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

> Intégrez W&B à Julia pour suivre les expériences, consigner des métriques et visualiser les performances du modèle à partir de programmes Julia.

# W&B pour Julia

Si vous menez des expériences de machine learning avec Julia, vous pouvez utiliser [`wandb.jl`](https://github.com/avik-pal/Wandb.jl), un ensemble non officiel de bindings Julia créé par un contributeur de la communauté.

Pour plus d’exemples, voir le répertoire `examples` de [`wandb.jl`](https://github.com/avik-pal/Wandb.jl/tree/main/docs/src/examples). Le code suivant est l’exemple de premiers pas du dépôt `wandb.jl` :

```julia theme={null}
using Wandb, Dates, Logging

# Démarrer une nouvelle run en suivant les hyperparamètres dans la configuration
lg = WandbLogger(project = "Wandb.jl",
                 name = "wandbjl-demo-$(now())",
                 config = Dict("learning_rate" => 0.01,
                               "dropout" => 0.2,
                               "architecture" => "CNN",
                               "dataset" => "CIFAR-100"))

# Utiliser LoggingExtras.jl pour journaliser vers plusieurs loggers simultanément
global_logger(lg)

# Simulation de la boucle d'entraînement ou d'évaluation
for x ∈ 1:50
    acc = log(1 + x + rand() * get_config(lg, "learning_rate") + rand() + get_config(lg, "dropout"))
    loss = 10 - log(1 + x + rand() + x * get_config(lg, "learning_rate") + rand() + get_config(lg, "dropout"))
    # Consigner des métriques depuis votre script vers W&B
    @info "metrics" accuracy=acc loss=loss
end

# Terminer la run
close(lg)
```