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，帮助把 PyTorch 代码组织为 LightningModule，配置 Trainer 进行多 GPU/TPU 训练，并用 LightningDataModule 实现数据管道，同时处理回调、日志与分布式训练策略（DDP、FSDP、DeepSpeed），以更专业地组织深度学习项目。
主要能力：LightningModule 将模型定义分为初始化、训练循环、验证循环、测试循环、预测和优化器配置六部分；Trainer 自动完成训练循环、设备管理、梯度操作与回调，支持多 GPU/TPU、自动混合精度、梯度累积与裁剪、检查点与早停、进度条与日志；LightningDataModule 封装 prepare_data、setup、train/val/test_dataloader；内置回调包括 ModelCheckpoint、EarlyStopping、LearningRateMonitor、BatchSizeFinder；日志可接入 TensorBoard、Weights & Biases、MLflow、Neptune、Comet、CSV，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，配置示例为 Trainer(strategy="ddp", accelerator="gpu", devices=4)。
使用方式：定义 LightningModule 后，可直接传入 DataLoader 或使用 LightningDataModule，再通过 trainer.fit(model, train_loader) 或 trainer.fit(model, datamodule=dm) 训练。资料提供 scripts/ 下的模板（template_lightning_module.py、template_datamodule.py、quick_trainer_setup.py）和 references/ 下的详细文档（lightning_module.md、trainer.md、data_module.md、callbacks.md、logging.md、distributed_training.md、best_practices.md）。
适用场景与限制：适合需要多设备扩展、实验跟踪和规范项目结构的深度学习训练。资料未提供具体安装命令、版本要求、收费信息或性能数据，这些暂未提供。