用途:把现有 PyTorch Lightning 训练代码转换为 NVFLARE 联邦训练作业。仅当用户同时具备联邦训练意图、且相关代码确为 Lightning 时使用;若代码仅为普通 torch.nn.Module 手动训练循环,应转至 nvflare-convert-pytorch;若为 Hugging Face Trainer 则转至 nvflare-convert-huggingface。
主要能力:复用 PyTorch recipe 家族(Lightning 不是独立 recipe 家族),以 flare.patch(trainer) 作为模型交换集成方式,保留 Lightning 原生评估,支持通过同一 recipe 的 aggregator 钩子自定义聚合,并支持本地验证与作业导出。标准路径针对显式 FedAvg:运行 nvflare recipe show fedavg-pt --format json 后构造,FedAvgRecipe 只能从 nvflare.app_opt.pt.recipes.fedavg 导入。
主要用法:先用 nvflare agent inspect source <path> --format json 静态检查,识别 LightningModule、DataModule、Trainer、回调、检查点、验证步骤等证据;再按参考文档工作流顺序(lightning-detection、site-data-and-paths、pytorch-family-recipe-construction、lightning-conversion、pytorch-model-exchange、validation-evidence、lightning-validation)逐阶段执行,每阶段完成后再加载下一阶段参考。训练入口改为 Lightning Client API:构建 Trainer、调用 flare.patch(trainer)、由打过补丁的 Trainer 负责模型交换,评估保持在 Lightning 内并使用 self.log。evaluate_only=True 仅用于 FedEval;evaluate_before_train 依据算法是否为 Cyclic 推导。job.py 需按共享构造序列化规则生成。
验证:生成文件后先加载验证参考,再选择并记录唯一最终验证目标——仅本地或首次模拟运行用 python job.py 且不导出;需要可部署产物则先导出并只对导出目录运行模拟器 CLI。目标失败时诊断、做范围受限修复并重跑同一目标。
限制:不支持隐私保护请求(同态加密、差分隐私、隐私过滤器),应报告为不支持并转至供备/部署,不得替换为未受保护方案。不适用于非联邦的 Lightning 改动(DDP 配置、性能分析、推理服务、回调、早停、调度器)、Hugging Face Trainer、TensorFlow、XGBoost、scikit-learn、失败作业诊断、无训练的联邦统计等。转换范围外还包括生产部署、Kubernetes、POC 生命周期、部署隐私/安全策略设计、实验追踪重设计等。不得生成手动 FLModel 收发路径作为默认交换,不得把收到的 input_model 传入 Trainer,不得生成原生 PyTorch 评估循环。缺少必要事实时报告技能缺口或失败关闭,不得猜测。