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 实现多 GPU/TPU 训练，并用 LightningDataModule 管理数据管线，同时处理回调、日志与分布式训练策略。
主要能力：LightningModule 将模型定义分为初始化、训练、验证、测试、预测与优化器配置六部分；Trainer 自动处理训练循环、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、进度条与日志；LightningDataModule 封装 prepare_data()、setup()、train_dataloader()、val_dataloader()、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。
使用方式：定义 LightningModule 后，可直接传入 DataLoader 或使用 DataModule，再通过 Trainer 训练，例如 trainer = L.Trainer(max_epochs=10, accelerator="gpu", devices=2); trainer.fit(model, train_loader) 或 trainer.fit(model, datamodule=dm)。分布式配置示例：Trainer(strategy="ddp", accelerator="gpu", devices=4)。
适用场景：适合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 项目。
限制：资料未提供安装命令、收费、价格、平台支持范围及具体效果数据；部分细节需参考其 scripts/ 与 references/ 目录中的模板和文档。