实验追踪概述：为什么需要实验追踪？

做机器学习项目，说白了就是一场永无止境的实验。调个学习率、换个网络层数、改个数据增强策略……每次改动都是一次新的尝试。我见过太多团队，跑了几百个实验后，连哪个模型效果最好都说不清楚。

为什么会这样？因为没有做实验追踪。

为什么需要实验追踪？

我刚开始做深度学习时，习惯用 Excel 记录实验。后来项目多了，Excel 根本扛不住。有一次我调了一个超参数，效果提升明显，但两周后想复现，却忘了当时用的具体参数组合……

从那以后，我彻底转向了系统化的实验追踪。你想想看，没有实验追踪，你会遇到这些问题：

• 复现困难：三个月前的模型，你还记得当时用的 batch size 吗？
• 对比混乱：A 模型和 B 模型，到底哪个指标更好？基线是什么？
• 资源浪费：团队里两个人同时跑类似的实验，白白浪费 GPU 算力。
• 协作低效：同事问你「上次那个 0.89 精度的模型怎么跑的」，你只能翻聊天记录。

说白了，实验追踪就是给每个实验建一份「身份证」。有了它，你才能从混乱中解脱出来。

核心概念拆解

实验追踪涉及几个关键概念。我个人习惯把它们分成四个维度来理解：

概念	英文	一句话解释	我的理解
实验	Experiment	一个研究课题或项目	好比一个「文件夹」，装所有相关尝试
运行	Run	一次具体的训练过程	就是「跑一次代码」
指标	Metric	衡量模型好坏的数值	比如准确率、F1、损失值
参数	Parameter	你设定的配置	学习率、批次大小、网络层数
工件	Artifact	产出的文件	模型权重、日志、图表

它们之间的关系

我画了一张图，帮你理清这几个概念的关系：

实际项目中的实验追踪

拿我最近做的一个图像分类项目举例。项目目标是提升 ResNet50 在自建数据集上的精度。

我建了一个实验叫 resnet50_finetune_v2。然后跑了 20 多次运行：

• 第一次运行：学习率 0.01，batch size 32，跑了 50 个 epoch，准确率 82.3%
• 第二次运行：学习率 0.001，batch size 64，跑了 80 个 epoch，准确率 87.1%
• 第三次运行：加了数据增强，准确率 88.5%

每次运行，我都记录了：

• 参数：学习率、优化器类型、权重衰减、数据增强策略
• 指标：训练损失、验证损失、准确率、F1 分数
• 工件：模型权重文件、训练日志、混淆矩阵图

实验追踪工具能做什么？

手动记录太累了。我建议用工具来管理。常见的实验追踪工具（比如 MLflow、Weights & Biases、TensorBoard）能帮你：

1. 自动记录：代码里加几行，参数和指标自动入库
2. 可视化对比：把多次运行的曲线画在一起，一眼看出哪个好
3. 搜索过滤：按参数或指标快速找到历史运行
4. 团队共享：同事能看到你的实验，避免重复劳动

举个例子，用 MLflow 记录一次运行，代码大概长这样：

import mlflow

mlflow.start_run()
mlflow.log_param("learning_rate", 0.001)
mlflow.log_param("batch_size", 64)

# 训练代码...
for epoch in range(epochs):
    train_loss = train_one_epoch()
    mlflow.log_metric("train_loss", train_loss, step=epoch)

mlflow.log_artifact("model.pth")
mlflow.end_run()

你看，就这几行，参数、指标、工件全记下来了。比手写 Excel 省心多了。

什么时候开始做实验追踪？

我的建议是：从第一个实验就开始。

别等到项目做大了再回头补。我见过有人跑了 50 个实验后才想用工具，结果前面的实验信息全丢了，只能重新跑。白白浪费了几天时间。