跳转至

工具清单：每个工具只解决一个问题

不要因为工具流行就加入项目。先说明它要解决什么，再判断是否减少重复劳动、提高可复现性或让结果更容易检查。

先选工具，再开始做事

  • 代码协作与项目展示：优先用 GitHub。
  • 快速跑通云端实验：优先用 Kaggle Notebooks 或 Google Colab。
  • 多次运行对比与追踪：优先用 Weights and Biases。
  • 查找模型与数据、固定版本来源：优先用 Hugging Face。

管理代码与协作

GitHub

用于：版本管理、Issue、Pull Request、项目展示与协作。

最低产出：清楚的 README、小步 commit、可追踪的问题记录，以及不含密钥和受限数据的仓库。

不适用：短时一次性草稿记录。此类内容应先沉淀为可复现实验，再进入仓库历史。

模型与数据资源

Hugging Face

用于：查找和管理模型、数据集与 Space；阅读 model card 和 dataset card；固定 revision 以保证可复现。

最低产出：在实验记录中写清模型或数据名称、来源 URL、revision、license 和访问日期；关键结论能对应到具体版本。

不适用：把私有敏感原始数据作为公开资产上传，或在未核对 license 前直接纳入项目。

在线运行实验

Kaggle Notebooks

用于：运行 GPU Notebook、挂载公开数据集、保存版本和分享结果。

最低产出：从上到下可运行的 Notebook，注明数据来源、依赖版本、硬件和关键输出。

不适用：依赖大量本地私有文件路径或长期状态的流程，这类任务应回到项目仓库和本地可复现环境。

Google Colab

用于：快速验证 Python 或模型示例，适合不依赖长期文件状态的小实验。

最低产出：固定输入和配置，并把重要结果同步回项目仓库；不要把临时运行时当作唯一保存位置。

不适用：需要严格版本锁定和团队长期协作审计的正式评测流程。

追踪实验

Weights & Biases

用于：比较多次训练或推理运行的配置、指标与产物。

最低产出：每个 run 有明确名称、关键配置和对应代码版本；公开项目前先检查是否包含敏感输入。

不适用：只有一次性运行且没有可比较实验的问题，先把最小基线跑通再接入追踪平台。

选择前问自己

  1. 不使用它，当前任务具体会卡在哪里？
  2. 它产生的记录能否与 Git commit、模型版本和数据版本对应？
  3. 另一位同学是否能访问并理解结果？
  4. 免费额度、隐私、license 或账号限制是否可接受？

课程建议

项目 01 的最小工具组合是 GitHub 加一个可运行 Python 的环境。只有当实验次数增加、对比难以管理时，再加入 W&B 等追踪工具。

链接核对日期：2026-09-03