实验跟踪与任务编排

工具应让 Claim、配置、代码、数据、指标和产物形成可追溯链条。平台中的曲线不是最终事实来源：论文关键数字仍要导出为可审查表格，并与评价脚本相互核对。

Weights & Biases

W&B 记录 config、metric、table、media 和 Artifact。每个 run 至少关联 Git commit、数据版本、随机种子、主机与启动命令；同名指标保持定义一致。

import wandb

with wandb.init(project='baseline', config={'lr': 3e-4}) as run:
    run.log({'train/loss': 0.42, 'step': 100})

不要上传密钥、个人数据和未经授权的样本。离线或受限环境使用平台支持的离线模式，再在合规网络同步。

SwanLab

SwanLab 同样提供训练指标、图表和实验协作。接入原则与 W&B 一致：统一 step 语义、分组和命名，记录代码与数据版本，控制敏感数据上传。选择平台时比较本地部署、网络、团队协作和已有集成，不要同时向多个平台重复记录所有内容。

TensorBoard

TensorBoard 读取事件文件展示 scalar、image、histogram 和 graph。日志目录按实验隔离，避免多个不兼容 run 混写；网络访问通过 SSH 隧道或认证代理，而不是把端口直接开放公网。

MLflow

MLflow Tracking 记录参数、指标和 Artifact，并可管理模型生命周期。后端存储与 Artifact 存储是两个概念，部署前分别规划数据库、对象存储、权限与备份。自动记录很方便，但仍要检查实际捕获了哪些参数和文件。

Hydra

Hydra 用层级配置和 override 组织实验：

python train.py model=base data=dataset_a seed=1
python train.py --multirun seed=1,2,3 optimizer.lr=1e-4,3e-4

保存最终解析配置而不只保存 override。注意 Hydra 可能改变工作目录；文件路径应使用明确的原始目录或绝对规则。

Optuna

Optuna 通过 trial 建议参数、报告中间值并剪枝。先定义搜索空间、预算、主指标和失败处理，再启动并行搜索。最终模型不能用测试集挑选超参数，最优 trial 仍需用固定种子或多次运行确认。

Ray

Ray 把 Python 任务、Actor 和训练/调参扩展到多核或集群。远程函数的参数需要序列化，大对象应进入对象存储并复用；显式声明 CPU/GPU 资源，避免多个任务争用同一设备。

先在单机复现，再扩展集群。分布式失败要有重试上限和幂等输出目录，否则自动重试可能覆盖结果或重复产生外部副作用。

Slurm

Slurm 在共享集群上调度作业：

#!/usr/bin/env bash
#SBATCH --job-name=baseline
#SBATCH --gres=gpu:1
#SBATCH --cpus-per-task=8
#SBATCH --mem=32G
#SBATCH --time=08:00:00
#SBATCH --output=logs/%x-%j.out

set -euo pipefail
uv run python -m project.train --config configs/base.yaml

用 sbatch 提交、squeue -u $USER 查看、scancel JOB_ID 取消。资源请求基于测量，任务捕获终止信号并定期保存 Checkpoint。集群模块、容器和网络策略以本机构文档为准。

建议记录的最小集合

Claim / run purpose
Git commit and dirty diff
resolved configuration
dataset and split version
environment and hardware
metrics with exact definitions
checkpoints and result tables
failure reason or conclusion

参考：W&B 文档、SwanLab 文档、TensorBoard、MLflow、Hydra、Optuna、Ray、Slurm。