用途：该技能面向使用 PyTorch Lightning 构建、训练或部署神经网络的场景，帮助把 PyTorch 代码组织为 LightningModule，配置 Trainer 做多 GPU/TPU 训练，并用 LightningDataModule 组织数据流程，也涉及回调、日志和分布式训练策略（DDP、FSDP、DeepSpeed）以及项目结构化。
主要能力：LightningModule 将模型组织为初始化（init()、setup()）、训练循环 training_step(batch, batch_idx)、验证循环 validation_step(batch, batch_idx)、测试循环 test_step(batch, batch_idx)、预测 predict_step(batch, batch_idx)、优化器配置 configure_optimizers() 六个部分。Trainer 自动处理训练循环、设备管理、梯度操作与回调，支持多 GPU/TPU 策略选择、自动混合精度、梯度累积与裁剪、检查点和早停、进度条与日志。LightningDataModule 通过 prepare_data()、setup()、train_dataloader()、val_dataloader()、test_dataloader() 封装数据处理。内置回调包括 ModelCheckpoint、EarlyStopping、LearningRateMonitor、BatchSizeFinder。日志可对接 TensorBoard、Weights & Biases、MLflow、Neptune、Comet、CSV，使用 self.log("metric_name", value) 记录指标。分布式策略：DDP 适用于小于 500M 参数模型，FSDP 适用于 500M 以上模型，DeepSpeed 用于更细粒度控制，可通过 Trainer(strategy="ddp", accelerator="gpu", devices=4) 配置。
使用方式：定义 MyModel(L.LightningModule)，在 training_step 中计算损失并 self.log("train_loss", loss)，在 configure_optimizers 返回优化器；数据可用 DataLoader 或 LightningDataModule；训练用 trainer = L.Trainer(max_epochs=10, accelerator="gpu", devices=2)，再 trainer.fit(model, train_loader) 或 trainer.fit(model, datamodule=dm)。技能资料还提供 scripts/template_lightning_module.py、scripts/template_datamodule.py、scripts/quick_trainer_setup.py 模板及 references/ 下各组件详细文档。
适用场景：需要使用 PyTorch Lightning 组织神经网络训练代码、进行多设备扩展或希望遵循官方推荐工程结构的深度学习项目。
限制：资料未提供安装命令、版本要求、收费方式或具体性能效果；部分能力仅以概述形式说明，使用前需结合官方文档确认。