PyTorch Lightning 是一个高层 PyTorch 训练框架，目标是把 PyTorch 代码组织起来，在消除样板代码的同时保持灵活性。根据资料，其基本用法分为三步。
一、安装与快速开始 安装命令为：
pip install lightning
使用方式：首先定义一个继承自 L.LightningModule 的类，在其中声明模型结构和 training_step、configure_optimizers 等方法；然后创建 DataLoader；最后用 L.Trainer 实例调用 trainer.fit(model, train_loader) 完成训练。Lightning 的 Trainer 会自动处理 GPU/TPU/CPU 切换、分布式训练（DDP、FSDP、DeepSpeed）、混合精度（FP16、BF16）、梯度累积、检查点、日志和进度条。
二、从 PyTorch 迁移到 Lightning 资料给出对照示例：原始 PyTorch 需要手动把模型和数据移到 cuda、执行 optimizer.zero_grad()、loss.backward()、optimizer.step() 等循环；Lightning 版本只需在 LightningModule 中实现 training_step 和 configure_optimizers，训练步内无需 .to('cuda')，由 Trainer 负责设备管理。资料的说明是：代码从 40 多行减少到约 15 行，并自动获得分布式能力。
三、验证、测试与指标记录 在 LightningModule 中可实现 validation_step 和 test_step，并在其中通过 self.log 记录 train_loss、val_loss、val_acc、test_loss 等指标。Trainer 在传入 val_loader 后默认每个 epoch 运行验证，指标可记录到 TensorBoard；资料还提到可基于 val_loss 自动保存最佳模型检查点。测试通过 trainer.test(model, test_loader) 执行。
四、分布式训练（DDP） 资料说明分布式训练无需修改代码：设置 L.Trainer(accelerator='gpu', devices=8, strategy='ddp') 即可使用 8 张 GPU，strategy 也可选 'fsdp' 或 'deepspeed'；多节点支持通过 num_nodes=2 设置。启动方式为单条命令 python train.py，Lightning 负责数据分发和梯度同步。
五、回调系统与学习率调度 可从 lightning.pytorch.callbacks 导入 ModelCheckpoint、EarlyStopping、LearningRateMonitor 等回调，并作为列表传给 Trainer。示例中 ModelCheckpoint 按 val_loss 保存最优 3 个模型，EarlyStopping 在 5 个 epoch 无改善时提前停止，LearningRateMonitor 记录学习率到 TensorBoard。学习率调度通过 configure_optimizers 返回包含 optimizer 和 lr_scheduler 的字典实现，可指定 interval='epoch'、frequency=1，学习率会被自动记录。
六、适用场景与替代方案 资料建议在希望代码整洁有序、需要生产级训练循环、在单 GPU/多 GPU/TPU 间切换、需要内置回调和日志、或团队协作需要标准化结构时使用 PyTorch Lightning。其优势包括：结构与工程分离、用一行配置启用 DDP/FSDP/DeepSpeed、模块化回调、可复现、经过大规模验证（资料称每月下载量超过 100 万）。资料同时列出替代方案：Accelerate（对现有代码改动小、更灵活）、Ray Train（多节点编排、超参数调优）、原生 PyTorch（最大控制力、适合学习）、Keras（TensorFlow 生态）。
七、常见问题 资料列举了若干排查方向：损失不下降时可在 training_step 中打印批次形状和标签检查数据与模型设置；显存不足时可减小 batch size 或使用 accumulate_grad_batches=4 与 precision='bf16'（或 'fp16'）；验证未运行时需确认向 trainer.fit 传入了 val_loader；DDP 意外生成多个进程时，可显式设置 devices，例如先用 accelerator='cpu', devices=1 测试，再改用 GPU。
八、硬件与精度 资料列出的支持范围包括：CPU（可用于调试）、单 GPU、多 GPU（默认 DDP，另有 FSDP、DeepSpeed）、多节点、TPU（8 核）、Apple MPS。精度选项包括 FP32（默认）、FP16（V100 及较旧 GPU）、BF16（A100/H100，推荐）、FP8（H100）。
九、扩展资料入口 资料提到更多高级主题位于 references 目录：callbacks.md（EarlyStopping、ModelCheckpoint、自定义回调与回调钩子）、distributed.md（DDP、FSDP、DeepSpeed ZeRO 集成、多节点设置）、hyperparameter-tuning.md（与 Optuna、Ray Tune、WandB sweeps 集成）。官方文档为 https://lightning.ai/docs/pytorch/stable/，GitHub 仓库为 https://github.com/Lightning-AI/pytorch-lightning（资料标注 29,000+ 星），版本 2.5.5+，示例位于 https://github.com/Lightning-AI/pytorch-lightning/tree/master/examples，Discord 为 https://discord.gg/lightning-ai。