DVC 实验概述
机器学习实验可以在运行时通过 DVC 自动保存，也可以在完成后手动保存。每次实验都会基于你的 工作区 中的变化，创建并跟踪你数据科学项目的一个变体。
实验会保留与当前分支最新提交（Git HEAD）的关联作为其父节点或基线，但不会成为常规 Git 树的一部分。这可以防止临时提交和分支使你的仓库变得臃肿。
实验是自定义的 Git 引用（位于 .git/refs/exps 中），基于 HEAD 拥有一个或多个提交。这些提交由 DVC 隐藏且不会被检出。请注意，默认情况下这些引用也不会推送到 Git 远程仓库（参见 dvc exp push）。
请注意，DVC 实验需要一个唯一名称来标识。DVC 默认会自动生成一个名称，例如 puffy-daks。你也可以使用 dvc exp run/dvc exp save 的 --name/-n 选项设置自定义名称。这些名称可用于其他 dvc exp 子命令中引用实验。
保存实验
请参阅 👨💻 快速入门：实验 获取 DVC 实验的实践介绍。
要保存实验，你可以选择以下任一方式：
- 如果你没有 DVC 流水线，可以通过初始化 DVCLive 从 Python 代码中记录实时结果。
- 如果你有 DVC 流水线，请使用
dvc exp run来同时运行你的代码流水线并保存实验结果。dvc exp run还支持一次性排队多个实验等高级功能。
实验默认保存在本地，但你可以共享它们，以便其他人可以复现你的工作。
指标、图表、参数
DVC 可以跟踪和比较以标准结构化文件（如 YAML、JSON 和 CSV）保存的参数、指标和图表数据，并可将它们作为仓库的一部分进行跟踪。生成这些参数、指标和图表（并自动配置）的一种方法是使用 DVCLive。你也可以手动生成这些文件，并使用 dvc.yaml 元文件来指定哪些文件是参数、指标或图表（以及如何可视化图表）。
模型和数据集
DVC 可以将模型或数据集作为仓库的一部分进行跟踪，并且你可以在模型注册表中管理这些模型。记录模型或其他产物的一种方法是使用 DVCLive。你也可以使用 dvc add 跟踪它们，并在 dvc.yaml 中声明模型注册表所需的元数据。
通过图形界面使用 DVC 实验
DVC 实验可以直接通过 VS Code 集成开发环境 或在线使用 [DVC Studio] 进行操作，DVC Studio 是一个集成所有数据科学工具的网页用户界面。