Pytorch Lightning

高级 PyTorch 框架，具备 Trainer 类、自动分布式训练（DDP/FSDP/DeepSpeed）、回调系统和最小样板代码。可在相同代码下从笔记本电脑扩展到超级计算机。当您希望使用内置最佳实践的简洁训练循环时，请使用此框架。

技能元数据


来源	可选 — 安装命令：`hermes skills install official/mlops/pytorch-lightning`
路径	`optional-skills/mlops/pytorch-lightning`
版本	`1.0.0`
作者	Orchestra Research
许可	MIT
依赖项	`lightning`, `torch`, `transformers`
平台	linux, macos, windows
标签	`PyTorch Lightning`, `训练框架`, `分布式训练`, `DDP`, `FSDP`, `DeepSpeed`, `高级 API`, `回调`, `最佳实践`, `可扩展`

:::info
以下是 Hermes 加载此技能时的完整技能定义。当技能激活时，这是智能体看到的指令。
:::

# PyTorch Lightning - 高阶训练框架

## 快速开始

PyTorch Lightning 整理 PyTorch 代码以消除样板代码，同时保持灵活性。

**安装**：
```bash
pip install lightning

将 PyTorch 转换为 Lightning（3 步）：

import lightning as L
import torch
from torch import nn
from torch.utils.data import DataLoader, Dataset

# 步骤 1：定义 LightningModule（整理你的 PyTorch 代码）
class LitModel(L.LightningModule):
    def __init__(self, hidden_size=128):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(28 * 28, hidden_size),
            nn.ReLU(),
            nn.Linear(hidden_size, 10)
        )

    def training_step(self, batch, batch_idx):
        x, y = batch
        y_hat = self.model(x)
        loss = nn.functional.cross_entropy(y_hat, y)
        self.log('train_loss', loss)  # 自动记录到 TensorBoard
        return loss

    def configure_optimizers(self):
        return torch.optim.Adam(self.parameters(), lr=1e-3)

# 步骤 2：创建数据
train_loader = DataLoader(train_dataset, batch_size=32)

# 步骤 3：使用 Trainer 训练（处理其他所有事情！）
trainer = L.Trainer(max_epochs=10, accelerator='gpu', devices=2)
model = LitModel()
trainer.fit(model, train_loader)

就这样！ Trainer 处理了：

GPU/TPU/CPU 切换
分布式训练 (DDP, FSDP, DeepSpeed)
混合精度 (FP16, BF16)
梯度累积
检查点保存
日志记录
进度条

常见工作流

工作流 1：从 PyTorch 到 Lightning

原始 PyTorch 代码：

model = MyModel()
optimizer = torch.optim.Adam(model.parameters())
model.to('cuda')

for epoch in range(max_epochs):
    for batch in train_loader:
        batch = batch.to('cuda')
        optimizer.zero_grad()
        loss = model(batch)
        loss.backward()
        optimizer.step()

Lightning 版本：

class LitModel(L.LightningModule):
    def __init__(self):
        super().__init__()
        self.model = MyModel()

    def training_step(self, batch, batch_idx):
        loss = self.model(batch)  # 无需 .to('cuda')！
        return loss

    def configure_optimizers(self):
        return torch.optim.Adam(self.parameters())

# 训练
trainer = L.Trainer(max_epochs=10, accelerator='gpu')
trainer.fit(LitModel(), train_loader)

优势：40+ 行 → 15 行，无需设备管理，自动分布式

工作流 2：验证与测试

class LitModel(L.LightningModule):
    def __init__(self):
        super().__init__()
        self.model = MyModel()

    def training_step(self, batch, batch_idx):
        x, y = batch
        y_hat = self.model(x)
        loss = nn.functional.cross_entropy(y_hat, y)
        self.log('train_loss', loss)
        return loss

    def validation_step(self, batch, batch_idx):
        x, y = batch
        y_hat = self.model(x)
        val_loss = nn.functional.cross_entropy(y_hat, y)
        acc = (y_hat.argmax(dim=1) == y).float().mean()
        self.log('val_loss', val_loss)
        self.log('val_acc', acc)

    def test_step(self, batch, batch_idx):
        x, y = batch
        y_hat = self.model(x)
        test_loss = nn.functional.cross_entropy(y_hat, y)
        self.log('test_loss', test_loss)

    def configure_optimizers(self):
        return torch.optim.Adam(self.parameters(), lr=1e-3)

# 使用验证进行训练
trainer = L.Trainer(max_epochs=10)
trainer.fit(model, train_loader, val_loader)

# 测试
trainer.test(model, test_loader)

自动功能：

默认每个 epoch 运行验证
指标记录到 TensorBoard
基于 val_loss 的最佳模型检查点

工作流 3：分布式训练 (DDP)

# 与单 GPU 相同的代码！
model = LitModel()

# 8 个 GPU 使用 DDP（自动！）
trainer = L.Trainer(
    accelerator='gpu',
    devices=8,
    strategy='ddp'  # 或 'fsdp', 'deepspeed'
)

trainer.fit(model, train_loader)

启动：

# 单命令，Lightning 处理其余
python train.py

无需更改：

自动数据分发
梯度同步
多节点支持（只需设置 num_nodes=2）

工作流 4：使用回调进行监控

from lightning.pytorch.callbacks import ModelCheckpoint, EarlyStopping, LearningRateMonitor

# 创建回调
checkpoint = ModelCheckpoint(
    monitor='val_loss',
    mode='min',
    save_top_k=3,
    filename='model-{epoch:02d}-{val_loss:.2f}'
)

early_stop = EarlyStopping(
    monitor='val_loss',
    patience=5,
    mode='min'
)

lr_monitor = LearningRateMonitor(logging_interval='epoch')

# 添加到 Trainer
trainer = L.Trainer(
    max_epochs=100,
    callbacks=[checkpoint, early_stop, lr_monitor]
)

trainer.fit(model, train_loader, val_loader)

结果：

自动保存最佳的 3 个模型
如果 5 个 epoch 无改善则提前停止
将学习率记录到 TensorBoard

工作流 5：学习率调度

class LitModel(L.LightningModule):
    # ... (training_step 等)

    def configure_optimizers(self):
        optimizer = torch.optim.Adam(self.parameters(), lr=1e-3)

        # 余弦退火
        scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(
            optimizer,
            T_max=100,
            eta_min=1e-5
        )

        return {
            'optimizer': optimizer,
            'lr_scheduler': {
                'scheduler': scheduler,
                'interval': 'epoch',  # 每个 epoch 更新
                'frequency': 1
            }
        }

# 学习率自动记录！
trainer = L.Trainer(max_epochs=100)
trainer.fit(model, train_loader)

何时使用与替代方案对比

在以下情况使用 PyTorch Lightning：

想要干净、有组织的代码
需要生产就绪的训练循环
在单 GPU、多 GPU、TPU 之间切换
想要内置的回调和日志记录
团队协作（标准化结构）

主要优势：

有组织：将研究代码与工程代码分离
自动：一行代码实现 DDP, FSDP, DeepSpeed
回调：模块化训练扩展
可复现：更少的样板代码 = 更少的 bug
经过测试：每月 100 万+ 下载，久经考验

转而使用替代方案：

Accelerate：对现有代码进行最小更改，灵活性更高
Ray Train：多节点编排，超参数调优
原生 PyTorch：最大控制，用于学习目的
Keras：TensorFlow 生态系统

常见问题

问题：损失不下降

检查数据和模型设置：

# 添加到 training_step
def training_step(self, batch, batch_idx):
    if batch_idx == 0:
        print(f"Batch shape: {batch[0].shape}")
        print(f"Labels: {batch[1]}")
    loss = ...
    return loss

问题：内存不足

减小批大小或使用梯度累积：

trainer = L.Trainer(
    accumulate_grad_batches=4,  # 有效批大小 = batch_size × 4
    precision='bf16'  # 或 'fp16'，减少 50% 内存
)

问题：验证未运行

确保传递了 val_loader：

# 错误
trainer.fit(model, train_loader)

# 正确
trainer.fit(model, train_loader, val_loader)

问题：DDP 意外生成多个进程

Lightning 自动检测 GPU。显式设置设备：

# 先在 CPU 上测试
trainer = L.Trainer(accelerator='cpu', devices=1)

# 然后在 GPU 上
trainer = L.Trainer(accelerator='gpu', devices=1)

高级主题

回调：有关 EarlyStopping、ModelCheckpoint、自定义回调和回调钩子，请参见 references/callbacks.md。

分布式策略：有关 DDP、FSDP、DeepSpeed ZeRO 集成和多节点设置，请参见 references/distributed.md。

超参数调优：有关与 Optuna、Ray Tune 和 WandB sweeps 的集成，请参见 references/hyperparameter-tuning.md。

硬件要求

CPU：可用（适合调试）
单 GPU：可用
多 GPU：DDP（默认）、FSDP 或 DeepSpeed
多节点：DDP、FSDP、DeepSpeed
TPU：支持（8 核心）
Apple MPS：支持

精度选项：

FP32（默认）
FP16（V100、较旧 GPU）
BF16（A100/H100，推荐）
FP8（H100）

资源

文档：https://lightning.ai/docs/pytorch/stable/
GitHub：https://github.com/Lightning-AI/pytorch-lightning ⭐ 29,000+
版本：2.5.5+
示例：https://github.com/Lightning-AI/pytorch-lightning/tree/master/examples
Discord：https://discord.gg/lightning-ai
使用者：Kaggle 获奖者、研究实验室、生产团队

技能元数据​

常见工作流​

工作流 1：从 PyTorch 到 Lightning​

工作流 2：验证与测试​

工作流 3：分布式训练 (DDP)​

工作流 4：使用回调进行监控​

工作流 5：学习率调度​

何时使用与替代方案对比​

常见问题​

高级主题​

硬件要求​

资源​