メインコンテンツへスキップ
W&B Tables を使用して、表形式のデータを可視化しログに記録します。W&B Table は 2 次元のデータグリッドであり、各列は単一のデータ型を持ちます。各行は、W&B run にログ記録された 1 つ以上のデータポイントを表します。W&B Tables は、プリミティブ型や数値型だけでなく、ネストされたリスト、辞書、リッチメディア型もサポートしています。 W&B Table は W&B における特殊な データ型 であり、Artifacts オブジェクトとしてログ記録されます。 W&B Python SDK を使用して Table オブジェクトを作成しログに記録 します。Table オブジェクトを作成する際、テーブルの列とデータ、および モード を指定します。モードは、機械学習の実験中にテーブルがどのようにログ記録され、更新されるかを決定します。
INCREMENTAL モードは、W&B Server v0.70.0 以降でサポートされています。

​
テーブルの作成とログ記録

  1. wandb.init() で新しい run を初期化します。
  2. wandb.Table クラスを使用して Table オブジェクトを作成します。columns パラメータと data パラメータにそれぞれテーブルの列とデータを指定します。オプションの log_mode パラメータを、IMMUTABLE（デフォルト）、MUTABLE、または INCREMENTAL の 3 つのモードのいずれかに設定することをお勧めします。詳細については、次セクションの テーブルのロギングモード を参照してください。
  3. run.log() を使用してテーブルを W&B にログ記録します。
次の例は、a と b の 2 つの列と、["a1", "b1"] および ["a2", "b2"] の 2 行のデータを持つテーブルを作成してログに記録する方法を示しています。 
import wandb

# 新しい run を開始
with wandb.init(project="table-demo") as run:

    # 2つの列と2行のデータを持つ table オブジェクトを作成
    my_table = wandb.Table(
        columns=["a", "b"],
        data=[["a1", "b1"], ["a2", "b2"]],
        log_mode="IMMUTABLE"
        )

    # テーブルを W&B にログ記録
    run.log({"Table Name": my_table})

​
ロギングモード

wandb.Table の log_mode パラメータは、機械学習の実験中にテーブルがどのようにログ記録され、更新されるかを決定します。log_mode パラメータは、IMMUTABLE、MUTABLE、および INCREMENTAL の 3 つの引数のいずれかを受け取ります。各モードは、テーブルのログ記録方法、変更方法、および W&B App でのレンダリング方法に異なる影響を与えます。 以下に、3 つのロギングモードの概要、主な違い、およびそれぞれの一般的なユースケースを示します。
モード定義ユースケースメリット
IMMUTABLE一度 W&B にログ記録されると、変更できません。- さらなる分析のために run の最後に生成された表形式データを保存する- run の最後にログ記録する際のオーバーヘッドが最小限
- UI ですべての行がレンダリングされる
MUTABLEW&B にログ記録した後、既存のテーブルを新しいテーブルで上書きできます。- 既存のテーブルに列や行を追加する
- 新しい情報で結果を充実させる		- テーブルの変更（mutation）をキャプチャできる
- UI ですべての行がレンダリングされる
INCREMENTAL機械学習の実験全体を通じて、テーブルに新しい行のバッチを追加します。- バッチで行をテーブルに追加する
- 長時間のトレーニングジョブ
- 大規模なデータセットをバッチで処理する
- 進行中の結果を監視する		- トレーニング中に UI で更新を確認できる
- インクリメント（増分）ごとにステップ実行できる能力
次のセクションでは、各モードのコードスニペットの例と、各モードを使用する際の考慮事項を示します。

​
MUTABLE モード

MUTABLE モードは、既存のテーブルを新しいテーブルで置き換えることにより、既存のテーブルを更新します。MUTABLE モードは、非反復的なプロセスで既存のテーブルに新しい列や行を追加したい場合に便利です。UI 内では、初期ログの後に追加された新しいものを含むすべての行と列がテーブルにレンダリングされます。
MUTABLE モードでは、テーブルをログ記録するたびに Table オブジェクトが置き換えられます。テーブルを新しいもので上書きすることは計算コストが高く、大きなテーブルでは処理が遅くなる可能性があります。
次の例は、MUTABLE モードでテーブルを作成し、ログ記録してから、新しい列を追加する方法を示しています。Table オブジェクトは 3 回ログ記録されます。1 回目は初期データ、2 回目は信頼度スコア、3 回目は最終的な予測結果です。
次の例では、データの読み込みにプレースホルダー関数 load_eval_data() を、予測にプレースホルダー関数 model.predict() を使用しています。これらを独自のデータ読み込みおよび予測関数に置き換える必要があります。
import wandb
import numpy as np

with wandb.init(project="mutable-table-demo") as run:

    # MUTABLE ロギングモードで table オブジェクトを作成
    table = wandb.Table(columns=["input", "label", "prediction"],
                        log_mode="MUTABLE")

    # データの読み込みと予測
    inputs, labels = load_eval_data() # プレースホルダー関数
    raw_preds = model.predict(inputs) # プレースホルダー関数

    for inp, label, pred in zip(inputs, labels, raw_preds):
        table.add_data(inp, label, pred)

    # ステップ 1: 初期データをログ記録
    run.log({"eval_table": table})  # 初期テーブルをログ

    # ステップ 2: 信頼度スコア（例：max softmax）を追加
    confidences = np.max(raw_preds, axis=1)
    table.add_column("confidence", confidences)
    run.log({"eval_table": table})  # 信頼度情報を追加

    # ステップ 3: 後処理済みの予測を追加
    # (例: 閾値処理や平滑化された出力)
    post_preds = (confidences > 0.7).astype(int)
    table.add_column("final_prediction", post_preds)
    run.log({"eval_table": table})  # 別の列を追加して最終更新
トレーニングループのように、新しい行のバッチ（列ではなく）のみを逐次的に追加したい場合は、代わりに INCREMENTAL モード の使用を検討してください。

​
INCREMENTAL モード

増分モード（incremental mode）では、機械学習の実験中にテーブルに行のバッチをログ記録します。これは、長時間実行されるジョブの監視や、更新のために実行中にログ記録するのが非効率な大規模なテーブルを扱う場合に理想的です。UI 内では、テーブルはログ記録されるたびに新しい行で更新されるため、実行全体が終了するのを待たずに最新のデータを確認できます。また、インクリメントをステップ実行して、異なる時点でのテーブルを表示することもできます。
W&B App の Run Workspace には 100 インクリメントの制限があります。100 を超えるインクリメントをログ記録した場合、最新の 100 件のみが Workspace に表示されます。
次の例では、INCREMENTAL モードでテーブルを作成し、ログ記録してから、新しい行を追加します。テーブルはトレーニングステップ（step）ごとに 1 回ログ記録されることに注意してください。
次の例では、データの読み込みにプレースホルダー関数 get_training_batch()、モデルのトレーニングに train_model_on_batch()、予測に predict_on_batch() を使用しています。これらを独自の関数に置き換える必要があります。
import wandb

with wandb.init(project="incremental-table-demo") as run:

    # INCREMENTAL ロギングモードでテーブルを作成
    table = wandb.Table(columns=["step", "input", "label", "prediction"],
                        log_mode="INCREMENTAL")

    # トレーニングループ
    for step in range(get_num_batches()): # プレースホルダー関数
        # バッチデータの読み込み
        inputs, labels = get_training_batch(step) # プレースホルダー関数

        # トレーニングと予測
        train_model_on_batch(inputs, labels) # プレースホルダー関数
        predictions = predict_on_batch(inputs) # プレースホルダー関数

        # バッチデータをテーブルに追加
        for input_item, label, prediction in zip(inputs, labels, predictions):
            table.add_data(step, input_item, label, prediction)

        # テーブルをインクリメンタルにログ記録
        run.log({"training_table": table}, step=step)
増分ログ記録は、通常、毎回新しいテーブルをログ記録する（log_mode=MUTABLE）よりも計算効率が高くなります。ただし、大量のインクリメントをログ記録すると、W&B App ですべての行がレンダリングされない場合があります。run の進行中にテーブルデータを更新・表示し、かつ分析のためにすべてのデータを利用できるようにすることが目的であれば、2 つのテーブルを使用することを検討してください。1 つは INCREMENTAL モード、もう 1 つは IMMUTABLE モードです。 次の例は、これを実現するために INCREMENTAL と IMMUTABLE のロギングモードを組み合わせる方法を示しています。 
import wandb

with wandb.init(project="combined-logging-example") as run:

    # トレーニング中の効率的な更新のためにインクリメンタルテーブルを作成
    incr_table = wandb.Table(columns=["step", "input", "prediction", "label"],
                            log_mode="INCREMENTAL")

    # トレーニングループ
    for step in range(get_num_batches()):
        # バッチ処理
        inputs, labels = get_training_batch(step)
        predictions = model.predict(inputs)

        # インクリメンタルテーブルにデータを追加
        for inp, pred, label in zip(inputs, predictions, labels):
            incr_table.add_data(step, inp, pred, label)

        # インクリメンタルな更新をログ（最終テーブルと区別するため接尾辞 -incr を付与）
        run.log({"table-incr": incr_table}, step=step)

    # トレーニング終了時に、すべてのデータを含む完全な immutable テーブルを作成
    # 完全なデータセットを保持するためにデフォルトの IMMUTABLE モードを使用
    final_table = wandb.Table(columns=incr_table.columns, data=incr_table.data, log_mode="IMMUTABLE")
    run.log({"table": final_table})
この例では、incr_table はトレーニング中に（log_mode="INCREMENTAL" で）増分的にログ記録されます。これにより、新しいデータが処理されるたびにテーブルの更新をログに記録し、表示できます。トレーニングの最後に、インクリメンタルテーブルのすべてのデータを使用してイミュータブルなテーブル（final_table）が作成されます。イミュータブルなテーブルは、さらなる分析のために完全なデータセットを保存するためにログ記録され、W&B App ですべての行を表示できるようになります。

​
例

​
MUTABLE を使用した評価結果の充実化

import wandb
import numpy as np

with wandb.init(project="mutable-logging") as run:

    # ステップ 1: 初期の予測結果をログ記録
    table = wandb.Table(columns=["input", "label", "prediction"], log_mode="MUTABLE")
    inputs, labels = load_eval_data()
    raw_preds = model.predict(inputs)

    for inp, label, pred in zip(inputs, labels, raw_preds):
        table.add_data(inp, label, pred)

    run.log({"eval_table": table})  # 生の予測結果をログ

    # ステップ 2: 信頼度スコア（例：max softmax）を追加
    confidences = np.max(raw_preds, axis=1)
    table.add_column("confidence", confidences)
    run.log({"eval_table": table})  # 信頼度情報を追加

    # ステップ 3: 後処理済みの予測を追加
    # (例: 閾値処理や平滑化された出力)
    post_preds = (confidences > 0.7).astype(int)
    table.add_column("final_prediction", post_preds)
    run.log({"eval_table": table})

​
INCREMENTAL テーブルを使用した run の再開

run を再開する際に、インクリメンタルテーブルへのログ記録を続行できます。 
# run を開始または再開
resumed_run = wandb.init(project="resume-incremental", id="your-run-id", resume="must")

# インクリメンタルテーブルを作成。以前にログ記録されたテーブルのデータで埋める必要はありません。
# インクリメント（増分）は引き続き Table Artifacts に追加されます。
table = wandb.Table(columns=["step", "metric"], log_mode="INCREMENTAL")

# ログ記録を続行
for step in range(resume_step, final_step):
    metric = compute_metric(step)
    table.add_data(step, metric)
    resumed_run.log({"metrics": table}, step=step)

resumed_run.finish()
wandb.Run.define_metric("<table_key>", summary="none") または wandb.Run.define_metric("*", summary="none") を使用して、インクリメンタルテーブルに使用されるキーのサマリーをオフにすると、インクリメントは新しいテーブルにログ記録されます。

​
INCREMENTAL バッチトレーニングによるトレーニング


with wandb.init(project="batch-training-incremental") as run:

    # インクリメンタルテーブルを作成
    table = wandb.Table(columns=["step", "input", "label", "prediction"], log_mode="INCREMENTAL")

    # シミュレートされたトレーニングループ
    for step in range(get_num_batches()):
        # バッチデータの読み込み
        inputs, labels = get_training_batch(step)

        # このバッチでモデルをトレーニング
        train_model_on_batch(inputs, labels)

        # モデルの推論を実行
        predictions = predict_on_batch(inputs)

        # データをテーブルに追加
        for input_item, label, prediction in zip(inputs, labels, predictions):
            table.add_data(step, input_item, label, prediction)

        # テーブルの現在の状態をインクリメンタルにログ記録
        run.log({"training_table": table}, step=step)