API概要

クラス

obj.Object
dataset.Dataset: 簡単な保存と自動バージョン管理機能を持つDatasetオブジェクト
model.Model: 入力に対して動作するコードとデータの組み合わせをキャプチャすることを目的としています。
prompt.Prompt
prompt.StringPrompt
prompt.MessagesPrompt
eval.Evaluation: 一連のスコアラーとデータセットを含む評価をセットアップします。
eval_imperative.EvaluationLogger: このクラスは評価をログに記録するための命令型インターフェースを提供します。
scorer.Scorer
annotation_spec.AnnotationSpec
file.File: パス、MIMEタイプ、サイズ情報を持つファイルを表すクラス。
markdown.Markdown: Markdownでレンダリング可能なオブジェクト。
monitor.Monitor: 着信呼び出しを自動的にスコアリングするモニターをセットアップします。
saved_view.SavedView: SavedViewオブジェクトを操作するためのフルエントスタイルのクラス。
audio.Audio: サポートされている形式（wavまたはmp3）のオーディオデータを表すクラス。

関数

api.init: wandbプロジェクトへのログ記録を行うweaveトラッキングを初期化します。
api.publish: Pythonオブジェクトを保存してバージョン管理します。
api.ref: Weaveオブジェクトへの参照（Ref）を構築します。
api.get: URIからオブジェクトを取得するための便利な関数。
call_context.require_current_call: 現在実行中のOp内で、そのOpのCallオブジェクトを取得します。
call_context.get_current_call: 現在実行中のOp内で、そのOpのCallオブジェクトを取得します。
api.finish: weaveへのログ記録を停止します。
op.op: 関数またはメソッドをweave op化するデコレータ。同期と非同期の両方で動作します。
api.attributes: 呼び出しに属性を設定するためのコンテキストマネージャ。

function `init`

init( project_name: 'str', settings: 'UserSettings | dict[str, Any] | None' = None, autopatch_settings: 'AutopatchSettings | None' = None, global_postprocess_inputs: 'PostprocessInputsFunc | None' = None, global_postprocess_output: 'PostprocessOutputFunc | None' = None, global_attributes: 'dict[str, Any] | None' = None) → WeaveClient

wandbプロジェクトへのログ記録を行うweaveトラッキングを初期化します。ログ記録はグローバルに初期化されるため、initの戻り値への参照を保持する必要はありません。 init後、weave.op()でデコレートされた関数の呼び出しは指定されたプロジェクトにログ記録されます。 Args:

project_name**: ログを記録するWeights & Biasesプロジェクトの名前。
settings: Weaveクライアント全般の設定。
autopatch_settings: openaiなどの自動パッチ統合の設定
global_postprocess_inputs: すべてのopのすべての入力に適用される関数。
global_postprocess_output: すべてのopのすべての出力に適用される関数。
global_attributes: すべてのトレースに適用される属性の辞書。

NOTE: Global postprocessing settings are applied to all ops after each op’s own postprocessing. The order is always: 1. Op-specific postprocessing 2. Global postprocessing Returns:Weaveクライアント。

function `publish`

publish(obj: 'Any', name: 'str | None' = None) → ObjectRef

Pythonオブジェクトを保存してバージョン管理します。 nameという名前のオブジェクトが既に存在し、objのコンテンツハッシュがそのオブジェクトの最新バージョンと一致しない場合、新しいバージョンが作成されます。 TODO: Need to document how name works with this change. Args:

obj**: 保存してバージョン管理するオブジェクト。
name: オブジェクトを保存する名前。

Returns:保存されたオブジェクトへのweave Ref。

function `ref`

ref(location: 'str') → ObjectRef

Weaveオブジェクトへの参照（Ref）を構築します。 TODO: what happens if obj does not exist Args:

location**: 完全修飾されたweave参照URI、またはweave.init()が呼び出されている場合は「name:version」または単に「name」（この場合、バージョンには「latest」が使用されます）。

Returns:オブジェクトへのweave Ref。

function `get`

get(uri: 'str | ObjectRef') → Any

URIからオブジェクトを取得するための便利な関数。 Weaveによってログ記録されたオブジェクトの多くは、自動的にWeaveサーバーに登録されます。この関数を使用すると、URIでそれらのオブジェクトを取得できます。 Args:

uri**: 完全修飾されたweave参照URI。

Returns:オブジェクト。 Example:

weave.init("weave_get_example")dataset = weave.Dataset(rows=[{"a": 1, "b": 2}])ref = weave.publish(dataset)dataset2 = weave.get(ref) # same as dataset!

function `require_current_call`

require_current_call() → Call

現在実行中のOp内で、そのOpのCallオブジェクトを取得します。これにより、実行中のCallのIDやフィードバックなどの属性にアクセスできます。

@weave.opdef hello(name: str) -> None: print(f"Hello {name}!") current_call = weave.require_current_call() print(current_call.id)

Opが戻った後にCallにアクセスすることも可能です。 CallのID（おそらくUIから）がある場合は、get_callメソッドをWeaveClientから返されたweave.initで使用してCallオブジェクトを取得できます。

client = weave.init("
")mycall = client.get_call("")

あるいは、Opを定義した後、そのcallメソッドを使用できます。例えば：

@weave.opdef add(a: int, b: int) -> int: return a + bresult, call = add.call(1, 2)print(call.id)

Returns:現在実行中のOpのCallオブジェクト Raises:

NoCurrentCallError**: トラッキングが初期化されていない場合、またはこのメソッドがOp外で呼び出された場合。

function `get_current_call`

get_current_call() → Call | None

現在実行中のOp内で、そのOpのCallオブジェクトを取得します。 Returns:現在実行中のOpのCallオブジェクト、またはトラッキングが初期化されていない場合やこのメソッドがOp外で呼び出された場合はNone。

function `finish`

finish() → None

weaveへのログ記録を停止します。 finish後、weave.op()でデコレートされた関数の呼び出しはログに記録されなくなります。ログ記録を再開するには、weave.init()を再度実行する必要があります。

function `op`

op( func: 'Callable[P, R] | None' = None, name: 'str | None' = None, call_display_name: 'str | CallDisplayNameFunc | None' = None, postprocess_inputs: 'PostprocessInputsFunc | None' = None, postprocess_output: 'PostprocessOutputFunc | None' = None, tracing_sample_rate: 'float' = 1.0, enable_code_capture: 'bool' = True, accumulator: 'Callable[[Any | None, Any], Any] | None' = None) → Callable[[Callable[P, R]], Op[P, R]] | Op[P, R]

関数またはメソッドをweave op化するデコレータ。同期と非同期の両方で動作します。イテレータ関数を自動的に検出し、適切な動作を適用します。

function `attributes`

attributes(attributes: 'dict[str, Any]') → Iterator

呼び出しに属性を設定するためのコンテキストマネージャ。属性は呼び出しの実行が開始されると不変になります。このコンテキストマネージャを使用して、呼び出しが開始される前にメタデータを提供します。 Example:

with weave.attributes({'env': 'production'}): print(my_function.call("World"))

class `Object`

Pydanticフィールド：

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]

classmethod `from_uri`

from_uri(uri: str, objectify: bool = True) → Self

classmethod `handle_relocatable_object`

handle_relocatable_object( v: Any, handler: ValidatorFunctionWrapHandler, info: ValidationInfo) → Any

class `Dataset`

簡単な保存と自動バージョン管理機能を持つDatasetオブジェクト Examples:

# Create a datasetdataset = Dataset(name='grammar', rows=[ {'id': '0', 'sentence': "He no likes ice cream.", 'correction': "He doesn't like ice cream."}, {'id': '1', 'sentence': "She goed to the store.", 'correction': "She went to the store."}, {'id': '2', 'sentence': "They plays video games all day.", 'correction': "They play video games all day."}])# Publish the datasetweave.publish(dataset)# Retrieve the datasetdataset_ref = weave.ref('grammar').get()# Access a specific exampleexample_label = dataset_ref.rows[2]['sentence']

Pydanticフィールド：

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
rows: typing.Union[trace.table.Table, trace.vals.WeaveTable]

method `add_rows`

add_rows(rows: Iterable[dict]) → Dataset

既存のデータセットに行を追加して新しいデータセットバージョンを作成します。これは、データセット全体をメモリにロードすることなく、大規模なデータセットに例を追加するのに役立ちます。 Args:

rows**: データセットに追加する行。

Returns:更新されたデータセット。

classmethod `convert_to_table`

convert_to_table(rows: Any) → Union[Table, WeaveTable]

classmethod `from_calls`

from_calls(calls: Iterable[Call]) → Self

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

classmethod `from_pandas`

from_pandas(df: 'DataFrame') → Self

method `select`

select(indices: Iterable[int]) → Self

提供されたインデックスに基づいてデータセットから行を選択します。 Args:

indices**: 選択する行を指定する整数インデックスの反復可能オブジェクト。

Returns:選択された行のみを含む新しいDatasetオブジェクト。

method `to_pandas`

to_pandas() → DataFrame

class `Model`

入力に対して動作するコードとデータの組み合わせをキャプチャすることを目的としています。例えば、予測やテキスト生成を行うためにプロンプトを使用してLLMを呼び出すことがあります。モデルの属性や定義するコードを変更すると、これらの変更がログに記録され、バージョンが更新されます。これにより、異なるバージョンのモデル間で予測を比較することができます。これを使用してプロンプトを反復的に改善したり、最新のLLMを試して異なる設定間で予測を比較したりすることができます Examples:

class YourModel(Model): attribute1: str attribute2: int @weave.op() def predict(self, input_data: str) -> dict: # Model logic goes here prediction = self.attribute1 + ' ' + input_data return {'pred': prediction}

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]

method `get_infer_method`

get_infer_method() → Callable

class `Prompt`

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]

method `format`

format(**kwargs: Any) → Any

class `StringPrompt`

method `init`

__init__(content: str)

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
content: “

method `format`

format(**kwargs: Any) → str

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

class `MessagesPrompt`

method `init`

__init__(messages: list[dict])

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
messages: list[dict]

method `format`

format(**kwargs: Any) → list

method `format_message`

format_message(message: dict, **kwargs: Any) → dict

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

class `Evaluation`

スコアラーとデータセットのセットを含む評価をセットアップします。 evaluation.evaluate(model)を呼び出すと、データセットの列の名前をmodel.predictの引数名に一致させてデータセットから行をモデルに渡します。その後、すべてのスコアラーを呼び出し、結果をweaveに保存します。データセットからの行を前処理したい場合は、preprocess_model_inputに関数を渡すことができます。 Examples:

# Collect your examplesexamples = [ {"question": "What is the capital of France?", "expected": "Paris"}, {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"}, {"question": "What is the square root of 64?", "expected": "8"},]# Define any custom scoring function@weave.op()def match_score1(expected: str, model_output: dict) -> dict: # Here is where you'd define the logic to score the model output return {'match': expected == model_output['generated_text']}@weave.op()def function_to_evaluate(question: str): # here's where you would add your LLM call and return the output return {'generated_text': 'Paris'}# Score your examples using scoring functionsevaluation = Evaluation( dataset=examples, scorers=[match_score1])# Start tracking the evaluationweave.init('intro-example')# Run the evaluationasyncio.run(evaluation.evaluate(function_to_evaluate))

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
dataset: “
scorers: typing.Optional[list[typing.Annotated[typing.Union[trace.op.Op, flow.scorer.Scorer], BeforeValidator(func=)]]]
preprocess_model_input: typing.Optional[typing.Callable[[dict], dict]]
trials: “
evaluation_name: typing.Union[str, typing.Callable[[trace.weave_client.Call], str], NoneType]

method `evaluate`

evaluate(model: Union[Op, Model]) → dict

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

method `get_eval_results`

get_eval_results(model: Union[Op, Model]) → EvaluationResults

method `predict_and_score`

predict_and_score(model: Union[Op, Model], example: dict) → dict

method `summarize`

summarize(eval_table: EvaluationResults) → dict

class `EvaluationLogger`

このクラスは評価をログに記録するための命令型インターフェースを提供します。評価は、最初の予測がlog_predictionメソッドを使用してログに記録されると自動的に開始され、log_summaryメソッドが呼び出されると終了します。予測をログに記録するたびに、ScoreLoggerオブジェクトが返されます。このオブジェクトを使用して、その特定の予測のスコアとメタデータをログに記録できます。詳細については、ScoreLoggerクラスを参照してください。 Example:

 ev = EvaluationLogger() pred = ev.log_prediction(inputs, output) pred.log_score(scorer_name, score) ev.log_summary(summary)

Pydantic Fields:

name: str | None
model: flow.model.Model | dict | str
dataset: flow.dataset.Dataset | list[dict] | str

property ui_url

method `finish`

finish() → None

サマリーをログに記録せずに評価リソースを明示的にクリーンアップします。すべての予測呼び出しとメイン評価呼び出しが確実に終了します。これはロガーがコンテキストマネージャーとして使用される場合に自動的に呼び出されます。

method `log_prediction`

log_prediction(inputs: 'dict', output: 'Any') → ScoreLogger

予測を評価にログに記録し、参照を返します。この参照を使用して、特定の予測インスタンスに添付されるスコアをログに記録できます。

method `log_summary`

log_summary(summary: 'dict | None' = None, auto_summarize: 'bool' = True) → None

サマリー辞書を評価にログに記録します。これはサマリーを計算し、summarize操作を呼び出し、その後評価を終了します。つまり、これ以上の予測やスコアをログに記録することはできません。

class `Scorer`

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
column_map: typing.Optional[dict[str, str]]

method `model_post_init`

model_post_init(_Scorer__context: Any) → None

method `score`

score(output: Any, **kwargs: Any) → Any

method `summarize`

summarize(score_rows: list) → Optional[dict]

class `AnnotationSpec`

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
field_schema: dict[str, typing.Any]
unique_among_creators: “
op_scope: typing.Optional[list[str]]

classmethod `preprocess_field_schema`

preprocess_field_schema(data: dict[str, Any]) → dict[str, Any]

classmethod `validate_field_schema`

validate_field_schema(schema: dict[str, Any]) → dict[str, Any]

method `value_is_valid`

value_is_valid(payload: Any) → bool

ペイロードをこのアノテーション仕様のスキーマに対して検証します。 Args:

payload**: スキーマに対して検証するデータ

Returns:

bool: 検証が成功した場合はTrue、そうでない場合はFalse

class `File`

パス、MIMEタイプ、サイズ情報を持つファイルを表すクラス。

method `init`

__init__(path: 'str | Path', mimetype: 'str | None' = None)

Fileオブジェクトを初期化します。 Args:

path**: ファイルへのパス（文字列またはpathlib.Path）
mimetype: ファイルのオプションのMIMEタイプ - 提供されない場合は拡張子から推測されます

property filename

ファイルのファイル名を取得します。 Returns:

str: ディレクトリパスを除いたファイルの名前。

method `open`

open() → bool

オペレーティングシステムのデフォルトアプリケーションを使用してファイルを開きます。このメソッドは、プラットフォーム固有のメカニズムを使用して、ファイルの種類に関連付けられたデフォルトアプリケーションでファイルを開きます。 Returns:

bool**: ファイルが正常に開かれた場合はTrue、そうでない場合はFalse。

method `save`

save(dest: 'str | Path') → None

ファイルを指定された宛先パスにコピーします。 Args:

dest**: ファイルがコピーされる宛先パス（文字列またはpathlib.Path）。宛先パスはファイルまたはディレクトリにすることができます。

class `Markdown`

Markdownレンダリング可能。 Args:

markup (str): マークダウンを含む文字列。
code_theme (str, optional): コードブロック用のPygmentsテーマ。デフォルトは「monokai」。
justify (JustifyMethod, optional): 段落の揃え値。デフォルトはNone。
style (Union[str, Style], optional): マークダウンに適用するオプションのスタイル。
hyperlinks (bool, optional): ハイパーリンクを有効にします。デフォルトはTrue。
inline_code_lexer: (str, optional): インラインコードハイライトが有効な場合に使用するレクサー。デフォルトはNone。
inline_code_theme: (Optional[str], optional): インラインコードのハイライト表示用のPygmentsテーマ、またはハイライト表示なしの場合はNone。デフォルトはNone。

method `init`

__init__( markup: 'str', code_theme: 'str' = 'monokai', justify: 'Optional[JustifyMethod]' = None, style: 'Union[str, Style]' = 'none', hyperlinks: 'bool' = True, inline_code_lexer: 'Optional[str]' = None, inline_code_theme: 'Optional[str]' = None) → None

class `Monitor`

着信コールを自動的にスコアリングするモニターをセットアップします。 Examples:

import weavefrom weave.scorers import ValidJSONScorerjson_scorer = ValidJSONScorer()my_monitor = weave.Monitor( name="my-monitor", description="This is a test monitor", sampling_rate=0.5, op_names=["my_op"], query={ "$expr": { "$gt": [ { "$getField": "started_at" }, { "$literal": 1742540400 } ] } } }, scorers=[json_scorer],)my_monitor.activate()

Pydantic Fields:

name: typing.Optional[str]
description: typing.Optional[str]
ref: typing.Optional[trace.refs.ObjectRef]
sampling_rate: “
scorers: list[flow.scorer.Scorer]
op_names: list[str]
query: typing.Optional[trace_server.interface.query.Query]
active: “

method `activate`

activate() → ObjectRef

モニターをアクティブにします。 Returns: モニターへの参照。

method `deactivate`

deactivate() → ObjectRef

モニターを非アクティブにします。 Returns: モニターへの参照。

classmethod `from_obj`

from_obj(obj: WeaveObject) → Self

class `SavedView`

SavedViewオブジェクトを操作するためのフルエントスタイルのクラス。

method `init`

__init__(view_type: 'str' = 'traces', label: 'str' = 'SavedView') → None

property entity

property label

property project

property view_type

method `add_column`

add_column(path: 'str | ObjectPath', label: 'str | None' = None) → SavedView

method `add_columns`

add_columns(*columns: 'str') → SavedView

グリッドに複数の列を追加するための便利なメソッド。

method `add_filter`

add_filter( field: 'str', operator: 'str', value: 'Any | None' = None) → SavedView

method `add_sort`

add_sort(field: 'str', direction: 'SortDirection') → SavedView

method `column_index`

column_index(path: 'int | str | ObjectPath') → int

method `filter_op`

filter_op(op_name: 'str | None') → SavedView

method `get_calls`

get_calls( limit: 'int | None' = None, offset: 'int | None' = None, include_costs: 'bool' = False, include_feedback: 'bool' = False, all_columns: 'bool' = False) → CallsIter

この保存されたビューのフィルターと設定に一致するコールを取得します。

method `get_known_columns`

get_known_columns(num_calls_to_query: 'int | None' = None) → list[str]

存在することが分かっている列のセットを取得します。

method `get_table_columns`

get_table_columns() → list[TableColumn]

method `hide_column`

hide_column(col_name: 'str') → SavedView

method `insert_column`

insert_column( idx: 'int', path: 'str | ObjectPath', label: 'str | None' = None) → SavedView

classmethod `load`

load(ref: 'str') → SavedView

method `page_size`

page_size(page_size: 'int') → SavedView

method `pin_column_left`

pin_column_left(col_name: 'str') → SavedView

method `pin_column_right`

pin_column_right(col_name: 'str') → SavedView

method `remove_column`

remove_column(path: 'int | str | ObjectPath') → SavedView

method `remove_columns`

remove_columns(*columns: 'str') → SavedView

保存されたビューから列を削除します。

method `remove_filter`

remove_filter(index_or_field: 'int | str') → SavedView

method `remove_filters`

remove_filters() → SavedView

保存されたビューからすべてのフィルターを削除します。

method `rename`

rename(label: 'str') → SavedView

method `rename_column`

rename_column(path: 'int | str | ObjectPath', label: 'str') → SavedView

method `save`

save() → SavedView

保存されたビューをサーバーに公開します。

method `set_columns`

set_columns(*columns: 'str') → SavedView

グリッドに表示する列を設定します。

method `show_column`

show_column(col_name: 'str') → SavedView

method `sort_by`

sort_by(field: 'str', direction: 'SortDirection') → SavedView

method `to_grid`

to_grid(limit: 'int | None' = None) → Grid

method `to_rich_table_str`

to_rich_table_str() → str

method `ui_url`

ui_url() → str | None

UIでこの保存されたビューを表示するURL。これはトレースなどを含む「結果」ページであり、ビューオブジェクト自体のURLではありません。

method `unpin_column`

unpin_column(col_name: 'str') → SavedView

class `Audio`

サポートされている形式（wavまたはmp3）のオーディオデータを表すクラス。このクラスはオーディオデータの保存を処理し、さまざまなソースからの読み込みやファイルへのエクスポートのためのメソッドを提供します。 Attributes:

format**: オーディオ形式（現在は「wav」または「mp3」をサポート）
data: 生のオーディオデータ（バイト形式）

Args:

data: オーディオデータ（バイトまたはbase64エンコードされた文字列）
format: オーディオ形式（「wav」または「mp3」）
validate_base64: 入力データのbase64デコードを試みるかどうか

Raises:

ValueError: オーディオデータが空または形式がサポートされていない場合

method `init`

__init__( data: 'bytes', format: 'SUPPORTED_FORMATS_TYPE', validate_base64: 'bool' = True) → None

method `export`

export(path: 'str | bytes | Path | PathLike') → None

オーディオデータをファイルにエクスポートします。 Args:

path**: オーディオファイルを書き込むパス

classmethod `from_data`

from_data(data: 'str | bytes', format: 'str') → Audio

生データと指定された形式からAudioオブジェクトを作成します。 Args:

data**: バイトまたはbase64エンコードされた文字列としてのオーディオデータ
format: オーディオ形式（「wav」または「mp3」）

Returns:

Audio: 新しいAudioインスタンス

Raises:

ValueError: 形式がサポートされていない場合

classmethod `from_path`

from_path(path: 'str | bytes | Path | PathLike') → Audio

ファイルパスからAudioオブジェクトを作成します。 Args:

path**: オーディオファイルへのパス（.wavまたは.mp3拡張子が必要）

Returns:

Audio: ファイルから読み込まれた新しいAudioインスタンス

Raises:

ValueError: ファイルが存在しないか、サポートされていない拡張子を持つ場合

このページを編集最終更新日: Jul 14, 2025

⌘I

​API概要

​クラス​

​関数​

​function init​

​function publish​

​function ref​

​function get​

​function require_current_call​

​function get_current_call​

​function finish​

​function op​

​function attributes​

​class Object​

​classmethod from_uri​

​classmethod handle_relocatable_object​

​class Dataset​

​method add_rows​

​classmethod convert_to_table​

​classmethod from_calls​

​classmethod from_obj​

​classmethod from_pandas​

​method select​

​method to_pandas​

​class Model​

​method get_infer_method​

​class Prompt​

​method format​

​class StringPrompt​

​method __init__​

​method format​

​classmethod from_obj​

​class MessagesPrompt​

​method __init__​

​method format​

​method format_message​

​classmethod from_obj​

​class Evaluation​

​method evaluate​

​classmethod from_obj​

​method get_eval_results​

​method predict_and_score​

​method summarize​

​class EvaluationLogger​

​property ui_url​

​method finish​

​method log_prediction​

​method log_summary​

​class Scorer​

​method model_post_init​

​method score​

​method summarize​

​class AnnotationSpec​

​classmethod preprocess_field_schema​

​classmethod validate_field_schema​

​method value_is_valid​

​class File​

​method __init__​

​property filename​

​method open​

​method save​

​class Markdown​

​method __init__​

​class Monitor​

​method activate​

​method deactivate​

​classmethod from_obj​

​class SavedView​

​method __init__​

​property entity​

​property label​

​property project​

​property view_type​

​method add_column​

​method add_columns​

​method add_filter​

​method add_sort​

​method column_index​

​method filter_op​

​method get_calls​

​method get_known_columns​

API概要

クラス

関数

function `init`

function `publish`

function `ref`

function `get`

function `require_current_call`

function `get_current_call`

function `finish`

function `op`

function `attributes`

class `Object`

classmethod `from_uri`

classmethod `handle_relocatable_object`

class `Dataset`

method `add_rows`

classmethod `convert_to_table`

classmethod `from_calls`

classmethod `from_obj`

classmethod `from_pandas`

method `select`

method `to_pandas`

class `Model`

method `get_infer_method`

class `Prompt`

method `format`

class `StringPrompt`

method `init`

method `format`

classmethod `from_obj`

class `MessagesPrompt`

method `init`

method `format`

method `format_message`

classmethod `from_obj`

class `Evaluation`

method `evaluate`

classmethod `from_obj`

method `get_eval_results`

method `predict_and_score`

method `summarize`

class `EvaluationLogger`

property ui_url

method `finish`

method `log_prediction`

method `log_summary`

class `Scorer`

method `model_post_init`

method `score`

method `summarize`

class `AnnotationSpec`

classmethod `preprocess_field_schema`

classmethod `validate_field_schema`

method `value_is_valid`

class `File`

method `init`

property filename

method `open`

method `save`

class `Markdown`

method `init`

class `Monitor`

method `activate`

method `deactivate`

classmethod `from_obj`

class `SavedView`

method `init`

property entity

property label

property project

property view_type

method `add_column`

method `add_columns`

method `add_filter`

method `add_sort`

method `column_index`

method `filter_op`

method `get_calls`

method `get_known_columns`