用途:该技能面向使用 PyTorch Lightning(lightning 包)构建、训练和部署神经网络的场景,帮助把 PyTorch 代码整理为 LightningModule,配置 Trainer 进行多 GPU/TPU 训练,并用 LightningDataModule 组织数据管线。
主要能力:LightningModule 将模型划分为初始化、训练、验证、测试、预测与优化器配置六部分;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、检查点与早停;LightningDataModule 封装 prepare_data、setup 及各 dataloader;内置回调包括 ModelCheckpoint、EarlyStopping、LearningRateMonitor、BatchSizeFinder;日志支持 CSV、TensorBoard、Wandb、MLflow、Comet 等。
使用方式:安装命令为 uv pip install "lightning==2.6.6",可选扩展 uv pip install "lightning[extra]==2.6.6",日志器按需安装 wandb、mlflow。使用 import lightning as L;另一发行版 pytorch-lightning 对应 import pytorch_lightning as pl,同一应用内不要混用命名空间。资料提供 scripts/ 下的模板脚本与 references/ 下的详细文档。
适用场景:需要规范化深度学习项目结构、扩展多设备训练、统一日志与回调管理的 PyTorch 工作流。
限制:资料审阅版本为 Lightning 2.6.6,CPU 测试使用 Python 3.11、Torch 2.14.1;GPU、TPU、多节点与在线日志示例为源码验证示例,未执行训练验证。NeptuneLogger 在 2.6.4 移除。跨设备标量归约需 self.log(..., sync_dist=True),默认 False;非可加指标应使用有状态 TorchMetrics。DDP 最终评估可能重复填充样本,需单设备或非重复分布式评估器。真实科研需先按独立受试者/组/时间段划分并保留划分 ID。