削除したいカスタムプロバイダーを見つけます。
-4. そのエントリの **Last Updated** 列にある削除ボタン（ゴミ箱アイコン）をクリックします。
-5. ポップアップモーダルで、プロバイダーを削除することを確認します。この操作は取り消せません。
-6. **Delete** をクリックします。
+
+ ### ローカルモデルをカスタムプロバイダーとして使用する
+
-### Ollama で ngrok を使用する
+Playground でローカルで動作している モデル をテストするには、ngrok と Ollama を使って、一時的に CORS 制限を回避する公開 URL を作成します。
-Playground でローカルに実行されている Ollama モデルをテストするには、ngrok を使用して CORS 制限を回避する一時的な公開 URL を作成します。
+セットアップするには、次の手順を実行します。
-設定するには、以下の手順に従ってください。
+1. お使いのオペレーティングシステム向けに [ngrok をインストール](https://ngrok.com/docs/getting-started/#step-1-install) します。
-1. お使いの OS に合わせて [ngrok をインストール](https://ngrok.com/docs/getting-started/#step-1-install) します。
-2. Ollama モデルを起動します。
+2. Ollama モデルを起動します:
```bash
ollama run
```
-3. 別のターミナルで、必要な CORS ヘッダーを指定して ngrok トンネルを作成します。
+3. 別のターミナルで、必要な CORS ヘッダー付きで ngrok トンネルを作成します:
```bash
ngrok http 11434 --response-header-add "Access-Control-Allow-Origin: *" --host-header rewrite
```
-ngrok が起動すると、`https://xxxx-xxxx.ngrok-free.app` のような公開 URL が表示されます。Playground で Ollama をカスタムプロバイダーとして追加する際に、この URL を Base URL として使用してください。
+4. ngrok が起動すると、`https://xxxx-xxxx.ngrok-free.app` のような公開 URL が表示されます。Playground で [カスタムプロバイダーを追加](#add-a-custom-provider) する際に、この URL を **Base URL** として使用します。
-次の図は、ローカル環境、ngrok プロキシ、および W&B クラウドサービス間のデータフローを示しています。
+次の図は、ローカル環境、ngrok プロキシ、および W&B クラウド サービス間のデータフローを示しています。
```mermaid
flowchart LR
- %% Style definitions
+ %% スタイル定義
classDef clientMachine fill:#FFD95CCC,stroke:#454B52,stroke-width:2px
classDef proxy fill:#00CDDBCC,stroke:#454B52,stroke-width:2px
classDef wandbCloud fill:#DE72FFCC,stroke:#454B52,stroke-width:2px
classDef publicCloud fill:#FFCBADCC,stroke:#454B52,stroke-width:2px
- %% Subgraphs
+ %% サブグラフ
subgraph Client_Machine
browser[ブラウザ]
llm_local[ローカル LLM プロバイダー]
@@ -393,64 +293,71 @@ flowchart LR
end
subgraph WandB_Cloud
- trace_server[Trace サーバー]
+ trace_server[トレースサーバー]
end
subgraph Public_Cloud
llm_cloud[パブリック LLM プロバイダー]
end
- %% Apply styles to subgraphs
+ %% サブグラフにスタイルを適用
class Client_Machine clientMachine
class Proxy proxy
class WandB_Cloud wandbCloud
class Public_Cloud publicCloud
- %% Current Data Flow
+ %% 現在のデータフロー
browser -->|チャットリクエストを送信| trace_server
trace_server -->|パブリック LLM を使用| llm_cloud
trace_server -->|ローカル LLM を使用| ngrok
- ngrok -->|転送先| llm_local
- llm_cloud -->|レスポンスを返却| trace_server
- llm_local -->|レスポンスを返却| ngrok
- ngrok -->|転送先| trace_server
- trace_server -->|レスポンスを返却| browser
+ ngrok -->|転送| llm_local
+ llm_cloud -->|レスポンスを返す| trace_server
+ llm_local -->|レスポンスを返す| ngrok
+ ngrok -->|転送| trace_server
+ trace_server -->|レスポンスを返す| browser
- %% Future Possible Connection
- browser -.->|将来：ローカル LLM を直接呼び出し| llm_local
+ %% 将来的な接続の可能性
+ browser -.->|将来: ローカル LLM を直接呼び出す| llm_local
- %% Link styles
+ %% リンクスタイル
linkStyle default stroke:#454B52,stroke-width:2px
linkStyle 8 stroke:#454B52,stroke-width:2px,stroke-dasharray:5
```
-## 保存済みモデル
+
+ ## 保存済みのモデル
+
-### モデルの保存
+
+ ### モデルを保存する
+
-ワークフローに合わせて再利用可能なモデルプリセットを作成および設定できます。モデルを保存すると、好みの設定、パラメータ、および関数フックを適用した状態で素早くロードできます。
+ワークフローで再利用できるモデルプリセットを作成・設定できます。モデルを保存しておくと、好みの設定、パラメーター、関数フックを含めた形で、すばやく読み込めます。
-1. LLM ドロップダウンから、プロバイダーを選択します。
-2. プロバイダーリストから、モデルを選択します。
-3. Playground UI の右上にある **Chat settings** をクリックして、チャット設定ウィンドウを開きます。
-4. チャット設定ウィンドウで以下を行います。
- - **Model Name** フィールドに、保存するモデルの名前を入力します。
- - 必要に応じてパラメータを調整します。Weave の Call 追跡のオン/オフを切り替えたり、[関数の追加](#anthropicintegrationsanthropic) を行うこともできます。
-5. **Publish Model** をクリックします。モデルが保存され、LLM ドロップダウンの **Saved Models** からアクセスできるようになります。これで保存済みモデルを [使用](#use-a-saved-model) および [更新](#llm-の比較) できるようになります。
+1. プロンプトヘッダー（メインパネル上部）の **Select a model** ドロップダウンで、プロバイダーとモデルを選択します。
+2. プロンプトヘッダーで **Chat settings (
+ ### 保存済みモデルを使用する
+
-以前に [保存したモデル](#新しいメッセージの追加) に素早く切り替えて、実験やセッション間の一貫性を維持します。これにより、中断したところからすぐに再開できます。
+以前に[保存したモデル](#save-a-model)にすばやく切り替えて、実験やセッション間で一貫性を保てます。これにより、前回中断したところからすぐに再開できます。
-1. LLM ドロップダウンから **Saved Models** を選択します。
-2. 保存済みモデルのリストから、ロードしたいモデルをクリックします。モデルがロードされ、Playground で使用できる状態になります。
+1. プロンプトヘッダーの **Select a model** ドロップダウンで **Saved Models** を選択します。
+2. 保存済みモデルの一覧から、読み込みたい保存済みモデルを選択します。モデルが読み込まれ、Playground ですぐに使用できる状態になります。
-### 保存済みモデルの更新
+
+ ### 保存済みモデルを更新する
+
-既存の [保存済みモデル](#新しいメッセージの追加) を編集して、パラメータを微調整したり設定を更新したりします。これにより、ユースケースの進化に合わせて保存済みモデルを対応させることができます。
+既存の [保存済みモデル](#save-a-model) を編集してパラメーターを微調整したり、その設定を更新したりできます。これにより、保存済みモデルをユースケースに合わせて進化させ続けることができます。
-1. LLM ドロップダウンから **Saved Models** を選択します。
-2. 保存済みモデルのリストから、更新したいモデルをクリックします。
-3. Playground UI の右上にある **Chat settings** をクリックして、チャット設定ウィンドウを開きます。
-4. チャット設定ウィンドウで、必要に応じてパラメータを調整します。Weave の Call 追跡のオン/オフを切り替えたり、[関数の追加](#anthropicintegrationsanthropic) を行うこともできます。
-5. **Update model** をクリックします。モデルが更新され、LLM ドロップダウンの **Saved Models** からアクセスできるようになります。
+1. プロンプトヘッダーの **Select a model** ドロップダウンから **Saved Models** を選択します。
+2. 保存済みモデルの一覧から、更新したい保存済みモデルを選択します。
+3. プロンプトヘッダーの **Chat settings (
+ ## Python SDK における SavedView
+
-Weave の `SavedView` クラスは、トレースおよび Evals データのビューを保存、フィルタリング、ソート、およびカスタマイズする方法を提供します。
+Weave の `SavedView` クラスは、trace と evals のデータに対するビューを保存・フィルタ・ソートし、カスタマイズするための手段を提供します。
-### `SavedView` の初期化
+
+ ### `SavedView` を初期化する
+
-Weave プロジェクトで `SavedView` インスタンスを初期化します。
+Weave プロジェクト内で `SavedView` インスタンスを初期化します。
```python lines
import weave
-# プロジェクトを初期化
client = weave.init()
view = weave.SavedView()
```
-### `SavedView` をグリッドとして可視化する
-`.to_grid()` を使用して、保存済みビューをグリッド形式で表示します。`limit` 引数で表示する最大行数を指定できます。
+
+ ### `SavedView` をグリッドとして可視化する
+
+
+`.to_grid()` を使用して、`SavedView` をグリッドとして表現します。`limit` で表示する最大行数を指定します。
```python lines
view.to_grid(limit=5)
```
-`.show()` を使用してグリッド表示を出力します。
+`.show()` を呼び出してグリッドを表示します：
```python lines
view.to_grid().show()
```
-### 表示する列を設定する
-`.set_columns()` を使用して、ビューに表示する列を設定します。表示したい 1 つ以上の列を指定します。
+
+ ### 表示する列を設定する
+
+
+`.set_columns()` を使用して、ビューに表示する列を設定します。表示したい列を 1 つ以上指定します。
```python lines
view.set_columns("id", "op_name")
```
-### 列を追加する
-`.add_column()` を使用して、ビューに 1 つ以上の新しい列を追加します。追加したい列を指定します。
+
+ ### 列を追加する
+
+
+`.add_column()` を使用して、ビューに新しい列を 1 つ以上追加します。追加する列を 1 つ以上指定します。
```python lines
-# フィールド指定子とラベル "Created" を持つ列を追加
+# フィールド指定子とラベル "Created" を持つ列を追加する
view.add_column("Created")
-# オプションで、第2引数を追加して新しい列に異なるラベル名を指定できます。デフォルトではフィールド指定子がラベルに使用されます。
+# オプションとして、2番目の引数を指定して新しい列に別のラベル名を設定できます。デフォルトでは、フィールド指定子がラベルとして使用されます。
```
-### 列をソートする
-`.sort_by()` を使用して、特定の列に基づいて結果をソートします。ソートする列名とソート順（`asc` または `desc`）を指定します。
+
+ ### 列のソート
+
+
+`.sort_by()` を使用して、特定の列を基準に結果をソートします。ソート対象の列名とソート順序（`asc` または `desc`）を指定します。
```python lines
view.sort_by("started_at", "desc")
```
-### オペレーション名でフィルタリングする
-Weave では、すべてのトレースや eval はオペレーション名に関連付けられています。
-`.filter_op()` を使用して、特定のオペレーションが実行された呼び出しのみを含むように `SavedView` をフィルタリングします。
+
+ ### オペレーション名でフィルタリングする
+
+
+Weave では、すべての trace または eval はオペレーション名に紐付けられています。
+`.filter_op()` を使用して、その特定のオペレーションが実行された呼び出しだけが含まれるように `SavedView` をフィルタリングします。
```python lines
view.filter_op("Evaluation.predict_and_score")
```
-### 演算子と条件でフィルタリングする
-`.add_filter()` を使用して、ビューにカスタムフィルタを適用します。[サポートされているフィルタ演算子](#filter-operators)のいずれかと条件を使用してフィルタを定義します。
+
+ ### 演算子と条件でフィルターする
+
+
+`.add_filter()` を使用して、ビューにカスタムフィルターを適用します。フィルターは、[サポートされているフィルター演算子](#filter-operators) のいずれかと条件を組み合わせて定義します。
```python lines
view.add_filter("output.model_latency", ">=", 5)
```
-#### フィルタ演算子
+
+
+ #### フィルター演算子
+
| 演算子 | 説明 | 例 |
|----------|-------------|---------|
-| `"contains"` | 文字列に部分文字列が含まれているかチェックします。 | `view.add_filter("output.status", "contains", "error")` |
-| `"equals"` | 文字列が指定された値と完全に一致するかチェックします。 | `view.add_filter("input.category", "equals", "Alice")` |
-| `"in"` | 文字列が値のリストに含まれているかチェックします。 | `view.add_filter("category", "in", ["A", "B", "C"])` |
-| `"="` | 数値が値と等しいかチェックします。 | `view.add_filter("output.score", "=", 80)` |
-| `"≠", "!="` | 数値が値と等しくないかチェックします。 | `view.add_filter("metrics.loss", "!=", 0.5)` |
-| `"<"` | 数値が値より小さいかチェックします。 | `view.add_filter("age", "<", 30)` |
-| `"≤", "<="` | 数値が値以下かチェックします。 | `view.add_filter("metric.value", "<=", 100)` |
-| `">"` | 数値が値より大きいかチェックします。 | `view.add_filter("output.score", ">", 90)` |
-| `"≥", ">="` | 数値が値以上かチェックします。 | `view.add_filter("output.model_latency", ">=", 5)` |
-| `"is"` | boolean フィールドが `True` または `False` かチェックします。 | `view.add_filter("is_active", "is", True)` |
-| `"after"` | 日付が指定されたタイムスタンプより後かチェックします。 | `view.add_filter("started_at", "after", "2024-01-01")` |
-| `"before"` | 日付が指定されたタイムスタンプより前かチェックします。 | `view.add_filter("ended_at", "before", "2024-12-31")` |
-| `"is empty"` | フィールドが空（`None` または `""`）かチェックします。 | `view.add_filter("comments", "is empty", None)` |
-| `"is not empty"` | フィールドが空でないかチェックします。 | `view.add_filter("attachments", "is not empty", None)` |
-
-### フィルタの削除
-
-`.remove_filter()` を使用して、インデックスまたはフィールド名で特定のフィルタをビューから削除します。
+| `"contains"` | 文字列に指定した部分文字列が含まれているかどうかを確認します。 | `view.add_filter("output.status", "contains", "error")` |
+| `"equals"` | 文字列が指定した値と完全に一致するかどうかを確認します。 | `view.add_filter("input.category", "equals", "Alice")` |
+| `"in"` | 文字列が指定した値のリスト内に含まれているかどうかを確認します。 | `view.add_filter("category", "in", ["A", "B", "C"])` |
+| `"="` | 数値が指定した値と等しいかどうかを確認します。 | `view.add_filter("output.score", "=", 80)` |
+| `"≠", "!="` | 数値が指定した値と等しくないかどうかを確認します。 | `view.add_filter("metrics.loss", "!=", 0.5)` |
+| `"<"` | 数値が指定した値より小さいかどうかを確認します。 | `view.add_filter("age", "<", 30)` |
+| `"≤", "<="` | 数値が指定した値以下かどうかを確認します。 | `view.add_filter("metric.value", "<=", 100)` |
+| `">"` | 数値が指定した値より大きいかどうかを確認します。 | `view.add_filter("output.score", ">", 90)` |
+| `"≥", ">="` | 数値が指定した値以上かどうかを確認します。 | `view.add_filter("output.model_latency", ">=", 5)` |
+| `"is"` | 真偽値フィールドが `True` または `False` かどうかを確認します。 | `view.add_filter("is_active", "is", True)` |
+| `"after"` | 日付が指定したタイムスタンプより後かどうかを確認します。 | `view.add_filter("started_at", "after", "2024-01-01")` |
+| `"before"` | 日付が指定したタイムスタンプより前かどうかを確認します。 | `view.add_filter("ended_at", "before", "2024-12-31")` |
+| `"is empty"` | フィールドが空 (`None` または `""`) かどうかを確認します。 | `view.add_filter("comments", "is empty", None)` |
+| `"is not empty"` | フィールドが空でないかどうかを確認します。 | `view.add_filter("attachments", "is not empty", None)` |
+
+
+ ### フィルターを削除する
+
+
+`.remove_filter()` を使用して、インデックスまたはフィールド名で指定された特定のフィルターをビューから削除します。
```python lines
view.remove_filter("output.model_latency")
```
-`.remove_filters()` を使用してすべてのフィルタを削除します。
+すべてのフィルターを削除するには `.remove_filters()` を使用します。
```python lines
view.remove_filters()
```
-### 保存済みビューを保存する
-`.save()` を使用して、保存済みビューを Weave に公開（保存）します。
+
+ ### `SavedView` を保存する
+
+
+`.save()` を使用して、保存済みビューを Weave に公開します。
```python lines
view.save()
```
-### 関数呼び出しの取得
-`.get_calls()` を使用して、保存済みビューのフィルタに一致する関数呼び出しを取得します。`limit` や `offset` などのオプションパラメータを指定できます。
+
+ ### 関数呼び出しの取得
+
+
+`.get_calls()` を使用して、保存済みビューのフィルター条件に一致する関数呼び出しを取得します。`limit` や `offset` などのオプションのパラメーターを指定できます。
```python lines
calls = view.get_calls(limit=10)
```
-## Saved views in the UI
-Weave UI では、保存済みビューの作成、読み込み、名前変更、編集が可能です。より細かな制御が必要な場合は、[Python SDK](#saved-views-in-the-python-sdk) を使用してください。
+
+ ## UI の保存済みビュー
+
-### 保存済みビューの作成
+Weave UI で保存済みビューを作成、読み込み、名前変更、および編集できます。より細かく制御したい場合は、[Python SDK](#saved-views-in-the-python-sdk) を使用します。
+
+
+ ### 保存済みビューを作成する
+
1. **Traces** または **Evals** タブに移動します。
-2. テーブル構成の以下の変数を調整します：
- - フィルタ
- - ソート順
+2. テーブルの設定で、次のいずれかの項目を調整します:
+ - フィルター
+ - 並び順
- ページサイズ
- - 列の表示設定
- - 列の固定（ピン留め）
-3. 次のいずれかのオプションを使用してビューを保存します：
- - 右上隅にある **Save view** をクリックします。
- - **Save view** の左側にあるハンバーガーメニューをクリックします。ドロップダウンメニューで **+ Save as new view** をクリックします。
+ - 列の公開範囲
+ - 列の固定
+3. 次の 2 つの方法のいずれかでビューを保存します:
+ - 画面右上の **Save view** をクリックします。
+ - **Save view** の左側にある ハンバーガーメニューをクリックします。ドロップダウンメニューから **+ Save as new view** をクリックします。
-### 保存済みビューの読み込み
+
+ ### 保存済みビューを読み込む
+
1. **Traces** または **Evals** タブに移動します。
-2. タブタイトルの左側にあるハンバーガーメニューをクリックします。すべての保存済みビューを表示するドロップダウンメニューが表示されます。
-3. アクセスしたいビューをクリックします。保存されたビューが **Traces** または **Evals** タブに表示されます。
+2. タブタイトルの左側にあるハンバーガーメニューをクリックします。保存済みビューの一覧が表示されます。
+3. 表示したいビューをクリックします。選択した保存済みビューが **Traces** または **Evals** タブに表示されます。
-### 保存済みビューの名前変更
+
+ ### 保存済みビューの名前を変更する
+
-1. [保存済みビューの読み込み](#保存済みビューの読み込み)に記載されている手順に従います。
+1. [保存済みビューを読み込む](#load-a-saved-view) で説明されている手順に従ってください。
2. **Traces** または **Evals** タブの左上隅にあるビュー名をクリックします。
-3. ビューの新しい名前を入力します。
-4. 新しいビュー名を保存するには、 **Enter** キーを押します。
+3. 新しいビュー名を入力します。
+4. 新しいビュー名を保存するには **Enter** キーを押します。
-### 保存済みビューの編集
+
+ ### 保存済みビューを編集する
+
-1. [保存済みビューの読み込み](#保存済みビューの読み込み)に記載されている手順に従います。
-2. テーブル構成を調整します。
-3. 右上隅にある **Save view** をクリックします。
+1. [保存済みビューを読み込む](#load-a-saved-view) の手順に従います。
+2. テーブルの設定を調整します。
+3. 画面右上の **Save view** をクリックします。
-### 保存済みビューの削除
+
+ ### 保存済みビューを削除する
+
-ビューが自分やチームにとってもはや有用でないと判断した場合は、削除することができます。この操作は取り消せません。
+自分やチームにとって不要になったと判断したビューは削除できます。この操作は元に戻せません。
-1. **Traces** または **Evals** タブに移動します。
-2. 削除したいビューを[読み込み](#保存済みビューの読み込み)ます。
-3. **Save view** の左側にあるハンバーガーメニューをクリックします。
+1. **Traces** または **Evals** タブを開きます。
+2. 削除したいビューを[読み込み](#load-a-saved-view)ます。
+3. **Save view** の左側にあるハンバーガーメニューをクリックします。
4. ドロップダウンメニューで **Delete view** をクリックします。
-5. ポップアップモーダルで **Delete view** をクリックして確定します。または、 **Cancel** をクリックして削除を中止します。
+5. ポップアップモーダルで **Delete view** をクリックして削除を確定します。削除を中止する場合は **Cancel** をクリックします。
-### デフォルトビューに戻る
+
+ ### デフォルト ビューに戻る
+
1. **Traces** または **Evals** タブに移動します。
-2. **Traces** または **Evals** タブの右側にあるハンバーガーメニューをクリックします。すべての保存済みビューを表示するドロップダウンメニューが表示されます。
-3. メニューの下部にある **Traces** または **Evals** をクリックします。デフォルトのビューが表示されます。
\ No newline at end of file
+2. **Traces** または **Evals** タブの右側にあるハンバーガー メニューをクリックします。すべての保存済みビューが表示されるドロップダウン メニューが開きます。
+3. メニューの一番下で **Traces** または **Evals** をクリックします。デフォルト ビューが表示されます。
\ No newline at end of file
diff --git a/ja/weave/guides/tools/serve.mdx b/ja/weave/guides/tools/serve.mdx
index 8116e7c4b2..e46b46389d 100644
--- a/ja/weave/guides/tools/serve.mdx
+++ b/ja/weave/guides/tools/serve.mdx
@@ -1,31 +1,37 @@
---
-title: サーブ
-description: Weave の ops と Models を API エンドポイントとして公開する
+title: "提供"
+description: "Weave の ops と モデルを API エンドポイントとして公開する"
---
-Weave Model への Weave ref があれば、以下のコマンドを実行できます。
+任意の Weave Model への Weave ref があれば、以下を実行できます:
```
weave serve [
```
-これにより、その モデル 用の FastAPI サーバーが起動します。[http://0.0.0.0:9996/docs](http://0.0.0.0:9996/docs) にアクセスして、インタラクティブに モデル へのクエリを実行できます。
+そのモデル用の FastAPI サーバーを起動します。[http://0.0.0.0:9996/docs](http://0.0.0.0:9996/docs) にアクセスして、モデルに対して対話的にクエリを実行できます。
-## FastAPI のインストール
+
+]
+ ## FastAPI のインストール
+
```bash
pip install fastapi uvicorn
```
-## Model のサービング
-ターミナル で以下を呼び出します。
+
+ ## モデルをサーブする
+
+
+ターミナルで次を実行します：
```bash
weave serve
```
-モデル ref は、UI 上で対象の モデル に移動してコピーすることで取得できます。形式は以下のようになります。
+モデルのページに移動し、UI からコピーしてモデルの ref を取得します。次のような形式になります:
`weave://your_entity/project-name/YourModel:`
-これを使用するには、Swagger UI のリンクに移動し、predict エンドポイントをクリックしてから「Try it out!」をクリックしてください。
\ No newline at end of file
+これを使用するには、Swagger UI のリンクを開き、predict エンドポイントをクリックしてから「Try it out!」をクリックします。
diff --git a/ja/weave/guides/tools/weave-in-workspaces.mdx b/ja/weave/guides/tools/weave-in-workspaces.mdx
index a34d68f937..c41de6d26a 100644
--- a/ja/weave/guides/tools/weave-in-workspaces.mdx
+++ b/ja/weave/guides/tools/weave-in-workspaces.mdx
@@ -1,42 +1,45 @@
---
-title: W&B トレーニング run で Weave を使用する
-description: Weave トレース を W&B の トレーニング run と統合することで、トレーニング中の モデル の 振る舞い を深く把握できます。カスタマイズ可能な
- Workspace ダッシュボード 上で、従来の ML メトリクス と共に関数実行の詳細や診断情報をキャプチャすることが可能です。
+title: "W&B のトレーニング run で Weave を使用する"
+description: "Weave のトレースを W&B のトレーニング run と統合することで、トレーニング中のモデルの挙動を詳細まで可視化できます。関数実行の詳細や診断情報を、従来の ML メトリクス と並べて、カスタマイズ可能な Workspace ダッシュボード上で表示・分析できます。"
---
-# モデルトレーニングの Runs 中に Traces をログ記録する
+
+ # モデル トレーニング run 中にトレースを記録する
+
+ ## Weave Panels を使用する
+
-機械学習パイプライン内の [関数を `@weave.op` でデコレートする](/weave/quickstart) ことで、その実行情報を自動的にキャプチャし、個人の Workspace でアクセスできるようになります。
+[ML パイプライン内の関数に `@weave.op` デコレーターを付与することで](/ja/weave/quickstart)、それらの実行情報が自動的にキャプチャされ、自分用 Workspace から参照できるようになります。
-以下のスクリプトは、Weave Traces を W&B のトレーニング Runs と統合する方法の例です。各トレーニングステップでメトリクスを W&B にログ記録すると同時に、詳細な Weave Traces を作成する機械学習トレーニングループをシミュレートしています。関数に付けられた `@weave.op` デコレータは、入力、出力、および実行の詳細を自動的にキャプチャします。トレーニングループが `wandb.log()` でメトリクスをログ記録すると、Weave のトレース情報もプロジェクトにログ記録されます。
+たとえば、次のスクリプトは、Weave のトレースが W&B のトレーニング run とどのように統合されるかを示しています。これは、各トレーニングステップで W&B にメトリクスをログしつつ、同時に詳細な Weave のトレースを作成する機械学習のトレーニングループをシミュレートします。関数に付与された `@weave.op` デコレーターによって、入力、出力、および実行の詳細が自動的にキャプチャされます。トレーニングループが `wandb.log()` でメトリクスをログするとき、Weave のトレース情報もプロジェクトにログされます。
```python lines
import wandb
import weave
import random
-# W&BとWeaveの両方を同じプロジェクト名で初期化
+# W&B と Weave を同じプロジェクトで初期化する
project = "my-workspace-project"
weave.init(project)
@weave.op
def evaluate_model(model_state, epoch):
- # 評価メトリクスのシミュレーション
+ # 評価メトリクスをシミュレートする
accuracy = 0.7 + epoch * 0.02 + random.uniform(-0.05, 0.05)
- # 特定のモデルの振る舞いを追跡
+ # 特定のモデルの動作を追跡する
test_responses = {
"conciseness_check": "Model generated 500 words for simple question",
"accuracy_check": "Model answered 8/10 questions correctly",
@@ -50,10 +53,10 @@ def evaluate_model(model_state, epoch):
@weave.op
def training_step(epoch, lr):
- # トレーニングロジックのシミュレーション
+ # トレーニングロジックをシミュレートする
loss = 1.0 / (epoch + 1) + random.uniform(-0.1, 0.1)
- # トレース付きの評価
+ # トレースを使った評価
eval_results = evaluate_model(f"checkpoint_{epoch}", epoch)
return {
@@ -65,10 +68,10 @@ def training_step(epoch, lr):
# トレーニングループ
with wandb.init(project=project, config={"lr": 0.01}) as run:
for epoch in range(5):
- # Weaveトレーシングを実行しながらトレーニング
+ # Weave トレーシングでトレーニングを実行する
results = training_step(epoch, run.config.lr)
- # W&Bへのログ記録 - これが統合ポイントとなります
+ # W&B にログを記録する - インテグレーションポイントを作成する
run.log({
"epoch": epoch,
"loss": results["loss"],
@@ -76,82 +79,89 @@ with wandb.init(project=project, config={"lr": 0.01}) as run:
})
```
-このサンプルスクリプトを実行して、他の Run 情報とともにトレースがどのようにログ記録されるかを確認してください。
+このサンプルスクリプトを実行すると、トレースが他の run 情報と一緒にどのようにログされるかを確認できます。
-Run の実行中または終了後に Workspace でトレース情報を表示するには、Run の開始時にターミナルに表示されるリンク（例：`wandb: 🚀 View run at https://wandb.ai/wandb/my-project/runs/`）を開くか、UI から Workspace に移動します。
+run の実行中や完了後に workspace 内のトレース情報を表示するには、run の開始時にターミナルに表示されるリンク（次のような形式です: `wandb: 🚀 View run at https://wandb.ai/wandb/my-project/runs/`）を開くか、UI から workspace に移動します。
-UI から Workspace に移動する方法：
+UI から workspace に移動するには:
-1. W&B UI を開き、 **Projects** タブをクリックします。プロジェクトの一覧が表示されます。
-2. リストから Run をログ記録したプロジェクトをクリックします。これにより **Workspaces** ページが開きます。
-3. Workspace を自動 Workspace として設定している場合、Run に関するデータ可視化と情報が自動的に表示されます。Run のトレースデータは、Workspace の **Weave** セクションにあります。手動 Workspace の場合は、 **Add panels** をクリックし、Add Panels メニューの **Weave** セクションから新しいパネルを選択して Weave パネルを追加できます。
+1. W&B UI を開き、**Projects** タブをクリックします。プロジェクトの一覧が表示されます。
+2. プロジェクト一覧から、run をログしたプロジェクトをクリックします。**Workspaces** ページが開きます。
+3. workspace を自動ワークスペースとして設定している場合、workspace には自動的に Data Visualization と run に関する情報が表示されます。run のトレースデータは workspace の **Weave** セクションの下にあります。workspace が手動ワークスペースの場合は、**Add panels** をクリックし、Add Panels メニューの **Weave** セクションから新しいパネルを選択して、Weave パネルを追加できます。
-Workspace の詳細については、 [実験結果の表示](https://docs.wandb.ai/models/track/workspaces) を参照してください。
+workspaces について詳しくは、[View experiments results](https://docs.wandb.ai/models/track/workspaces) を参照してください。
-## Weave トレース内での W&B Artifacts の参照
+
+ ## Weave trace で W&B Artifacts を参照する
+
-Weave トレース内で [W&B Artifacts](/models/artifacts) （モデル、データセット、チェックポイントなど）を参照できます。これにより、Weave UI 上に Artifact の詳細ページへ直接移動できるクリック可能なリンクが作成され、特定のオペレーションでどのバージョンの Artifact が使用されたかを追跡するのに役立ちます。
+[W&B Artifacts](/ja/models/artifacts)（モデル、データセット、チェックポイントなど）を Weave trace から参照できます。これにより Weave UI に、 Artifacts の詳細ページへ直接移動できるクリック可能なリンクが作成され、特定の処理でどの Artifacts バージョンが使用されたかを追跡しやすくなります。
-例えば、モデルの 2 つのバージョン（ `v1` と `v2` ）をトレーニングした場合、そのモデルをクエリする際に `v1` の Artifact 参照をトレースの属性として追加できます。これにより、どの Artifact バージョンが特定の出力を生成したかを正確にトレースできます。
+たとえば、2 つのバージョンのモデル（`v1` と `v2`）を学習した場合、そのモデルをクエリするときに、`v1` Artifacts 参照を trace の属性として追加できます。これにより、どの Artifacts バージョンが特定の出力を生成したかを正確に追跡できます。
-Artifact をトレースに関連付けるには、 `wandb-artifact:///` プレフィックスと Artifact のフルネームを連結して、 Artifact の URL を次の構文で構築します： `wandb-artifact:///` 。その後、以下の 2 つの方法のいずれかで Weave に渡します。
+Artifacts を trace と関連付けるには、`wandb-artifact:///` というプレフィックスと Artifacts の完全名を連結して、次の構文で Artifacts の URL を構築します: `wandb-artifact:///`。そのうえで、次のいずれかの方法で Weave に渡します。
-* 任意の属性（attribute）として渡す
+* 任意の属性として渡す
* `Model` の属性として渡す
-Artifact のフルネームは、W&B UI の Artifact 詳細ページで確認できます。形式は `//:` です。W&B UI の Artifact 詳細ページからフルネームをコピーできます。
+Artifacts の完全名は、W&B UI の Artifacts 詳細ページで確認できます。形式は次のとおりです: `//:`。W&B UI の Artifacts 詳細ページから完全名をコピーできます。
-### トレースの属性として追加する
+
+ ### trace の属性として追加する
+
-Artifact をトレースの属性として追加するには、 `weave.attributes()` コンテキストマネージャーにキーと値のペアとして渡します。
+Artifacts を trace の属性として追加するには、`weave.attributes()` コンテキストマネージャーにキーと値のペアとして渡します。
-
-```python lines {10}
-import weave
+
+ ```python lines {10}
+ import weave
-weave.init("your-team-name/your-project-name")
+ weave.init("your-team-name/your-project-name")
-@weave.op
-def my_function(name: str):
- return f"Hello, {name}!"
+ @weave.op
+ def my_function(name: str):
+ return f"Hello, {name}!"
-# 任意のキー名と、値としてArtifactのURLを追加します
-with weave.attributes({'artifact_id': 'wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0'}):
- result = my_function("World")
-```
-
-
-```typescript lines {12}
-import {init, op, withAttributes} from 'weave';
+ # 任意のキー名と、その値として Artifacts の URL を指定する
+ with weave.attributes({'artifact_id': 'wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0'}):
+ result = my_function("World")
+ ```
+
-async function main() {
- await init('wandb/docs');
+
+ ```typescript lines {12}
+ import {init, op, withAttributes} from 'weave';
- const myFunction = op(async function myFunction(name: string) {
- return `Hello, ${name}!`;
- });
+ async function main() {
+ await init('wandb/docs');
- // 任意のキー名と、値としてArtifactのURLを追加します
- const result = await withAttributes(
- {artifact_id: "wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0"},
- async () => myFunction('World')
- );
+ const myFunction = op(async function myFunction(name: string) {
+ return `Hello, ${name}!`;
+ });
- console.log('Result:', result);
-}
+ // 任意のキー名と、その値として Artifacts の URL を指定する
+ const result = await withAttributes(
+ {artifact_id: "wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0"},
+ async () => myFunction('World')
+ );
-main().catch(console.error);
-```
-
+ console.log('Result:', result);
+ }
+
+ main().catch(console.error);
+ ```
+
-### `Model` の属性として Artifact を追加する
+
+ ### `Model` の属性として Artifacts を追加する
+
-Artifact を `Model` の属性として追加するには、モデルをインスタンス化する際に Artifact の URL を渡します。
+`Model` の属性として Artifacts を追加するには、モデルをインスタンス化するときに Artifacts の URL を渡します。
-`Model` クラスは現在、Weave Python SDK でのみサポートされています。
+ `Model` クラスは現在 Weave Python SDK でのみサポートされています。
```python lines {7,17}
@@ -160,19 +170,19 @@ import weave
weave.init("your-team-name/your-project-name")
class MyModel(weave.Model):
- # Artifactの参照をモデルの属性として保存
+ # Artifacts の参照をモデルの属性として保存する
artifact_id: str
temperature: float = 0.7
@weave.op
def predict(self, query: str) -> str:
- # ここにモデルの推論ロジックを記述
+ # モデルの推論ロジックをここに記述する
return f"Response to: {query}"
-# ArtifactのURLをモデルの属性として渡す
+# Artifacts の URL をモデルの属性として渡す
model = MyModel(
artifact_id="wandb-artifact:///team-name/project-name/run-38m4t5ja-history:v0"
)
result = model.predict("Hello, World!")
-```
\ No newline at end of file
+```
diff --git a/ja/weave/guides/tracking.mdx b/ja/weave/guides/tracking.mdx
deleted file mode 100644
index 324f990563..0000000000
--- a/ja/weave/guides/tracking.mdx
+++ /dev/null
@@ -1,40 +0,0 @@
----
-title: Tracing の概要
-description: オブジェクト や関数呼び出しの追跡と バージョン 管理を可能にする強力なトレーシング機能
----
-
-Weave は、アプリケーションにおける オブジェクト や関数呼び出しを追跡し、バージョン管理するための強力なトレース機能を提供します。この包括的なシステムにより、AI 駆動型アプリケーションのモニタリング、デバッグ、反復開発が容易になり、「コミット間のインサイトを追跡する」ことが可能になります。
-
-## 主要なトレース機能
-
-Weave のトレース機能は、主に 3 つのコンポーネントで構成されています。
-
-### Calls
-
-[Calls](/weave/guides/tracking/tracing) は、関数の呼び出し、入力、出力をトレースし、以下のことを可能にします。
-
-- アプリケーション内の データ フローの分析
-- コンポーネント間の複雑な相互作用のデバッグ
-- 呼び出しパターンに基づいたアプリケーションパフォーマンスの最適化
-
-### Ops
-
-[Ops](/weave/guides/tracking/ops) は、自動的に バージョン管理 され、追跡される関数（Calls を生成するもの）であり、以下のことを可能にします。
-
-- 関数のパフォーマンスと 振る舞い のモニタリング
-- 関数の変更履歴の保持
-- 実験 の 再現性 の確保
-
-### Objects
-
-[Objects](/weave/guides/tracking/objects) は、Weave の拡張可能なシリアル化レイヤーを構成し、実行時の オブジェクト（多くの場合、Calls の入力や出力）を自動的に バージョン管理 します。この機能により、以下のことが可能になります。
-
-- データ 構造の経時的な変化の追跡
-- オブジェクト の変更に関する明確な履歴の保持
-- 必要に応じて以前の バージョン への容易な切り戻し
-
-これらのトレース機能を活用することで、アプリケーションの 振る舞い についてより深いインサイトを得ることができ、開発 プロセス を効率化し、より堅牢な AI 駆動型システムを構築できます。
-
-## よくある質問
-
-Weave のトレースに関する よくある質問 への回答については、[FAQs ページ](/weave/guides/tracking/faqs) を参照してください。
\ No newline at end of file
diff --git a/ja/weave/guides/tracking/annotation-queues.mdx b/ja/weave/guides/tracking/annotation-queues.mdx
new file mode 100644
index 0000000000..c64e519d77
--- /dev/null
+++ b/ja/weave/guides/tracking/annotation-queues.mdx
@@ -0,0 +1,274 @@
+---
+title: "アノテーションキューのセットアップ"
+description: "アノテーションキューを作成し、トレースをドメインエキスパートにルーティングして、構造化フィードバックをエクスポートします。"
+---
+
+import { ColabLink } from '/snippets/ja/_includes/colab-link.mdx';
+import { GitHubLink } from '/snippets/ja/_includes/github-source-link.mdx';
+
+
+ ## 概要
+
+
+Annotation queue を使用すると、選択した trace をドメインエキスパートにルーティングして構造化されたレビューを実施でき、レビュー担当者は Weave UI 全体を操作する必要がありません。どのようなフィードバックを収集するかを定義し、どの trace をレビュー対象とするかを選択し、その後、完了したアノテーションをエクスポートして分析やデータセットの作成に利用できます。ユースケースの例は次のとおりです。
+
+* **手動での trace スコアリング**: SME に、正確性、品質、スタイルといった観点からモデルの出力を評価してもらいます。
+* **障害解析**: モデルが破綻するポイントを理解するために、失敗モード (幻覚、応答拒否、ループ) にアノテーションを付与します。
+* **ドメインエキスパートレビュー**: 医療、法務、安全性などのエキスパートが、タスクに特化したインターフェースでコンテンツをレビューできるようにします。
+* **データセット作成**: アノテーション済みの trace を評価用またはトレーニング用のデータセットに変換します。
+
+
+ ## エンドツーエンドのワークフロー
+
+
+次のワークフローは、annotation queue を使ってレビューを収集する手順をまとめたものです。
+
+1. annotation field を定義する。
+2. annotation queue を作成する。
+3. queue に trace を読み込んでレビュー対象にする。
+4. ドメインの専門家がレビューを実施している間、進捗をモニタリングする。
+5. 完了した annotation をフィルタリングしてエクスポートする。
+
+
+ ## アノテーションフィールドを定義する
+
+
+アノテーションキューの作成を開始するには、まずアノテーションフィールドを定義し、キュー設定時に選択できるようにする必要があります。アノテーションフィールドは、アノテーターが各 trace アイテムに対して提供するフィードバックの内容を定義します。フィールドはキューやプロジェクト間で再利用できます。
+
+フィールドタイプには次のものがあります:
+
+* 正確さや許容可否などの Boolean 判定。
+* 品質や信頼度などの数値または整数値。
+* 失敗モードやインテントなどのカテゴリラベル。
+* 定性的フィードバックのための自由記述テキスト。
+
+アノテーションフィールドを作成するには:
+
+1. [wandb.ai](https://wandb.ai) にアクセスし、プロジェクトを選択します。
+2. Weave プロジェクトのサイドバーで **Annotate** をクリックします。**Annotate** が表示されない場合は、メニュー内の **More** の下にネストされている場合があります。
+3. タブバーで **Fields** タブをクリックします。
+4. Fields テーブルのツールバーで **New Field** をクリックします。
+5. **Create annotation field** モーダルダイアログで、次を設定します:
+ * **Type**: Boolean、Integer、Number、String、またはカテゴリ型の選択肢。
+ * **Name**: アノテーターに表示されるフィールド名。
+ * **Description** (任意): アノテーターに表示される、このフィールドを評価するための詳細。
+6. **Create annotation field** をクリックしてフィールドを保存します。
+
+
+ ## アノテーションキューを作成する
+
+
+アノテーションキューは次の要素で構成されます。
+
+* アノテーションフィールドのセット
+* アノテーターへのタスク指示を提供するガイドライン
+* レビュー待ちの trace アイテムのコレクション
+
+アノテーションキューを作成するには、次の手順を実行します。
+
+1. Weave プロジェクトのサイドバーで **Annotate** をクリックします。
+2. タブバーで **Queues** タブをクリックします。
+3. Queues テーブルのツールバーで **Create Queue** をクリックします。
+4. **Create Annotation Queue** モーダルダイアログで、次の項目を設定します。
+ * **Queue name**: アノテーターが作業を行う際に選択するキュー名です。
+ * **Guidelines** (任意): アノテーター向けの追加の指示。
+5. **Next** をクリックします。
+6. **Manage fields** をクリックし、このレビュー作業に含める Annotation Fields を選択します。Project に対して既存のすべての Annotation Fields が選択可能です。
+7. キューに含めるすべての Fields を選択したら、**Create Queue** をクリックしてキューを保存します。
+
+プロジェクト用のすべてのアノテーションキューは Annotation Queues ページに一覧表示されます。
+
+
+ ### キューに trace を追加する
+
+
+trace は **Traces** ページから直接アノテーションキューに追加できます。
+
+trace をアノテーションキューに追加するには:
+
+1. Weave プロジェクトのサイドバーで **Traces** をクリックします。
+2. Traces テーブルのツールバーで、必要に応じて trace をフィルタします (hallucination スコア、failure mode、特定の ops など) 。
+3. テーブルで、アノテーションしたい trace を選択します。
+4. テーブルのアクションバーで **Add to queue** をクリックし、選択した行をアノテーションキューに追加します。
+
+
+ ## レビュー進捗を確認する
+
+
+アノテーションキューを作成して trace を追加したら、そのキュー名をアノテーターと共有してレビューを開始してもらいます。レビュー手順の詳細は、[アノテーションキュー内の項目をレビューする](/ja/weave/guides/tracking/annotation-review) を参照してください。
+
+アノテーションキューへの直接リンクをアノテーターと共有するには、次の手順を実行します。
+
+1. Weave プロジェクトのサイドバーで **Annotate** をクリックします。
+2. タブバーで **Queues** タブをクリックします。
+3. Annotation Queues テーブルで、キュー項目を開くために対象キューの名前をクリックします。
+4. Queue のヘッダーバーでリンクボタンをクリックして、このキューへの直接リンクをコピーします。ブラウザのアドレスバーから URL をコピーすることもできます。
+
+
+
+Annotation Queues テーブルの **State** 列には、レビューの進捗状況が表示されます。
+
+* **Not started**: キューに項目はあるが、提出されたアノテーションがない状態。
+* **In progress**: 少なくとも 1 件の項目がレビューされた状態。
+* **Completed**: すべての項目がレビューされた状態。
+
+Annotation Queues テーブルの **Calls with responses** 列には、少なくとも 1 件のレビューが提出されている項目の割合 (全 **Calls** 数に対する割合) が表示されます。
+
+
+ ## アノテーションのフィルタリングとエクスポート
+
+
+Weave は、完了したアノテーションを trace の構造化されたメタデータとして保存します。
+
+次のことができます:
+
+* キューの割り当て状況やアノテーションの完了状況で trace をフィルタリングする。
+* フィルタリングしたビューを保存して再利用する。
+* 評価用またはトレーニング用のワークフロー向けに、アノテーション済み trace をデータセットにエクスポートする。
+
+これにより、専門家による人手のフィードバックをモデルの評価と反復的な改善に直接結び付けることができます。
+
+
+ ### アノテーション済みの trace のフィルタリング
+
+
+**Traces** ページのフィルターコントロールを使って、アノテーションが付いた trace のみを表示できます。
+
+アノテーション付きの trace のみを表示するには:
+
+1. Weave プロジェクトのサイドバーで **Traces** をクリックします。
+2. Traces テーブルのツールバーで **Filter** をクリックします。
+3. フィルター行に 3 つの値を追加します:
+ * **Column** には "Queue" と入力し、**Enter** を押します。
+ * 2 つ目のリストで **Text: "is"** を選択します。
+ * **Select a queue** では、アノテーションキューの名前を選択します。
+4. 完了したキューアイテムのみをフィルタリングするには、**+ Add Filter** をクリックします:
+ * **Column** には "feedback" と入力します。ダイアログに Annotations が表示され、キューに含まれる Annotation Field 名が一覧表示されます。そのキューから必要な Field を選択します。
+ * 2 つ目のリストで **Other: "is not empty"** を選択します。
+
+
+ ### 注釈付き trace をデータセットにエクスポートする
+
+
+データの利用方法に応じて、UI から、またはプログラムから注釈付き trace をエクスポートできます。
+
+
+ #### アノテーション済み trace をデータセットに追加する
+
+
+アノテーション済み trace を選択し、**Add to Dataset** をクリックして、評価またはトレーニング用データに専門家によるラベルを追加します。
+
+アノテーション済み trace をデータセットに追加するには、次の手順を実行します。
+
+1. Weave プロジェクトのサイドバーで **Traces** をクリックします。
+2. Traces テーブルで、エクスポートしたい trace を選択します。
+3. テーブルのツールバーで **Add to dataset** をクリックします。画面の指示に従って追加を完了します。
+
+データセットの使い方の詳細は、[データセットを収集して追跡する](/ja/weave/guides/core-types/datasets) を参照してください。
+
+
+ ## プログラムからアノテーションにアクセスする
+
+
+アノテーションをプログラムから利用する場合は、プロジェクト名と queue ID を把握している必要があります。
+
+* **Project**: W&B プロジェクト名 (`project` または `team/project` 形式) 。W&B team (たとえば "team/project") を指定しない場合は、デフォルトの team が使用されます。
+* **Queue ID**: アノテーション queue の一意の識別子。
+
+queue ID を確認するには、次の手順を実行します。
+
+1. **Annotation Queues** テーブルで、アイテムを表示したい queue の名前を選択します。
+2. ページ URL の末尾から ID をコピーします。
+
+**例**
+
+```
+https://wandb.ai/.../annotation-queues/019c0f63-7acb-7497-8f87-08873368fcd4
+```
+
+この例では、キュー ID は次のとおりです。
+
+019c0f63-7acb-7497-8f87-08873368fcd4
+
+次のコードを使って、キュー内の trace (呼び出し) を順に処理できます。
+
+```python lines
+import weave
+from weave.trace_server.trace_server_interface import AnnotationQueueItemsQueryReq
+
+# プロジェクトとキューの識別子を自分の値に更新してください。
+PROJECT = "your-team-name/your-project-name"
+QUEUE_ID = "019c0f63-7acb-7497-8f87-08873368fcd4"
+
+# Weave を初期化します。
+client = weave.init(PROJECT)
+
+# キュー内のコールからコール ID を取得します。
+calls = client.server.annotation_queue_items_query(
+ AnnotationQueueItemsQueryReq(
+ project_id=PROJECT,
+ queue_id=QUEUE_ID,
+ )
+)
+
+# コールを反復処理してフィードバックを取得します。
+for i, item in enumerate(calls.items):
+ call = client.get_call(call_id=item.call_id, include_feedback=True)
+ feedback = call.feedback or {}
+
+ # コールのフィードバックアイテムの合計数をカウントします。
+ total_feedback_items = len(feedback)
+
+ print(f"\nItem {i} — call_id: {item.call_id} — total feedback items: {total_feedback_items}")
+
+ if not feedback:
+ print("No feedback for item")
+ continue
+
+ # 最初のアノテーション値を取得します。
+ # フィールドアノテーションは一定の順序で追加されないため、最初のフィールドは毎回異なる場合があります。
+ field_name = next(iter(feedback))
+ field_value = feedback[0]
+
+ print(f" {field_name}: {field_value}")
+```
+
+次の Google Colab ノートブックでは、アノテーション データにプログラムからアクセスし、分析レポートを収集する方法を詳細な例で示します。
+
+
+
diff --git a/ja/weave/guides/tracking/annotation-review.mdx b/ja/weave/guides/tracking/annotation-review.mdx
new file mode 100644
index 0000000000..9b4c0d1d65
--- /dev/null
+++ b/ja/weave/guides/tracking/annotation-review.mdx
@@ -0,0 +1,47 @@
+---
+title: "アノテーションキュー内のアイテムをレビューする"
+description: "簡略化されたレビューインターフェースを使って trace アイテムを評価し、構造化されたフィードバックを送信します。"
+---
+
+Annotation queues は、ドメインエキスパート向けの集中的なレビュー用インターフェースを提供します。1 回に 1 つずつアイテムをレビューし、提供されたコンテキストを確認して、あらかじめ定義されたフィールドに基づいて構造化されたフィードバックを送信します。
+
+レビューを行うために、基盤となるモデルやトレースシステムを理解している必要はありません。これにより、外部のエキスパートは、より大きなプロジェクトの全体像を把握しなくても、データのみをレビューできます。
+
+
+ ## アノテーション ワークフロー
+
+
+アノテーターとしてのあなたの役割は、LLM の応答の正確性を確認することです。フィードバックはデータのアノテーションとして保存されます。
+
+アノテーション キューをレビューするには、次の手順に従います:
+
+1. チームから提供されたキュー リンクを使って、共有アノテーション キューを開きます。
+2. キュー内の各アイテムをレビューします。キュー内のアイテム間は、いつでも前後に移動できます。
+3. 用意されているアノテーション フィールドを使ってアノテーションを送信します。
+
+Weave は、アイテムを送信するたびに進捗を自動的に保存します。作業を中断して後で再開する場合でも、レビューは未完了の最初のアイテムから自動的に再開されます。すべてのアイテムがレビューされると、Annotation Queue テーブルに作業完了が反映されます。
+
+
+ ### キュー項目をレビューする
+
+
+各項目について、レビュー インターフェースには 2 つのペインが表示されます。
+
+* プロンプト、ドキュメント、画像などの選択された入力コンテキストと、それに対応する モデル 応答または判断を表示するトレース ペイン。
+* アノテーション フィールドを含むアノテーション入力フォームがある項目ペイン。
+
+キューに対して用意された指示に従って各アノテーション フィールドを入力し、**Submit and next** をクリックしてこの項目を保存し、次に進みます。
+
+
+ トレース ペインのヘッダーでは、Trace ID のサフィックス (例: "b3ea") をクリックして、その呼び出しのトレースの全詳細を表示するパネルを開くことができます。そこでトレースを確認し、付与されたアノテーションを表示または比較できます。
+
+
+キュー内の項目がすでに誰かによってレビューされている場合、レビュー インターフェースの両方のペイン ヘッダーには、**Has annotation** と **Response submitted** のインジケーターが表示されます。
+
+他の人がすでにレビューした項目に対しても、引き続きアノテーションを付与できます。この場合、アノテーション送信ボタンには引き続き **Edit annotation** と表示されますが、送信すると自分の回答を含む新しいアノテーション エントリが作成されます。
+
+ 他の人がすでにレビューした項目に対してフィードバックを送信した場合、あなたのフィードバックは元のアノテーターのフィードバックに **追加して** 保存されます。
\ No newline at end of file
diff --git a/ja/weave/guides/tracking/call-schema-reference.mdx b/ja/weave/guides/tracking/call-schema-reference.mdx
new file mode 100644
index 0000000000..13e6453723
--- /dev/null
+++ b/ja/weave/guides/tracking/call-schema-reference.mdx
@@ -0,0 +1,56 @@
+---
+title: "Call スキーマ リファレンス"
+description: "Call オブジェクトの構造とプロパティに関するリファレンス"
+---
+
+このページでは、W&B Weave における Call オブジェクトのスキーマのリファレンスを提供します。Call のクエリ方法については、[Call のクエリとエクスポート](/ja/weave/guides/tracking/querying-calls) を参照してください。
+
+
+ ## Call プロパティ
+
+
+以下の表は、Weave の Call の主なプロパティを示します。完全な実装については次を参照してください。
+
+* Python SDK の [class: CallSchema](/ja/weave/reference/python-sdk/trace_server/trace_server_interface#class-callschema)
+* TypeScript SDK の [Interface: CallSchema](/ja/weave/reference/typescript-sdk/interfaces/callschema)
+
+| Property | Type | Description |
+| -------------- | -------------------- | ----------------------------------------- |
+| `id` | string (uuid) | Call の一意な識別子 |
+| `project_id` | string (optional) | 関連付けられているプロジェクトの識別子 |
+| `op_name` | string | オペレーション名 (参照を指す場合があります) |
+| `display_name` | string (optional) | Call のユーザー向けのわかりやすい表示名 |
+| `trace_id` | string (uuid) | この Call が属する trace の識別子 |
+| `parent_id` | string (uuid) | 親 Call の識別子 |
+| `started_at` | datetime | Call が開始された時刻のタイムスタンプ |
+| `attributes` | Dict[str, Any] | Call に関するユーザー定義メタデータ (実行中は読み取り専用) |
+| `inputs` | Dict[str, Any] | Call の入力パラメーター |
+| `ended_at` | datetime (optional) | Call が終了した時刻のタイムスタンプ |
+| `exception` | string (optional) | Call が失敗した場合のエラーメッセージ |
+| `output` | Any (optional) | Call の実行結果 |
+| `summary` | Optional[SummaryMap] | 実行後のサマリー情報。実行中にこれを変更して、カスタム メトリクスを記録できます。 |
+| `wb_user_id` | Optional[str] | 関連付けられている W&B ユーザー ID |
+| `wb_run_id` | Optional[str] | 関連付けられている W&B run ID |
+| `deleted_at` | datetime (optional) | 該当する場合、Call が削除された時刻のタイムスタンプ |
+
+
+ ## プロパティの詳細
+
+
+`CallSchema` のプロパティは、関数呼び出しの追跡と管理において重要な役割を果たします。
+
+* `id`、`trace_id`、`parent_id` プロパティは、システム内で呼び出しを整理し、相互に関連付けるのに役立ちます。
+
+* タイミング情報 (`started_at`、`ended_at`) はパフォーマンス分析を支援します。
+
+* `attributes` と `inputs` プロパティは呼び出しのコンテキストを提供します。`attributes` は呼び出しが開始されると固定されるため、`weave.attributes` を使って呼び出し前に設定してください。`output` と `summary` は結果を保持します。
+
+* `summary` プロパティには、メトリクスやその他の呼び出し後の値を保存できます。実行中に `call.summary` を変更してください。追加した値はすべて、Call の終了時に Weave の計算済みサマリーデータとマージされます。
+ * Weave の計算済みサマリーデータ:
+ * `costs`: LLM モデルの利用データとトークン単価データに基づく、その呼び出しの合計コスト。コスト計算の詳細については、[コストを追跡する](/ja/weave/guides/tracking/costs) を参照してください。
+ * `latency_ms`: `started_at` から `ended_at` までに経過した時間 (ミリ秒) 。`status` が `RUNNING` の場合は `null`。
+ * `status`: 実行ステータス。`SUCCESS`、`ERROR`、`RUNNING`、`DESCENDANT_ERROR` (呼び出し自体は成功したが、子孫の呼び出しがエラーになったことを意味します)。 {/* [empty ref](/weave/reference/python-sdk/trace_server/trace_server_interface#class-tracestatus)*/}
+
+* W&B とのインテグレーションは、`wb_user_id` と `wb_run_id` を通じて行われます。
+
+この包括的なプロパティ群により、プロジェクト全体で関数呼び出しを詳細に追跡し、分析することができます。
\ No newline at end of file
diff --git a/ja/weave/guides/tracking/costs.mdx b/ja/weave/guides/tracking/costs.mdx
index b288cc119a..0b173b5888 100644
--- a/ja/weave/guides/tracking/costs.mdx
+++ b/ja/weave/guides/tracking/costs.mdx
@@ -1,153 +1,155 @@
---
-title: コストの追跡
-description: Weave における LLM オペレーションのコストを追跡・管理する
+title: "コストを追跡・管理する"
+description: "Weave で LLM の運用コストを追跡・管理する"
---
-## カスタムコストの追加
+
+ ## カスタムコストの追加
+
-
-[`add_cost`](/weave/reference/python-sdk/trace/weave_client#method-add-cost) メソッドを使用して、カスタムコストを追加できます。
-必須のフィールドは `llm_id`、`prompt_token_cost`、および `completion_token_cost` の3つです。
-`llm_id` は LLM の名前（例：`gpt-4o`）です。`prompt_token_cost` と `completion_token_cost` は、その LLM のトークンあたりのコストです（LLM の価格が100万トークン単位で指定されている場合は、必ず 値 を変換してください）。
-また、`effective_date` に `datetime` を設定することで、特定の日にコストを有効にすることもできます。デフォルトは現在の日付です。
-
-```python lines
-import weave
-from datetime import datetime
-
-client = weave.init("my_custom_cost_model")
-
-client.add_cost(
- llm_id="your_model_name",
- prompt_token_cost=0.01,
- completion_token_cost=0.02
-)
-
-client.add_cost(
- llm_id="your_model_name",
- prompt_token_cost=10,
- completion_token_cost=20,
- # 例えば、特定の日付以降にモデルの価格を上げたい場合
- effective_date=datetime(2025, 4, 22),
-)
-```
-
-
-
-
-```plaintext
-この機能は TypeScript ではまだ利用できません。今後のアップデートをお待ちください。
-```
-
-
+
+ [`add_cost`](/ja/weave/reference/python-sdk/trace/weave_client#method-add-cost) メソッドを使用してカスタムコストを追加できます。
+ 必須フィールドは `llm_id`、`prompt_token_cost`、`completion_token_cost` の 3 つです。
+ `llm_id` は LLM の名前です (例: `gpt-4o`) 。`prompt_token_cost` と `completion_token_cost` は LLM のトークンあたりのコストです (LLM の価格が 100 万トークンあたりで指定されている場合は、値をトークン単価に変換してください) 。
+ また、`effective_date` に datetime を設定して、特定の日付からコストを有効にすることもできます。指定しない場合は現在の日時が使用されます。
+
+ ```python lines
+ import weave
+ from datetime import datetime
+
+ client = weave.init("my_custom_cost_model")
+
+ client.add_cost(
+ llm_id="your_model_name",
+ prompt_token_cost=0.01,
+ completion_token_cost=0.02
+ )
+
+ client.add_cost(
+ llm_id="your_model_name",
+ prompt_token_cost=10,
+ completion_token_cost=20,
+ # 例えば、ある日付以降にモデルの価格を引き上げたい場合
+ effective_date=datetime(2025, 4, 22),
+ )
+ ```
+
+
+
+ ```plaintext
+ この機能はまだ TypeScript では利用できません。今後のアップデートをお待ちください。
+ ```
+
-## コストの照会
+
+ ## コストの問い合わせ
+
-
-[`query_costs`](/weave/reference/python-sdk/trace/weave_client#method-query-costs) メソッドを使用して、コストを照会できます。
-コストを照会する方法はいくつかあり、単一のコスト ID を渡すか、LLM モデル名のリストを渡すことができます。
-
-```python lines
-import weave
-
-client = weave.init("my_custom_cost_model")
+
+ [`query_costs`](/ja/weave/reference/python-sdk/trace/weave_client#method-query-costs) メソッドを使用してコストを問い合わせできます。
+ コストの問い合わせにはいくつかの方法があり、単一のコスト ID を渡すか、LLM モデル名のリストを渡すことができます。
-costs = client.query_costs(llm_ids=["your_model_name"])
+ ```python lines
+ import weave
-cost = client.query_costs(costs[0].id)
-```
+ client = weave.init("my_custom_cost_model")
-
-
+ costs = client.query_costs(llm_ids=["your_model_name"])
-```plaintext
-この機能は TypeScript ではまだ利用できません。今後のアップデートをお待ちください。
-```
+ cost = client.query_costs(costs[0].id)
+ ```
+
-
+
+ ```plaintext
+ この機能はまだ TypeScript では利用できません。今後のアップデートをお待ちください。
+ ```
+
-## カスタムコストの削除
+
+ ## カスタムコストの削除
+
-
-[`purge_costs`](/weave/reference/python-sdk/trace/weave_client#method-purge-costs) メソッドを使用して、カスタムコストを削除できます。コスト ID のリストを渡すと、それらの ID を持つコストが削除されます。
+
+ カスタムコストは [`purge_costs`](/ja/weave/reference/python-sdk/trace/weave_client#method-purge-costs) メソッドを使って削除できます。cost ID のリストを渡すと、その ID を持つコストが削除されます。
-```python lines
-import weave
+ ```python lines
+ import weave
-client = weave.init("my_custom_cost_model")
+ client = weave.init("my_custom_cost_model")
-costs = client.query_costs(llm_ids=["your_model_name"])
-client.purge_costs([cost.id for cost in costs])
-```
+ costs = client.query_costs(llm_ids=["your_model_name"])
+ client.purge_costs([cost.id for cost in costs])
+ ```
+
-
-
-
-```plaintext
-この機能は TypeScript ではまだ利用できません。今後のアップデートをお待ちください。
-```
-
-
+
+ ```plaintext
+ この機能はまだ TypeScript では利用できません。続報をお待ちください。
+ ```
+
-## Projects のコスト計算
+
+ ## プロジェクトのコストを計算する
+
-
-少しの設定を行い、`calls_query` を使用して `include_costs=True` を追加することで、プロジェクトのコストを計算できます。
-
-```python lines
-import weave
-
-weave.init("project_costs")
-@weave.op()
-def get_costs_for_project(project_name: str):
- total_cost = 0
- requests = 0
-
- client = weave.init(project_name)
- # プロジェクト内のすべての call を取得
- calls = list(
- client.get_calls(filter={"trace_roots_only": True}, include_costs=True)
- )
-
- for call in calls:
- # call にコストが含まれている場合、合計コストに加算
- if call.summary["weave"] is not None and call.summary["weave"].get("costs", None) is not None:
- for k, cost in call.summary["weave"]["costs"].items():
- requests += cost["requests"]
- total_cost += cost["prompt_tokens_total_cost"]
- total_cost += cost["completion_tokens_total_cost"]
-
- # 合計コスト、リクエスト数、および call 数を返す
- return {
- "total_cost": total_cost,
- "requests": requests,
- "calls": len(calls),
- }
-
-# 関数を @weave.op() でデコレートしているため、
-# 合計値は履歴コストの合計計算用に Weave に保存される
-get_costs_for_project("my_custom_cost_model")
-```
-
-
-
-
-```plaintext
-この機能は TypeScript ではまだ利用できません。今後のアップデートをお待ちください。
-```
-
-
+
+ 少しセットアップを行えば、`calls_query` を使用し、`include_costs=True` を追加することで、プロジェクトのコストを計算できます。
+
+ ```python lines
+ import weave
+
+ weave.init("project_costs")
+ @weave.op()
+ def get_costs_for_project(project_name: str):
+ total_cost = 0
+ requests = 0
+
+ client = weave.init(project_name)
+ # プロジェクト内のすべてのコールを取得する
+ calls = list(
+ client.get_calls(filter={"trace_roots_only": True}, include_costs=True)
+ )
+
+ for call in calls:
+ # コールにコストがあれば、それらを合計コストに加える
+ if call.summary["weave"] is not None and call.summary["weave"].get("costs", None) is not None:
+ for k, cost in call.summary["weave"]["costs"].items():
+ requests += cost["requests"]
+ total_cost += cost["prompt_tokens_total_cost"]
+ total_cost += cost["completion_tokens_total_cost"]
+
+ # 合計コスト、リクエスト数、およびコール数を返す
+ return {
+ "total_cost": total_cost,
+ "requests": requests,
+ "calls": len(calls),
+ }
+
+ # 関数に @weave.op() を付けているので、
+ # 合計値は履歴のコスト合計を計算できるように weave に保存される
+ get_costs_for_project("my_custom_cost_model")
+ ```
+
+
+
+ ```plaintext
+ この機能はまだ TypeScript では利用できません。続報をお待ちください！
+ ```
+
-## カスタムコストを使用したカスタムモデルのセットアップ
+
+ ## カスタムコスト付きカスタムモデルのセットアップ
+
-[カスタムモデルでのコスト設定](/weave/cookbooks/custom_model_cost) のクックブックをお試しください。
+[カスタムモデルでコストを設定する](/ja/weave/cookbooks/custom_model_cost)ためのクックブックをお試しください。
-
+ ## 1. LLM ライブラリ呼び出しの自動トラッキング
+
+
+Weave は、`openai`、`anthropic`、`cohere`、`mistral`、`LangChain` などの一般的なインテグレーションやフレームワークと自動的に連携します。
+LLM またはフレームワークのライブラリをインポートして Weave プロジェクトを初期化すると、追加のコード変更なしで、LLM やプラットフォームへのすべての呼び出しが自動的にプロジェクトへトレースされます。
+サポートされているライブラリインテグレーションの一覧については、[Integrations overview](/ja/weave/guides/integrations/) を参照してください。
+
+
+
+ ```python lines
+ import weave
+
+ from openai import OpenAI
+ client = OpenAI()
+
+ # Weave トレーシングを初期化
+ weave.init('intro-example')
+
+ response = client.chat.completions.create(
+ model="gpt-4",
+ messages=[
+ {
+ "role": "user",
+ "content": "How are you?"
+ }
+ ],
+ temperature=0.8,
+ max_tokens=64,
+ top_p=1,
+ )
+ ```
+
+
+
+ ```typescript lines
+ import OpenAI from 'openai'
+ import * as weave from 'weave'
+
+ const client = new OpenAI()
+
+ // Weave トレーシングを初期化
+ await weave.init('intro-example')
+
+ const response = await client.chat.completions.create({
+ model: 'gpt-4',
+ messages: [
+ {
+ role: 'user',
+ content: 'How are you?',
+ },
+ ],
+ temperature: 0.8,
+ max_tokens: 64,
+ top_p: 1,
+ });
+ ```
+
+ JS / TS プロジェクト向けのセットアップ手順の詳細については、[TypeScript SDK: Third-Party Integration Guide](/ja/weave/guides/integrations/js) を参照してください。
+
+
+
+自動動作をさらに細かく制御したい場合は、[自動 LLM 呼び出しトラッキングの設定](/ja/weave/guides/integrations/autopatching) を参照してください。
+
+
+ ## 2. カスタム関数のトラッキング
+
+
+多くの場合、LLM アプリケーションには、トラッキングしたい追加のロジック (前処理・後処理、プロンプトなど) が含まれます。
+
+
+
+ Weave では、[`@weave.op`](/ja/weave/reference/python-sdk/#function-op) デコレーターを使って、これらの呼び出しを手動でトラッキングできます。例えば:
+
+ ```python lines
+ import weave
+
+ # Weave Tracing を初期化
+ weave.init('intro-example')
+
+ # 関数をデコレート
+ @weave.op
+ def my_function(name: str):
+ return f"Hello, {name}!"
+
+ # 関数を呼び出す -- Weave が自動的に入力と出力をトラッキング
+ print(my_function("World"))
+ ```
+
+ [クラスのメソッド](#track-class-and-object-methods) をトラッキングすることもできます。
+
+
+
+ Weave では、関数を [`weave.op`](/ja/weave/reference/typescript-sdk/functions/op) でラップすることで、これらの呼び出しを手動でトラッキングできます。例えば:
+
+ ```typescript lines
+ import * as weave from 'weave'
+
+ await weave.init('intro-example')
+
+ function myFunction(name: string) {
+ return `Hello, ${name}!`
+ }
+
+ const myFunctionOp = weave.op(myFunction)
+ ```
+
+ また、ラップをインラインで定義することもできます:
+
+ ```typescript lines
+ const myFunctionOp = weave.op((name: string) => `Hello, {name}!`)
+ ```
+
+ これは、関数だけでなくクラスのメソッドにも利用できます:
+
+ ```typescript lines
+ class MyClass {
+ constructor() {
+ this.myMethod = weave.op(this.myMethod)
+ }
+
+ myMethod(name: string) {
+ return `Hello, ${name}!`
+ }
+ }
+ ```
+
+
+
+
+ ### クラスおよびオブジェクト メソッドのトラッキング
+
+
+クラスおよびオブジェクト メソッドもトラッキングできます。クラス内の任意のメソッドを `weave.op` でデコレートすることで、そのメソッドをトラッキングできます。
+
+
+
+ ```python lines
+ import weave
+
+ # Weave Tracing を初期化
+ weave.init("intro-example")
+
+ class MyClass:
+ # メソッドをデコレート
+ @weave.op
+ def my_method(self, name: str):
+ return f"Hello, {name}!"
+
+ instance = MyClass()
+
+ # メソッドを呼び出すと、Weave が自動的に入力と出力をトラッキングする
+ print(instance.my_method("World"))
+ ```
+
+
+
+
+ **TypeScript でのデコレーターの使用**
+
+ TypeScript のコードで `@weave.op` デコレーターを使用するには、環境が正しく設定されていることを確認してください。
+
+ * **TypeScript v5.0 以降**: デコレーターは標準でサポートされており、追加の設定は不要です。
+ * **TypeScript v5.0 より前のバージョン**: デコレーターの実験的サポートを有効にします。詳細については、[decorator に関する TypeScript 公式ドキュメント](https://www.typescriptlang.org/docs/handbook/decorators.html)を参照してください。
+
+
+ インスタンス メソッドに `@weave.op` を適用してトレースできます。
+
+ ```typescript lines
+ class Foo {
+ @weave.op
+ async predict(prompt: string) {
+ return "bar"
+ }
+ }
+ ```
+
+ クラス内のユーティリティ関数をトレースするために、`@weave.op` を static メソッドに適用することもできます。
+
+ ```typescript lines
+ class MathOps {
+ @weave.op
+ static square(n: number): number {
+ return n * n;
+ }
+ }
+ ```
+
+
+
+
+ ### 並列 (マルチスレッド) 関数呼び出しのトレース
+
+
+デフォルトでは、並列な Call はすべて Weave 上では個別の root Call として表示されます。同じ親 Op の下に正しくネストさせるには、`ThreadPoolExecutor` を使用します。
+
+
+
+ 次のコードサンプルは、[`ThreadPoolExecutor`](/ja/weave/reference/python-sdk/trace/util#class-contextawarethreadpoolexecutor) の使用例を示しています。
+ 最初の関数 `func` は、`x` を受け取って `x+1` を返すシンプルな Op です。2 つ目の関数 `outer` は、入力リストを受け取る別の Op です。
+ `outer` の中で `ThreadPoolExecutor` と `exc.map(func, inputs)` を使用することで、各 `func` 呼び出しは同じ親の trace コンテキストを保持したまま実行されます。
+
+ ```python lines
+ import weave
+
+ @weave.op
+ def func(x):
+ return x+1
+
+ @weave.op
+ def outer(inputs):
+ with weave.ThreadPoolExecutor() as exc:
+ exc.map(func, inputs)
+
+ # Weave プロジェクト名を更新する
+ client = weave.init('my-weave-project')
+ outer([1,2,3,4,5])
+ ```
+
+
+
+ ```plaintext
+ この機能は、TypeScript SDK ではまだ利用できません。
+ ```
+
+
+
+Weave UI では、これにより 1 つの親 Call の下に 5 つの子 Call がネストされた形で表示されるため、インクリメントが並列で実行されていても、完全に階層的な trace を得ることができます。
+
+
+
+
+ ## 3. Manual Call tracking
+
+
+API を直接使用して Call を手動で作成することもできます。
+
+
+
+ ```python lines
+ import weave
+
+ # Initialize Weave Tracing
+ client = weave.init('intro-example')
+
+ def my_function(name: str):
+ # Start a Call
+ call = client.create_call(op="my_function", inputs={"name": name})
+
+ # ... your function code ...
+
+ # End a Call
+ client.finish_call(call, output="Hello, World!")
+
+ # Call your function
+ print(my_function("World"))
+ ```
+
+
+
+ ```plaintext
+ この機能は TypeScript SDK ではまだ利用できません。
+ ```
+
+
+
+ * Call を開始: [POST `/call/start`](https://docs.wandb.ai/weave/reference/service-api/calls/call-start)。
+ * Call を終了: [POST `/call/end`](https://docs.wandb.ai/weave/reference/service-api/calls/call-end)。
+
+ ```bash lines
+ curl -L 'https://trace.wandb.ai/call/start' \
+ -H 'Content-Type: application/json' \
+ -H 'Accept: application/json' \
+ -d '{
+ "start": {
+ "project_id": "string",
+ "id": "string",
+ "op_name": "string",
+ "display_name": "string",
+ "trace_id": "string",
+ "parent_id": "string",
+ "started_at": "2024-09-08T20:07:34.849Z",
+ "attributes": {},
+ "inputs": {},
+ "wb_run_id": "string"
+ }
+ }
+ ```
+
+
\ No newline at end of file
diff --git a/ja/weave/guides/tracking/faqs.mdx b/ja/weave/guides/tracking/faqs.mdx
deleted file mode 100644
index 6ed33d8114..0000000000
--- a/ja/weave/guides/tracking/faqs.mdx
+++ /dev/null
@@ -1,152 +0,0 @@
----
-title: よくある質問
-description: Weave tracing に関する よくある質問への回答
----
-
-このページでは、 Weave のトレースに関するよくある質問に回答します。
-
-## Weave は関数に対してどのような情報を取得しますか？
-
-関数は、デコレータを使用して手動で、または有効化されたインテグレーションの一部として自動的に Weave [Op](/weave/guides/tracking/ops) として指定できます。 Op が実行されると、 Weave は分析をサポートするために詳細な情報を取得します。 Weave は、デフォルトとは異なる内容を記録したい場合に備えて、ログの内容をきめ細かく制御できるようになっています。設定例については以下を参照してください。
-
-- **コードの取得** - Weave は Op のソースコードの表現を取得します。これには、インラインコメント、変数の値の再帰的な取得、または呼び出された非 Op 関数のソースが含まれます。コードの取得により、変更がソース管理システムに保存されていない場合でも、関数が何をしていたかを確認できます。コードの取得は Op のバージョン管理の一部として使用され、時間の経過に伴うコードの評価を理解するのに役立ちます。コードの取得が無効になっている場合は、代わりにハッシュ値が使用されます。
-
-- **関数名、入力、および出力** - 関数の名前が取得されますが、 [上書き](/weave/guides/tracking/tracing/#call-display-name) することも可能です。入力と出力の JSON ベースの表現が取得されます。入力については、値に加えて引数名も取得されます。 Weave では、入力と出力の [ログのカスタマイズ](/weave/guides/tracking/ops#customize-logged-inputs-and-outputs) が可能です。ログに記録される内容を追加、削除、または変更するための関数を指定できます。
-
-- **Op 呼び出しの階層** - ある Op の実行コンテキスト内で別の Op が呼び出された場合、その関係が取得されます。これは、中間に非 Op 関数の実行がある場合でも同様です。この Op 呼び出し間の関係は、「トレースツリー」を提供するために使用されます。
-
-- **実行ステータスと例外** - Weave は、関数が実行中か、終了したか、またはエラーが発生したかを追跡します。実行中に例外が発生した場合は、エラーメッセージとスタックトレースが記録されます。
-
-- **システム情報** - Weave は、クライアントが実行されているオペレーティングシステムに関する情報（詳細なバージョン情報を含む）を取得することがあります。
-
-- **クライアント情報** - Weave は、使用されているプログラミング言語や、その言語および Weave クライアントライブラリの詳細なバージョン情報など、 Weave クライアント自体に関する情報を取得することがあります。
-
-- **タイミング** - 実行の開始時間と終了時間が取得され、レイテンシの計算にも使用されます。
-
-- **トークン使用量** - 一部の [インテグレーション](/weave/guides/integrations/) では、 LLM のトークン使用量が自動的にログに記録される場合があります。
-
-- **ユーザーおよび run コンテキスト** - ログ記録は W&B ユーザーアカウントに関連付けられます。これは wandb Run コンテキストと共に取得されます。
-
-- **派生情報** - Weave は、記録された生の情報から派生情報を計算することがあります。例えば、トークンの使用量と使用されたモデルの知識に基づいてコスト見積もりが計算される場合があります。また、 Weave は呼び出し全体にわたって一部の情報を集約します。
-
-- **選択した追加情報** - 呼び出しの一部として [`weave.attributes` を使用したカスタムメタデータ](/weave/guides/core-types/models#track-production-calls) をログに記録したり、呼び出しに [フィードバック](/weave/guides/tracking/feedback#add-feedback-to-a-call) を添付したりすることができます。
-
-## コードの取得を無効にするにはどうすればよいですか？
-
-Weave クライアントの初期化中にコードの取得を無効にできます： `weave.init("entity/project", settings={"capture_code": False})` 。
-また、 [環境変数](/weave/guides/core-types/env-vars) `WEAVE_CAPTURE_CODE=false` を使用することもできます。
-
-## システム情報の取得を無効にするにはどうすればよいですか？
-
-Weave クライアントの初期化中にシステム情報の取得を無効にできます： `weave.init("entity/project", settings={"capture_system_info": False})` 。
-
-## クライアント情報の取得を無効にするにはどうすればよいですか？
-
-Weave クライアントの初期化中にクライアント情報の取得を無効にできます： `weave.init("entity/project", settings={"capture_client_info": False})` 。
-
-## UI で Python の datetime 値を表示するにはどうすればよいですか？
-
-Python の `datetime.datetime` （タイムゾーン情報付き）を使用し、 `weave.publish(...)` を使用してオブジェクトを公開します。 Weave はこの型を認識し、タイムスタンプとしてレンダリングします。
-
-## UI で Markdown をレンダリングするにはどうすればよいですか？
-
-保存する前に文字列を `weave.Markdown(...)` でラップし、 `weave.publish(...)` を使用して保存します。 Weave はオブジェクトの型を使用してレンダリングを決定し、 `weave.Markdown` は既知の UI レンダラーにマップされます。値は UI 上でフォーマットされた Markdown オブジェクトとして表示されます。完全なコードサンプルについては、 [Viewing calls](./tracing.mdx#updating-calls) を参照してください。
-
-## Weave は関数の実行速度に影響しますか？
-
-Weave のログ記録によるオーバーヘッドは、通常、 LLM への呼び出しと比較して無視できる程度です。
-Op の実行速度への影響を最小限に抑えるため、 Weave のネットワークアクティビティはバックグラウンドスレッドで行われます。
-プログラムの終了時に、キューに残っているデータのログ記録が完了するまで一時停止するように見える場合があります。
-
-## Weave のデータ取り込み量はどのように計算されますか？
-
-取り込まれたバイト数は、ユーザーに代わって受信、処理、および保存されたバイト数として定義されます。これにはトレースのメタデータ、 LLM の入力/出力、および Weave に明示的に記録されたその他の情報が含まれますが、通信のオーバーヘッド（例： HTTP ヘッダー）や、長期ストレージに配置されないその他のデータは含まれません。バイト数は、受信および保存された時点の 1 回だけ「取り込み済み」としてカウントされます。
-
-## ペアワイズ評価（Pairwise evaluation）とは何ですか？また、どのように行いますか？
-
-Weave の [評価](/weave/guides/core-types/evaluations) でモデルを [スコーリング](/weave/guides/evaluation/scorers) する際、絶対値のメトリクス（例：モデル A は `9/10` 、モデル B は `8/10` ）を割り当てることは、相対的なもの（例：モデル A はモデル B よりも優れている）を割り当てるよりも一般的に困難です。 _ペアワイズ評価_ を使用すると、 2 つのモデルの出力を互いに比較してランク付けすることができます。このアプローチは、テキスト生成、要約、質問回答などの主観的なタスクにおいて、どちらのモデルが優れているかを判断したい場合に特に有効です。ペアワイズ評価を使用すると、特定の入力に対してどのモデルが最適かを示す相対的な嗜好ランキングを取得できます。
-
-
-このアプローチはワークアラウンドであり、将来のリリースで変更される可能性があります。ペアワイズ評価をサポートするためのより堅牢な API に現在取り組んでいます。アップデートにご注目ください！
-
-
-以下のコードサンプルは、 `PreferenceScorer` という名前の [クラスベースのスコーラー](/weave/guides/evaluation/scorers#class-based-scorers) を作成することで、 Weave でペアワイズ評価を実装する方法を示しています。 `PreferenceScorer` は 2 つのモデル `ModelA` と `ModelB` を比較し、入力テキスト内の明示的なヒントに基づいてモデル出力の相対スコアを返します。
-
-```python lines
-from weave import Model, Evaluation, Scorer, Dataset
-from weave.flow.model import ApplyModelError, apply_model_async
-
-class ModelA(Model):
- @weave.op
- def predict(self, input_text: str):
- if "Prefer model A" in input_text:
- return {"response": "This is a great answer from Model A"}
- return {"response": "Meh, whatever"}
-
-class ModelB(Model):
- @weave.op
- def predict(self, input_text: str):
- if "Prefer model B" in input_text:
- return {"response": "This is a thoughtful answer from Model B"}
- return {"response": "I don't know"}
-
-class PreferenceScorer(Scorer):
- @weave.op
- async def _get_other_model_output(self, example: dict) -> Any:
- """比較のために、もう一方のモデルからの出力を取得します。
- 引数:
- example: もう一方のモデルで実行する入力サンプルデータ
- 戻り値:
- もう一方のモデルからの出力
- """
-
- other_model_result = await apply_model_async(
- self.other_model,
- example,
- None,
- )
-
- if isinstance(other_model_result, ApplyModelError):
- return None
-
- return other_model_result.model_output
-
- @weave.op
- async def score(self, output: dict, input_text: str) -> dict:
- """プライマリモデルの出力ともう一方のモデルの出力を比較します。
- 引数:
- output (dict): プライマリモデルからの出力。
- input_text (str): 出力を生成するために使用された入力テキスト。
- 戻り値:
- dict: 比較結果と理由を含むフラットな辞書。
- """
- other_output = await self._get_other_model_output(
- {"input_text": input_text}
- )
- if other_output is None:
- return {"primary_is_better": False, "reason": "Other model failed"}
-
- if "Prefer model A" in input_text:
- primary_is_better = True
- reason = "Model A gave a great answer"
- else:
- primary_is_better = False
- reason = "Model B is preferred for this type of question"
-
- return {"primary_is_better": primary_is_better, "reason": reason}
-
-dataset = Dataset(
- rows=[
- {"input_text": "Prefer model A: Question 1"}, # モデル A の勝ち
- {"input_text": "Prefer model A: Question 2"}, # モデル A の勝ち
- {"input_text": "Prefer model B: Question 3"}, # モデル B の勝ち
- {"input_text": "Prefer model B: Question 4"}, # モデル B の勝ち
- ]
-)
-
-model_a = ModelA()
-model_b = ModelB()
-pref_scorer = PreferenceScorer(other_model=model_b)
-evaluation = Evaluation(dataset=dataset, scorers=[pref_scorer])
-evaluation.evaluate(model_a)
-```
\ No newline at end of file
diff --git a/ja/weave/guides/tracking/feedback.mdx b/ja/weave/guides/tracking/feedback.mdx
index 90afa94e03..8124f99249 100644
--- a/ja/weave/guides/tracking/feedback.mdx
+++ b/ja/weave/guides/tracking/feedback.mdx
@@ -1,94 +1,104 @@
---
-title: フィードバックの収集とアノテーションの利用
-description: UI と SDK を通じて LLM アプリケーションのフィードバックを収集・分析します
+title: "フィードバックを収集しアノテーションを活用する"
+description: "UI と SDK を通じて LLM アプリケーションのフィードバックを収集・分析する"
---
-LLM アプリケーションを効率的に評価するには、フィードバックを収集して分析するための堅牢なツールが必要です。 Weave は統合されたフィードバックシステムを提供しており、ユーザーは UI から直接、または SDK を通じてプログラムでコールフィードバックを提供できます。絵文字リアクション、テキストコメント、構造化データなど、さまざまなフィードバックタイプがサポートされており、チームは以下のことが可能になります。
+LLM アプリケーションを効率的に評価するには、フィードバックを収集・分析するための堅牢なツールが必要です。W&B Weave は統合されたフィードバックシステムを提供しており、ユーザーは UI から直接、または SDK 経由でプログラムからコールに対するフィードバックを送信できます。フィードバックの種類として、絵文字リアクション、テキストコメント、構造化データなどがサポートされており、Teams が次のことを行えるようにします:
-- パフォーマンス監視のための評価用 Datasets の構築。
-- LLM のコンテンツに関する問題の特定と効果的な解決。
-- ファインチューニングなどの高度なタスクのための例の収集。
+* パフォーマンス監視のための評価用データセットを構築する。
+* LLM コンテンツに関する問題を特定し、効果的に解決する。
+* ファインチューニング といった高度なタスク向けの例を収集する。
-このガイドでは、UI と SDK の両方で Weave のフィードバック機能を使用する方法、フィードバックのクエリと管理、および詳細な評価のための人間によるアノテーションの使用方法について説明します。
+このガイドでは、UI と SDK の両方で Weave のフィードバック機能を使用する方法、フィードバックをクエリして管理する方法、そして詳細な評価のために人手によるアノテーションを使用する方法を説明します。
-- [UI でフィードバックを提供する](#ui-でフィードバックを提供する)
-- [SDK 経由でフィードバックを提供する](#sdk-経由でフィードバックを提供する)
-- [人間によるアノテーションを追加する](#人間によるアノテーションを追加する)
+* [UI でフィードバックを提供する](#provide-feedback-in-the-ui)
+* [SDK 経由でフィードバックを提供する](#provide-feedback-through-the-sdk)
+* [人手によるアノテーションを追加する](#add-human-annotations)
-## UI でフィードバックを提供する
+
+ ## UI でフィードバックを提供する
+
-Weave UI では、[コール詳細ページから](#コール詳細ページから) または [アイコンを使用して](#アイコンを使用する) フィードバックを追加および表示できます。
+Weave UI では、[Call details パネルから](#from-the-call-details-panel) または [アイコンを使って](#use-the-icons) フィードバックを追加したり表示したりできます。
-### コール詳細ページから
+
+ ### 通話詳細パネルから行う
+
-1. サイドバーで **Traces** に移動します。
-2. フィードバックを追加したいコールの行を見つけます。
-3. コール詳細ページを開きます。
-4. コールの **Feedback** カラムを選択します。
-5. フィードバックの追加、表示、または削除を行います。
- - コール詳細のフィードバックビューの右上隅にある _[アイコンを使用してフィードバックを追加および表示](#アイコンを使用する)_ します。
- - _コール詳細のフィードバックテーブルからフィードバックを表示および削除_ します。該当するフィードバック行の右端のカラムにあるゴミ箱アイコンをクリックして、フィードバックを削除します。
+1. Weave プロジェクトのサイドバーで **Traces** に移動します。
+2. フィードバックを追加したい通話の行を探します。
+3. リンクされた Trace 名をクリックして、トレースツリーと通話詳細パネルを開きます。
+4. 通話詳細パネルのタブバーで **Feedback** を選択します。
+5. フィードバックを追加、表示、または削除します：
+ * 通話詳細のフィードバックビュー右上にある *アイコンを使ってフィードバックを追加および表示する*。
+ * *通話詳細のフィードバックテーブルからフィードバックを表示および削除する。* 該当するフィードバック行の一番右の列にあるゴミ箱アイコンをクリックしてフィードバックを削除します。
+ ### フィードバックアイコンを使用する
+
-コールテーブルと個別のコール詳細ページの両方にあるアイコンを使用して、リアクションの追加・削除やノートの追加ができます。
+Traces table と個々の Call details パネルの両方にあるアイコンを使って、リアクションの追加・削除やノートの追加ができます。
-- _コールテーブル_: コールテーブルの該当する行の **Feedback** カラムにあります。
-- _コール詳細ページ_: 各コール詳細ページの右上隅にあります。
+* *Traces table*: **Traces** テーブル内の該当行の **Feedback** 列にあります。
+* *Call details panel*: 各 Call details パネルの右上にあります。
-リアクションを追加するには：
+リアクションを追加するには:
1. 絵文字アイコンをクリックします。
-2. 承認（thumbs up）、非承認（thumbs down）を追加するか、**+** アイコンをクリックして他の絵文字を表示します。
+2. サムズアップ、サムズダウンを追加するか、その他の絵文字を追加するには **+** アイコンをクリックします。
-リアクションを削除するには：
+リアクションを削除するには:
1. 削除したい絵文字リアクションにカーソルを合わせます。
-2. リアクションをクリックして削除します。
+2. そのリアクションをクリックして削除します。
-> [コール詳細ページの **Feedback** カラム](#コール詳細ページから) からフィードバックを削除することもできます。
+> [Call details パネルの **Feedback** 列](#from-the-call-details-panel) からフィードバックを削除することもできます。
-コメントを追加するには：
+コメントを追加するには:
1. コメントバブルアイコンをクリックします。
-2. テキストボックスにノートを追加します。
-3. ノートを保存するには、**Enter** キーを押します。追加のノートを入れることも可能です。
+2. テキストボックスにノートを入力します。フィードバックノートの最大文字数は 1024 文字です。
+3. ノートを保存するには **Enter** キーを押します。複数のノートを追加できます。
-フィードバックノートの最大文字数は 1024 文字です。ノートがこの制限を超えると、作成されません。
+ フィードバックノートの最大文字数は 1024 文字です。この上限を超えたノートは作成されません。
+ ## SDK からフィードバックを提供する
+
-> フィードバックの SDK 使用例は、UI のコール詳細ページの **Use** タブで確認できます。
+UI の Call details パネルにある **Use** タブで、フィードバックに関する SDK の使用例を確認できます。
-Weave SDK を使用して、プログラムでコールのフィードバックを追加、削除、およびクエリできます。
+Weave Python SDK を使用して、call に対するフィードバックをプログラムで [追加](/ja/weave/reference/python-sdk/trace/feedback#method-add)、[削除](/ja/weave/reference/python-sdk/trace/feedback#method-purge)、および [クエリ](/ja/weave/reference/python-sdk/trace/weave_client#method-get_feedback) できます。TypeScript SDK は現在、フィードバック機能をサポートしていません。
-### プロジェクトのフィードバックをクエリする
+
+ ### プロジェクトのフィードバックをクエリする
+
-SDK を使用して Weave プロジェクトのフィードバックをクエリできます。SDK は以下のフィードバッククエリ操作をサポートしています。
+SDK を使用して Weave プロジェクトのフィードバックをクエリできます。SDK は次のフィードバッククエリ操作をサポートしています:
-- `client.get_feedback()`: プロジェクト内のすべてのフィードバックを返します。
-- `client.get_feedback("")`: `` で指定された特定のフィードバックオブジェクトをコレクションとして返します。
-- `client.get_feedback(reaction="")`: 特定のリアクションタイプのすべてのフィードバックオブジェクトを返します。
+* `client.get_feedback()`: プロジェクト内のすべてのフィードバックを返します。
+* `client.get_feedback("")`: `` で指定された特定のフィードバックオブジェクトをコレクションとして返します。
+* `client.get_feedback(reaction="")`: 特定のリアクションタイプに対するすべてのフィードバックオブジェクトを返します。
-また、`client.get_feedback()` で各フィードバックオブジェクトの追加情報を取得できます。
+`client.get_feedback()` で取得した各フィードバックオブジェクトについて、次の追加情報を参照できます:
-- `id`: フィードバックオブジェクトの ID。
-- `created_at`: フィードバックオブジェクトの作成時間情報。
-- `feedback_type`: フィードバックのタイプ（reaction、note、custom）。
-- `payload`: フィードバックのペイロード。
+* `id`: フィードバックオブジェクトの ID。
+* `created_at`: フィードバックオブジェクトの作成日時。
+* `feedback_type`: フィードバックのタイプ (reaction、note、custom)。
+* `payload`: フィードバックのペイロード。
-
+
```python lines
import weave
client = weave.init('intro-example')
@@ -96,82 +106,85 @@ SDK を使用して Weave プロジェクトのフィードバックをクエリ
# プロジェクト内のすべてのフィードバックを取得
all_feedback = client.get_feedback()
- # IDで特定のフィードバックオブジェクトを取得。
- # APIはコレクションを返します。通常、含まれるアイテムは最大1つです。
+ # id で特定のフィードバックオブジェクトを取得します。
+ # API はコレクションを返し、最大 1 件のみ含まれることが想定されています。
one_feedback = client.get_feedback("")[0]
- # 特定のリアクションを持つすべてのフィードバックオブジェクトを検索。offsetとlimitを指定可能。
+ # 特定のリアクションを持つすべてのフィードバックオブジェクトを取得します。offset と limit を指定できます。
thumbs_up = client.get_feedback(reaction="👍", limit=10)
- # 取得後、個々のフィードバックオブジェクトの詳細を表示。
+ # 取得後、個々のフィードバックオブジェクトの詳細を表示します。
for f in client.get_feedback():
print(f.id)
print(f.created_at)
print(f.feedback_type)
print(f.payload)
```
-
-
+
+
```plaintext
この機能は TypeScript ではまだ利用できません。
```
-### コールにフィードバックを追加する
+
+ ### コールにフィードバックを追加する
+
-コールの UUID を使用して、コールにフィードバックを追加できます。特定のコールを取得するために UUID を使用するには、[コールの実行中または実行後に取得](#retrieve-the-call-uuid) してください。SDK はコールへのフィードバック追加のために以下の操作をサポートしています。
+Call の UUID を使って、その Call にフィードバックを追加できます。特定の Call を取得するには、UUID を使用して [Call の実行中または実行後に UUID を取得](#retrieve-the-call-uuid) します。SDK では、Call にフィードバックを追加するために次の操作がサポートされています。
-- `call.feedback.add_reaction("")`: 👍 などのサポートされている `` (絵文字) を 1 つ追加します。
-- `call.feedback.add_note("")`: ノートを追加します。
-- `call.feedback.add("", )`: `` で指定されたカスタムフィードバック `` を追加します。
+* `call.feedback.add_reaction("")`: 👍 のような、サポートされている `` (絵文字) のいずれかを追加します。
+* `call.feedback.add_note("")`: ノートを追加します。
+* `call.feedback.add("", )`: `` で指定されたカスタムフィードバック `` を追加します。
-フィードバックノートの最大文字数は 1024 文字です。ノートがこの制限を超えると、作成されません。
+ フィードバックノートの最大文字数は 1024 文字です。この制限を超えるノートは作成されません。
-
+
```python lines
import weave
client = weave.init('intro-example')
call = client.get_call("")
- # 絵文字リアクションの追加
+ # 絵文字リアクションを追加
call.feedback.add_reaction("👍")
- # ノートの追加
+ # ノートを追加
call.feedback.add_note("this is a note")
- # カスタムのキー/値ペアの追加
- # 第1引数はユーザー定義の "type" 文字列。
- # フィードバックは JSON シリアライズ可能で、シリアライズ時に 1 KB 未満である必要があります。
+ # カスタムのキー/値ペアを追加。
+ # 最初の引数は ユーザー定義の "type" 文字列です。
+ # フィードバックは JSON シリアライズ可能であり、シリアライズ後に 1 KB 未満である必要があります。
call.feedback.add("correctness", { "value": 5 })
```
-
-
+
+
```plaintext
- この機能は TypeScript ではまだ利用できません。
+ この機能はまだ TypeScript では利用できません。
```
-#### コールの UUID を取得する
-
-コールの直後にフィードバックを追加する必要があるシナリオでは、コールの実行中または実行後にプログラムでコールの UUID を取得できます。
+
+ #### コール UUID を取得する
+
-- [コール実行中に取得](#during-call-execution)
-- [コール実行後に取得](#after-call-execution)
+コールの直後にフィードバックを追加する必要がある場合は、コールの実行中または実行後に、プログラムでコール UUID を取得できます。
-##### コール実行中に取得
+
+ ##### コール実行中
+
-実行中に UUID を取得するには、現在のコールを取得して ID を返します。
+コールの実行中に UUID を取得するには、現在のコールを取得して、その ID を返します。
-
+
```python lines
import weave
@@ -179,28 +192,30 @@ SDK を使用して Weave プロジェクトのフィードバックをクエリ
@weave.op()
def simple_operation(input_value):
- # 何らかの単純な処理を実行
+ # 簡単な処理を実行
output = f"Processed {input_value}"
- # 現在のコールIDを取得
+ # 現在のコール ID を取得
current_call = weave.require_current_call()
call_id = current_call.id
return output, call_id
```
-
-
+
+
```plaintext
- この機能は TypeScript ではまだ利用できません。
+ This feature is not available in TypeScript yet.
```
-##### コール実行後に取得
+
+ ##### 呼び出し実行後
+
-あるいは、`call()` メソッドを使用して操作を実行し、実行後に ID を取得することもできます。
+または、`call()` メソッドを使用して処理を実行し、その呼び出しの完了後に ID を取得することもできます:
-
+
```python lines
import weave
weave.init("uuid")
@@ -209,95 +224,114 @@ SDK を使用して Weave プロジェクトのフィードバックをクエリ
def simple_operation(input_value):
return f"Processed {input_value}"
- # 操作を実行し、結果とコールIDを取得
+ # Execute the operation and retrieve the result and call ID
result, call = simple_operation.call("example input")
call_id = call.id
```
-
-
+
+
```plaintext
- この機能は TypeScript ではまだ利用できません。
+ この機能はまだ TypeScript では利用できません。
```
-### コールのフィードバックを削除する
+
+ ### コールからフィードバックを削除する
+
UUID を指定することで、特定のコールからフィードバックを削除できます。
-
+
```python lines
call.feedback.purge("")
```
-
+
+
```plaintext
この機能は TypeScript ではまだ利用できません。
```
-## 人間によるアノテーションを追加する
+
+ ## 人によるアノテーションを追加する
+
-人間によるアノテーションは Weave UI でサポートされています。アノテーションを行うには、まず [UI](#ui-で人間によるアノテーションの-scorer-を作成する) または [API](#api-を使用して人間によるアノテーションの-scorer-を作成する) を使用して Human Annotation scorer を作成する必要があります。その後、[UI で scorer を使用してアノテーションを作成](#ui-で人間によるアノテーションの-scorer-を使用する) したり、[API を使用してアノテーション scorer を修正](#api-を使用して人間によるアノテーションの-scorer-を修正する) したりできます。
+人によるアノテーションは Weave UI 上でサポートされています。この機能により、フィードバックとして Traces に人間が入力した追加データを付与するためのカスタムフィールドを作成できます。人によるアノテーションを行うには、まず [UI](#create-a-human-annotation-scorer-in-the-ui) または [API](#create-a-human-annotation-scorer-using-the-api) を使用して Human Annotation スコアラーを作成する必要があります。その後、[UI でスコアラーを使用してアノテーションを行い](#use-the-human-annotation-scorer-in-the-ui)、[API を使用してアノテーション スコアラーを変更できます](#modify-a-human-annotation-scorer-using-the-api)。
-### UI で人間によるアノテーションの scorer を作成する
+
+ ### UI で human annotation scorer を作成する
+
-UI で人間によるアノテーションの scorer を作成するには、以下の手順を行います。
+UI で human annotation scorer を作成するには、次の手順を実行します。
-1. サイドバーで **Scorers** に移動します。
-2. 右上隅にある **+ Create scorer** をクリックします。
-3. 設定ページで以下を設定します。
- - `Scorer type` を `Human annotation` に設定
- - `Name` (名前)
- - `Description` (説明)
- - `Type` (タイプ): 収集されるフィードバックの型を決定します（例: `boolean`、`integer`）。
-4. **Create scorer** をクリックします。これで、[scorer を使用してアノテーションを作成](#ui-で人間によるアノテーションの-scorer-を使用する) できるようになります。
+1. プロジェクトのサイドバーで **Assets** に移動します。
+2. Assets のナビゲーションパネルで **Scorers** をクリックします。
+3. **Scorers** パネルのヘッダーで **New scorer** をクリックします。
+4. **Create Scorer** モーダルダイアログで、次の項目を設定します:
+ * `Scorer type` を `Human annotation` に設定
+ * `Name`
+ * `Description`
+ * `Type`、収集されるフィードバックの種類 (`boolean` や `integer` など) を決定するもの
+5. **Create scorer** をクリックします。これで、scorer を使ってアノテーションを行うことができます。
-次の例では、人間のアノテーターが LLM が取り込んだドキュメントのタイプを選択するように求められます。そのため、スコア設定で選択された `Type` は、可能なドキュメントタイプを含む `enum` になっています。
+次の例では、人間のアノテーターに対して、LLM に入力されたドキュメントの種類を選択するよう求めています。そのため、スコア設定で選択されている `Type` は、想定されるドキュメント種別を含む `enum` になっています。
+ ### UI で human annotation scorer を使用する
+
+
+human annotation scorer を作成すると、Traces ページで使用できるようになります。
-[人間によるアノテーションの scorer を作成](#ui-で人間によるアノテーションの-scorer-を作成する) すると、コール詳細ページの **Feedback** サイドバーに、設定されたオプションとともに自動的に表示されます。scorer を使用するには、以下の手順を行います。
+scorer を使用するには、次の手順を実行します。
-1. サイドバーで **Traces** に移動します。
-2. 人間によるアノテーションを追加したいコールの行を見つけます。
-3. コール詳細ページを開きます。
-4. 右上隅にある **Show feedback** ボタンをクリックします。
+1. プロジェクト サイドバーから **Traces** に移動します。
- 
+2. human annotation を追加したい Call の行を探します。
- 利用可能な人間によるアノテーションの scorer がサイドバーに表示されます。
+3. リンクされた Trace 名をクリックして、trace ツリーと Call details パネルを開きます。
- 
+4. Call details タブバーの右上で **Show feedback** ボタンをクリックします。
+
+ 
+
+ 利用可能な human annotation scorer が、追加の **Annotate** パネルに表示されます。
+
+ 
5. アノテーションを作成します。
+
6. **Save** をクリックします。
-7. コール詳細ページで **Feedback** をクリックしてコールテーブルを表示します。新しいアノテーションがテーブルに表示されます。また、**Traces** のコールテーブルの **Annotations** カラムでもアノテーションを確認できます。
- > 最新の情報を表示するには、コールテーブルをリフレッシュしてください。
+7. Call details パネルのタブバーで **Feedback** タブをクリックして Feedback テーブルを表示します。新しいアノテーションがテーブルに表示されます。メインの Traces テーブルの **Annotations** 列でもアノテーションを表示できます。
+
+ > 最新の情報を表示するには、Traces テーブルをリフレッシュしてください。
+ ### API を使用して human annotation scorer を作成する
+
-人間によるアノテーションの scorer は API を通じても作成できます。各 scorer は独自のオブジェクトであり、個別に作成・更新されます。プログラムで人間によるアノテーションの scorer を作成するには、以下の手順を行います。
+human annotation scorer は API を通じて作成することもできます。各 scorer は、独立して作成および更新される個別のオブジェクトです。human annotation scorer をプログラムから作成するには、次の手順を実行します。
1. `weave.flow.annotation_spec` から `AnnotationSpec` クラスをインポートします。
2. `weave` の `publish` メソッドを使用して scorer を作成します。
-次の例では、2 つの scorer が作成されます。最初の scorer `Temperature` は、LLM コールの知覚温度をスコアリングするために使用されます。2 番目の scorer `Tone` は、LLM のレスポンスのトーンをスコアリングするために使用されます。各 scorer は、関連付けられたオブジェクト ID (`temperature-scorer` および `tone-scorer`) を使用して `save` で作成されます。
+次の例では、2 つの scorer が作成されます。最初の scorer `Temperature` は、LLM 呼び出しに対して知覚される温度をスコア付けするために使用します。2 つ目の scorer `Tone` は、LLM 応答のトーンをスコア付けするために使用します。各 scorer は、関連付けられたオブジェクト ID (`temperature-scorer` と `tone-scorer`) と共に `save` を使用して作成されます。
-
+
```python lines
import weave
from weave.flow.annotation_spec import AnnotationSpec
@@ -324,60 +358,64 @@ UI で人間によるアノテーションの scorer を作成するには、以
weave.publish(spec1, "temperature-scorer")
weave.publish(spec2, "tone-scorer")
```
-
-
+
+
```plaintext
- この機能は TypeScript ではまだ利用できません。
+ This feature is not available in TypeScript yet.
```
-### API を使用して人間によるアノテーションの scorer を修正する
+
+ ### API を使用して human annotation scorer を変更する
+
-[API を使用した人間によるアノテーションの scorer の作成](#api-を使用して人間によるアノテーションの-scorer-を作成する) の発展として、次の例では `publish` 時に元のオブジェクト ID (`temperature-scorer`) を使用して、`Temperature` scorer の更新バージョンを作成します。その結果、すべてのバージョンの履歴を持つ更新されたオブジェクトが作成されます。
+[API を使用して human annotation scorer を作成する](#create-a-human-annotation-scorer-using-the-api) で説明した内容を発展させて、次の例では、`publish` 時に元のオブジェクト ID (`temperature-scorer`) を使用することで、`Temperature` scorer の更新版を作成します。結果として、すべてのバージョン履歴を保持した更新済みオブジェクトが得られます。
-> 人間によるアノテーションの scorer のオブジェクト履歴は、**Scorers** タブの **Human annotations** で確認できます。
+> **Human annotations** 配下の **Scorers** タブで human annotation scorer オブジェクトの履歴を表示できます。
-
+
```python lines
import weave
from weave.flow.annotation_spec import AnnotationSpec
client = weave.init("feedback-example")
- # scorer の新しいバージョンを作成
+ # scorer の新しいバージョンを作成する
spec1 = AnnotationSpec(
name="Temperature",
- description="The perceived temperature of the llm call",
+ description="LLM 呼び出しの知覚される温度",
field_schema={
- "type": "integer", # <<- タイプを integer に変更
+ "type": "integer", # <<- 型を integer に変更
"minimum": -1,
"maximum": 1,
}
)
weave.publish(spec1, "temperature-scorer")
```
-
-
+
+
```plaintext
- この機能は TypeScript ではまだ利用できません。
+ この機能はまだ TypeScript では利用できません。
```
+ ### API を使用して人間によるアノテーションスコアラーを利用する
+
-フィードバック API では、特別に構築された名前と `annotation_ref` フィールドを指定することで、人間によるアノテーションの scorer を使用できます。`annotation_spec_ref` は、UI で適切なタブを選択するか、`AnnotationSpec` の作成中に取得できます。
+feedback API を使用すると、特別な形式の name と `annotation_ref` フィールドを指定することで、人間によるアノテーションスコアラーを利用できます。`annotation_spec_ref` は、UI で該当するタブを選択するか、`AnnotationSpec` の作成時に取得できます。
-
+
```python lines
import weave
@@ -392,6 +430,5 @@ UI で人間によるアノテーションの scorer を作成するには、以
annotation_ref=annotation_spec.uri(),
)
```
-
\ No newline at end of file
diff --git a/ja/weave/guides/tracking/get-call-object.mdx b/ja/weave/guides/tracking/get-call-object.mdx
new file mode 100644
index 0000000000..015489aeb4
--- /dev/null
+++ b/ja/weave/guides/tracking/get-call-object.mdx
@@ -0,0 +1,66 @@
+---
+title: "実行中に Call オブジェクトのハンドルを取得する"
+description: "フィードバック、表示名、その他のメタデータのために、実行時に W&B Weave の Call オブジェクトへアクセスする"
+---
+
+Weave では、Op を使用する際、通常の関数と同じように関数を直接呼び出せます。
+
+
+ ```python Python lines
+ @weave.op
+ def my_op():
+ ...
+
+ my_op()
+ ```
+
+ ```typescript Typescript lines
+ function myFunction() {
+ ...
+ }
+
+ const myFunctionOp = weave.op(myFunction)
+ ```
+
+
+しかし、代わりに `op.call` メソッドを呼び出して、Call オブジェクトへ直接アクセスすることもできます。このメソッドは、結果と `Call` オブジェクトの両方を返します。
+
+
+
+ ```python lines
+ @weave.op
+ def my_op():
+ ...
+
+ output, call = my_op.call()
+ ```
+
+ ここから、`call` オブジェクトには Call についてのすべての情報 (入力、出力、その他のメタデータ) が含まれています。`call` を使って、追加のプロパティの設定・更新・取得や、フィードバックの追加を行うことができます。
+
+ Op がクラスメソッドである場合は、`call` の最初の引数としてクラスのインスタンスを渡す必要があります。次の例は、クラスメソッドである Call オブジェクトへのハンドルを取得する方法を示しています。
+
+ ```python lines
+ import weave
+
+ # Weave Tracing を初期化します
+ weave.init("intro-example")
+
+ class MyClass:
+ # メソッドにデコレーターを付与します
+ @weave.op
+ def my_method(self, name: str):
+ return f"Hello, {name}!"
+
+ instance = MyClass()
+
+ # `instance` を `call` の最初の引数として渡します。
+ result, call = instance.my_method.call(instance, "World")
+ ```
+
+
+
+ ```plaintext
+ この機能はまだ TypeScript SDK では利用できません。
+ ```
+
+
\ No newline at end of file
diff --git a/ja/weave/guides/tracking/objects.mdx b/ja/weave/guides/tracking/objects.mdx
index 92d929bc27..b540a751cf 100644
--- a/ja/weave/guides/tracking/objects.mdx
+++ b/ja/weave/guides/tracking/objects.mdx
@@ -1,68 +1,94 @@
---
-title: オブジェクト の追跡と バージョン 管理
-description: Weave で JSON シリアル化可能なあらゆる オブジェクト を追跡し、 バージョン 管理します
+title: "オブジェクトの追跡とバージョン管理"
+description: "W&B Weave で任意の JSON シリアライズ可能なオブジェクトを追跡およびバージョン管理する"
---
-## オブジェクトの公開 (Publishing)
+
+ ## オブジェクト
+
+
+**オブジェクト** は、バージョン管理され、シリアライズ可能なデータです。Weave はオブジェクトが変更されると自動的にバージョン管理を行い、不変の履歴を作成します。オブジェクトには次のものが含まれます。
+
+* **Datasets**: 評価用の例の集合
+* **Models**: LLM ロジック用の設定とパラメーター
+* **Prompts**: バージョン管理されたプロンプトテンプレート
+
+```python lines
+dataset = weave.Dataset(
+ name="test-cases",
+ rows=[
+ {"input": "What is 2+2?", "expected": "4"},
+ {"input": "What is the capital of France?", "expected": "Paris"},
+ ]
+)
+weave.publish(dataset)
+```
+
-Weave のシリアライズレイヤーは、オブジェクトを保存し、バージョンを管理します。
+
+ ## オブジェクトの公開
+
+
+Weave のシリアライゼーション レイヤーは、オブジェクトの保存およびバージョン管理を行います。
-
```python lines
import weave
- # 'intro-example' プロジェクトへのトラッキングを初期化します
+ # プロジェクト 'intro-example' へのトラッキングを初期化
weave.init('intro-example')
- # リストを保存し、'cat-names' という名前を付けます
+ # リストを保存し、名前 'cat-names' を付ける
weave.publish(['felix', 'jimbo', 'billie'], 'cat-names')
```
-
+
- TypeScript でのパブリッシュ機能はまだ初期段階にあるため、すべてのオブジェクトが完全にサポートされているわけではありません。
+ TypeScript での公開はまだ初期段階のため、すべてのオブジェクトが完全にサポートされているわけではありません。
```typescript lines
import * as weave from 'weave'
- // 'intro-example' プロジェクトへのトラッキングを初期化します
+ // プロジェクト 'intro-example' へのトラッキングを初期化
const client = await weave.init('intro-example')
- // 配列を保存し、'cat-names' という名前を付けます
+ // 配列を保存し、名前 'cat-names' を付ける
client.publish(['felix', 'jimbo', 'billie'], 'cat-names')
```
-
-名前を指定してオブジェクトを保存すると、そのオブジェクトが存在しない場合は最初のバージョンが作成されます。
+名前を指定してオブジェクトを保存すると、そのオブジェクトが存在しない場合は Weave がそのオブジェクトの最初のバージョンを作成します。
-## オブジェクトの取得
+
+ ## 保存したオブジェクトを取得する
+
- `weave.publish` は Ref を返します。任意の Ref に対して `.get()` を呼び出すことで、オブジェクトを取得できます。
+ `weave.publish` は Ref を返します。任意の Ref に対して `.get()` を呼び出すことで、元のオブジェクトを取得できます。
- Ref を構築してから、オブジェクトを取得することも可能です。
+ Ref を作成しておき、あとからオブジェクトを取得することもできます。
```python lines
weave.init('intro-example')
cat_names = weave.ref('cat-names').get()
```
-
+
- ```plaintext
- この機能は TypeScript ではまだ利用できません。
+ ```plaintext lines
+ この機能はまだ TypeScript では利用できません。
```
-## オブジェクトの削除
+
+ ## オブジェクトを削除する
+
- オブジェクトのバージョンを削除するには、オブジェクトの Ref に対して `.delete()` を呼び出します。
+ オブジェクトのバージョンを削除するには、そのオブジェクトの参照で `.delete()` を呼び出します。
```python lines
weave.init('intro-example')
@@ -70,9 +96,9 @@ Weave のシリアライズレイヤーは、オブジェクトを保存し、
cat_names_ref.delete()
```
- 削除されたオブジェクトにアクセスしようとすると、エラーが発生します。削除されたオブジェクトへの参照を含むオブジェクトを解決すると、削除されたオブジェクトの代わりに `DeletedRef` オブジェクトが返されます。
-
+ 削除されたオブジェクトにアクセスするとエラーが返されます。削除されたオブジェクトへの参照を解決すると、削除されたオブジェクトの代わりに `DeletedRef` が返されます。
+
```plaintext
この機能は TypeScript ではまだ利用できません。
@@ -80,21 +106,23 @@ Weave のシリアライズレイヤーは、オブジェクトを保存し、
-## Ref スタイル
+
+ ## Ref の形式
+
-Weave オブジェクト Ref の完全修飾 URI は以下のようになります。
+完全修飾された Weave オブジェクト参照 URI は次のようになります：
```
weave:////object/:
```
-- _entity_: wandb の Entities (ユーザー名または Teams)
-- _project_: wandb の Projects
-- _object_name_: オブジェクト名
-- _object_version_: バージョンハッシュ、v0, v1... のような文字列、または ":latest" のような エイリアス。すべてのオブジェクトは ":latest" エイリアス を持ちます。
+* *entity*: wandb entity (ユーザー名またはチーム)
+* *project*: wandb プロジェクト
+* *object_name*: オブジェクト名
+* *object_version*: バージョンハッシュ、v0 や v1... のような文字列、または ":latest" のようなエイリアスのいずれか。すべてのオブジェクトには ":latest" というエイリアスがあります。
-Ref はいくつかの異なるスタイルで構築できます。
+Ref はいくつかの異なる書式で指定できます。
-- `weave.ref()`: `weave.init()` が呼び出されている必要があります。":latest" バージョンを参照します。
-- `weave.ref(: 
-
-
-W&B Core は、ML ライフサイクル全体にわたる機能を提供します。W&B Core を使用すると、次のことができます:
-
-- 完全なリネージトレースを使用して [ML パイプラインのバージョン管理と管理](/ja/models/artifacts/) を行い、簡単に監査と再現性を確保します。
-- [インタラクティブで設定可能な可視化](/ja/models/tables/)を使用して、データとメトリクスを探索および評価します。
-- [レポートを生成し、組織全体で洞察を文書化し共有します](/ja/models/reports/)。非技術系の利害関係者にも理解しやすい統計化された形式でライブレポートを生成することで達成します。
-- [カスタムニーズに合わせたデータのクエリと可視化を作成します](/ja/models/app/features/panels/query-panels/)。
-- [秘密情報をシークレットで保護します](/ja/platform/secrets/)。
-- [モデル CI/CD](/ja/models/core/automations/) のためのキーとなるワークフローをトリガーするオートメーションを設定します。
\ No newline at end of file
diff --git a/ja/guides/integrations.mdx b/ja/guides/integrations.mdx
deleted file mode 100644
index 2bc238a6f0..0000000000
--- a/ja/guides/integrations.mdx
+++ /dev/null
@@ -1,13 +0,0 @@
----
-title: インテグレーション
-weight: 9
----
-
-W&B のインテグレーションを使えば、既存のプロジェクトで実験管理やデータのバージョン管理をすばやく簡単にセットアップできます。[PyTorch](/ja/guides/integrations/pytorch/) のような ML フレームワーク、[Hugging Face](/ja/guides/integrations/huggingface/) のような ML ライブラリ、または [Amazon SageMaker](/ja/guides/integrations/sagemaker/) のようなクラウドサービスのインテグレーションをご覧ください。
-
-
-
-## 関連リソース
-
-* [Examples](https://github.com/wandb/examples): それぞれのインテグレーションのノートブックやスクリプト例でコードを試してください。
-* [動画チュートリアル](https://www.youtube.com/playlist?list=PLD80i8An1OEGajeVo15ohAQYF1Ttle0lk): YouTube の動画チュートリアルで W&B の使い方を学びましょう。
\ No newline at end of file
diff --git a/ja/guides/integrations/accelerate.mdx b/ja/guides/integrations/accelerate.mdx
deleted file mode 100644
index af8d92ef24..0000000000
--- a/ja/guides/integrations/accelerate.mdx
+++ /dev/null
@@ -1,84 +0,0 @@
----
-title: Hugging Face Accelerate
-description: 大規模なトレーニングと推論がシンプルで効率的、かつ適応可能に
----
-
-Hugging Face Accelerate は、同じ PyTorch コードを任意の分散設定で実行できるようにするライブラリで、モデルトレーニングとスケールでの推論を簡素化します。
-
-Accelerate は Weights & Biases Tracker を含んでおり、以下でその使用方法を示します。また、Accelerate Trackers について詳しくは **[こちらのドキュメント](https://huggingface.co/docs/accelerate/main/en/usage_guides/tracking)** をご覧ください。
-
-## Accelerate を使ってログを開始する
-
-Accelerate と Weights & Biases を使用するには、以下の疑似コードに従ってください。
-
-```python
-from accelerate import Accelerator
-
-# Accelerator オブジェクトに wandb でログを記録するように伝える
-accelerator = Accelerator(log_with="wandb")
-
-# wandb run を初期化し、wandb のパラメータと任意の設定情報を渡す
-accelerator.init_trackers(
- project_name="my_project",
- config={"dropout": 0.1, "learning_rate": 1e-2}
- init_kwargs={"wandb": {"entity": "my-wandb-team"}}
- )
-
-...
-
-# `accelerator.log`を呼び出して wandb にログを記録する、`step` はオプション
-accelerator.log({"train_loss": 1.12, "valid_loss": 0.8}, step=global_step)
-
-
-# wandb トラッカーが正しく終了するようにする
-accelerator.end_training()
-```
-
-さらに説明すると、以下の手順が必要です。
-1. Accelerator クラスを初期化するときに `log_with="wandb"` を渡す
-2. [`init_trackers`](https://huggingface.co/docs/accelerate/main/en/package_reference/accelerator#accelerate.Accelerator.init_trackers) メソッドを呼び出し、以下を渡します:
-- `project_name` よりプロジェクト名
-- [`wandb.init`](/ja/models/ref/python/init) に渡したい任意のパラメータをネストされた dict で `init_kwargs` に
-- wandb run にログ記録したい任意の実験設定情報を `config` で
-3. Weights & Biases にログを記録するために `.log` メソッドを使用する; `step` 引数はオプション
-4. トレーニングが終了したら `.end_training` を呼び出す
-
-## W&B トラッカーへのアクセス
-
-W&B トラッカーにアクセスするには、`Accelerator.get_tracker()` メソッドを使用します。トラッカーの`.name`属性に対応する文字列を渡すと、`main` プロセスのトラッカーが返されます。
-
-```python
-wandb_tracker = accelerator.get_tracker("wandb")
-
-```
-
-そこから、通常通り wandb の run オブジェクトと対話できます:
-
-```python
-wandb_tracker.log_artifact(some_artifact_to_log)
-```
-
-
-
-
-
-## Runsの整理
-
-W&B の runs は自動的に整理され、ジョブタイプ、ベースモデル、学習率、その他のハイパーパラメータなど、任意の設定パラメータに基づいてフィルタリングやソートが可能です。
-
-さらに、runs の名前を変更したり、メモを追加したり、タグを作成してグループ化したりすることができます。
-
-## リソース
-
-* **[Cohere Fine-tuning Example](https://github.com/cohere-ai/notebooks/blob/kkt_ft_cookbooks/notebooks/finetuning/convfinqa_finetuning_wandb.ipynb)**
\ No newline at end of file
diff --git a/ja/guides/integrations/composer.mdx b/ja/guides/integrations/composer.mdx
deleted file mode 100644
index 376b50b806..0000000000
--- a/ja/guides/integrations/composer.mdx
+++ /dev/null
@@ -1,98 +0,0 @@
----
-title: MosaicML Composer
-description: 最先端のアルゴリズムでニューラルネットワークをトレーニングする
----
-
-
-
-
-## Composer の `WandBLogger` を使用する
-
-Composer ライブラリは、`Trainer` 内の [WandBLogger](https://docs.mosaicml.com/projects/composer/en/stable/trainer/file_uploading.html#weights-biases-artifacts) クラスを使用して、Weights & Biases へのメトリクスをログします。ロガーをインスタンス化し、それを `Trainer` に渡すだけです。
-
-```python
-wandb_logger = WandBLogger(project="gpt-5", log_artifacts=True)
-trainer = Trainer(logger=wandb_logger)
-```
-
-## ロガーの引数
-
-WandbLogger のパラメータは以下です。完全な一覧と説明については [Composer のドキュメント](https://docs.mosaicml.com/projects/composer/en/stable/api_reference/generated/composer.loggers.WandBLogger.html) を参照してください
-
-| パラメータ | 説明 |
-| ------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
-| `project` | W&B プロジェクト名 (str, optional)
-| `group` | W&B グループ名 (str, optional)
-| `name` | W&B run 名。指定されていない場合は State.run_name が使用されます (str, optional)
-| `entity` | W&B エンティティ名。ユーザー名や W&B チーム名など (str, optional)
-| `tags` | W&B タグ (List[str], optional)
-| `log_artifacts` | チェックポイントを wandb にログするかどうか。デフォルト: `false` (bool, optional)|
-| `rank_zero_only` | ランクゼロのプロセスでのみログするかどうか。アーティファクトをログする場合、すべてのランクでログすることが強く推奨されます。ランク 1 以上のアーティファクトは保存されないため、関連する情報が失われる可能性があります。例えば、Deepspeed ZeRO を使用する場合、すべてのランクからのアーティファクトがなければチェックポイントから復元することはできません。デフォルト: `True` (bool, optional)
-| `init_kwargs` | `wandb.init` に渡すパラメータ、`config` など。このリストについては完全な一覧を[こちら](/ja/models/ref/python/init) から確認できます。
-
-典型的な使用法は次のとおりです：
-
-```
-init_kwargs = {"notes":"この実験での学習率の向上をテストしています",
- "config":{"arch":"Llama",
- "use_mixed_precision":True
- }
- }
-
-wandb_logger = WandBLogger(log_artifacts=True, init_kwargs=init_kwargs)
-```
-
-## 予測サンプルをログする
-
-[Composer のコールバック](https://docs.mosaicml.com/projects/composer/en/stable/trainer/callbacks.html) システムを使用して、WandBLogger を通じて Weights & Biases へのログを制御できます。この例では、バリデーション画像と予測のサンプルがログされています：
-
-```python
-import wandb
-from composer import Callback, State, Logger
-
-class LogPredictions(Callback):
- def __init__(self, num_samples=100, seed=1234):
- super().__init__()
- self.num_samples = num_samples
- self.data = []
-
- def eval_batch_end(self, state: State, logger: Logger):
- """バッチごとの予測を計算し、それを self.data に保存します"""
-
- if state.timer.epoch == state.max_duration: # 最後のバリデーションエポックで
- if len(self.data) < self.num_samples:
- n = self.num_samples
- x, y = state.batch_pair
- outputs = state.outputs.argmax(-1)
- data = [[wandb.Image(x_i), y_i, y_pred] for x_i, y_i, y_pred in list(zip(x[:n], y[:n], outputs[:n]))]
- self.data += data
-
- def eval_end(self, state: State, logger: Logger):
- "wandb.Table を作成してログします"
- columns = ['image', 'ground truth', 'prediction']
- table = wandb.Table(columns=columns, data=self.data[:self.num_samples])
- wandb.log({'sample_table':table}, step=int(state.timer.batch))
-...
-
-trainer = Trainer(
- ...
- loggers=[WandBLogger()],
- callbacks=[LogPredictions()]
-)
-```
\ No newline at end of file
diff --git a/ja/guides/integrations/databricks.mdx b/ja/guides/integrations/databricks.mdx
deleted file mode 100644
index ad8db07e54..0000000000
--- a/ja/guides/integrations/databricks.mdx
+++ /dev/null
@@ -1,60 +0,0 @@
----
-title: Databricks
-description: W&B を Databricks と統合する方法。
----
-
-W&B は、Databricks 環境での W&B Jupyter ノートブック体験をカスタマイズすることにより、[Databricks](https://www.databricks.com/) と統合します。
-
-## Databricks の設定
-
-1. クラスターに wandb をインストール
-
- クラスター設定に移動し、クラスターを選択し、**Libraries** をクリックします。**Install New** をクリックし、**PyPI** を選択してパッケージ `wandb` を追加します。
-
-2. 認証の設定
-
- あなたの W&B アカウントを認証するために、ノートブックが照会できる Databricks シークレットを追加することができます。
-
- ```bash
- # databricks cli をインストール
- pip install databricks-cli
-
- # databricks UIからトークンを生成
- databricks configure --token
-
- # 2つのコマンドのいずれかでスコープを作成します（databricksでセキュリティ機能が有効かどうかによります）：
- # セキュリティ追加機能あり
- databricks secrets create-scope --scope wandb
- # セキュリティ追加機能なし
- databricks secrets create-scope --scope wandb --initial-manage-principal users
-
- # こちらから api_key を追加します: https://app.wandb.ai/authorize
- databricks secrets put --scope wandb --key api_key
- ```
-
-## 例
-
-### 簡単な例
-
-```python
-import os
-import wandb
-
-api_key = dbutils.secrets.get("wandb", "api_key")
-wandb.login(key=api_key)
-
-wandb.init()
-wandb.log({"foo": 1})
-```
-
-### Sweeps
-
-ノートブックが wandb.sweep() または wandb.agent() を使用しようとする際に必要な設定（暫定的）です。
-
-```python
-import os
-
-# これらは将来的には不要になります
-os.environ["WANDB_ENTITY"] = "my-entity"
-os.environ["WANDB_PROJECT"] = "my-project-that-exists"
-```
\ No newline at end of file
diff --git a/ja/guides/integrations/deepchecks.mdx b/ja/guides/integrations/deepchecks.mdx
deleted file mode 100644
index 8db8e1cb92..0000000000
--- a/ja/guides/integrations/deepchecks.mdx
+++ /dev/null
@@ -1,57 +0,0 @@
----
-title: DeepChecks
-description: W&B を DeepChecks と統合する方法。
----
-
-
-
-
-この Weights & Biases インテグレーションに関して質問や問題がある場合は、[DeepChecks github リポジトリ](https://github.com/deepchecks/deepchecks)にイシューを開いてください。対応し、ご回答いたします :)
\ No newline at end of file
diff --git a/ja/guides/integrations/deepchem.mdx b/ja/guides/integrations/deepchem.mdx
deleted file mode 100644
index 64686523c9..0000000000
--- a/ja/guides/integrations/deepchem.mdx
+++ /dev/null
@@ -1,106 +0,0 @@
----
-title: DeepChem
-description: DeepChem ライブラリ と W&B の統合方法について
----
-
-The [DeepChem library](https://github.com/deepchem/deepchem) は、創薬、材料科学、化学、生物学におけるディープラーニングの利用を民主化するオープンソースツールを提供します。この W&B インテグレーションは、DeepChem を使用してモデルをトレーニングする際に、シンプルで使いやすい実験管理とモデルチェックポイントを追加します。
-
-## DeepChem のロギングを 3 行のコードで
-
-```python
-logger = WandbLogger(…)
-model = TorchModel(…, wandb_logger=logger)
-model.fit(…)
-```
-
-
- 
-
-
-## Report と Google Colab
-
-W&B DeepChem インテグレーションを使用して生成されたチャートの例として、[Using W&B with DeepChem: Molecular Graph Convolutional Networks](https://wandb.ai/kshen/deepchem_graphconv/reports/Using-W-B-with-DeepChem-Molecular-Graph-Convolutional-Networks--Vmlldzo4MzU5MDc?galleryTag=) の記事を参照してください。
-
-すぐに動作するコードを見たい場合は、この [**Google Colab**](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/deepchem/W%26B_x_DeepChem.ipynb) をチェックしてください。
-
-## 実験管理のトラッキング
-
-[KerasModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#keras-models)または[TorchModel](https://deepchem.readthedocs.io/en/latest/api_reference/models.html#pytorch-models) タイプの DeepChem モデルに W&B を設定します。
-
-### サインアップと API キーの作成
-
-APIキーは、あなたのマシンを W&B に認証します。APIキーはユーザープロフィールから生成できます。
-
-
-
-
-## 始め方
-
-1. `diffusers`, `transformers`, `accelerate`, および `wandb` をインストールします。
-
- - コマンドライン:
-
- ```shell
- pip install --upgrade diffusers transformers accelerate wandb
- ```
-
- - ノートブック:
-
- ```bash
- !pip install --upgrade diffusers transformers accelerate wandb
- ```
-
-
-2. `autolog` を使用して Weights & Biases の run を初期化し、[すべてのサポートされているパイプライン呼び出し](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72)からの入出力を自動的に追跡します。
-
- `init` パラメータを持つ `autolog()` 関数を呼び出すことができ、このパラメータは [`wandb.init()`](/ja/models/ref/python/init) によって要求されるパラメータの辞書が受け入れられます。
-
- `autolog()` を呼び出すと、Weights & Biases の run が初期化され、[すべてのサポートされているパイプライン呼び出し](https://github.com/wandb/wandb/blob/main/wandb/integration/diffusers/autologger.py#L12-L72)からの入力と出力が自動的に追跡されます。
-
- - 各パイプライン呼び出しはその run のワークスペース内の独自の [table](/ja/models/tables/) に追跡され、パイプライン呼び出しに関連する設定はその run のワークフローリストに追加されます。
- - プロンプト、ネガティブプロンプト、生成されたメディアは [`wandb.Table`](/ja/models/tables/) にログされます。
- - シードやパイプライン アーキテクチャーを含む実験に関連するすべての他の設定は、その run の設定セクションに保存されます。
- - 各パイプライン呼び出しの生成されたメディアは run の [media panels](/ja/models/track/log/media/) にもログされます。
-
- 
-
-
-- 複数の実験の結果:
-
-
- 
-
-
-- 実験の設定:
-
-
- 
-
-
-
-
-
-## 追加リソース
-
-* [A Guide to Prompt Engineering for Stable Diffusion](https://wandb.ai/geekyrakshit/diffusers-prompt-engineering/reports/A-Guide-to-Prompt-Engineering-for-Stable-Diffusion--Vmlldzo1NzY4NzQ3)
-* [PIXART-α: A Diffusion Transformer Model for Text-to-Image Generation](https://wandb.ai/geekyrakshit/pixart-alpha/reports/PIXART-A-Diffusion-Transformer-Model-for-Text-to-Image-Generation--Vmlldzo2MTE1NzM3)
\ No newline at end of file
diff --git a/ja/guides/integrations/docker.mdx b/ja/guides/integrations/docker.mdx
deleted file mode 100644
index 2f689af93a..0000000000
--- a/ja/guides/integrations/docker.mdx
+++ /dev/null
@@ -1,24 +0,0 @@
----
-title: Docker
-description: W&B を Docker と統合する方法。
----
-
-## Docker インテグレーション
-
-W&B は、コードが実行された Docker イメージへのポインターを保存することで、以前の実験を正確に実行された環境に復元することができます。wandbライブラリは、この状態を永続化するために **WANDB_DOCKER** 環境変数を探します。私たちは、この状態を自動的に設定するいくつかのヘルパーを提供しています。
-
-### ローカル開発
-
-`wandb docker` は、dockerコンテナを起動し、wandbの環境変数を渡し、コードをマウントし、wandb がインストールされていることを確認するコマンドです。デフォルトでは、TensorFlow、PyTorch、Keras、そして Jupyter がインストールされた docker イメージを使用します。`wandb docker my/image:latest` のようにして、同じコマンドで独自の docker イメージを開始することもできます。コマンドは現在のディレクトリーをコンテナの "/app" ディレクトリーにマウントしますが、これは "--dir" フラグで変更できます。
-
-### プロダクション
-
-`wandb docker-run` コマンドは、プロダクションのワークロードに提供されます。これは `nvidia-docker` の代替として使用されることを想定しています。これは、`docker run` コマンドにあなたの資格情報と **WANDB_DOCKER** 環境変数を追加する単純なラッパーです。"--runtime" フラグを渡さず、`nvidia-docker` がマシンにインストールされている場合、ランタイムが nvidia に設定されていることも確認されます。
-
-### Kubernetes
-
-トレーニングワークロードを Kubernetes 上で実行し、k8s API がポッドに公開されている場合（デフォルトでそうです）、wandb は API に対して docker イメージのダイジェストを問い合わせ、**WANDB_DOCKER** 環境変数を自動的に設定します。
-
-## 復元
-
-**WANDB_DOCKER** 環境変数を使用して run が計測されている場合、`wandb restore username/project:run_id` を呼び出すと、新しいブランチがチェックアウトされ、コードが復元され、トレーニングに使用された正確な docker イメージが、元のコマンドで事前に設定された状態で起動されます。
\ No newline at end of file
diff --git a/ja/guides/integrations/farama-gymnasium.mdx b/ja/guides/integrations/farama-gymnasium.mdx
deleted file mode 100644
index 284a4a37c5..0000000000
--- a/ja/guides/integrations/farama-gymnasium.mdx
+++ /dev/null
@@ -1,14 +0,0 @@
----
-title: Farama Gymnasium
-description: W&B を Farama Gymnasium と統合する方法。
----
-
-[Farama Gymnasium](https://gymnasium.farama.org/#) を使用している場合、 `gymnasium.wrappers.Monitor` によって生成された環境のビデオを自動的にログします。 キーワード引数 `monitor_gym` を [`wandb.init`](/ja/models/ref/python/init) に `True` と設定するだけです。
-
-私たちの Gymnasium インテグレーションは非常に軽量です。 単に `gymnasium` からログされるビデオファイルの[名前を見る](https://github.com/wandb/wandb/blob/c5fe3d56b155655980611d32ef09df35cd336872/wandb/integration/gym/__init__.py#LL69C67-L69C67)だけで、それにちなんで名前を付けるか、一致するものが見つからない場合はデフォルトで `"videos"` とします。 より細かい制御が必要な場合は、いつでも手動で[ビデオをログする](/ja/models/track/log/media/)ことができます。
-
-Gymnasium と CleanRL ライブラリを使用する方法について詳しく知りたい方は、この[レポート](https://wandb.ai/raph-test/cleanrltest/reports/Mario-Bros-but-with-AI-Gymnasium-and-CleanRL---Vmlldzo0NTcxNTcw)をご覧ください。
-
-
- 
-
\ No newline at end of file
diff --git a/ja/guides/integrations/fastai.mdx b/ja/guides/integrations/fastai.mdx
deleted file mode 100644
index 7438970cfa..0000000000
--- a/ja/guides/integrations/fastai.mdx
+++ /dev/null
@@ -1,254 +0,0 @@
----
-title: fastai
----
-
-もしあなたが **fastai** を使ってモデルを訓練しているなら、W&B には `WandbCallback` を使用した簡単なインテグレーションがあります。[インタラクティブなドキュメントと例についてはこちらをご覧ください →](https://app.wandb.ai/borisd13/demo_config/reports/Visualize-track-compare-Fastai-models--Vmlldzo4MzAyNA)
-
-## 登録と APIキー の作成
-
-APIキー は、あなたのマシンを W&B に認証します。APIキー は、ユーザープロフィールから生成できます。
-
-
-
-
-
-
-
-### W&B Runを終了させる（ノートブックのみ）
-
-トレーニングがPythonスクリプトでカプセル化されている場合、スクリプトが終了するとW&B runも終了します。
-
-JupyterまたはGoogle Colabノートブックを使用している場合は、トレーニングが終了したことを`wandb.finish()`を呼び出して知らせる必要があります。
-
-```python
-trainer.train() # トレーニングとW&Bへのログを開始
-
-# トレーニング後の分析、テスト、他のログ済みコード
-
-wandb.finish()
-```
-
-### 結果を視覚化する
-
-トレーニング結果をログしたら、[W&B Dashboard](/ja/models/track/workspaces/)で結果を動的に探索できます。複数のrunを一度に比較したり、興味深い知見にズームインしたり、柔軟でインタラクティブな可視化を用いて複雑なデータから洞察を引き出すのが簡単です。
-
-## 高度な機能とFAQ
-
-### 最良のモデルを保存する方法は？
-
-`Trainer`に`load_best_model_at_end=True`の`TrainingArguments`を渡すと、W&Bは最良のパフォーマンスを示すモデルチェックポイントをアーティファクトに保存します。
-
-モデルチェックポイントをアーティファクトとして保存すれば、それらを[Registry](/ja/models/core/registry/)に昇格させることができます。Registryでは以下のことが可能です：
-- MLタスクによって最良のモデルバージョンを整理する。
-- モデルを集約してチームと共有する。
-- モデルをステージングしてプロダクションに展開するか、さらに評価するためにブックマークする。
-- 下流のCI/CDプロセスをトリガーする。
-
-### 保存したモデルをロードするには？
-
-`WANDB_LOG_MODEL`でW&B Artifactsにモデルを保存した場合、追加トレーニングや推論のためにモデルウェイトをダウンロードできます。同じHugging Faceアーキテクチャーにモデルを読み戻すだけです。
-
-```python
-# 新しいrunを作成
-with wandb.init(project="amazon_sentiment_analysis") as run:
- # アーティファクトの名前とバージョンを指定
- my_model_name = "model-bert-base-high-lr:latest"
- my_model_artifact = run.use_artifact(my_model_name)
-
- # フォルダーにモデルウェイトをダウンロードし、パスを返す
- model_dir = my_model_artifact.download()
-
- # 同じモデルクラスを使用して、そのフォルダーからHugging Faceモデルをロード
- model = AutoModelForSequenceClassification.from_pretrained(
- model_dir, num_labels=num_labels
- )
-
- # 追加のトレーニングを行うか、推論を実行
-```
-
-### チェックポイントからトレーニングを再開するには？
-
-`WANDB_LOG_MODEL='checkpoint'`を設定していた場合、`model_dir`を`TrainingArguments`の`model_name_or_path`引数として使用し、`Trainer`に`resume_from_checkpoint=True`を渡すことでトレーニングを再開できます。
-
-```python
-last_run_id = "xxxxxxxx" # wandb workspaceからrun_idを取得
-
-# run_idからwandb runを再開
-with wandb.init(
- project=os.environ["WANDB_PROJECT"],
- id=last_run_id,
- resume="must",
-) as run:
- # アーティファクトをrunに接続
- my_checkpoint_name = f"checkpoint-{last_run_id}:latest"
- my_checkpoint_artifact = run.use_artifact(my_model_name)
-
- # フォルダーにチェックポイントをダウンロードし、パスを返す
- checkpoint_dir = my_checkpoint_artifact.download()
-
- # モデルとトレーナーを再初期化
- model = AutoModelForSequenceClassification.from_pretrained(
- "
-
-
-
- 
-
-
-
- 
-
-
-
- 
-
-
-詳細は[Ignite Docs](https://pytorch.org/ignite/contrib/handlers.html#module-ignite.contrib.handlers.wandb_logger)を参照してください。
\ No newline at end of file
diff --git a/ja/guides/integrations/keras.mdx b/ja/guides/integrations/keras.mdx
deleted file mode 100644
index f6f80e8d35..0000000000
--- a/ja/guides/integrations/keras.mdx
+++ /dev/null
@@ -1,306 +0,0 @@
----
-title: Keras
----
-
-
-
-
-### ウェブアプリ UI から
-
-ウェブアプリ UI は Kubeflow Pipelines の `Visualizations` タブと同じコンテンツを持っていますが、より多くのスペースがあります。[ここでウェブアプリ UI についてもっと学びましょう](/ja/models/app/)。
-
-
- 
-
-
-
- 
-
-
-### 公開APIを通じて（プログラムによるアクセス）
-
-* プログラムによるアクセスのために、[私たちの公開APIをご覧ください](/ja/models/ref/python/public-api)。
-
-### Kubeflow Pipelines と W&B の概念マッピング
-
-ここに、Kubeflow Pipelines の概念を W&B にマッピングしたものがあります。
-
-| Kubeflow Pipelines | W&B | W&B 内の場所 |
-| ------------------ | --- | --------------- |
-| Input Scalar | [`config`](/ja/models/track/config/) | [Overview tab](/ja/models/runs/#overview-tab) |
-| Output Scalar | [`summary`](/ja/models/track/log/) | [Overview tab](/ja/models/runs/#overview-tab) |
-| Input Artifact | Input Artifact | [Artifacts tab](/ja/models/runs/#artifacts-tab) |
-| Output Artifact | Output Artifact | [Artifacts tab](/ja/models/runs/#artifacts-tab) |
-
-## 細かいログ
-
-ログのコントロールを細かくしたい場合は、コンポーネントに `wandb.log` と `wandb.log_artifact` の呼び出しを追加できます。
-
-### 明示的な `wandb.log_artifacts` 呼び出しと共に
-
-以下の例では、モデルをトレーニングしています。`@wandb_log` デコレーターは関連する入力と出力を自動的に追跡します。トレーニングプロセスをログに追加したい場合は、以下のようにそのログを明示的に追加できます。
-
-```python
-@wandb_log
-def train_model(
- train_dataloader_path: components.InputPath("dataloader"),
- test_dataloader_path: components.InputPath("dataloader"),
- model_path: components.OutputPath("pytorch_model"),
-):
- ...
- for epoch in epochs:
- for batch_idx, (data, target) in enumerate(train_dataloader):
- ...
- if batch_idx % log_interval == 0:
- wandb.log(
- {"epoch": epoch, "step": batch_idx * len(data), "loss": loss.item()}
- )
- ...
- wandb.log_artifact(model_artifact)
-```
-
-### 暗黙的な wandb インテグレーションを使用
-
-もしサポートする [フレームワークインテグレーションを使用](/ja/guides/integrations/) している場合は、コールバックを直接渡すこともできます。
-
-```python
-@wandb_log
-def train_model(
- train_dataloader_path: components.InputPath("dataloader"),
- test_dataloader_path: components.InputPath("dataloader"),
- model_path: components.OutputPath("pytorch_model"),
-):
- from pytorch_lightning.loggers import WandbLogger
- from pytorch_lightning import Trainer
-
- trainer = Trainer(logger=WandbLogger())
- ... # トレーニングを行う
-```
\ No newline at end of file
diff --git a/ja/guides/integrations/lightgbm.mdx b/ja/guides/integrations/lightgbm.mdx
deleted file mode 100644
index 98cd542595..0000000000
--- a/ja/guides/integrations/lightgbm.mdx
+++ /dev/null
@@ -1,35 +0,0 @@
----
-title: LightGBM
-description: W&B でツリーをトラッキングする。
----
-
-
-
\ No newline at end of file
diff --git a/ja/guides/integrations/lightning.mdx b/ja/guides/integrations/lightning.mdx
deleted file mode 100644
index 39690422ec..0000000000
--- a/ja/guides/integrations/lightning.mdx
+++ /dev/null
@@ -1,587 +0,0 @@
----
-title: PyTorch Lightning
----
-
-
-
-
-## OpenAI Python API ライブラリをインストール
-
-W&B オートログ インテグレーションは OpenAI version 0.28.1 以下で動作します。
-
-OpenAI Python API version 0.28.1 をインストールするには、次を実行します：
-```python
-pip install openai==0.28.1
-```
-
-## OpenAI Python API を使用
-
-### 1. autolog をインポートし、初期化
-最初に、`wandb.integration.openai` から `autolog` をインポートし、初期化します。
-
-```python
-import os
-import openai
-from wandb.integration.openai import autolog
-
-autolog({"project": "gpt5"})
-```
-
-オプションで、`wandb.init()` が受け入れる引数の辞書を `autolog` に渡すことができます。これにはプロジェクト名、チーム名、エンティティなどが含まれます。[`wandb.init`](/ja/models/ref/python/init) についての詳細は、API リファレンスガイドを参照してください。
-
-### 2. OpenAI API を呼び出す
-OpenAI API への各呼び出しは、W&B に自動的にログされます。
-
-```python
-os.environ["OPENAI_API_KEY"] = "XXX"
-
-chat_request_kwargs = dict(
- model="gpt-3.5-turbo",
- messages=[
- {"role": "system", "content": "You are a helpful assistant."},
- {"role": "user", "content": "Who won the world series in 2020?"},
- {"role": "assistant", "content": "The Los Angeles Dodgers"},
- {"role": "user", "content": "Where was it played?"},
- ],
-)
-response = openai.ChatCompletion.create(**chat_request_kwargs)
-```
-
-### 3. OpenAI API 入力とレスポンスを確認
-
-**ステップ 1** で `autolog` により生成された W&B [run](/ja/models/runs/) リンクをクリックしてください。これにより、W&B App のプロジェクトワークスペースにリダイレクトされます。
-
-作成した run を選択すると、トレーステーブル、トレースタイムライン、使用した OpenAI LLM のモデルアーキテクチャーを確認することができます。
-
-## オートログをオフにする
-W&B は、OpenAI API の使用を終了した際に、`disable()` を呼び出してすべての W&B プロセスを閉じることを推奨します。
-
-```python
-autolog.disable()
-```
-
-これで入力と補完が W&B にログされ、分析や同僚との共有の準備が整います。
\ No newline at end of file
diff --git a/ja/guides/integrations/openai-fine-tuning.mdx b/ja/guides/integrations/openai-fine-tuning.mdx
deleted file mode 100644
index fb09666f17..0000000000
--- a/ja/guides/integrations/openai-fine-tuning.mdx
+++ /dev/null
@@ -1,174 +0,0 @@
----
-title: OpenAI Fine-Tuning
-description: OpenAI モデルを W&B でファインチューンする方法
----
-
-
-
-
-### ファインチューニングを同期する
-
-スクリプトからの結果を同期
-
-```python
-from wandb.integration.openai.fine_tuning import WandbLogger
-
-# ワンラインコマンド
-WandbLogger.sync()
-
-# オプションパラメータを渡す
-WandbLogger.sync(
- fine_tune_job_id=None,
- num_fine_tunes=None,
- project="OpenAI-Fine-Tune",
- entity=None,
- overwrite=False,
- model_artifact_name="model-metadata",
- model_artifact_type="model",
- **kwargs_wandb_init
-)
-```
-
-### リファレンス
-
-| 引数 | 説明 |
-| ------------------------ | --------------------------------------------------------------------------------------------------------- |
-| fine_tune_job_id | `client.fine_tuning.jobs.create` を使用してファインチューンジョブを作成すると取得する OpenAI ファインチューン ID です。 この引数が None（デフォルト）の場合、まだ同期されていないすべての OpenAI ファインチューン ジョブが W&B に同期されます。 |
-| openai_client | 初期化された OpenAI クライアントを `sync` に渡します。クライアントが提供されない場合、ログは自動的にクライアントを初期化します。 デフォルトでは None です。 |
-| num_fine_tunes | ID が提供されない場合、未同期のファインチューンはすべて W&B にログされます。この引数を使用して、同期する最新のファインチューンの数を選択できます。num_fine_tunes が 5 の場合、最新のファインチューン 5 つを選択します。 |
-| project | ファインチューニングのメトリクス、Models、Data などがログされる Weights and Biases プロジェクト名。 デフォルトでは、プロジェクト名は "OpenAI-Fine-Tune" です。 |
-| entity | W&B ユーザー名またはチーム名。実行結果を送信するエンティティです。 デフォルトでは、通常はユーザー名であるデフォルトエンティティが使用されます。 |
-| overwrite | ロギングを強制し、同一ファインチューンジョブの既存の wandb run を上書きします。デフォルトでは False です。 |
-| wait_for_job_success | OpenAI ファインチューニングジョブが開始されると、通常少し時間がかかります。ファインチューニングジョブが終了すると、メトリクスが W&B にすぐにログされるように、この設定は 60 秒ごとにファインチューニングジョブのステータスが `succeeded` に変わるかどうかを確認します。ファインチューニングジョブが成功したと検出されると、自動的にメトリクスが W&B に同期されます。 デフォルトで True に設定されています。 |
-| model_artifact_name | ログされるモデル アーティファクトの名前。デフォルトは `"model-metadata"` です。|
-| model_artifact_type | ログされるモデル アーティファクトのタイプ。デフォルトは `"model"` です。|
-| \*\*kwargs_wandb_init | 直接 [`wandb.init()`](/ja/models/ref/python/init) に渡される追加の引数 |
-
-## データセットのバージョン管理と可視化
-
-### バージョン管理
-
-ファインチューニングのために OpenAI にアップロードしたトレーニングおよび検証データは、バージョン管理を容易にするために自動的に W&B Artifacts としてログされます。 以下に、この アーティファクト 内のトレーニングファイルのビューを示します。ここでは、このファイルをログした W&B run、ログされた時期、このデータセットのバージョン、メタデータ、およびトレーニングデータから学習済みモデルまでの DAG リネージを確認できます。
-
-
- 
-
-
-### 可視化
-
-データセットは W&B Tables として可視化され、データセットを探索、検索、および対話することができます。以下に、 W&B Tables を使用して可視化されたトレーニングサンプルをチェックしてください。
-
-
- 
-
-
-## ファインチューニング済みモデルとモデルのバージョン管理
-
-OpenAI はファインチューニングされたモデルの ID を提供します。モデルの重みにはアアクセスできないため、`WandbLogger` はモデルのすべての詳細（ハイパーパラメーター、データファイルの ID など）と `fine_tuned_model` ID を含む `model_metadata.json` ファイルを作成し、 W&B アーティファクトとしてログします。
-
-このモデル（メタデータ）アーティファクトは、[W&B Registry](/ja/models/core/registry/) のモデルにさらにリンクすることができます。
-
-
- 
-
-
-## よくある質問
-
-### チームとファインチューン結果を W&B で共有するにはどうすればよいですか？
-
-以下を使用してファインチューンジョブをチームアカウントにログします:
-
-```python
-WandbLogger.sync(entity="YOUR_TEAM_NAME")
-```
-
-### 自分の runs をどのように整理できますか？
-
-あなたの W&B runs は自動的に整理され、ジョブ タイプ、ベースモデル、学習率、トレーニングファイル名、その他のハイパーパラメーターなど、任意の設定パラメーターに基づいてフィルタリングやソートができます。
-
-さらに、run の名前を変更したり、メモを追加したり、タグを作成してグループ化することができます。
-
-満足したら、ワークスペースを保存し、run および保存されたアーティファクト（トレーニング/検証ファイル）からデータをインポートしてレポートを作成できます。
-
-### ファインチューンされたモデルにアクセスするにはどうすればよいですか？
-
-ファインチューンされたモデル ID は、アーティファクト (`model_metadata.json`) として W&B にログされます。
-
-```python
-import wandb
-
-ft_artifact = wandb.run.use_artifact("ENTITY/PROJECT/model_metadata:VERSION")
-artifact_dir = artifact.download()
-```
-
-ここで `VERSION` は次のいずれかです:
-
-* `v2` などのバージョン番号
-* `ft-xxxxxxxxx` などのファインチューン ID
-* 自動的または手動で追加されたエイリアス、例えば `latest`
-
-ダウンロードした `model_metadata.json` ファイルを読み取ることで `fine_tuned_model` ID にアクセスできます。
-
-### ファインチューンが正常に同期されなかった場合はどうすればよいですか？
-
-ファインチューンが W&B に正常にログされなかった場合は、`overwrite=True` を使用し、ファインチューン ジョブ ID を渡すことができます:
-
-```python
-WandbLogger.sync(
- fine_tune_job_id="FINE_TUNE_JOB_ID",
- overwrite=True,
-)
-```
-
-### W&B で自分の Datasets と Models を追跡できますか？
-
-トレーニングと検証データは自動的に アーティファクト として W&B にログされます。ファインチューンされたモデルの ID を含むメタデータも アーティファクト としてログされます。
-
-`wandb.Artifact`、`wandb.log` などの低レベルの wandb API を使用してパイプラインを常に制御できます。これにより、データとモデルの完全なトレーサビリティが可能になります。
-
-
- 
-
-
-## リソース
-
-* [OpenAI ファインチューニング ドキュメント](https://platform.openai.com/docs/guides/fine-tuning/) は非常に詳細で多くの有用なヒントが含まれています
-* [デモ Colab](http://wandb.me/openai-colab)
-* [W&B で OpenAI GPT-3.5 および GPT-4 モデルをファインチューニングする方法](http://wandb.me/openai-report) レポート
\ No newline at end of file
diff --git a/ja/guides/integrations/openai-gym.mdx b/ja/guides/integrations/openai-gym.mdx
deleted file mode 100644
index b1feb58a96..0000000000
--- a/ja/guides/integrations/openai-gym.mdx
+++ /dev/null
@@ -1,20 +0,0 @@
----
-title: OpenAI Gym
-description: W&B を OpenAI Gym と統合する方法。
----
-
-
-
\ No newline at end of file
diff --git a/ja/guides/integrations/paddledetection.mdx b/ja/guides/integrations/paddledetection.mdx
deleted file mode 100644
index 569fea68ce..0000000000
--- a/ja/guides/integrations/paddledetection.mdx
+++ /dev/null
@@ -1,107 +0,0 @@
----
-title: PaddleDetection
-description: W&B を PaddleDetection と統合する方法。
----
-
-
-
-
-
-
-
- 
-
-
-
- 
-
-
-## フィードバックや問題点
-
-Weights & Biasesのインテグレーションに関するフィードバックや問題がある場合は、[PaddleOCR GitHub](https://github.com/PaddlePaddle/PaddleOCR)で問題を報告するか、support@wandb.comにメールしてください。
\ No newline at end of file
diff --git a/ja/guides/integrations/prodigy.mdx b/ja/guides/integrations/prodigy.mdx
deleted file mode 100644
index 81ee572cf2..0000000000
--- a/ja/guides/integrations/prodigy.mdx
+++ /dev/null
@@ -1,38 +0,0 @@
----
-title: プロディジー
-description: W&B を Prodigy と統合する方法。
----
-
-[Prodigy](https://prodi.gy/) は、機械学習モデルのトレーニングと評価用データを作成するためのアノテーションツールであり、エラー分析、データの調査とクリーニングにも使用されます。[W&B Tables](/ja/models/tables/tables-walkthrough/) を使用すると、W&B 内でデータセットのログ、可視化、分析、共有（およびそれ以上！）が可能です。
-
-[W&B の Prodigy とのインテグレーション](https://github.com/wandb/wandb/blob/master/wandb/integration/prodigy/prodigy.py) により、Prodigy でアノテーションされたデータセットを W&B に直接アップロードし、Tables と一緒に使用するシンプルで使いやすい機能が追加されます。
-
-このようにいくつかのコードを実行します：
-
-```python
-import wandb
-from wandb.integration.prodigy import upload_dataset
-
-with wandb.init(project="prodigy"):
- upload_dataset("news_headlines_ner")
-```
-
-すると、このような視覚的でインタラクティブな共有可能なテーブルが得られます:
-
-
- 
-
-
-## クイックスタート
-
-`wandb.integration.prodigy.upload_dataset` を使用して、アノテーション済みの prodigy データセットをローカルの Prodigy データベースから直接 W&B の [Table](/ja/models/ref/python/data-types/table)形式でアップロードできます。Prodigy の詳細、インストール & セットアップを含む情報は、[Prodigy ドキュメント](https://prodi.gy/docs/)を参照してください。
-
-W&B は自動的に画像と固有表現フィールドをそれぞれ [`wandb.Image`](/ja/models/ref/python/data-types/image) と [`wandb.Html`](/ja/models/ref/python/data-types/html) に変換しようとします。これらの可視化を含めるために、結果のテーブルに追加の列が追加されることがあります。
-
-## 詳細な例を読む
-
-W&B Prodigy インテグレーションを使用して生成された可視化例については、[Visualizing Prodigy Datasets Using W&B Tables](https://wandb.ai/kshen/prodigy/reports/Visualizing-Prodigy-Datasets-Using-W-B-Tables--Vmlldzo5NDE2MTc) を参照してください。
-
-## spaCy も使用していますか？
-
-W&B は spaCy とのインテグレーションも備えています。[ドキュメントはこちら](/ja/guides/integrations/spacy)を参照してください。
\ No newline at end of file
diff --git a/ja/guides/integrations/pytorch-geometric.mdx b/ja/guides/integrations/pytorch-geometric.mdx
deleted file mode 100644
index 00d698acda..0000000000
--- a/ja/guides/integrations/pytorch-geometric.mdx
+++ /dev/null
@@ -1,172 +0,0 @@
----
-title: PyTorch Geometric
----
-
-[PyTorch Geometric](https://github.com/pyg-team/pytorch_geometric) または PyG は、最も人気のある幾何学的ディープラーニングのためのライブラリの1つであり、W&B はそれと非常に良く連携し、グラフの可視化と実験の追跡を行うことができます。
-
-PyTorch Geometric をインストールした後、以下の手順に従ってください。
-
-## サインアップとAPI キーの作成
-
-APIキーは、あなたのマシンをW&Bに認証します。APIキーはユーザープロフィールから生成できます。
-
-
-
-
-### Plotly を使用する
-
-Plotly を使用してグラフの可視化を作成するには、まず PyG グラフを networkx オブジェクトに変換する必要があります。その後、ノードとエッジのために Plotly スキャッタープロットを作成する必要があります。このタスクには以下のスニペットが使用できます。
-
-```python
-def create_vis(graph):
- G = to_networkx(graph)
- pos = nx.spring_layout(G)
-
- edge_x = []
- edge_y = []
- for edge in G.edges():
- x0, y0 = pos[edge[0]]
- x1, y1 = pos[edge[1]]
- edge_x.append(x0)
- edge_x.append(x1)
- edge_x.append(None)
- edge_y.append(y0)
- edge_y.append(y1)
- edge_y.append(None)
-
- edge_trace = go.Scatter(
- x=edge_x, y=edge_y,
- line=dict(width=0.5, color='#888'),
- hoverinfo='none',
- mode='lines'
- )
-
- node_x = []
- node_y = []
- for node in G.nodes():
- x, y = pos[node]
- node_x.append(x)
- node_y.append(y)
-
- node_trace = go.Scatter(
- x=node_x, y=node_y,
- mode='markers',
- hoverinfo='text',
- line_width=2
- )
-
- fig = go.Figure(data=[edge_trace, node_trace], layout=go.Layout())
-
- return fig
-
-
-wandb.init(project=’visualize_graph’)
-wandb.log({‘graph’: wandb.Plotly(create_vis(graph))})
-wandb.finish()
-```
-
-
- 
-
-
-## メトリクスのログ化
-
-損失関数、精度などのメトリクスを含む実験を追跡するためにW&Bを使用することができます。トレーニングループに次の行を追加してください：
-
-```python
-wandb.log({
- ‘train/loss’: training_loss,
- ‘train/acc’: training_acc,
- ‘val/loss’: validation_loss,
- ‘val/acc’: validation_acc
-})
-```
-
-
- 
-
-
-## その他のリソース
-
-- [Recommending Amazon Products using Graph Neural Networks in PyTorch Geometric](https://wandb.ai/manan-goel/gnn-recommender/reports/Recommending-Amazon-Products-using-Graph-Neural-Networks-in-PyTorch-Geometric--VmlldzozMTA3MzYw#what-does-the-data-look-like?)
-- [Point Cloud Classification using PyTorch Geometric](https://wandb.ai/geekyrakshit/pyg-point-cloud/reports/Point-Cloud-Classification-using-PyTorch-Geometric--VmlldzozMTExMTE3)
-- [Point Cloud Segmentation using PyTorch Geometric](https://wandb.ai/wandb/point-cloud-segmentation/reports/Point-Cloud-Segmentation-using-Dynamic-Graph-CNN--VmlldzozMTk5MDcy)
\ No newline at end of file
diff --git a/ja/guides/integrations/pytorch.mdx b/ja/guides/integrations/pytorch.mdx
deleted file mode 100644
index 90851b3471..0000000000
--- a/ja/guides/integrations/pytorch.mdx
+++ /dev/null
@@ -1,107 +0,0 @@
----
-title: PyTorch
----
-
-
-
-
-データセットやモデルのログと視覚化についての詳細は、[W&B Tables のガイド](/ja/models/tables/)をご覧ください。
-
-## PyTorch コードのプロファイリング
-
-
- 
-
-
-W&B は [PyTorch Kineto](https://github.com/pytorch/kineto) の [Tensorboard プラグイン](https://github.com/pytorch/kineto/blob/master/tb_plugin/README) と直接統合されており、PyTorch コードのプロファイリング、CPU と GPU の通信の詳細の検査、ボトルネックや最適化を識別するためのツールを提供します。
-
-```python
-profile_dir = "path/to/run/tbprofile/"
-profiler = torch.profiler.profile(
- schedule=schedule, # スケジュールの詳細はプロファイラードキュメントを参照
- on_trace_ready=torch.profiler.tensorboard_trace_handler(profile_dir),
- with_stack=True,
-)
-
-with profiler:
- ... # プロファイルしたいコードをここで実行
- # 詳細な使用情報はプロファイラードキュメントを参照
-
-# wandb アーティファクトを作成
-profile_art = wandb.Artifact("trace", type="profile")
-# pt.trace.json ファイルをアーティファクトに追加
-profile_art.add_file(glob.glob(profile_dir + ".pt.trace.json"))
-# アーティファクトをログ
-profile_art.save()
-```
-
-[こちらの Colab](http://wandb.me/trace-colab)で作業中の例コードを見て実行できます。
-
-
-
-
-モデルを様々な長さのデータセットでトレーニングし、交差検証スコアとデータセットサイズのプロットを生成します。トレーニングセットとテストセット両方に対して。
-
-`wandb.sklearn.plot_learning_curve(model, X, y)`
-
-* model (clf or reg): 学習済みの回帰器または分類器を受け取ります。
-* X (arr): データセットの特徴。
-* y (arr): データセットのラベル。
-
-### ROC
-
-
- 
-
-
-ROC曲線は、真陽性率 (y軸) 対 偽陽性率 (x軸) をプロットします。理想的なスコアは、TPR = 1 かつ FPR = 0で、グラフの左上の点です。通常、ROC曲線の下面積 (AUC-ROC) を計算し、AUC-ROC が大きいほど良いです。
-
-`wandb.sklearn.plot_roc(y_true, y_probas, labels)`
-
-* y_true (arr): テストセットのラベル。
-* y_probas (arr): テストセットの予測確率。
-* labels (list): 目標変数 (y) の名前付きラベル。
-
-### クラスの割合
-
-
- 
-
-
-トレーニングセットとテストセット内のターゲットクラスの分布をプロットします。非バランスなクラスを検出し、1つのクラスがモデルに過度の影響を与えないようにするために役立ちます。
-
-`wandb.sklearn.plot_class_proportions(y_train, y_test, ['dog', 'cat', 'owl'])`
-
-* y_train (arr): トレーニングセットのラベル。
-* y_test (arr): テストセットのラベル。
-* labels (list): 目標変数 (y) の名前付きラベル。
-
-### 精度-再現率曲線
-
-
- 
-
-
-異なる閾値に対する精度と再現率のトレードオフを計算します。曲線下面積が高いということは、再現率も精度も高いことを表しており、高精度は低誤報率に、高再現率は低漏れ率に関連しています。
-
-精度と再現率の両方が高いことは、分類器が正確な結果（高精度）を返していること、さらに全ての陽性結果の大半を返していること（高再現率）を示しています。クラスが非常に不均衡な時に、PR曲線は役立ちます。
-
-`wandb.sklearn.plot_precision_recall(y_true, y_probas, labels)`
-
-* y_true (arr): テストセットのラベル。
-* y_probas (arr): テストセットの予測確率。
-* labels (list): 目標変数 (y) の名前付きラベル。
-
-### 特徴の重要度
-
-
- 
-
-
-分類タスクにおける各特徴の重要度を評価しプロットします。ツリーのような `feature_importances_` 属性を持つ分類器でのみ動作します。
-
-`wandb.sklearn.plot_feature_importances(model, ['width', 'height', 'length'])`
-
-* model (clf): 学習済みの分類器を受け取ります。
-* feature_names (list): 特徴の名前。プロット中の特徴のインデックスを対応する名前で置き換えることで読みやすくします。
-
-### キャリブレーション曲線
-
-
- 
-
-
-分類器の予測確率がどれだけキャリブレーションされているか、そしてどのように未キャリブレーションの分類器をキャリブレーションするかをプロットします。ロジスティック回帰ベースラインモデル、引数として渡されたモデル、およびそのアイソトニックキャリブレーションとシグモイドキャリブレーションによって、推定された予測確率を比較します。
-
-キャリブレーション曲線が対角線に近いほど良好です。転写されたシグモイド型の曲線は過適合した分類器を表し、シグモイド型の曲線は学習不足の分類器を表します。モデルのアイソトニックおよびシグモイドキャリブレーションをトレーニングし、その曲線を比較することで、モデルがオーバーフィットかアンダーフィットしているかを判断し、どのキャリブレーション（シグモイドまたはアイソトニック）が問題を修正するのに役立つかを理解できます。
-
-詳細については、[sklearnのドキュメント](https://scikit-learn.org/stable/auto_examples/calibration/plot_calibration_curve.html)を参照してください。
-
-`wandb.sklearn.plot_calibration_curve(clf, X, y, 'RandomForestClassifier')`
-
-* model (clf): 学習済みの分類器を受け取ります。
-* X (arr): トレーニングセットの特徴。
-* y (arr): トレーニングセットのラベル。
-* model_name (str): モデル名。デフォルトは'Classifier'です。
-
-### 混同行列
-
-
- 
-
-
-分類の精度を評価するために混同行列を計算します。モデルの予測の質を評価し、モデルが間違ってしまう予測のパターンを見つけるのに役立ちます。対角線は、実際のラベルと予測ラベルが一致する正しい予測を表します。
-
-`wandb.sklearn.plot_confusion_matrix(y_true, y_pred, labels)`
-
-* y_true (arr): テストセットのラベル。
-* y_pred (arr): テストセットの予測ラベル。
-* labels (list): 目標変数 (y) の名前付きラベル。
-
-### サマリーメトリクス
-
-
- 
-
-
-- `mse`、`mae`、`r2`スコアなどの分類のサマリーメトリクスを計算します。
-- `f1`、精度、再現率などの回帰のサマリーメトリクスを計算します。
-
-`wandb.sklearn.plot_summary_metrics(model, X_train, y_train, X_test, y_test)`
-
-* model (clf or reg): 学習済みの回帰器または分類器を受け取ります。
-* X (arr): トレーニングセットの特徴。
-* y (arr): トレーニングセットのラベル。
- * X_test (arr): テストセットの特徴。
-* y_test (arr): テストセットのラベル。
-
-### エルボープロット
-
-
- 
-
-
-クラスターの数に対する分散の説明率をトレーニング時間とともに測定しプロットします。クラスター数の最適値を選ぶのに役立ちます。
-
-`wandb.sklearn.plot_elbow_curve(model, X_train)`
-
-* model (clusterer): 学習済みのクラスタリングアルゴリズムを受け取ります。
-* X (arr): トレーニングセットの特徴。
-
-### シルエットプロット
-
-
- 
-
-
-1つのクラスター内の各ポイントが、隣接するクラスターポイントにどれだけ近いかを測定しプロットします。クラスターの厚みはクラスターサイズに対応します。垂直線は全ポイントの平均シルエットスコアを示します。
-
-+1に近いシルエット係数は、サンプルが隣接クラスターから遠いことを示します。0の値は、サンプルが隣接クラスター間の意思決定境界にあることを示しています。負の値は、これらのサンプルが誤ってクラスターに割り当てられた可能性があることを示します。
-
-一般的に私たちは、すべてのシルエットクラスター スコアが、平均以上（赤線を超えたところ）そして1にできるだけ近いことを望みます。また、データ中の基礎パターンを反映したクラスターサイズを好みます。
-
-`wandb.sklearn.plot_silhouette(model, X_train, ['spam', 'not spam'])`
-
-* model (clusterer): 学習済みのクラスタリングアルゴリズムを受け取ります。
-* X (arr): トレーニングセットの特徴。
- * cluster_labels (list): クラスターラベルの名前。プロット中のクラスターインデックスを対応する名前で置き換え、読みやすくします。
-
-### 外れ値候補プロット
-
-
- 
-
-
-Cookの距離を使用して、回帰モデルの各データポイントの影響を評価します。大きく偏った影響を持つインスタンスは外れ値である可能性があります。外れ値検出に役立ちます。
-
-`wandb.sklearn.plot_outlier_candidates(model, X, y)`
-
-* model (regressor): 学習済みの分類器を受け取ります。
-* X (arr): トレーニングセットの特徴。
-* y (arr): トレーニングセットのラベル。
-
-### 残差プロット
-
-
- 
-
-
-予測された目標値 (y軸) 対 実際の目標値と予測された目標値の差 (x軸) 、さらに残差誤差の分布を測定しプロットします。
-
-一般的に、適切にフィットされたモデルの残差はランダムに分布しているべきです。というのも、良いモデルは、データセット中のほとんどの現象を説明するからです。ランダムな誤差を除いて。
-
-`wandb.sklearn.plot_residuals(model, X, y)`
-
-* model (regressor): 学習済みの分類器を受け取ります。
-* X (arr): トレーニングセットの特徴。
-* y (arr): トレーニングセットのラベル。
-
-ご質問がある場合は、私たちの[slackコミュニティ](http://wandb.me/slack)でお答えしますので、お気軽にどうぞ。
-
-## 例
-
-* [コラボで実行](http://wandb.me/scikit-colab): 始めるためのシンプルなノートブック
diff --git a/ja/guides/integrations/simpletransformers.mdx b/ja/guides/integrations/simpletransformers.mdx
deleted file mode 100644
index 6261e873af..0000000000
--- a/ja/guides/integrations/simpletransformers.mdx
+++ /dev/null
@@ -1,122 +0,0 @@
----
-title: Simple Transformers
-description: Hugging Face の Transformers ライブラリと W&B を統合する方法。
----
-
-このライブラリは、Hugging Face の Transformers ライブラリに基づいています。Simple Transformers を使用すると、Transformer モデルを迅速にトレーニングおよび評価できます。モデルの初期化、モデルのトレーニング、およびモデルの評価には、わずか 3 行のコードで済みます。Sequence Classification、Token Classification \(NER\)、Question Answering、Language Model Fine-Tuning、Language Model Training、Language Generation、T5 Model、Seq2Seq Tasks、Multi-Modal Classification、Conversational AI をサポートしています。
-
-モデル トレーニング の可視化に Weights & Biases を使用するには、`args` 辞書の `wandb_project` 属性に W&B のプロジェクト名を設定します。これにより、すべてのハイパーパラメーター 値、トレーニング ロス、および評価メトリクスが指定されたプロジェクトにログされます。
-
-```python
-model = ClassificationModel('roberta', 'roberta-base', args={'wandb_project': 'project-name'})
-```
-
-`wandb.init` に渡す追加の引数は、`wandb_kwargs` として渡すことができます。
-
-## 構造
-
-このライブラリは、すべての NLP タスクに対して個別のクラスを持つように設計されています。類似の機能を提供するクラスは、グループ化されています。
-
-* `simpletransformers.classification` - すべての Classification モデルを含みます。
- * `ClassificationModel`
- * `MultiLabelClassificationModel`
-* `simpletransformers.ner` - すべての Named Entity Recognition モデルを含みます。
- * `NERModel`
-* `simpletransformers.question_answering` - すべての Question Answering モデルを含みます。
- * `QuestionAnsweringModel`
-
-以下は、いくつかの最小限の例です。
-
-## MultiLabel Classification
-
-```text
- model = MultiLabelClassificationModel("distilbert","distilbert-base-uncased",num_labels=6,
- args={"reprocess_input_data": True, "overwrite_output_dir": True, "num_train_epochs": epochs, 'learning_rate': learning_rate,
- 'wandb_project': "simpletransformers"},
- )
- # モデルをトレーニングする
- model.train_model(train_df)
-
- # モデルを評価する
- result, model_outputs, wrong_predictions = model.eval_model(eval_df)
-```
-
-## Question Answering
-
-```text
- train_args = {
- 'learning_rate': wandb.config.learning_rate,
- 'num_train_epochs': 2,
- 'max_seq_length': 128,
- 'doc_stride': 64,
- 'overwrite_output_dir': True,
- 'reprocess_input_data': False,
- 'train_batch_size': 2,
- 'fp16': False,
- 'wandb_project': "simpletransformers"
-}
-
-model = QuestionAnsweringModel('distilbert', 'distilbert-base-cased', args=train_args)
-model.train_model(train_data)
-```
-
-SimpleTransformers は、すべての一般的な自然言語タスクのためのクラスとトレーニングスクリプトを提供します。ここでは、ライブラリでサポートされているグローバル引数の完全なリストと、そのデフォルト引数を示します。
-
-```text
-global_args = {
- "adam_epsilon": 1e-8,
- "best_model_dir": "outputs/best_model",
- "cache_dir": "cache_dir/",
- "config": {},
- "do_lower_case": False,
- "early_stopping_consider_epochs": False,
- "early_stopping_delta": 0,
- "early_stopping_metric": "eval_loss",
- "early_stopping_metric_minimize": True,
- "early_stopping_patience": 3,
- "encoding": None,
- "eval_batch_size": 8,
- "evaluate_during_training": False,
- "evaluate_during_training_silent": True,
- "evaluate_during_training_steps": 2000,
- "evaluate_during_training_verbose": False,
- "fp16": True,
- "fp16_opt_level": "O1",
- "gradient_accumulation_steps": 1,
- "learning_rate": 4e-5,
- "local_rank": -1,
- "logging_steps": 50,
- "manual_seed": None,
- "max_grad_norm": 1.0,
- "max_seq_length": 128,
- "multiprocessing_chunksize": 500,
- "n_gpu": 1,
- "no_cache": False,
- "no_save": False,
- "num_train_epochs": 1,
- "output_dir": "outputs/",
- "overwrite_output_dir": False,
- "process_count": cpu_count() - 2 if cpu_count() > 2 else 1,
- "reprocess_input_data": True,
- "save_best_model": True,
- "save_eval_checkpoints": True,
- "save_model_every_epoch": True,
- "save_steps": 2000,
- "save_optimizer_and_scheduler": True,
- "silent": False,
- "tensorboard_dir": None,
- "train_batch_size": 8,
- "use_cached_eval_features": False,
- "use_early_stopping": False,
- "use_multiprocessing": True,
- "wandb_kwargs": {},
- "wandb_project": None,
- "warmup_ratio": 0.06,
- "warmup_steps": 0,
- "weight_decay": 0,
-}
-```
-
-詳細なドキュメントについては、[github の simpletransformers](https://github.com/ThilinaRajapakse/simpletransformers) を参照してください。
-
-最も人気のある GLUE ベンチマークデータセットでのトランスフォーマーのトレーニングをカバーしている [こちらの Weights & Biases レポート](https://app.wandb.ai/cayush/simpletransformers/reports/Using-simpleTransformer-on-common-NLP-applications---Vmlldzo4Njk2NA) をご覧ください。 [ぜひ自分で colab で試してみてください](https://colab.research.google.com/drive/1oXROllqMqVvBFcPgTKJRboTq96uWuqSz?usp=sharing)。
\ No newline at end of file
diff --git a/ja/guides/integrations/skorch.mdx b/ja/guides/integrations/skorch.mdx
deleted file mode 100644
index 5a35b795e1..0000000000
--- a/ja/guides/integrations/skorch.mdx
+++ /dev/null
@@ -1,55 +0,0 @@
----
-title: Skorch
-description: W&B を Skorch と統合する方法。
----
-
-Weights & Biases を Skorch と一緒に使うことで、各エポックの後に最もパフォーマンスの良いモデルを自動的にログし、すべてのモデルパフォーマンスメトリクス、モデルトポロジー、計算リソースを記録することができます。`wandb_run.dir` に保存されたすべてのファイルは、自動的に W&B サーバーにログされます。
-
-[example run](https://app.wandb.ai/borisd13/skorch/runs/s20or4ct?workspace=user-borisd13) を参照してください。
-
-## Parameters
-
-| Parameter | Type | Description |
-| :--- | :--- | :--- |
-| `wandb_run` | `wandb.wandb_run`. Run | データをログするために使用される wandb run。 |
-|`save_model` | bool (default=True)| 最良のモデルのチェックポイントを保存し、W&B サーバー上の Run にアップロードするかどうか。|
-|`keys_ignored`| str or list of str (default=None) | tensorboard にログされるべきでないキーまたはキーのリスト。ユーザーが提供するキーに加え、`event_` で始まるか `_best` で終わるキーはデフォルトで無視されます。|
-
-## Example Code
-
-インテグレーションがどのように機能するかを見るためのいくつかの例を作成しました:
-
-* [Colab](https://colab.research.google.com/drive/1Bo8SqN1wNPMKv5Bn9NjwGecBxzFlaNZn?usp=sharing): インテグレーションを試すためのシンプルなデモ
-* [A step by step guide](https://app.wandb.ai/cayush/uncategorized/reports/Automate-Kaggle-model-training-with-Skorch-and-W%26B--Vmlldzo4NTQ1NQ): Skorch モデルのパフォーマンスをトラッキングするためのガイド
-
-```python
-# wandb をインストールする
-... pip install wandb
-
-import wandb
-from skorch.callbacks import WandbLogger
-
-# wandb Run を作成
-wandb_run = wandb.init()
-# 代わりの方法: W&B アカウントなしで wandb Run を作成
-wandb_run = wandb.init(anonymous="allow")
-
-# ハイパーパラメータをログ (オプション)
-wandb_run.config.update({"learning rate": 1e-3, "batch size": 32})
-
-net = NeuralNet(..., callbacks=[WandbLogger(wandb_run)])
-net.fit(X, y)
-```
-
-## Method reference
-
-| Method | Description |
-| :--- | :--- |
-| `initialize`\(\) | コールバックの初期状態を（再）設定する。 |
-| `on_batch_begin`\(net\[, X, y, training\]\) | 各バッチの開始時に呼び出される。 |
-| `on_batch_end`\(net\[, X, y, training\]\) | 各バッチの終了時に呼び出される。 |
-| `on_epoch_begin`\(net\[, dataset_train, …\]\) | 各エポックの開始時に呼び出される。 |
-| `on_epoch_end`\(net, \*\*kwargs\) | 最後の履歴ステップの値をログし、最良のモデルを保存する。 |
-| `on_grad_computed`\(net, named_parameters\[, X, …\]\) | 勾配が計算された後、更新ステップが行われる前に、各バッチごとに一度呼び出される。 |
-| `on_train_begin`\(net, \*\*kwargs\) | モデルトポロジーをログし、勾配に対するフックを追加する。 |
-| `on_train_end`\(net\[, X, y\]\) | トレーニングの終了時に呼び出される。 |
\ No newline at end of file
diff --git a/ja/guides/integrations/spacy.mdx b/ja/guides/integrations/spacy.mdx
deleted file mode 100644
index 355343f416..0000000000
--- a/ja/guides/integrations/spacy.mdx
+++ /dev/null
@@ -1,118 +0,0 @@
----
-title: spaCy
----
-
-[spaCy](https://spacy.io) は人気のある「産業強度」のNLPライブラリで、迅速かつ高精度なモデルを手間なく利用できます。spaCy v3からは、Weights & Biasesを[`spacy train`](https://spacy.io/api/cli#train)と共に使用することで、あなたのspaCyモデルのトレーニングメトリクスを追跡し、モデルとデータセットの保存とバージョン管理も可能になりました。そして、それには設定にほんの数行追加するだけです。
-
-## サインアップしてAPIキーを作成
-
-APIキーは、あなたのマシンをW&Bに認証します。ユーザープロフィールからAPIキーを生成できます。
-
-
-
-
-## WandbCallback 引数
-
-| 引数 | 使用法 |
-| :--- | :--- |
-| `verbose` | sb3 出力の詳細度 |
-| `model_save_path` | モデルが保存されるフォルダーへのパス。デフォルト値は `None` で、モデルはログされません。 |
-| `model_save_freq` | モデルを保存する頻度 |
-| `gradient_save_freq` | 勾配をログする頻度。デフォルト値は 0 で、勾配はログされません。 |
-
-## 基本的な例
-
-W&B SB3 インテグレーションは、TensorBoard から出力されたログを使用してメトリクスをログします。
-
-```python
-import gym
-from stable_baselines3 import PPO
-from stable_baselines3.common.monitor import Monitor
-from stable_baselines3.common.vec_env import DummyVecEnv, VecVideoRecorder
-import wandb
-from wandb.integration.sb3 import WandbCallback
-
-
-config = {
- "policy_type": "MlpPolicy",
- "total_timesteps": 25000,
- "env_name": "CartPole-v1",
-}
-run = wandb.init(
- project="sb3",
- config=config,
- sync_tensorboard=True, # sb3 の tensorboard メトリクスを自動アップロード
- monitor_gym=True, # ゲームをプレイするエージェントのビデオを自動アップロード
- save_code=True, # オプション
-)
-
-
-def make_env():
- env = gym.make(config["env_name"])
- env = Monitor(env) # リターンなどの統計を記録
- return env
-
-
-env = DummyVecEnv([make_env])
-env = VecVideoRecorder(
- env,
- f"videos/{run.id}",
- record_video_trigger=lambda x: x % 2000 == 0,
- video_length=200,
-)
-model = PPO(config["policy_type"], env, verbose=1, tensorboard_log=f"runs/{run.id}")
-model.learn(
- total_timesteps=config["total_timesteps"],
- callback=WandbCallback(
- gradient_save_freq=100,
- model_save_path=f"models/{run.id}",
- verbose=2,
- ),
-)
-run.finish()
-```
\ No newline at end of file
diff --git a/ja/guides/integrations/tensorboard.mdx b/ja/guides/integrations/tensorboard.mdx
deleted file mode 100644
index 500f7fb96b..0000000000
--- a/ja/guides/integrations/tensorboard.mdx
+++ /dev/null
@@ -1,98 +0,0 @@
----
-title: TensorBoard
----
-
-
-
-
-## 始めましょう
-
-```python
-import wandb
-
-# `sync_tensorboard=True` で wandb run を開始
-wandb.init(project="my-project", sync_tensorboard=True)
-
-# TensorBoard を使用した トレーニング コード
-...
-
-# [オプション]wandb run を終了して tensorboard ログを W&B にアップロード（ノートブックの場合）
-wandb.finish()
-```
-
-[例](https://wandb.ai/rymc/simple-tensorboard-example/runs/oab614zf/tensorboard)を確認してください。
-
-run が終了すると、W&B で TensorBoard イベントファイルに アクセス でき、W&B ネイティブチャートでメトリクスを視覚化できます。システムの CPU や GPU の利用状況、`git` の状態、run が使用したターミナルコマンドなどの追加情報と一緒に表示されます。
-
-
-
-
-[torchtune を使用した Mistral 7B のファインチューニング](https://wandb.ai/capecape/torchtune-mistral/reports/torchtune-The-new-PyTorch-LLM-fine-tuning-library---Vmlldzo3NTUwNjM0) に関する W&B ブログ記事をチェックしてください。
-
-## W&B のログ記録が手の届くところに
-
-
-
-
-### ログされたメトリック
-
-各レシピにはそれぞれのトレーニングループがあります。個別のレシピを確認して、そのログされたメトリックを見ることができます。これにはデフォルトで以下が含まれています:
-
-| Metric | 説明 |
-| --- | --- |
-| `loss` | モデルのロス |
-| `lr` | 学習率 |
-| `tokens_per_second` | モデルのトークン毎秒 |
-| `grad_norm` | モデルの勾配ノルム |
-| `global_step` | トレーニングループの現在のステップに対応します。勾配の累積を考慮に入れ、オプティマイザーステップが取られるたびにモデルが更新され、勾配が累積され、`gradient_accumulation_steps` ごとに1回モデルが更新されます。 |
-
-
-
-
-## 始めに
-
-XGBoost で収集したメトリクス、設定、ブースターモデルを Weights & Biases にログするのは、XGBoost に `WandbCallback` を渡すだけで簡単です。
-
-```python
-from wandb.integration.xgboost import WandbCallback
-import xgboost as XGBClassifier
-
-...
-# wandb run を開始
-run = wandb.init()
-
-# モデルに WandbCallback を渡す
-bst = XGBClassifier()
-bst.fit(X_train, y_train, callbacks=[WandbCallback(log_model=True)])
-
-# wandb run を終了
-run.finish()
-```
-
-**[このノートブック](https://wandb.me/xgboost)** を開いて、XGBoost と Weights & Biases を使用したログの詳細な方法を見ることができます。
-
-## `WandbCallback` リファレンス
-
-### 機能
-`WandbCallback` を XGBoost モデルに渡すと、以下のことが行えます:
-- ブースターモデルの設定を Weights & Biases にログする
-- XGBoost によって収集された評価メトリクス（例: rmse, accuracy）を Weights & Biases にログする
-- XGBoost で収集されたトレーニングメトリクスをログする（eval_set にデータを提供する場合）
-- 最良のスコアと最良のイテレーションをログする
-- トレーニング済みモデルを Weights & Biases Artifacts に保存およびアップロードする（`log_model = True` の場合）
-- `log_feature_importance=True`（デフォルト）の場合、特徴重要度のプロットをログする
-- `define_metric=True`（デフォルト）の場合、`wandb.summary` に最良の評価メトリックをキャプチャする
-
-### 引数
-- `log_model`: (boolean) True の場合、モデルを Weights & Biases Artifacts に保存しアップロードする
-
-- `log_feature_importance`: (boolean) True の場合、特徴重要度の棒グラフをログする
-
-- `importance_type`: (str) `{weight, gain, cover, total_gain, total_cover}` のいずれかでツリーモデルに適用。重みは線形モデルに対応。
-
-- `define_metric`: (boolean) True（デフォルト）の場合、トレーニングの最良のステップでモデルのパフォーマンスを `wandb.summary` にキャプチャする（最後のステップではなく）。
-
-`WandbCallback` の[ソースコード](https://github.com/wandb/wandb/blob/main/wandb/integration/xgboost/xgboost.py)を確認できます。
-
-追加の例は、[GitHub の例のリポジトリ](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms)をチェックしてください。
-
-## Sweep でハイパーパラメーターをチューニングする
-
-モデルの最大パフォーマンスを引き出すには、ツリーの深さや学習率など、ハイパーパラメーターをチューニングする必要があります。Weights & Biases には、大規模なハイパーパラメーターテスト実験を設定、編成、分析するための強力なツールキットである [Sweeps](/ja/models/sweeps/) が含まれています。
-
-
-
\ No newline at end of file
diff --git a/ja/guides/integrations/yolov5.mdx b/ja/guides/integrations/yolov5.mdx
deleted file mode 100644
index 362d3aafed..0000000000
--- a/ja/guides/integrations/yolov5.mdx
+++ /dev/null
@@ -1,69 +0,0 @@
----
-title: YOLOv5
----
-
-
-
-
-## インテグレーションのカスタマイズ
-
-YOLO にいくつかの簡単なコマンドライン引数を渡すことで、さらに多くの W&B 機能を活用できます。
-
-* `--save_period` に数値を渡すと、W&B は各 `save_period` エポックの終わりに[モデルバージョン](/ja/models/core/registry/)を保存します。モデルバージョンにはモデルの重みが含まれ、検証セットで最もパフォーマンスの良いモデルにタグ付けされます。
-* `--upload_dataset` フラグをオンにすると、データセットがデータバージョン管理のためにアップロードされます。
-* `--bbox_interval` に数値を渡すと、[データ可視化](/)が有効になります。各 `bbox_interval` エポックの終わりに、モデルの出力が検証セットに対して W&B にアップロードされます。
-
-
-
-
-
- 
-
-
-
-
-
-このW&Bインテグレーションに関する質問や問題がありますか？ [YOLOXリポジトリ](https://github.com/Megvii-BaseDetection/YOLOX)でissueを開いてください。
\ No newline at end of file
diff --git a/ja/guides/weave.mdx b/ja/guides/weave.mdx
deleted file mode 100644
index 5337771866..0000000000
--- a/ja/guides/weave.mdx
+++ /dev/null
@@ -1,28 +0,0 @@
----
-title: W&B Weave
-weight: 4
----
-
-
-
-
-W&B Weave を使用すると、次のことが可能です：
-* 言語モデルの入力、出力、およびトレースをログし、デバッグ
-* 言語モデルのユースケースに対する厳密な、比較可能な評価を構築
-* 実験から評価、プロダクションまでの LLM ワークフローで生成されたすべての情報を整理
-
-
+ 
+ 
+
+"Bring my own API key" を選択し、`Continue` ボタンをクリックします。
+
+
+
+以下の値を指定し、`
+
+Cline の詳しい使い方については、[Cline Documentation](https://docs.cline.bot) を参照してください。
\ No newline at end of file
diff --git a/ja/inference/ui-guide.mdx b/ja/inference/ui-guide.mdx
index b106682995..bd6ffa4fc7 100644
--- a/ja/inference/ui-guide.mdx
+++ b/ja/inference/ui-guide.mdx
@@ -1,94 +1,115 @@
---
-title: UI ガイド
-description: Web インターフェースから W&B Inference Models にアクセスする
+title: "UI ガイド"
+description: >
+ Web インターフェースから W&B Inference モデルを利用する
---
-Web UI を通じて W&B Inference サービスを使用する方法について説明します。UI を使用する前に、[前提条件](/inference/prerequisites/) を完了してください。
+Web UI を使用して W&B Inference サービスを利用する方法について説明します。Web UI を使用する前に、[事前準備](/ja/inference/prerequisites/) を完了してください。
-## Inference サービスへのアクセス
+
+ 
+ 
+ 
-
-3. **Jobs** ページには、以前に実行されたW&B runsから作成されたW&Bローンチジョブのリストが表示されます。
-
- 
-
-4. ジョブ名の横にある **Launch** ボタンを選択します。ページの右側にモーダルが表示されます。
-5. **Job version** ドロップダウンから使用するローンチジョブのバージョンを選択します。ローンチジョブは他の [W&B Artifact](/ja/models/artifacts/create-a-new-artifact-version) と同様にバージョン管理されます。ソフトウェアの依存関係やジョブを実行するために使用されるソースコードに変更を加えると、同じローンチジョブの異なるバージョンが作成されます。
-6. **Overrides** セクションで、ローンチジョブに設定された入力の新しい値を提供します。一般的なオーバーライドには、新しいエントリーポイントコマンド、引数、または新しいW&B runの `wandb.config` 内の値が含まれます。
-
- 
-
- **Paste from...** ボタンをクリックして、ローンチジョブで使用された他のW&B runsから値をコピーして貼り付けることができます。
-7. **Queue** ドロップダウンから、ローンチジョブを追加するローンチキューの名前を選択します。
-8. **Job Priority** ドロップダウンを使用して、ローンチジョブの優先度を指定します。ローンチキューが優先度をサポートしていない場合は、ローンチジョブの優先度は「Medium」に設定されます。
-9. **(オプション) この手順は、キュー設定テンプレートがチーム管理者によって作成されている場合にのみ従ってください**
- **Queue Configurations** フィールド内で、チームの管理者によって作成された設定オプションに対する値を提供します。
- 例えば、次の例では、チーム管理者がチームが使用できるAWSインスタンスタイプを設定しました。この場合、チームメンバーは `ml.m4.xlarge` または `ml.p3.xlarge` のいずれかのコンピュートインスタンスタイプを選択してモデルをトレーニングできます。
-
- 
-
-10. **Destination project** を選択して、結果として生成されるrunが表示されるプロジェクトを指定します。このプロジェクトは、キューと同じエンティティに属している必要があります。
-11. **Launch now** ボタンを選択します。
-
-
\ No newline at end of file
diff --git a/ja/launch/create-and-deploy-jobs/launch-queue-observability.mdx b/ja/launch/create-and-deploy-jobs/launch-queue-observability.mdx
deleted file mode 100644
index 2f144f3538..0000000000
--- a/ja/launch/create-and-deploy-jobs/launch-queue-observability.mdx
+++ /dev/null
@@ -1,88 +0,0 @@
----
-title: ローンンチキューを監視する
----
-
-Use the interactive **キュー監視ダッシュボード** を使用して、launch キューが混雑しているかアイドル状態かを表示し、実行中のワークロードを視覚化し、非効率なジョブを見つけます。launch キューのダッシュボードは、計算ハードウェアやクラウドリソースを効果的に使用しているかどうかを判断するのに特に役立ちます。
-
-詳細な分析を行うには、ページから W&B の実験管理ワークスペースや Datadog、NVIDIA Base Command、クラウドコンソールなどの外部インフラストラクチャーモニタリングプロバイダーへのリンクを利用します。
-
-
-
-
-例えば、固定リソース (たとえば、DGX BasePod) を持っているとします。固定リソースを使用しているキューがアイドル状態であることを観察した場合、低優先度の先取可能 launch ジョブ (例えば Sweeps) を実行する機会があるかもしれません。
-
-一方、クラウドリソースを使用しており、定期的な活動の急増を観察した場合、それは特定の時間帯にリソースを予約してお金を節約する機会を示すかもしれません。
-
-プロットの右側には、[launch ジョブのステータス](/ja/launch/create-and-deploy-jobs/launch-view-jobs#check-the-status-of-a-job) を示す色が表示されるキーがあります。
-
-
-
-
-x 軸は指定した時間枠を、y 軸は launch ジョブが launch キュー上にあった時間（秒数）を示します。例えば、ある日に 10 件の launch ジョブがキューに入っていると仮定します。それら 10 件の launch ジョブがそれぞれ平均 60 秒待機する場合、**キュー時間** プロットは 600 秒を表示します。
-
-
-
-
-このプロットは、指定した期間に実行されたジョブの開始と終了を、各 run ごとに異なる色で示しています。これにより、指定した時間にキューがどのワークロードを処理していたかを一目で確認できます。
-
-パネルの右下にある Select ツールを使用して、ジョブをブラシオーバーして下のテーブルに詳細を表示します。
-
-### CPU と GPU の使用
-**ジョブによる GPU の使用**、**ジョブによる CPU の使用**、**ジョブによる GPU メモリ**、**ジョブによるシステムメモリ** を使用して、launch ジョブの効率性を確認します。
-
-
- 
-
-
-例えば、**ジョブによる GPU メモリ** を使用して、W&B run が完了するのに長い時間を要し、CPU コアの使用率が低かったかどうかを確認できます。
-
-各プロットの x 軸は W&B run （launch ジョブによって作成された） の期間を秒単位で示しています。データポイントにマウスを重ねて、W&B run の情報（run ID、run の属するプロジェクト、W&B run を作成した launch ジョブなど）を確認します。
-
-### エラー
-
-**エラーパネル** は、特定の launch キューで発生したエラーを表示します。より具体的には、エラーパネルはエラーが発生したタイムスタンプ、エラーが発生した launch ジョブの名前、および作成されたエラーメッセージを示します。デフォルトでは、エラーは最新のものから古いものの順に並べられます。
-
-
- 
-
-
-**エラーパネル** を使用してユーザーを特定し、ブロックを解除します。
-
-## 外部リンク
-
-キューの可観測性ダッシュボードのビューはすべてのキュータイプで一貫していますが、多くの場合、環境固有のモニタに直接ジャンプすることが有用です。これを達成するために、コンソールからキューの可観測性ダッシュボードに直接リンクを追加します。
-
-ページの下部で `Manage Links` をクリックしてパネルを開きます。必要なページの完全な URL を追加します。次にラベルを追加します。追加したリンクは **External Links** セクションに表示されます。
\ No newline at end of file
diff --git a/ja/launch/create-and-deploy-jobs/launch-view-jobs.mdx b/ja/launch/create-and-deploy-jobs/launch-view-jobs.mdx
deleted file mode 100644
index c06b1d6697..0000000000
--- a/ja/launch/create-and-deploy-jobs/launch-view-jobs.mdx
+++ /dev/null
@@ -1,56 +0,0 @@
----
-title: ローンンチ ジョブを表示する
----
-
-以下のページでは、キューに追加されたローンンチジョブの情報を表示する方法を説明します。
-
-## ジョブの表示
-
-W&B アプリケーションを使用してキューに追加されたジョブを表示します。
-
-1. https://wandb.ai/home にある W&B アプリケーションにアクセスします。
-2. 左側のサイドバーにある **Applications** セクション内の **Launch** を選択します。
-3. **All entities** ドロップダウンを選択し、ローンンチジョブが所属するエンティティを選択します。
-4. Launch Application ページから折りたたみ可能なUIを展開し、その特定のキューに追加されたジョブのリストを表示します。
-
-
-
-
-W&B アプリケーションUI内で、ローンンチジョブから作成されたrunに関する次のような追加情報を見つけることができます：
- - **Run**: そのジョブに割り当てられた W&B run の名前。
- - **Job ID**: ジョブの名前。
- - **Project**: runが所属するプロジェクトの名前。
- - **Status**: キューに入れられたrunのステータス。
- - **Author**: run を作成した W&B エンティティ。
- - **Creation date**: キューが作成されたタイムスタンプ。
- - **Start time**: ジョブが開始されたタイムスタンプ。
- - **Duration**: ジョブのrunを完了するのにかかった時間（秒単位）。
-
-## ジョブのリスト
-プロジェクト内に存在するジョブのリストを W&B CLI を使用して表示します。W&B job list コマンドを使用し、`--project` および `--entity` フラグにローンンチジョブが所属するプロジェクト名とエンティティ名を指定します。
-
-```bash
-wandb job list --entity your-entity --project project-name
-```
-
-## ジョブのステータスを確認する
-
-次の表は、キューに入れられたrunが持つ可能性のあるステータスを定義しています：
-
-| ステータス | 説明 |
-| --- | --- |
-| **Idle** | runはアクティブなエージェントのないキューにあります。 |
-| **Queued** | runはエージェントが処理するのを待っているキューにあります。 |
-| **Pending** | run はエージェントによって取得されましたが、まだ開始されていません。これはクラスターでリソースが利用できないことが原因である可能性があります。 |
-| **Running** | run は現在実行中です。 |
-| **Killed** | ジョブはユーザーによって終了されました。 |
-| **Crashed** | run はデータの送信を停止したか、正常に開始しませんでした。 |
-| **Failed** | run は非ゼロの終了コードで終了したか、run の開始に失敗しました。 |
-| **Finished** | ジョブは正常に完了しました。 |
\ No newline at end of file
diff --git a/ja/launch/integration-guides/_index.mdx b/ja/launch/integration-guides/_index.mdx
deleted file mode 100644
index dc95a2d434..0000000000
--- a/ja/launch/integration-guides/_index.mdx
+++ /dev/null
@@ -1,4 +0,0 @@
----
-title: ローンンチ インテグレーション ガイド
----
-
diff --git a/ja/launch/integration-guides/dagster.mdx b/ja/launch/integration-guides/dagster.mdx
deleted file mode 100644
index 0dd1d903e2..0000000000
--- a/ja/launch/integration-guides/dagster.mdx
+++ /dev/null
@@ -1,986 +0,0 @@
----
-title: Dagster
-description: W&B を Dagster と統合するためのガイド。
----
-
-Dagster と W&B (W&B) を使用して MLOps パイプラインを調整し、ML アセットを維持します。W&B とのインテグレーションにより、Dagster 内で以下が簡単になります：
-
-* [W&B Artifacts](/ja/models/artifacts/) の使用と作成。
-* [W&B Registry](/ja/models/core/registry/) で Registered Models の使用と作成。
-* [W&B Launch](/ja/launch/) を使用して専用のコンピュートでトレーニングジョブを実行します。
-* ops とアセットで [wandb](/ja/models/ref/python/) クライアントを使用します。
-
-W&B Dagster インテグレーションは W&B 専用の Dagster リソースと IO マネージャーを提供します：
-
-* `wandb_resource`: W&B API への認証と通信に使用される Dagster リソース。
-* `wandb_artifacts_io_manager`: W&B Artifacts を処理するために使用される Dagster IO マネージャー。
-
-以下のガイドでは、Dagster で W&B を使用するための前提条件の満たし方、ops とアセットで W&B Artifacts を作成して使用する方法、W&B Launch の利用方法、そして推奨されるベストプラクティスについて説明します。
-
-## 始める前に
-Dagster を Weights and Biases 内で使用するためには、以下のリソースが必要です：
-1. **W&B API Key**。
-2. **W&B entity (ユーザーまたはチーム)**: Entity は W&B Runs と Artifacts を送信する場所のユーザー名またはチーム名です。Runs をログに記録する前に、W&B App の UI でアカウントまたはチームエンティティを作成しておいてください。エンティティを指定しない場合、その run はデフォルトのエンティティに送信されます。通常、これはあなたのユーザー名です。設定の「Project Defaults」内でデフォルトのエンティティを変更できます。
-3. **W&B project**: [W&B Runs](/ja/models/runs/) が保存されるプロジェクトの名前。
-
-W&B entity は、W&B App のそのユーザーまたはチームページのプロフィールページをチェックすることで見つけられます。既存の W&B project を使用するか、新しいものを作成することができます。新しいプロジェクトは、W&B App のホームページまたはユーザー/チームのプロフィールページで作成できます。プロジェクトが存在しない場合は、初回使用時に自動的に作成されます。以下の手順は API キーを取得する方法を示しています：
-
-### APIキーの取得方法
-1. [W&B にログインします](https://wandb.ai/login)。注：W&B サーバーを使用している場合は、管理者にインスタンスのホスト名を尋ねてください。
-2. [認証ページ](https://wandb.ai/authorize) またはユーザー/チーム設定で APIキーを集めます。プロダクション環境では、そのキーを所有するために [サービスアカウント](/ja/models/support/service_account_useful) を使用することをお勧めします。
-3. その APIキー用に環境変数を設定します。`WANDB_API_KEY=YOUR_KEY` をエクスポートします。
-
-以下の例は、Dagster コード内で API キーを指定する場所を示しています。`wandb_config` のネストされた辞書内でエンティティとプロジェクト名を必ず指定してください。異なる W&B Project を使用したい場合は、異なる `wandb_config` の値を異なる ops/assets に渡すことができます。渡すことができる可能性のあるキーについての詳細は、以下の設定セクションを参照してください。
-
-
-
-
-以下の画像は、与えられた設定が W&B アーティファクト上の有用なメタデータでどのように充実されたかを示しています。この情報は、再現性とメンテナンスに役立ちます。インテグレーションがなければ利用できませんでした。
-
-
- 
-
-
- 
-
-
- 
-
-
-
-
-
-
-
-シンプルな例
-```python
-# これを config.yaml に追加します
-# 代わりに、Dagit's Launchpad または JobDefinition.execute_in_process で設定することもできます
-# 参考: https://docs.dagster.io/concepts/configuration/config-schema#specifying-runtime-configuration
-resources:
- wandb_config:
- config:
- entity: my_entity # これをあなたの W&B entity に置き換えます
- project: my_project # これをあなたの W&B project に置き換えます
-ops:
- run_launch_agent:
- config:
- max_jobs: -1
- queues:
- - my_dagster_queue
-
-from dagster_wandb.launch.ops import run_launch_agent
-from dagster_wandb.resources import wandb_resource
-
-from dagster import job, make_values_resource
-
-@job(
- resource_defs={
- "wandb_config": make_values_resource(
- entity=str,
- project=str,
- ),
- "wandb_resource": wandb_resource.configured(
- {"api_key": {"env": "WANDB_API_KEY"}}
- ),
- },
-)
-def run_launch_agent_example():
- run_launch_agent()
-```
-
-### Launch ジョブ
-インテグレーションには `run_launch_job` というインポート可能な `@op` が提供されます。この `@op` はあなたの Launch ジョブを実行します。
-
-Launch ジョブは実行されるためにキューに割り当てられます。キューを作成するか、デフォルトのものを使用することができます。キューを監視する有効なエージェントがあることを確認します。あなたの Dagster インスタンス内でエージェントを実行するだけでなく、Kubernetes でデプロイ可能なエージェントを使用することも考慮に入れることができます。
-
-設定については、[リファレンスドキュメント](/ja/launch/) を参照してください。
-
-Launchpad では、すべてのプロパティに対する有用な説明も見ることができます。
-
-
- 
-
-
-シンプルな例
-```python
-# これを config.yaml に追加します
-# 代わりに、Dagit's Launchpad または JobDefinition.execute_in_process で設定することもできます
-# 参考: https://docs.dagster.io/concepts/configuration/config-schema#specifying-runtime-configuration
-resources:
- wandb_config:
- config:
- entity: my_entity # これをあなたの W&B entity に置き換えます
- project: my_project # これをあなたの W&B project に置き換えます
-ops:
- my_launched_job:
- config:
- entry_point:
- - python
- - train.py
- queue: my_dagster_queue
- uri: https://github.com/wandb/example-dagster-integration-with-launch
-
-from dagster_wandb.launch.ops import run_launch_job
-from dagster_wandb.resources import wandb_resource
-
-from dagster import job, make_values_resource
-
-@job(resource_defs={
- "wandb_config": make_values_resource(
- entity=str,
- project=str,
- ),
- "wandb_resource": wandb_resource.configured(
- {"api_key": {"env": "WANDB_API_KEY"}}
- ),
- },
-)
-def run_launch_job_example():
- run_launch_job.alias("my_launched_job")() # 私たちはエイリアスを使ってジョブの名前を変更します。
-```
-
-## ベストプラクティス
-
-1. IO マネージャーを使用して Artifacts を読み書きします。
-[`Artifact.download()`](/ja/models/ref/python/artifact#download) や [`Run.log_artifact()`](/ja/models/ref/python/run#log_artifact) を直接使用する必要はありません。これらのメソッドはインテグレーションによって処理されます。Artifacts に保存したいデータを単に返し、インテグレーションに任せてください。これにより W&B での Artifact リネージが改善されます。
-
-2. 複雑なユースケースのためにのみ Artifact オブジェクトを自分で構築します。
-Python オブジェクトと W&B オブジェクトを ops/assets から返すべきです。インテグレーションは Artifact のバンドルを扱います。
-複雑なユースケースに対しては、Dagster ジョブ内で直接 Artifact を構築できます。インテグレーション名とバージョン、使用された Python バージョン、ピクルスプロトコルバージョンなどのメタデータ拡充のために、インテグレーションに Artifact を渡すことをお勧めします。
-
-3. メタデータを介してアーティファクトにファイル、ディレクトリ、外部リファレンスを追加します。
-インテグレーション `wandb_artifact_configuration` オブジェクトを使用して、任意のファイル、ディレクトリ、外部リファレンス（Amazon S3、GCS、HTTP…）を追加します。詳細については [Artifact 設定セクション](#configuration-1) の高度ない例を参照してください。
-
-4. アーティファクトが生成される場合は、@op より @asset を使用してください。
-Artifacts はなんらかのアセットです。Dagster がそのアセットを管理する場合は、アセットを使用することをお勧めします。これにより、Dagit Asset Catalog の可観測性が向上します。
-
-5. Dagster 外部で作成されたアーティファクトを読み取るために SourceAsset を使用してください。
-これにより、インテグレーションを活用して外部で作成されたアーティファクトを読むことができます。それ以外の場合、インテグレーションで作成されたアーティファクトのみを使用できます。
-
-6. 大規模なモデルのための専用コンピュートでのトレーニングを調整するために W&B Launch を使用してください。
-小さなモデルは Dagster クラスター内でトレーニングできますし、GPU ノードを持つ Kubernetes クラスターで Dagster を実行することもできます。W&B Launch を使用して大規模なモデルのトレーニングを行うことをお勧めします。これによりインスタンスの負荷が軽減され、より適切なコンピュートへのアクセスが得られます。
-
-7. Dagster 内で実験管理を行う際は、W&B Run ID を Dagster Run ID の値に設定してください。
-[Run を再開可能にする](/ja/models/runs/resuming) ことと、W&B Run ID を Dagster Run ID またはお好みの文字列に設定することの両方をお勧めします。この推奨事項に従うことで、Dagster 内でモデルをトレーニングする際に W&B メトリクスと W&B Artifacts がすべて同じ W&B Run に格納されていることが保証されます。
-
-W&B Run ID を Dagster Run ID に設定するか、
-
-```python
-wandb.init(
- id=context.run_id,
- resume="allow",
- ...
-)
-```
-
-独自の W&B Run ID を選び、それを IO マネージャー設定に渡します。
-
-```python
-wandb.init(
- id="my_resumable_run_id",
- resume="allow",
- ...
-)
-
-@job(
- resource_defs={
- "io_manager": wandb_artifacts_io_manager.configured(
- {"wandb_run_id": "my_resumable_run_id"}
- ),
- }
-)
-```
-
-8. 大きな W&B Artifacts のために必要なデータだけを get や get_path で収集します。
-デフォルトでインテグレーションはアーティファクト全体をダウンロードします。非常に大きなアーティファクトを使用している場合は、特定のファイルやオブジェクトだけを収集することをお勧めします。これにより速度が向上し、リソースの利用が向上します。
-
-9. Python オブジェクトに対してユースケースに合わせてピクルスモジュールを適応させます。
-デフォルトで W&Bインテグレーションは標準の [pickle](https://docs.python.org/3/library/pickle.html) モジュールを使用します。しかし、一部のオブジェクトはこれと互換性がありません。例えば、yield を持つ関数はシリアライズしようとするとエラーを発生します。W&B は他のピクルスベースのシリアライズモジュール([dill](https://github.com/uqfoundation/dill), [cloudpickle](https://github.com/cloudpipe/cloudpickle), [joblib](https://github.com/joblib/joblib)) をサポートしています。
-
-また、[ONNX](https://onnx.ai/) や [PMML](https://en.wikipedia.org/wiki/Predictive_Model_Markup_Language) など、より高度なシリアライズによってシリアライズされた文字列を返すか、直接 Artifact を作成することもできます。適切な選択はユースケースに依存します。このテーマに関しては、利用可能な文献を参考にしてください。
\ No newline at end of file
diff --git a/ja/launch/integration-guides/minikube_gpu.mdx b/ja/launch/integration-guides/minikube_gpu.mdx
deleted file mode 100644
index 85a3f13540..0000000000
--- a/ja/launch/integration-guides/minikube_gpu.mdx
+++ /dev/null
@@ -1,354 +0,0 @@
----
-title: Minikube でシングルノード GPU クラスターを起動する
----
-
-W&B LaunchをMinikubeクラスターにセットアップし、GPU のワークロードをスケジュールして実行できるようにします。
-
-
-
-
-7. **Create queue** をクリックしてキューを作成します。新しいキューのキューページにリダイレクトされます。
-
-次のセクションでは、作成したキューからジョブをプルして実行できるエージェントをセットアップします。
-
-## Docker ＋ NVIDIA CTKのセットアップ
-
-既にマシンでDockerとNvidiaコンテナツールキットを設定している場合は、このセクションをスキップできます。
-
-[Dockerのドキュメント](https://docs.docker.com/engine/install/)を参照して、システム上でのDockerコンテナエンジンのセットアップ手順を確認してください。
-
-Dockerがインストールされたら、その後にNvidiaコンテナツールキットを[Nvidiaのドキュメント](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html) に従ってインストールします。
-
-コンテナランタイムがGPUにアクセスできることを確認するには、次を実行します：
-
-```bash
-docker run --gpus all ubuntu nvidia-smi
-```
-
-マシンに接続されているGPUを記述する `nvidia-smi` の出力が表示されるはずです。たとえば、私たちのセットアップでは、出力は次のようになります：
-
-```
-Wed Nov 8 23:25:53 2023
-+-----------------------------------------------------------------------------+
-| NVIDIA-SMI 525.105.17 Driver Version: 525.105.17 CUDA Version: 12.0 |
-|-------------------------------+----------------------+----------------------+
-| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
-| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
-| | | MIG M. |
-|===============================+======================+======================|
-| 0 Tesla T4 Off | 00000000:00:04.0 Off | 0 |
-| N/A 38C P8 9W / 70W | 2MiB / 15360MiB | 0% Default |
-| | | N/A |
-+-------------------------------+----------------------+----------------------+
-| 1 Tesla T4 Off | 00000000:00:05.0 Off | 0 |
-| N/A 38C P8 9W / 70W | 2MiB / 15360MiB | 0% Default |
-| | | N/A |
-+-------------------------------+----------------------+----------------------+
-| 2 Tesla T4 Off | 00000000:00:06.0 Off | 0 |
-| N/A 40C P8 9W / 70W | 2MiB / 15360MiB | 0% Default |
-| | | N/A |
-+-------------------------------+----------------------+----------------------+
-| 3 Tesla T4 Off | 00000000:00:07.0 Off | 0 |
-| N/A 39C P8 9W / 70W | 2MiB / 15360MiB | 0% Default |
-| | | N/A |
-+-------------------------------+----------------------+----------------------+
-
-+-----------------------------------------------------------------------------+
-| Processes: |
-| GPU GI CI PID Type Process name GPU Memory |
-| ID ID Usage |
-|=============================================================================|
-| No running processes found |
-+-----------------------------------------------------------------------------+
-```
-
-## Minikubeの設定
-
-MinikubeのGPUサポートにはバージョン`v1.32.0`以上が必要です。[Minikubeのインストールドキュメント](https://minikube.sigs.k8s.io/docs/start/) を参照して、最新のインストール方法を確認してください。このチュートリアルでは、次のコマンドを使用して最新のMinikubeリリースをインストールしました：
-
-```yaml
-curl -LO https://storage.googleapis.com/minikube/releases/latest/minikube-linux-amd64
-sudo install minikube-linux-amd64 /usr/local/bin/minikube
-```
-
-次のステップは、GPUを使用してminikubeクラスターを開始することです。マシン上で以下を実行します：
-
-```yaml
-minikube start --gpus all
-```
-
-上記のコマンドの出力は、クラスターが正常に作成されたかどうかを示します。
-
-## launch エージェントを開始
-
-新しいクラスター向けのlaunchエージェントは、`wandb launch-agent`を直接呼び出すか、[W&Bによって管理されるHelmチャート](https://github.com/wandb/helm-charts/tree/main/charts/launch-agent)を使用してlaunchエージェントをデプロイすることによって開始されます。
-
-このチュートリアルでは、エージェントをホストマシンで直接実行します。
-
-
-
\ No newline at end of file
diff --git a/ja/launch/integration-guides/nim.mdx b/ja/launch/integration-guides/nim.mdx
deleted file mode 100644
index ba02d598b2..0000000000
--- a/ja/launch/integration-guides/nim.mdx
+++ /dev/null
@@ -1,80 +0,0 @@
----
-title: NVIDIA NeMo 推論マイクロサービスデプロイジョブ
----
-
-モデルアーティファクトを W&B から NVIDIA NeMo Inference Microservice にデプロイします。これを行うには、W&B Launch を使用します。W&B Launch はモデルアーティファクトを NVIDIA NeMo Model に変換し、稼働中の NIM/Triton サーバーにデプロイします。
-
-W&B Launch は現在、以下の互換性のあるモデルタイプを受け入れています:
-
-1. [Llama2](https://llama.meta.com/llama2/)
-2. [StarCoder](https://github.com/bigcode-project/starcoder)
-3. NV-GPT (近日公開)
-
-
-
-
-2. プロジェクトにこのジョブを作成します:
-
- ```bash
- wandb job create -n "deploy-to-nvidia-nemo-inference-microservice" \
- -e $ENTITY \
- -p $PROJECT \
- -E jobs/deploy_to_nvidia_nemo_inference_microservice/job.py \
- -g andrew/nim-updates \
- git https://github.com/wandb/launch-jobs
- ```
-
-3. GPU マシンでエージェントを起動します:
- ```bash
- wandb launch-agent -e $ENTITY -p $PROJECT -q $QUEUE
- ```
-4. 希望する設定でデプロイメントローンチジョブを [Launch UI](https://wandb.ai/launch) から送信します。
- 1. CLI から送信することもできます:
- ```bash
- wandb launch -d gcr.io/playground-111/deploy-to-nemo:latest \
- -e $ENTITY \
- -p $PROJECT \
- -q $QUEUE \
- -c $CONFIG_JSON_FNAME
- ```
-
- 
-
-5. Launch UI でデプロイメントプロセスを追跡できます。
-
- 
-
-6. 完了すると、すぐにエンドポイントに curl してモデルをテストできます。モデル名は常に `ensemble` です。
- ```bash
- #!/bin/bash
- curl -X POST "http://0.0.0.0:9999/v1/completions" \
- -H "accept: application/json" \
- -H "Content-Type: application/json" \
- -d '{
- "model": "ensemble",
- "prompt": "Tell me a joke",
- "max_tokens": 256,
- "temperature": 0.5,
- "n": 1,
- "stream": false,
- "stop": "string",
- "frequency_penalty": 0.0
- }'
- ```
\ No newline at end of file
diff --git a/ja/launch/integration-guides/volcano.mdx b/ja/launch/integration-guides/volcano.mdx
deleted file mode 100644
index b23dc5341d..0000000000
--- a/ja/launch/integration-guides/volcano.mdx
+++ /dev/null
@@ -1,181 +0,0 @@
----
-title: Volcano でマルチノードジョブをローンチする
----
-
-このチュートリアルでは、Kubernetes上でW&BとVolcanoを使用してマルチノードトレーニングのジョブをローンチするプロセスを説明します。
-
-## 概要
-
-このチュートリアルでは、W&B Launchを使用してKubernetes上でマルチノードジョブを実行する方法を学びます。私たちが従うステップは以下の通りです：
-
-- Weights & BiasesのアカウントとKubernetesクラスターを確認する。
-- Volcanoジョブ用のローンチキューを作成する。
-- KubernetesクラスターにLaunchエージェントをデプロイする。
-- 分散トレーニングジョブを作成する。
-- 分散トレーニングをローンチする。
-
-## 必要条件
-
-開始する前に必要なもの：
-
-- Weights & Biasesアカウント
-- Kubernetesクラスター
-
-## ローンチキューを作成する
-
-最初のステップはローンチキューを作成することです。[wandb.ai/launch](https://wandb.ai/launch)にアクセスし、画面の右上隅にある青い**Create a queue**ボタンを押します。右側からキュー作成ドロワーがスライドアウトします。エンティティを選択し、名前を入力し、キューのタイプとして**Kubernetes**を選択します。
-
-設定セクションで、[volcanoのジョブ](https://volcano.sh/en/docs/vcjob/)のテンプレートを入力します。このキューからローンチされたすべてのrunはこのジョブ仕様を使用して作成されるため、ジョブをカスタマイズしたい場合はこの設定を変更できます。
-
-この設定ブロックには、Kubernetesジョブ仕様、volcanoジョブ仕様、または他のカスタムリソース定義（CRD）をローンチするために使用することができます。[設定ブロック内のマクロ](/ja/launch/set-up-launch/)を利用して、この仕様の内容を動的に設定することができます。
-
-このチュートリアルでは、[volcanoのpytorchプラグイン](https://github.com/volcano-sh/volcano/blob/master/docs/user-guide/how_to_use_pytorch_plugin)を利用したマルチノードpytorchトレーニングの設定を使用します。以下の設定をYAMLまたはJSONとしてコピーして貼り付けることができます：
-
-
-
-
-1. ジョブのパラメータを好きなように設定し、
-2. 先ほど作成したキューを選択します。
-3. **Resource config**セクションでVolcanoジョブを変更してジョブのパラメータを変更します。例えば、`worker`タスクの`replicas`フィールドを変更することによってワーカーの数を変更できます。
-4. **Launch**をクリック 🚀
-
-W&B UIからジョブの進捗をモニターし、必要に応じてジョブを停止できます。
\ No newline at end of file
diff --git a/ja/launch/launch-faq/_index.mdx b/ja/launch/launch-faq/_index.mdx
deleted file mode 100644
index f5bb7bad4c..0000000000
--- a/ja/launch/launch-faq/_index.mdx
+++ /dev/null
@@ -1,5 +0,0 @@
----
-title: Launch FAQ
-toc_hide: false
----
-
diff --git a/ja/launch/launch-faq/best_practices_launch_effectively.mdx b/ja/launch/launch-faq/best_practices_launch_effectively.mdx
deleted file mode 100644
index ee33f1dfac..0000000000
--- a/ja/launch/launch-faq/best_practices_launch_effectively.mdx
+++ /dev/null
@@ -1,9 +0,0 @@
----
-title: ローンチを効果的に使用するためのベストプラクティスはありますか？
----
-
-1. エージェントを起動する前にキューを作成し、簡単に設定を可能にします。これを行わないと、キューが追加されるまでエージェントが正しく動作しないエラーが発生します。
-
-2. W&B のサービスアカウントを作成してエージェントを起動し、個別のユーザーアカウントにリンクされていないことを確認します。
-
-3. `wandb.config` を使用してハイパーパラメーターを管理し、ジョブ再実行時に上書きできるようにします。argparse の使用方法については、[このガイド](/ja/models/track/config#argparse-で設定を行う)を参照してください。
diff --git a/ja/launch/launch-faq/build_container_launch.mdx b/ja/launch/launch-faq/build_container_launch.mdx
deleted file mode 100644
index 356a942fff..0000000000
--- a/ja/launch/launch-faq/build_container_launch.mdx
+++ /dev/null
@@ -1,17 +0,0 @@
----
-title: 私が W&B にコンテナを作成してほしくない場合でも、Launch を使用できますか？
----
-
-事前に構築された Docker イメージを起動するには、以下のコマンドを実行してください。`<>` 内のプレースホルダーを具体的な情報に置き換えてください：
-
-```bash
-wandb launch -d 
-
-
-3. **Entity** のドロップダウンメニューから、そのキューが所属する エンティティ を選択します。
-4. **Queue** フィールドにキューの名前を入力します。
-5. **Resource** のドロップダウンから、ジョブをこのキューに追加する際に使用する計算リソースを選択します。
-6. このキューの**Prioritization**を許可するかどうかを選択します。優先度が有効になっている場合、チームのユーザーは起動ジョブをエンキューする際にその優先度を定義できます。優先度が高いジョブは、優先度が低いジョブより先に実行されます。
-7. **Configuration** フィールドに、JSON または YAML 形式でリソース設定を提供します。設定ドキュメントの構造とセマンティクスは、キューが指すリソースタイプに依存します。詳細については、対象リソースに関する専用の設定ページを参照してください。
-
-## ローンチエージェントのセットアップ
-ローンチエージェントは、ジョブのための1つ以上のローンチキューをポールする長時間実行されるプロセスです。ローンチエージェントは、FIFO 順序または優先順序でジョブをデキューし、ポールするキューに依存します。エージェントがキューからジョブをデキューすると、そのジョブのためにイメージをオプションでビルドします。その後、エージェントはジョブをキュー設定で指定された設定オプションとともに対象リソースに送信します。
-
-
-
-
-## ローンチジョブを動的に設定する
-キュー設定は、エージェントがキューからジョブをデキューするときに評価されるマクロを使用して動的に設定できます。以下のマクロを設定できます：
-
-| マクロ | 説明 |
-|-------------------|-------------------------------------------------------|
-| `${project_name}` | run がローンチされるプロジェクトの名前。 |
-| `${entity_name}` | run がローンチされるプロジェクトの所有者。 |
-| `${run_id}` | ローンチされる run の ID。 |
-| `${run_name}` | ローンチされる run の名前。 |
-| `${image_uri}` | この run のコンテナイメージの URI。 |
-
-
-
-
-
-
-ユースケースに基づいて、あなた自身またはチームの誰かが選択した [compute resource target](/ja/launch/launch-terminology#target-resources)（たとえば、Amazon SageMaker）に従って Launch Queue を設定し、独自のインフラストラクチャーに Launch エージェントをデプロイします。
-
-Launch Jobs、キューの仕組み、Launch エージェント、および W&B Launch の動作に関する追加情報については、[Terms and Concepts](/ja/launch/launch-terminology) ページを参照してください。
-
-## 開始方法
-
-ユースケースに応じて、W&B Launch を始めるために次のリソースを確認してください。
-
-* 初めて W&B Launch を使用する場合は、[Walkthrough](#walkthrough) ガイドを閲覧することをお勧めします。
-* [W&B Launch](/ja/launch/set-up-launch/) の設定方法を学びます。
-* [Launch Job](/ja/launch/create-and-deploy-jobs/create-launch-job) を作成します。
-* Triton へのデプロイや LLM の評価などの一般的なタスクのテンプレートについては、W&B Launch の[公開ジョブ GitHub リポジトリ](https://github.com/wandb/launch-jobs) をチェックしてください。
- * このリポジトリから作成された Launch Job は、この公開された [`wandb/jobs` project](https://wandb.ai/wandb/jobs/jobs) W&B プロジェクトで閲覧できます。
-
-## Walkthrough
-
-このページでは、W&B Launch ワークフローの基本を案内します。
-
-
-
-
-高度なキューの設定オプションについては、[advanced queue setup ページ](/ja/launch/set-up-launch/setup-queue-advanced) を参照してください。
-
-## Connect an agent to the queue
-
-キューにポーリング エージェントがない場合、キュー ビューには画面上部の赤いバナーに **Add an agent** ボタンが表示されます。ボタンをクリックしてコマンドをコピーし、エージェントを実行します。コマンドは次のようになります。
-
-```bash
-wandb launch-agent --queue 
+
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
-
+ 
-
+ [レポートの例を見る](https://wandb.ai/wandb/plots/reports/Custom-Line-Plots--VmlldzoyNjk5NTA) または [Google Colab ノートブックの例を試す](https://tiny.cc/custom-charts)。
+ 
-
+ 任意の x 軸と y 軸上の点 (x, y) のリストから構成されるカスタム散布図をログします。
- [Reports の例を見る](https://wandb.ai/wandb/plots/reports/Custom-Bar-Charts--VmlldzoyNzExNzk) または [Google Colabノートブックの例を試す](https://tiny.cc/custom-charts)。
-
-
+ 
-
+ 値のリストを出現回数 (頻度) ごとにビン分けしたカスタムヒストグラムを、わずか数行でネイティブにログできます。たとえば、予測の確信度スコアのリスト (`scores`) があり、その分布を可視化したいとします。
+ ```python
+ with wandb.init() as run:
+ data = [[s] for s in scores]
+ table = wandb.Table(data=data, columns=["scores"])
+ run.log({"my_histogram": wandb.plot.histogram(table, "scores", title=None)})
+ ```
- [Reports の例を見る](https://wandb.ai/wandb/plots/reports/Plot-Precision-Recall-Curves--VmlldzoyNjk1ODY) または [Google Colabノートブックの例を試す](https://colab.research.google.com/drive/1mS8ogA3LcZWOXchfJoMrboW3opY1A8BY?usp=sharing)。
-
-
+ あなたのコードが次の情報にアクセスできるときはいつでも、これをログできます:
+
+ * 一連のサンプルに対する モデルの予測スコア (`predictions`)
+ * それらのサンプルに対応する正解ラベル (`ground_truth`)
+ * (任意) ラベルインデックス 0 が cat、1 が dog、2 が bird などを意味する場合の、ラベル／クラス名のリスト (`labels=["cat", "dog", "bird"...]`)
+ * (任意) プロットで可視化したいラベルのサブセット (リスト形式のまま)
+
+
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
| **Automated workspaces** は、プロジェクトでログ記録されたすべてのキーに対してパネルを自動的に生成します。次のような場合に自動 Workspace を選択してください：
| **Manual workspaces** は白紙の状態から始まり、ユーザーが意図的に追加したパネルのみを表示します。次のような場合に手動 Workspace を選択してください：
-
-1. フルスクリーンモードで表示中に [パネルを共有](#パネルを共有する) すると、生成されたリンクは自動的にフルスクリーンモードで開きます。
+パネルを全画面モードで表示するには、次の手順に従います。
-フルスクリーンモードからパネルの Workspace に戻るには、ページ上部の左向き矢印をクリックします。フルスクリーンモードを終了せずにセクション内のパネル間を移動するには、パネルの下にある **Previous** および **Next** ボタン、または左右の矢印キーを使用します。
+1. パネルの上にカーソルを合わせます。
+2. パネルのアクションメニュー `...` をクリックし、続いて全画面表示ボタンをクリックします。全画面表示ボタンは、ビューファインダー、または正方形の四隅を示すアウトラインのようなアイコンです。
+
+ 
-
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
-
-
- いずれかの色をクリックすると、カラーパレットが表示され、そこから希望の色を手動で選択できます。
-
-
- 
-
-
-
-
+ 
+ 
+ 
+ 
+
+* **Area plot**
+
+ 
+
+* **Percentage area plot:**
+
+ 
+
+
+**Data** タブでチャートの種類を設定します。[](/ja/models/app/features/panels/line-plot#individual-line-plot) を参照してください。
-グラフのスタイルを選択します：
-- **Line plot**
-
- 
-
+
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
-
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
-
+ 
-[Embeddings](https://developers.google.com/machine-learning/crash-course/embeddings/video-lecture) は、オブジェクト（人、画像、投稿、単語など）を数値のリスト（ _ベクトル_ と呼ばれることもあります）で表現するために使用されます。機械学習やデータサイエンスのユースケースでは、さまざまなアプリケーションにわたって多様なアプローチで embeddings を生成できます。このページでは、読者が embeddings に精通しており、W&B 内でそれらを視覚的に分析することに関心があることを前提としています。
+[埋め込み (Embeddings)](https://developers.google.com/machine-learning/crash-course/embeddings/video-lecture) は、オブジェクト（人物、画像、投稿、単語など）を数値のリストで表現する手法です。この数値のリストは、_ベクトル_ と呼ばれることもあります。機械学習やデータサイエンスでは、多様なアプリケーションに対して、さまざまな手法で埋め込みを生成します。このページでは、読者が埋め込みについてすでに理解しており、それらを W&B 内で視覚的に分析することに関心があることを前提としています。
-## Embedding の例
+
+ 
+ 
+ 
-
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
+ 
-
-
+ 
-
-
-
-
+
+2. 基本設定または詳細設定のコントロールを使用してオートメーションを設定します。たとえば、run フィルターを適用してオートメーションの適用範囲を制限したり、絶対しきい値を設定したりします。
-1. パネルの上にカーソルを置き、パネル上部にあるベルのアイコンをクリックします。
+詳細については、次を参照してください。
-
- 
-
-6. **Test webhook** をクリックします。W&B App UI 内に、エンドポイントからのレスポンスが投稿されます。
-
- 
-
-
-デモンストレーションについては、動画 [Testing Webhooks in W&B](https://www.youtube.com/watch?v=bl44fDpMGJw&ab_channel=Weights%26Biases) をご覧ください。
-
-
-
-前の画像は「Model」と「Dataset」のコアレジストリとカスタムレジストリがあるRegistryアプリを示しています。
-
-## 基本を学ぶ
-
-各組織には最初にモデルとデータセットのアーティファクトを整理するための**Models**と**Datasets**と呼ばれる2つのレジストリが含まれています。組織のニーズに基づいて、[他のアーティファクトタイプを整理するための追加のレジストリを作成する](/ja/models/core/registry/registry_types/)ことができます。
-
-[レジストリ](/ja/models/core/registry/configure_registry/)は1つ以上の[コレクション](/ja/models/core/registry/create_collection/)で構成されています。各コレクションは、異なるタスクまたはユースケースを表しています。
-
-
- 
-
-
-レジストリにアーティファクトを追加するには、最初に[特定のアーティファクトバージョンをW&Bにログ](/ja/models/artifacts/create-a-new-artifact-version/)します。アーティファクトをログすると、W&Bは自動的にそのアーティファクトにバージョンを割り当てます。アーティファクトバージョンは0から始まり、最初のバージョンは`v0`、2番目は`v1`というように続きます。
-
-アーティファクトをW&Bにログしたら、その特定のアーティファクトバージョンをレジストリ内のコレクションにリンクできます。
-
-
-
-
-
-
-[レジストリでのユーザーロール設定](/ja/models/core/registry/configure_registry/#configure-registry-roles)や[レジストリロールの権限](/ja/models/core/registry/configure_registry/#registry-role-permissions)についての詳細をご覧ください。
-
-### ユーザーまたはチームの削除
-
-レジストリ管理者は、個々のユーザーまたはチーム全体をレジストリから削除できます。ユーザーまたはチームをレジストリから削除するには、次の手順を実行します。
-
-1. https://wandb.ai/registry/ に移動します。
-2. ユーザーを削除したいレジストリを選択します。
-3. 右上隅のギアアイコンをクリックして、レジストリの設定にアクセスします。
-4. **Registry access** セクションに移動し、削除したいユーザー名、メールアドレス、またはチームを入力します。
-5. **Delete** ボタンをクリックします。
-
-
-
-
-## レジストリロールの設定
-
-1. https://wandb.ai/registry/ に移動します。
-2. 設定したいレジストリを選択します。
-3. 右上隅のギアアイコンをクリックします。
-4. **Registry members and roles** セクションまでスクロールします。
-5. **Member** フィールド内で、権限を編集したいユーザーまたはチームを検索します。
-6. **Registry role** 列でユーザーのロールをクリックします。
-7. ドロップダウンから、ユーザーに割り当てたいロールを選択します。
\ No newline at end of file
diff --git a/ja/models/core/registry/create_collection.mdx b/ja/models/core/registry/create_collection.mdx
deleted file mode 100644
index d480c90451..0000000000
--- a/ja/models/core/registry/create_collection.mdx
+++ /dev/null
@@ -1,159 +0,0 @@
----
-title: コレクションを作成する
----
-
-A *collection* とは、レジストリ内でリンクされたアーティファクト バージョンのセットです。それぞれのコレクションは、個別のタスクやユースケースを表します。
-
-例えば、コアデータセット レジストリ内に複数のコレクションを持つことができます。それぞれのコレクションには、MNIST、CIFAR-10、ImageNet などの異なるデータセットが含まれます。
-
-別の例として、「chatbot」と呼ばれるレジストリがあり、そこにはモデル アーティファクトのコレクション、データセット アーティファクトのコレクション、およびファインチューンされたモデル アーティファクトのコレクションがあります。
-
-レジストリとそのコレクションの整理方法は、あなた次第です。
-
-
-
-
-例えば、前の図はレジストリ アプリのホームページに複数のレジストリ カードを示しています。**Model**レジストリカード内で、2つのアーティファクトタイプ: **model** と **model-new** を見ることができます。
-
-レジストリの設定ページで受け入れられたアーティファクト タイプを表示するには:
-
-1. 設定を表示するレジストリカードをクリックします。
-2. 右上のギアアイコンをクリックします。
-3. **受け入れられたアーティファクト タイプ** フィールドまでスクロールします。
-
-
\ No newline at end of file
diff --git a/ja/models/core/registry/create_registry.mdx b/ja/models/core/registry/create_registry.mdx
deleted file mode 100644
index 24dc8b76f1..0000000000
--- a/ja/models/core/registry/create_registry.mdx
+++ /dev/null
@@ -1,67 +0,0 @@
----
-title: カスタムレジストリを作成する
----
-
-カスタムレジストリは、使用できるアーティファクトタイプに関して柔軟性とコントロールを提供し、レジストリの公開範囲を制限することができるなどの機能があります。
-
-
-
-
-## 公開範囲タイプ
-
-レジストリの*公開範囲*は、誰がそのレジストリにアクセスできるかを決定します。カスタムレジストリの公開範囲を制限すると、指定されたメンバーのみがそのレジストリにアクセスできるようにするのに役立ちます。
-
-カスタムレジストリには2つの公開範囲オプションがあります:
-
-| 公開範囲 | 説明 |
-| --- | --- |
-| Restricted | 招待された組織メンバーのみがレジストリにアクセスできます。|
-| Organization | 組織内の全員がレジストリにアクセスできます。|
-
-チーム管理者またはレジストリ管理者は、カスタムレジストリの公開範囲を設定できます。
-
-Restricted公開範囲でカスタムレジストリを作成したユーザーは、自動的にそのレジストリの管理者として登録されます。
-
-## カスタムレジストリの公開範囲を設定する
-
-チーム管理者またはレジストリ管理者は、カスタムレジストリの作成時または作成後に公開範囲を設定することができます。
-
-既存のカスタムレジストリの公開範囲を制限するには:
-
-1. https://wandb.ai/registry/ の **Registry** アプリに移動します。
-2. 任意のレジストリを選択します。
-3. 右上隅の歯車アイコンをクリックします。
-4. **Registry visibility** ドロップダウンから、希望するレジストリの公開範囲を選択します。
-5. **Restricted visibility** を選択した場合:
- 1. このレジストリにアクセスを許可したい組織のメンバーを追加します。 **Registry members and roles** セクションまでスクロールし、**Add member** ボタンをクリックします。
- 2. **Member** フィールドに追加したいメンバーのメールまたはユーザー名を入力します。
- 3. **Add new member** をクリックします。
-
-
- 
-
-
-チーム管理者がそれを作成する際に、カスタムレジストリの公開範囲をどのように設定するかに関する詳細は [Create a custom registry](/ja/models/core/registry/create_registry/#create-a-custom-registry) を参照してください。
\ No newline at end of file
diff --git a/ja/models/core/registry/download_use_artifact.mdx b/ja/models/core/registry/download_use_artifact.mdx
deleted file mode 100644
index 8fcf8bf874..0000000000
--- a/ja/models/core/registry/download_use_artifact.mdx
+++ /dev/null
@@ -1,135 +0,0 @@
----
-title: レジストリからアーティファクトをダウンロードする
----
-
-W&B Python SDK を使用して、レジストリにリンクされたアーティファクトをダウンロードします。アーティファクトをダウンロードして使用するには、レジストリ名、コレクション名、およびダウンロードしたいアーティファクトバージョンのエイリアスまたはインデックスを知る必要があります。
-
-アーティファクトのプロパティを知ったら、[リンクされたアーティファクトへのパスを構築](#construct-path-to-linked-artifact)してアーティファクトをダウンロードできます。または、W&B アプリ UI から事前に生成されたコードスニペットを[コピーして貼り付け](#copy-and-paste-pre-generated-code-snippet)することで、レジストリにリンクされたアーティファクトをダウンロードすることもできます。
-
-## リンクされたアーティファクトへのパスを構築
-
-レジストリにリンクされたアーティファクトをダウンロードするには、そのリンクされたアーティファクトのパスを知っている必要があります。パスは、レジストリ名、コレクション名、およびアクセスしたいアーティファクトバージョンのエイリアスまたはインデックスで構成されます。
-
-レジストリ、コレクション、およびアーティファクトバージョンのエイリアスまたはインデックスを手に入れたら、以下の文字列テンプレートを使用してリンクされたアーティファクトへのパスを構築できます。
-
-```python
-# バージョンインデックスを指定したアーティファクト名
-f"wandb-registry-{REGISTRY}/{COLLECTION}:v{INDEX}"
-
-# エイリアスを指定したアーティファクト名
-f"wandb-registry-{REGISTRY}/{COLLECTION}:{ALIAS}"
-```
-
-中括弧 `{}` 内の値を、アクセスしたいレジストリ、コレクション、およびアーティファクトバージョンのエイリアスまたはインデックスの名前で置き換えてください。
-
-
-
\ No newline at end of file
diff --git a/ja/models/core/registry/lineage.mdx b/ja/models/core/registry/lineage.mdx
deleted file mode 100644
index 29594a55aa..0000000000
--- a/ja/models/core/registry/lineage.mdx
+++ /dev/null
@@ -1,83 +0,0 @@
----
-title: リネージ マップを作成および表示する
-description: W&B Registry でリネージ マップを作成する。
----
-
-W&B レジストリ内のコレクションでは、ML 実験が使用するアーティファクトの履歴を確認することができます。この履歴は _リネージグラフ_ と呼ばれます。
-
-
-
-
-左から右に、画像は以下を示しています。
-1. 複数の runs が `split_zoo_dataset:v4` アーティファクトをログします。
-2. "rural-feather-20" run は `split_zoo_dataset:v4` アーティファクトをトレーニング用に使用します。
-3. "rural-feather-20" run の出力は `zoo-ylbchv20:v0` というモデルのアーティファクトです。
-4. "northern-lake-21" という run はモデルを評価するために `zoo-ylbchv20:v0` モデルアーティファクトを使用します。
-
-## run の入力をトラックする
-
-`wandb.init.use_artifact` API を使用して、run の入力または依存関係としてアーティファクトをマークします。
-
-次のコードスニペットは、`use_artifact` の使用方法を示しています。山括弧 (`< >`) で囲まれた値をあなたの値に置き換えてください。
-
-```python
-import wandb
-
-# run を初期化する
-run = wandb.init(project="
-
-
-アーティファクトノードを選択して、そのアーティファクトの詳細（完全な名前、タイプ、作成時間、関連するエイリアスなど）を表示します。
-
-
- 
-
\ No newline at end of file
diff --git a/ja/models/core/registry/link_version.mdx b/ja/models/core/registry/link_version.mdx
deleted file mode 100644
index 60fb91c964..0000000000
--- a/ja/models/core/registry/link_version.mdx
+++ /dev/null
@@ -1,207 +0,0 @@
----
-title: レジストリにアーティファクトバージョンをリンクする
----
-
-リンクアーティファクトのバージョンをコレクションに追加して、組織内の他のメンバーがアクセスできるようにします。
-
-アーティファクトをレジストリにリンクすると、そのアーティファクトがそのレジストリに「公開」されます。 レジストリにアクセスできるユーザーは、コレクション内のリンクされたアーティファクトのバージョンにアクセスできます。
-
-言い換えれば、アーティファクトをレジストリコレクションにリンクすることによって、アーティファクトのバージョンはプライベートなプロジェクトレベルのスコープから、共有される組織レベルのスコープになります。
-
-
-
-2. アーティファクトバージョンをリンクするコレクションの名前の隣にマウスをホバーさせます。
-3. **詳細を表示**の隣にあるミートボールメニューアイコン（三つの横に並んだ点）を選択します。
-4. ドロップダウンから、**新しいバージョンをリンク**を選択します。
-5. サイドバーから、**Team** ドロップダウンからチームの名前を選択します。
-5. **Project** ドロップダウンからアーティファクトを含むプロジェクトの名前を選択します。
-6. **Artifact** ドロップダウンからアーティファクトの名前を選択します。
-7. **Version** ドロップダウンからコレクションにリンクしたいアーティファクトのバージョンを選択します。
-
-
-
-#### 空のコレクションを作成する
-
-1. Registry app に移動します: https://wandb.ai/registry/.
-2. アーティファクトをリンクしたいレジストリをクリックします。
-4. 空のコレクションをクリックします。 空のコレクションが存在しない場合は、新しいコレクションを作成します。
-5. 表示されるコードスニペット内で、`.link_artifact()` 内の `target_path` フィールドを識別します。
-6. (任意) コレクションを削除します。
-
-
- 
-
-
-例えば、上記の手順を完了した後、`target_path`パラメータを持つコードブロックを見つけます：
-
- ```python
- target_path =
- "smle-registries-bug-bash/wandb-registry-Golden Datasets/raw_images"
- ```
-
-これを構成要素に分解すると、プログラム的にアーティファクトをリンクするために必要なパスを作成するために必要なものが見えます：
-
- ```python
- ORG_ENTITY_NAME = "smle-registries-bug-bash"
- REGISTRY_NAME = "Golden Datasets"
- COLLECTION_NAME = "raw_images"
- ```
-
-
-
-
-W&B Model Registry を使用すると、以下が可能です：
-
-* [機械学習タスクごとにベストなバージョンのモデルをブックマークする。](/ja/models/core/registry/model_registry/link-model-version/)
-* 下流のプロセスとモデル CI/CD を [オートメーション化する](/ja/models/core/automations/)。
-* モデルバージョンをステージングからプロダクションまで ML ライフサイクルを通して移行する。
-* モデルのリネージを追跡し、プロダクションモデルの変更履歴を監査する。
-
-
- 
-
-
-## 仕組み
-ステージングされたモデルを数ステップで追跡し、管理します。
-
-1. **モデルバージョンをログする**：トレーニングスクリプトに数行のコードを追加して、モデルファイルをアーティファクトとして W&B に保存します。
-2. **パフォーマンスを比較する**：ライブチャートをチェックして、トレーニングと検証からのメトリクスやサンプル予測を比較します。どのモデルバージョンが最もよくパフォーマンスしたかを特定します。
-3. **レジストリにリンクする**：ベストなモデルバージョンを登録済みモデルにリンクしてブックマークします。これは Python でプログラム的に、または W&B UI でインタラクティブに行うことができます。
-
-以下のコードスニペットは、モデルを Model Registry にログし、リンクする方法を示しています：
-
-```python
-import wandb
-import random
-
-# 新しい W&B run を開始
-run = wandb.init(project="models_quickstart")
-
-# モデルメトリクスをシミュレーションしてログする
-run.log({"acc": random.random()})
-
-# シミュレートされたモデルファイルを作成
-with open("my_model.h5", "w") as f:
- f.write("Model: " + str(random.random()))
-
-# モデルを Model Registry にログし、リンクする
-run.link_model(path="./my_model.h5", registered_model_name="MNIST")
-
-run.finish()
-```
-
-4. **モデルの移行を CI/CD ワークフローに接続する**：候補モデルをワークフローステージを通して移行し、[下流のアクションをオートメーション化する](/ja/models/core/automations/)ことを Webhook を使って行います。
-
-## 開始方法
-ユースケースに応じて、W&B Models を使い始めるための以下のリソースを探ります。
-
-* 2 部構成のビデオシリーズを確認：
- 1. [モデルのログと登録](https://www.youtube.com/watch?si=MV7nc6v-pYwDyS-3&v=ZYipBwBeSKE&feature=youtu.be)
- 2. [モデルの消費と下流プロセスのオートメーション化](https://www.youtube.com/watch?v=8PFCrDSeHzw) in the Model Registry.
-* [モデルウォークスルー](/ja/models/core/registry/model_registry/walkthrough/)を読み、W&B Python SDK コマンドを使用してデータセットアーティファクトを作成、追跡、および使用する手順を確認します。
-* 以下について学ぶ：
- * [保護されたモデルとアクセス制御](/ja/models/core/registry/model_registry/access_controls/)。
- * [CI/CD プロセスにレジストリを接続する方法](/ja/models/core/automations/)。
- * 新しいモデルバージョンが登録済みモデルにリンクされたときの [Slack 通知を設定](/ja/models/core/registry/model_registry/notifications/)。
-* Model Registry があなたの ML ワークフローにどのようにフィットし、モデル管理のためにそれを使用することの利点についての [この](https://wandb.ai/wandb_fc/model-registry-reports/reports/What-is-an-ML-Model-Registry---Vmlldzo1MTE5MjYx) レポートを確認します。
-* W&B の [Enterprise Model Management](https://www.wandb.courses/courses/enterprise-model-management) コースを受講し、以下を学びます：
- * W&B Model Registry を使って、モデルを管理、バージョン化し、リネージを追跡し、様々なライフサイクルステージを通じてモデルを推進する方法。
- * Webhook を使ってモデル管理ワークフローをオートメーション化する方法。
- * モデル評価、監視、デプロイメントのために Model Registry が外部 ML システムやツールとどのように統合されているかを確認する。
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/access_controls.mdx b/ja/models/core/registry/model_registry/access_controls.mdx
deleted file mode 100644
index 74e048551a..0000000000
--- a/ja/models/core/registry/model_registry/access_controls.mdx
+++ /dev/null
@@ -1,28 +0,0 @@
----
-title: データ ガバナンスとアクセス コントロールを管理する
-description: モデルレジストリのロールベース アクセス制御 (RBAC) を使用して、誰が保護されたエイリアスを更新できるかを制御します。
----
-
-*保護されたエイリアス* を使用して、モデル開発パイプラインの主要なステージを表現します。*モデルレジストリ管理者* のみが保護されたエイリアスを追加、変更、または削除できます。モデルレジストリ管理者は保護されたエイリアスを定義し、使用することができます。W&B は非管理ユーザーがモデルバージョンから保護されたエイリアスを追加または削除することをブロックします。
-
-
-
-
-
-4. **Description** フィールド内に、機械学習モデルに関する情報を入力します。モデルカード内のテキストは [Markdown マークアップ言語](https://www.markdownguide.org/) でフォーマットします。
-
-例えば、次の画像は **Credit-card Default Prediction** という登録済みモデルのモデルカードを示しています。
-
- 
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/create-registered-model.mdx b/ja/models/core/registry/model_registry/create-registered-model.mdx
deleted file mode 100644
index c647e05c05..0000000000
--- a/ja/models/core/registry/model_registry/create-registered-model.mdx
+++ /dev/null
@@ -1,50 +0,0 @@
----
-title: 登録済みモデルを作成する
-description: モデル作成のタスクのために、すべての候補モデルを保持する Registered Model を作成します。
----
-
-[registered model](/ja/models/core/registry/model_registry/model-management-concepts/#registered-model) を作成し、モデリングタスクのすべての候補モデルを保持します。モデルレジストリ内でインタラクティブに、または Python SDK を使用してプログラム的に registered model を作成できます。
-
-## プログラムで registered model を作成する
-
-W&B Python SDK を使用してモデルを登録します。registered model が存在しない場合、W&B は自動的に registered model を作成します。
-
-`<>` で囲まれた他の値をあなた自身のもので置き換えてください:
-
-```python
-import wandb
-
-run = wandb.init(entity="
-
-2. Model Registry ページの右上にある **New registered model** ボタンをクリックします。
-
- 
-
-3. 表示されたパネルから、registered model が属するエンティティを **Owning Entity** ドロップダウンから選択します。
-
- 
-
-4. **Name** フィールドにモデルの名前を入力します。
-5. **Type** ドロップダウンから、registered model とリンクするアーティファクトのタイプを選択します。
-6. (オプション) **Description** フィールドにモデルについての説明を追加します。
-7. (オプション) **Tags** フィールドに1つ以上のタグを追加します。
-8. **Register model** をクリックします。
-
-
-
-
-
-
-
-
-
-
-
-
-画像は左から右に向かって次のように示しています。
-1. `jumping-monkey-1` W&B run によって `mnist_dataset:v0` のデータセットアーティファクトが作成されました。
-2. `vague-morning-5` W&B run は `mnist_dataset:v0` データセットアーティファクトを使用してモデルをトレーニングしました。この W&B run の出力は `mnist_model:v0` というモデルアーティファクトでした。
-3. `serene-haze-6` という run は `mnist_model:v0` のモデルアーティファクトを使用してモデルを評価しました。
-
-## アーティファクトの依存関係を追跡
-
-データセットアーティファクトを W&B run の入力として宣言することで、`use_artifact` API を使用して依存関係を追跡できます。
-
-以下のコードスニペットでは、`use_artifact` API の使用方法を示します。
-
-```python
-# Run を初期化
-run = wandb.init(project=project, entity=entity)
-
-# アーティファクトを取得し、依存関係としてマーク
-artifact = run.use_artifact(artifact_or_name="name", aliases="
-
-
-[モデルアーティファクトの例はこちら](https://wandb.ai/timssweeney/model_management_docs_official_v0/artifacts/model/mnist-zws7gt0n)をご覧ください。
-
-## Registered model
-登録モデルは、モデルバージョンへのポインタ（リンク）のコレクションです。登録モデルを、同じ ML タスク用の候補モデルの「ブックマーク」フォルダーとして考えることができます。登録モデルの各「ブックマーク」は、[model artifact](#model-artifact) に属する [model version](#model-version) へのポインタです。[model tags](#model-tags) を使用して登録モデルをグループ化することができます。
-
-登録モデルは、単一のモデリングユースケースやタスクに対する候補モデルを表すことがよくあります。たとえば、使用するモデルに基づいて異なる画像分類タスクの登録モデルを作成するかもしれません：`ImageClassifier-ResNet50`、`ImageClassifier-VGG16`、`DogBreedClassifier-MobileNetV2` など。モデルバージョンは、登録モデルにリンクされた順にバージョン番号が割り当てられます。
-
-[登録モデルの例はこちら](https://wandb.ai/reviewco/registry/model?selectionPath=reviewco%2Fmodel-registry%2FFinetuned-Review-Autocompletion&view=versions)をご覧ください。
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/notifications.mdx b/ja/models/core/registry/model_registry/notifications.mdx
deleted file mode 100644
index d63badcd21..0000000000
--- a/ja/models/core/registry/model_registry/notifications.mdx
+++ /dev/null
@@ -1,28 +0,0 @@
----
-title: アラートと通知を作成する
-description: 新しいモデルバージョンがモデルレジストリにリンクされた時に Slack 通知を受け取る。
----
-
-新しいモデルバージョンがモデルレジストリにリンクされたときに、Slack 通知を受け取る。
-
-1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) で W&B Model Registry アプリを開きます。
-2. 通知を受け取りたい登録済みモデルを選択します。
-3. **Connect Slack** ボタンをクリックします。
-
- 
-
-4. OAuth ページに表示される Slack ワークスペースで W&B を有効にするための指示に従います。
-
-チームのために Slack 通知を設定すると、通知を受け取る登録済みモデルを選択できます。
-
-
-
-
-新しいモデルバージョンが FMNIST 分類器の登録済みモデルにリンクされるたびに、接続された Slack チャンネルにメッセージが自動的に投稿されます。
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/organize-models.mdx b/ja/models/core/registry/model_registry/organize-models.mdx
deleted file mode 100644
index 790dd20893..0000000000
--- a/ja/models/core/registry/model_registry/organize-models.mdx
+++ /dev/null
@@ -1,22 +0,0 @@
----
-title: モデルを整理する
----
-
-モデルタグを使用して登録済みのモデルをカテゴリーに整理し、それらのカテゴリーを検索します。
-
-1. [https://wandb.ai/registry/model](https://wandb.ai/registry/model) で W&B モデルレジストリアプリに移動します。
-2. モデルタグを追加したい登録済みモデルの名前の横にある **View details** を選択します。
-
- 
-
-3. **Model card** セクションまでスクロールします。
-4. **Tags** フィールドの横にあるプラスボタン (**+**) をクリックします。
-
- 
-
-5. タグの名前を入力するか、既存のモデルタグを検索します。
- 例えば、次の画像は **FineTuned-Review-Autocompletion** という登録済みモデルに複数のモデルタグが追加されている様子を示しています。
-
-
- 
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry/walkthrough.mdx b/ja/models/core/registry/model_registry/walkthrough.mdx
deleted file mode 100644
index abdd27656f..0000000000
--- a/ja/models/core/registry/model_registry/walkthrough.mdx
+++ /dev/null
@@ -1,289 +0,0 @@
----
-title: 'Tutorial: W&B を使ったモデル管理'
-description: W&B を活用したモデル管理の使い方を学ぶ
----
-
-W&B にモデルをログする方法を示す次のウォークスルーに従ってください。このウォークスルーの終わりまでに次のことができるようになります：
-
-* MNIST データセットと Keras フレームワークを使用してモデルを作成およびトレーニングします。
-* トレーニングしたモデルを W&B プロジェクトにログします。
-* 作成したモデルの依存関係として使用したデータセットをマークします。
-* モデルを W&B Registry にリンクします。
-* レジストリにリンクしたモデルのパフォーマンスを評価します。
-* モデルバージョンをプロダクション用に準備完了としてマークします。
-
-
-
\ No newline at end of file
diff --git a/ja/models/core/registry/model_registry_eol.mdx b/ja/models/core/registry/model_registry_eol.mdx
deleted file mode 100644
index 63bef099da..0000000000
--- a/ja/models/core/registry/model_registry_eol.mdx
+++ /dev/null
@@ -1,106 +0,0 @@
----
-title: レガシー モデルレジストリ から移行する
----
-
-W&B は旧 [W&B モデルレジストリ](/ja/models/core/registry/model_registry/) から新しい [W&B レジストリ](/ja/./) への資産の移行を行います。この移行は W&B が完全に管理し、ユーザーの介入を必要としません。このプロセスは、既存のワークフローに最小限の影響を与えるよう、できる限りシームレスに行うよう設計されています。
-
-移行は、新しい W&B レジストリが現在のモデルレジストリで利用可能なすべての機能を含んだ時点で行われます。W&B は、現在のワークフロー、コードベース、参照を維持するよう努めます。
-
-このガイドは常に更新され、新しい情報が得られるたびに更新されます。質問やサポートが必要な場合は、support@wandb.com に問い合わせてください。
-
-## W&B レジストリが旧モデルレジストリと異なる点
-
-W&B レジストリは、モデル、データセット、およびその他のアーティファクトを管理するための、より強力で柔軟な環境を提供するよう設計された新機能と強化を導入します。
-
-
-
-
-### カスタムアクセス制御
-各レジストリは詳細なアクセス制御をサポートし、メンバーには管理者、メンバー、ビューアーなどの特定の役割を割り当てることができます。管理者はレジストリの設定を管理し、メンバーの追加や削除、役割の設定、公開範囲の設定を行います。これにより、チームはレジストリ内のアーティファクトを誰が表示、管理、操作できるかを制御する必要があります。
-
-
- 
-
-
-### 用語の更新
-登録されたモデルは現在、*コレクション* と呼ばれています。
-
-### 変更点の概要
-
-| | 旧 W&B モデルレジストリ | W&B レジストリ |
-| ----- | ----- | ----- |
-| アーティファクトの公開範囲| チームのメンバーのみがアーティファクトを閲覧またはアクセス可能 | 組織内のメンバーが、適切な権限を持ってレジストリにリンクされたアーティファクトを閲覧またはアクセス可能 |
-| カスタムアクセス制御 | 利用不可 | 利用可能 |
-| カスタムレジストリ | 利用不可 | 利用可能 |
-| 用語の更新 | モデルバージョンへのポインタ (リンク) のセットは *登録されたモデル* と呼ばれる。 | アーティファクトバージョンへのポインタ (リンク) のセットは *コレクション* と呼ばれる。 |
-| `wandb.init.link_model` | モデルレジストリ固有のAPI | 現在は旧モデルレジストリでのみ互換性あり |
-
-## 移行の準備
-
-W&B は登録されたモデル（現在はコレクションと呼ばれる）と関連するアーティファクトバージョンを旧モデルレジストリから W&B レジストリに移行します。このプロセスは自動的に行われ、ユーザーからのアクションは不要です。
-
-### チーム公開範囲から組織公開範囲へ
-
-移行後、モデルレジストリは組織レベルの公開範囲を持つようになります。レジストリへのアクセスを制限するには、[役割の割り当て](/ja/models/core/registry/configure_registry/) を行うことができます。これにより、特定のメンバーのみが特定のレジストリにアクセスできるようにするのに役立ちます。
-
-この移行は、旧 W&B モデルレジストリでの現在のチームレベルの登録モデル（まもなくコレクションと呼ばれる）の既存の許可境界を維持します。旧モデルレジストリで定義された権限は新しいレジストリでも維持されます。つまり、特定のチームメンバーに制限されているコレクションは、移行中および移行後も引き続き保護されます。
-
-### アーティファクトのパスの連続性
-
-現在、アクションは不要です。
-
-## 移行中
-
-W&B が移行プロセスを開始します。移行は W&B サービスへの影響を最小限に抑える時間枠で行われます。移行が開始されると、旧モデルレジストリは読み取り専用の状態に移行し、参照用にアクセス可能なままになります。
-
-## 移行後
-
-移行後、コレクション、アーティファクトバージョン、および関連する属性は、新しい W&B レジストリ内で完全にアクセス可能になります。現在のワークフローを維持することに重点を置いており、変更に対応するためのサポートも提供されています。
-
-### 新しいレジストリの使用
-
-ユーザーは W&B レジストリで利用可能な新機能と機能を探索することが奨励されています。レジストリは、現在依存している機能をサポートするだけでなく、カスタムレジストリ、改善された公開範囲、および柔軟なアクセス制御などの強化機能も導入しています。
-
-W&B レジストリを早期に試してみたい方や、旧 W&B モデルレジストリではなくレジストリで始めたい新しいユーザーの方にはサポートが提供されています。サポート@wandb.comまたはセールス MLE に連絡して、この機能を有効にします。なお、早期移行は BETA バージョンへの移行となります。W&B レジストリの BETA バージョンには、旧モデルレジストリのすべての機能または機能が含まれていない場合があります。
-
-詳細と W&B レジストリの完全な機能範囲について学ぶには、[W&B レジストリガイド](/ja/./)を訪れてください。
-
-## FAQ
-
-### なぜ W&B はモデルレジストリから W&B レジストリへの資産を移行するのですか？
-
-W&B は、新しいレジストリでより高度な機能と能力を提供するために、そのプラットフォームを進化させています。この移行は、モデル、データセット、およびその他のアーティファクトを管理するための、より統合された強力なツールセットを提供するための一歩です。
-
-### 移行前に何をすべきですか？
-
-移行前にユーザーからのアクションは必要ありません。W&B が移行を処理し、ワークフローと参照を維持することを保証します。
-
-### モデルアーティファクトへのアクセスは失われますか？
-
-いいえ、移行後もモデルアーティファクトへのアクセスは維持されます。旧モデルレジストリは読み取り専用の状態で維持され、すべての関連データは新しいレジストリに移行されます。
-
-### アーティファクトに関連するメタデータは維持されますか？
-
-はい、アーティファクトの作成、リネージ、その他の属性に関連する重要なメタデータは移行中に維持されます。ユーザーは、移行後もすべての関連するメタデータにアクセスできるため、アーティファクトの完全性と追跡可能性が維持されます。
-
-### 助けが必要な場合は誰に連絡すればよいですか？
-
-質問や懸念がある場合のサポートは利用可能です。support@wandb.com に問い合わせてサポートを受けてください。
\ No newline at end of file
diff --git a/ja/models/core/registry/organize-with-tags.mdx b/ja/models/core/registry/organize-with-tags.mdx
deleted file mode 100644
index d9994f3504..0000000000
--- a/ja/models/core/registry/organize-with-tags.mdx
+++ /dev/null
@@ -1,307 +0,0 @@
----
-title: バージョンをタグで整理する
-description: コレクションやコレクション内のアーティファクト バージョンを整理するためにタグを使用します。タグは、Python SDK または W&B
- アプリ UI で追加、削除、編集が可能です。
----
-
-コレクションやアーティファクトバージョンをレジストリ内で整理するためにタグを作成し追加します。W&B アプリ UI または W&B Python SDK を使用して、コレクションまたはアーティファクトバージョンにタグを追加、変更、表示、削除できます。
-
-
-
-
-
-
-コレクションに追加されたタグは、コレクション名の隣にも表示されます。
-
-例えば、以下の画像では、「zoo-dataset-tensors」コレクションに "tag1" というタグが追加されています。
-
-
- 
-
-
-## コレクションからタグを削除する
-
-W&B アプリ UI を使用してコレクションからタグを削除します。
-
-1. W&B レジストリに移動します: https://wandb.ai/registry
-2. レジストリカードをクリックします
-3. コレクション名の横にある **View details** をクリックします
-4. コレクションカード内で、削除したいタグの名前の上にマウスを移動してください
-5. キャンセルボタン（**X** アイコン）をクリックします
-
-## アーティファクトバージョンにタグを追加する
-
-W&B アプリ UI または Python SDK を使用して、コレクションにリンクされたアーティファクトバージョンにタグを追加します。
-
-
-
-
-
-
-
-
-## 特定のタグを持つアーティファクトバージョンを見つける
-
-W&B Python SDK を使用して、特定のタグセットを持つアーティファクトバージョンを見つけます。
-
-```python
-import wandb
-
-api = wandb.Api()
-tagged_artifact_versions = api.artifacts(
- type_name = "
-
\ No newline at end of file
diff --git a/ja/models/core/registry/registry_types.mdx b/ja/models/core/registry/registry_types.mdx
deleted file mode 100644
index 2685ef5e76..0000000000
--- a/ja/models/core/registry/registry_types.mdx
+++ /dev/null
@@ -1,46 +0,0 @@
----
-title: レジストリの種類
----
-
-W&B は 2 種類のレジストリをサポートしています: [コア レジストリ](#core-registry) と [カスタム レジストリ](#custom-registry)。
-
-## コアレジストリ
-
-コアレジストリは、特定のユースケース、つまり **Models** と **Datasets** のためのテンプレートです。
-
-デフォルトでは、**Models** レジストリは `"model"` アーティファクトタイプを受け入れるように設定されており、**Dataset** レジストリは `"dataset"` アーティファクトタイプを受け入れるように設定されています。管理者は、追加の受け入れ可能なアーティファクトタイプを追加することができます。
-
-
- 
-
-
-上記の画像は、W&B レジストリ アプリ UI における **Models** と **Dataset** のコアレジストリと、**Fine_Tuned_Models** というカスタムレジストリを示しています。
-
-コアレジストリには [組織の公開範囲](/ja/models/core/registry/configure_registry/#registry-visibility-types) があります。レジストリの管理者はコアレジストリの公開範囲を変更することはできません。
-
-## カスタムレジストリ
-
-カスタムレジストリは、`"model"` アーティファクトタイプや `"dataset"` アーティファクトタイプに制限されません。
-
-機械学習パイプラインの各ステップのために、初期データ収集から最終モデルデプロイメントまでのカスタムレジストリを作成することができます。
-
-例えば、「Benchmark_Datasets」というレジストリを作成し、トレーニングされたモデルの性能評価のためにキュレーションされたデータセットを整理することができます。このレジストリ内には、トレーニング中にモデルが見たことのないユーザー質問と、それに対応する専門家によって検証された答えが含まれる「User_Query_Insurance_Answer_Test_Data」というコレクションを持つことができます。
-
-
- 
-
-
-カスタムレジストリは、[組織または制限付きの公開範囲](/ja/models/core/registry/configure_registry/#registry-visibility-types) のいずれかを持つことができます。レジストリの管理者は、組織の公開範囲を制限付きに変更することができます。ただし、レジストリ管理者はカスタムレジストリの公開範囲を制限付きから組織の公開範囲へ変更することはできません。
-
-カスタムレジストリの作成方法については、[カスタムレジストリを作成する](/ja/models/core/registry/create_registry/) を参照してください。
-
-## まとめ
-
-以下の表は、コアレジストリとカスタムレジストリの違いをまとめています:
-
-| | コア | カスタム|
-| -------------- | ----- | ----- |
-| 公開範囲 | 組織の公開範囲のみ。公開範囲は変更できません。 | 組織または制限付きのいずれか。公開範囲は組織から制限付きに変更できます。|
-| メタデータ | あらかじめ設定され、ユーザーによる編集は不可。 | ユーザーが編集可能。 |
-| アーティファクトタイプ | あらかじめ設定され、既存の受け入れられるアーティファクトタイプは削除できません。ユーザーは追加の受け入れ可能なアーティファクトタイプを追加可能。 | 管理者が受け入れられるタイプを定義できます。 |
-| カスタマイズ | 既存のリストに追加のタイプを追加可能。 | レジストリ名、説明、公開範囲、受け入れアーティファクトタイプを編集可能。|
\ No newline at end of file
diff --git a/ja/models/core/registry/search_registry.mdx b/ja/models/core/registry/search_registry.mdx
deleted file mode 100644
index 5f7e018cf3..0000000000
--- a/ja/models/core/registry/search_registry.mdx
+++ /dev/null
@@ -1,136 +0,0 @@
----
-title: レジストリ項目を見つける
----
-
-[W&B レジストリアプリのグローバル検索バー](/ja/models/core/registry/search_registry/#search-for-registry-items)を使用して、レジストリ、コレクション、アーティファクトバージョンタグ、コレクションタグ、またはエイリアスを見つけます。W&B Python SDK を使用して、特定の条件に基づいて [レジストリ、コレクション、およびアーティファクトバージョンをフィルタリング](/ja/models/core/registry/search_registry/#query-registry-items-with-mongodb-style-queries) するために、MongoDBスタイルのクエリを使用することができます。
-
-表示権限がある項目のみが検索結果に表示されます。
-
-## レジストリ項目の検索
-
-レジストリ項目を検索するには:
-
-1. W&B レジストリアプリに移動します。
-2. ページ上部の検索バーに検索語を指定します。Enter を押して検索します。
-
-指定した語が既存のレジストリ、コレクション名、アーティファクトバージョンタグ、コレクションタグ、またはエイリアスと一致する場合、検索バーの下に検索結果が表示されます。
-
-
- 
-
-
-## MongoDBスタイルのクエリでレジストリ項目をクエリ
-
-[`wandb.Api().registries()`](/ja/models/ref/python/public-api/api#registries) と [query predicates](https://www.mongodb.com/docs/manual/reference/glossary/#std-term-query-predicate) を使用して、1つ以上の [MongoDBスタイルクエリ](https://www.mongodb.com/docs/compass/current/query/filter/) に基づいて、レジストリ、コレクション、およびアーティファクトバージョンをフィルタリングします。
-
-以下の表は、フィルタリングしたい項目の種類に基づいて使用できるクエリの名前を示しています。
-
-| | クエリ名 |
-| ----- | ----- |
-| registries | `name`, `description`, `created_at`, `updated_at` |
-| collections | `name`, `tag`, `description`, `created_at`, `updated_at` |
-| versions | `tag`, `alias`, `created_at`, `updated_at`, `metadata` |
-
-以下のコード例は、一般的な検索シナリオを示しています。
-
-`wandb.Api().registries()` メソッドを使用するには、まず W&B Python SDK （[`wandb`](/ja/models/ref/python/)） ライブラリをインポートします。
-```python
-import wandb
-
-# （オプション）読みやすさのために、wandb.Api() クラスのインスタンスを作成します。
-api = wandb.Api()
-```
-
-`model` という文字列を含むすべてのレジストリをフィルタリングします。
-
-```python
-# `model` という文字列を含むすべてのレジストリをフィルタリングします。
-registry_filters = {
- "name": {"$regex": "model"}
-}
-
-# フィルタに一致するすべてのレジストリの反復可能なオブジェクトを返します
-registries = api.registries(filter=registry_filters)
-```
-
-レジストリに関係なく、コレクション名に `yolo` という文字列を含むすべてのコレクションをフィルタリングします。
-
-```python
-# レジストリに関係なく、コレクション名に
-# `yolo` という文字列を含むすべてのコレクションをフィルタリングします。
-collection_filters = {
- "name": {"$regex": "yolo"}
-}
-
-# フィルタに一致するすべてのコレクションの反復可能なオブジェクトを返します
-collections = api.registries().collections(filter=collection_filters)
-```
-
-レジストリに関係なく、コレクション名に `yolo` という文字列を含み、`cnn` というタグを持つすべてのコレクションをフィルタリングします。
-
-```python
-# レジストリに関係なく、コレクション名に
-# `yolo` という文字列を含み、`cnn` というタグを持つすべてのコレクションをフィルタリングします。
-collection_filters = {
- "name": {"$regex": "yolo"},
- "tag": "cnn"
-}
-
-# フィルタに一致するすべてのコレクションの反復可能なオブジェクトを返します
-collections = api.registries().collections(filter=collection_filters)
-```
-
-`model` という文字列を含むすべてのアーティファクトバージョンを検索し、`image-classification` というタグまたは `latest` エイリアスを持っているもの：
-
-```python
-# `model` という文字列を含むすべてのアーティファクトバージョンを検索し、
-# `image-classification` というタグまたは `latest` エイリアスを持っているもの。
-registry_filters = {
- "name": {"$regex": "model"}
-}
-
-# 論理 $or 演算子を使用してアーティファクトバージョンをフィルタリングします
-version_filters = {
- "$or": [
- {"tag": "image-classification"},
- {"alias": "production"}
- ]
-}
-
-# フィルタに一致するすべてのアーティファクトバージョンの反復可能なオブジェクトを返します
-artifacts = api.registries(filter=registry_filters).collections().versions(filter=version_filters)
-```
-
-詳細については、MongoDB ドキュメントの [logical query operators](https://www.mongodb.com/docs/manual/reference/operator/query-logical/) を参照してください。
-
-前述のコードスニペット内の `artifacts` の反復可能なオブジェクトの各項目は、`Artifact` クラスのインスタンスです。つまり、各アーティファクトの属性（`name`、`collection`、`aliases`、`tags`、`created_at` など）にアクセスできます。
-
-```python
-for art in artifacts:
- print(f"artifact name: {art.name}")
- print(f"collection artifact belongs to: { art.collection.name}")
- print(f"artifact aliases: {art.aliases}")
- print(f"tags attached to artifact: {art.tags}")
- print(f"artifact created at: {art.created_at}\n")
-```
-
-アーティファクトオブジェクトの属性の完全なリストについては、API Reference docs の [Artifacts Class](/ja/models/ref/python/artifact/) を参照してください。
-
-レジストリやコレクションに関係なく、2024-01-08 から 2025-03-04 の 13:10 UTC の間に作成されたすべてのアーティファクトバージョンをフィルタリングします。
-
-```python
-# 2024-01-08 から 2025-03-04 の 13:10 UTC の間に作成された
-# すべてのアーティファクトバージョンを検索します。
-
-artifact_filters = {
- "alias": "latest",
- "created_at" : {"$gte": "2024-01-08", "$lte": "2025-03-04 13:10:00"},
-}
-
-# フィルタに一致するすべてのアーティファクトバージョンの反復可能なオブジェクトを返します
-artifacts = api.registries().collections().versions(filter=artifact_filters)
-```
-
-日付と時刻は `YYYY-MM-DD HH:MM:SS` の形式で指定します。日付のみでフィルタリングしたい場合は、時間、分、秒を省略することができます。
-
-詳細は、MongoDB ドキュメントの [query comparisons](https://www.mongodb.com/docs/manual/reference/operator/query-comparison/) を参照してください。
\ No newline at end of file
diff --git a/ja/models/evaluate-models.mdx b/ja/models/evaluate-models.mdx
deleted file mode 100644
index f57daf1498..0000000000
--- a/ja/models/evaluate-models.mdx
+++ /dev/null
@@ -1,245 +0,0 @@
----
-title: W&B Weave と W&B Tables を使用した Models の評価
-description: W&B Weave と Tables を使用して、機械学習 モデル を評価する方法について学びます。
----
-
-## Weave を使用したモデルの評価
-
-[W&B Weave](/weave) は、LLM および GenAI アプリケーションを評価するために構築された専用のツールキットです。scorer、judge、詳細なトレースなど、包括的な評価機能を提供し、モデルのパフォーマンスを理解して向上させるのに役立ちます。Weave は W&B Models と統合されており、モデルレジストリ に保存されているモデルを評価することができます。
-
-
- 
-
-
-### モデル評価の主な機能
-
-* **Scorer と Judge**: 正確性、関連性、コヒーレンスなどのための、事前定義済みおよびカスタムの評価メトリクス
-* **評価用データセット**: 体系的な評価のための正解（ground truth）を含む構造化されたテストセット
-* **モデルのバージョン管理**: 異なるバージョンのモデルを追跡して比較
-* **詳細なトレース**: 完全な入力/出力トレースによりモデルの振る舞いをデバッグ
-* **コスト追跡**: 評価全体での API コストとトークン使用量を監視
-
-### はじめに：W&B Registry からモデルを評価する
-
-W&B Models Registry からモデルをダウンロードし、Weave を使用して評価します。
-
-```python
-import weave
-import wandb
-from typing import Any
-
-# Weave を初期化
-weave.init("your-entity/your-project")
-
-# W&B Registry からロードする ChatModel を定義
-class ChatModel(weave.Model):
- model_name: str
-
- def model_post_init(self, __context):
- # W&B Models Registry からモデルをダウンロード
- with wandb.init(project="your-project", job_type="model_download") as run:
- artifact = run.use_artifact(self.model_name)
- self.model_path = artifact.download()
- # ここでモデルを初期化
-
- @weave.op()
- async def predict(self, query: str) -> str:
- # モデルの推論ロジック
- return self.model.generate(query)
-
-# 評価用データセットを作成
-dataset = weave.Dataset(name="eval_dataset", rows=[
- {"input": "フランスの首都は？", "expected": "パリ"},
- {"input": "2+2は？", "expected": "4"},
-])
-
-# scorer を定義
-@weave.op()
-def exact_match_scorer(expected: str, output: str) -> dict:
- return {"correct": expected.lower() == output.lower()}
-
-# 評価を実行
-model = ChatModel(model_name="wandb-entity/registry-name/model:version")
-evaluation = weave.Evaluation(
- dataset=dataset,
- scorers=[exact_match_scorer]
-)
-results = await evaluation.evaluate(model)
-```
-
-### Weave の評価を W&B Models と統合する
-
-[Models and Weave Integration Demo](/weave/cookbooks/Models_and_Weave_Integration_Demo) では、以下の完全なワークフローを紹介しています：
-
-1. **Registry からモデルをロード**: W&B Models Registry に保存されたファインチューン済みモデルをダウンロード
-2. **評価パイプラインの作成**: カスタム scorer を使用した包括的な評価を構築
-3. **結果を W&B にログ記録**: 評価メトリクスをモデルの Runs に接続
-4. **評価済みモデルのバージョン管理**: 改善されたモデルを Registry に保存
-
-Weave と W&B Models の両方に評価結果をログ記録します。
-
-```python
-# W&B の追跡を伴う評価の実行
-with weave.attributes({"wandb-run-id": wandb.run.id}):
- summary, call = await evaluation.evaluate.call(evaluation, model)
-
-# W&B Models にメトリクスをログ記録
-wandb.run.log(summary)
-wandb.run.config.update({
- "weave_eval_url": f"https://wandb.ai/{entity}/{project}/r/call/{call.id}"
-})
-```
-
-### 高度な Weave 機能
-
-#### カスタム scorer と judge
-ユースケースに合わせて洗練された評価メトリクスを作成します。
-
-```python
-@weave.op()
-def llm_judge_scorer(expected: str, output: str, judge_model) -> dict:
- prompt = f"この回答は正しいですか？ 期待値: {expected}, 出力: {output}"
- judgment = await judge_model.predict(prompt)
- return {"judge_score": judgment}
-```
-
-#### バッチ評価
-複数のモデルバージョンや設定を評価します。
-
-```python
-models = [
- ChatModel(model_name="model:v1"),
- ChatModel(model_name="model:v2"),
-]
-
-for model in models:
- results = await evaluation.evaluate(model)
- print(f"{model.model_name}: {results}")
-```
-
-### 次のステップ
-
-* [Weave 評価の完全なチュートリアル](/weave/tutorial-eval/)
-* [Models と Weave の統合例](/weave/cookbooks/Models_and_Weave_Integration_Demo)
-
-
-
-## Tables を使用したモデルの評価
-
-W&B Tables を使用して以下を行います：
-* **モデル予測の比較**: 同じテストセットに対して異なるモデルがどのように機能するかを並べて比較
-* **予測の変化を追跡**: トレーニングのエポックやモデルのバージョン間で予測がどのように進化するかを監視
-* **エラーの分析**: フィルタリングとクエリを使用して、よくある誤分類の例やエラーパターンを特定
-* **リッチメディアの可視化**: 予測やメトリクスとともに、画像、音声、テキスト、その他のメディアタイプを表示
-
-
-
-
-
-### 基本的な例：評価結果をログ記録する
-
-```python
-import wandb
-
-# run を初期化
-run = wandb.init(project="model-evaluation")
-
-# 評価結果を含むテーブルを作成
-columns = ["id", "input", "ground_truth", "prediction", "confidence", "correct"]
-eval_table = wandb.Table(columns=columns)
-
-# 評価データを追加
-for idx, (input_data, label) in enumerate(test_dataset):
- prediction = model(input_data)
- confidence = prediction.max()
- predicted_class = prediction.argmax()
-
- eval_table.add_data(
- idx,
- wandb.Image(input_data), # 画像やその他のメディアをログ記録
- label,
- predicted_class,
- confidence,
- label == predicted_class
- )
-
-# テーブルをログ記録
-run.log({"evaluation_results": eval_table})
-```
-
-### 高度なテーブルワークフロー
-
-#### 複数のモデルを比較する
-直接比較するために、異なるモデルからの評価テーブルを同じキーでログ記録します。
-
-```python
-# モデル A の評価
-with wandb.init(project="model-comparison", name="model_a") as run:
- eval_table_a = create_eval_table(model_a, test_data)
- run.log({"test_predictions": eval_table_a})
-
-# モデル B の評価
-with wandb.init(project="model-comparison", name="model_b") as run:
- eval_table_b = create_eval_table(model_b, test_data)
- run.log({"test_predictions": eval_table_b})
-```
-
-
-
-
-
-#### 時間経過に伴う予測の追跡
-改善を可視化するために、異なるトレーニングエポックでテーブルをログ記録します。
-
-```python
-for epoch in range(num_epochs):
- train_model(model, train_data)
-
- # このエポックの予測を評価してログ記録
- eval_table = wandb.Table(columns=["image", "truth", "prediction"])
- for image, label in test_subset:
- pred = model(image)
- eval_table.add_data(wandb.Image(image), label, pred.argmax())
-
- wandb.log({f"predictions_epoch_{epoch}": eval_table})
-```
-
-### W&B UI でのインタラクティブな分析
-
-ログ記録が完了すると、以下が可能になります：
-1. **結果のフィルタリング**: 列ヘッダーをクリックして、予測精度、確信度のしきい値、または特定のクラスでフィルタリング
-2. **テーブルの比較**: 複数のテーブルバージョンを選択して、並べて比較を表示
-3. **データのクエリ**: クエリバーを使用して特定のパターンを検索（例: `"correct" = false AND "confidence" > 0.8`）
-4. **グループ化と集計**: 予測されたクラスでグループ化し、クラスごとの精度メトリクスを確認
-
-
-
-
-
-### 例：拡張されたテーブルによるエラー分析
-
-```python
-# 分析用の列を追加するためにミュータブルなテーブルを作成
-eval_table = wandb.Table(
- columns=["id", "image", "label", "prediction"],
- log_mode="MUTABLE" # 後で列を追加可能にする
-)
-
-# 初期の予測
-for idx, (img, label) in enumerate(test_data):
- pred = model(img)
- eval_table.add_data(idx, wandb.Image(img), label, pred.argmax())
-
-run.log({"eval_analysis": eval_table})
-
-# エラー分析のために確信度スコアを追加
-confidences = [model(img).max() for img, _ in test_data]
-eval_table.add_column("confidence", confidences)
-
-# エラータイプを追加
-error_types = classify_errors(eval_table.get_column("label"),
- eval_table.get_column("prediction"))
-eval_table.add_column("error_type", error_types)
-
-run.log({"eval_analysis": eval_table})
-```
\ No newline at end of file
diff --git a/ja/models/integrations.mdx b/ja/models/integrations.mdx
index d808d26479..22b4f5d2cf 100644
--- a/ja/models/integrations.mdx
+++ b/ja/models/integrations.mdx
@@ -1,83 +1,32 @@
---
-title: インテグレーションの概要
-description: ML フレームワーク、クラウド プラットフォーム、ワークフロー オーケストレーション ツール との W&B インテグレーション を探索しましょう
+title: インテグレーション概要
+description: ML フレームワーク、クラウド プラットフォーム、ワークフロー オーケストレーション ツールとの W&B インテグレーションを紹介します
---
-W&B は、主要な 機械学習 フレームワーク、 クラウド プラットフォーム、そして ワークフロー オーケストレーション ツールと連携し、 実験 (Experiments) の追跡、 メトリクス の ログ (log) 記録、 モデル (Models) 管理をシームレスに行えるようサポートします。
+W&B は主要な機械学習フレームワーク、クラウド プラットフォーム、およびワークフロー オーケストレーション ツールと統合されており、実験を追跡し、メトリクスを記録し、モデルをシームレスに管理できるようにします。
-## はじめに
+
+ 
+ 
+ 
+ 
+ 
+ 
+ 
-
+
-フルレポートを [こちら](https://wandb.ai/ayush-thakur/huggingface/reports/Early-Stopping-in-HuggingFace-Examples--Vmlldzo0MzE2MTM) で読む。
-
+
-
+
```python
+# ライブラリをインポートする
import wandb
-with wandb.init(config=args) as run:
+# config でハイパーパラメーターの辞書を取得する
+config = {
+ "learning_rate": 0.001,
+ "epochs": 100,
+ "batch_size": 128
+}
+
+# 新しい実験を開始する
+with wandb.init(project="new-sota-model", config=config) as run:
+
+ # モデルとデータをセットアップする
+ model, dataloader = get_model(), get_data()
+
+ # オプション: 勾配を追跡する
+ run.watch(model)
+
+ for batch in dataloader:
+ metrics = model.training_step()
+ # トレーニングループ内でメトリクスをログしてモデルの性能を可視化する
+ run.log(metrics)
+
+ # オプション: 最後にモデルを保存する
+ model.to_onnx()
+ run.save("model.onnx")
+```
+
+[ビデオチュートリアル](https://wandb.me/pytorch-video) を見ながら進めてください。
+
+**注**: *Step* で始まるセクションだけ読めば、既存のパイプラインに W&B を統合するには十分です。残りの部分はデータを読み込み、モデルを定義しているだけです。
+
+
+
+
+
+