用途：该技能面向使用 PyTorch Lightning 构建、训练和部署神经网络的场景，帮助将 PyTorch 代码组织为 LightningModule，并用 Trainer 自动化训练流程、多设备编排与扩展。
主要能力：LightningModule 按初始化、训练、验证、测试、预测和优化器配置六部分组织模型；Trainer 自动化训练循环、设备管理、梯度操作与回调，支持 DDP、FSDP、DeepSpeed 策略、自动混合精度、梯度累积与裁剪、检查点和早停；LightningDataModule 通过 prepare_data、setup、train/val/test_dataloader 封装数据管线；内置 ModelCheckpoint、EarlyStopping、LearningRateMonitor、BatchSizeFinder 等回调；支持 TensorBoard、Wandb、MLflow、Neptune、Comet、CSV 日志，使用 self.log 记录指标；分布式训练可按模型规模选择 DDP（小于 5 亿参数）、FSDP（5 亿以上）或 DeepSpeed。
使用方式：定义 LightningModule 后在 init 中调用 self.save_hyperparameters()，在 training_step 中计算并返回 loss，在 configure_optimizers 中返回优化器；数据可直接用 DataLoader 或 LightningDataModule；训练使用 L.Trainer(max_epochs=10, accelerator="gpu", devices=2) 并调用 trainer.fit(model, train_loader) 或 trainer.fit(model, datamodule=dm)。分布式配置示例为 Trainer(strategy="ddp", accelerator="gpu", devices=4)。
适用场景与限制：适合需要多 GPU/TPU、分布式训练、结构化深度学习工程和实验跟踪的项目。资料中未提供安装命令、版本兼容性、收费与价格信息，也未给出平台限制或性能效果数据。