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

# Aperçu des fonctions globales

> Référence des fonctions de niveau supérieur du SDK Python W&B, y compris init, login, setup, sweep et agent.

Dans W\&B, les fonctions globales sont des fonctions de niveau supérieur que vous appelez directement, comme `wandb.init()` ou `wandb.login()`. Contrairement aux méthodes associées à des classes spécifiques, ces fonctions donnent un accès direct aux fonctionnalités de base de W\&B sans devoir d’abord instancier des objets.

<div id="available-functions">
  ## Fonctions disponibles
</div>

| Fonction                                                     | Description                                                                                                                                                     |
| ------------------------------------------------------------ | --------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| [`init()`](/fr/models/ref/python/functions/init)             | Démarre un nouveau run pour suivre et journaliser des données dans W\&B. C'est généralement la première fonction appelée dans votre pipeline d'entraînement ML. |
| [`login()`](/fr/models/ref/python/functions/login)           | Configure les identifiants de connexion W\&B pour authentifier votre machine auprès de la plateforme.                                                           |
| [`setup()`](/fr/models/ref/python/functions/setup)           | Prépare W\&B pour une utilisation dans le processus courant et ses processus enfants. Utile pour les applications multiprocessus.                               |
| [`teardown()`](/fr/models/ref/python/functions/teardown)     | Nettoie les ressources W\&B et arrête le processus backend.                                                                                                     |
| [`sweep()`](/fr/models/ref/python/functions/sweep)           | Initialise un balayage d'hyperparamètres pour rechercher des configurations de modèle optimales.                                                                |
| [`agent()`](/fr/models/ref/python/functions/agent)           | Crée un agent de balayage pour exécuter des expériences d'optimisation d'hyperparamètres.                                                                       |
| [`controller()`](/fr/models/ref/python/functions/controller) | Gère et contrôle les agents de balayage ainsi que leur exécution.                                                                                               |
| [`restore()`](/fr/models/ref/python/functions/restore)       | Restaure un run précédent ou l'état d'une expérience afin de reprendre le travail.                                                                              |
| [`finish()`](/fr/models/ref/python/functions/finish)         | Termine un run et nettoie les ressources.                                                                                                                       |

<div id="example">
  ## Exemple
</div>

Le flux de travail le plus courant consiste à s'authentifier auprès de W\&B, à initialiser un run et à journaliser des valeurs (telles que l'accuracy et la perte) à partir de votre boucle d'entraînement. Les premières étapes consistent à importer `wandb` et à utiliser les fonctions globales `login()` et `init()` :

```python theme={null}
import wandb

# S'authentifier auprès de W&B
wandb.login()

# Hyperparamètres et métadonnées
config = {
   "learning_rate": 0.01,
   "epochs": 10,
}

# Project dans lequel le run est enregistré
project = "my-awesome-project"

# Initialiser un nouveau run
with wandb.init(project=project, config=config) as run:
   # Votre code d'entraînement ici...
   
   # Journaliser des valeurs dans W&B
   run.log({"accuracy": 0.9, "loss": 0.1})
```