pytorch lightning

Der Deep -Lern -Rahmen für Vorbereitungs-, Finetune- und Bereitstellungs -KI -Modelle.

NEU-Bereitstellungsmodelle? Schauen Sie sich LitServe, den Pytorch Lightning für das Modelldienst an

Schnellstart • Beispiele • Pytorch Lightning • Stoff • Lightning AI • Community • Dokumente

Lightning hat 2 Kernpakete

Pytorch Lightning: Trainer und einsetzen Pytorch im Maßstab.
Blitzgewebe: Expertenkontrolle.

Lightning gibt Ihnen eine körnige Kontrolle darüber, wie viel Abstraktion Sie über Pytorch hinzufügen möchten.

Schneller Start

Lightning installieren:

 PIP Lightning installieren

Erweiterte Installationsoptionen

Mit optionalen Abhängigkeiten installieren

 PIP Installieren Sie Lightning ['Extra']

Conda

 Conda Installieren Sie Lightning -C Conda -Forge

Stabile Version installieren

Installieren Sie die zukünftige Version aus der Quelle

 PIP installieren

Installieren Sie Blutungen

Nachtszeit aus der Quelle installieren (keine Garantien)

 PIP Installation https://github.com/lightning-ai/lightning/archive/refs/heads/master.zip-

oder vom Test pypi

 PIP install -iu https://test.pypi.org/simple/ pytorch -lightning

Pytorch Lightning -Beispiel

Definieren Sie den Schulungsworkflow. Hier ist ein Spielzeugbeispiel (erkunden Sie echte Beispiele):

 # main.py#! PIP Installieren Sie TorchvisionImport Torch, Torch.nn als NN, Torch.utils.data als Daten, Torchvision als Fernseher, Torch.nn.Funktional als Fimport Lightning als L# -------------------------------------------------------- ----------------# Schritt 1: Definieren Sie ein LightningModule# ---------------------------------- ------# Ein LightningModule (nn.module subclass) definiert ein volles *System *# (dh ein LLM, ein Diffusionsmodell, ein Autocoder oder eine einfache Bildklassifizierung) .CLASS LITAUTOENCODER (L.LICHTNINGMODULE): Defulit __init __ ((__init __ self): super () .__ init __ () self.encoder = nn.sequenzial (nn.linear (28 * 28, 128), nn.relu (), nn.linear (128, 3)) self.decoder = nn. Sequentiell (Nn.Linear (3, 128), Nn.relu (), Nn.Linear (128, 28 * 28)) def vorne (self, x):# In Lightning definiert vorwärts die Vorhersage/Inferenz -Aktionen, die sempft = self. Encoder (x) Return Einbettdingdef Training_Step (Self, Batch, batch_idx):# Training_Step definiert die Zugschleife. Es ist unabhängig von Forwardx, _ = batchx = x.view (x.size (0), -1) z = self.encoder (x) x_hat = self.decoder (z) LUST = F.MSE_LOSS (x_HAT, x) self.log ("Train_loss", Verlust) return lossdef configure_optimizers (self): optimizer = ficker.optim.adam (self.parameters (), lr = 1e-3) Return Optimizer# ---------- ---------# Schritt 2: Daten definieren# ------------------- Dataset = tv.datasets.mnist (".", Download = true , transform = tv.transforms.totensor ()) train, val = data.random_split (Datensatz, [55000, 5000])# -------------------# Schritt 3 : Zug# ------------------- AutoCoder = litAutoencoder () Trainer = L.Trainer () Trainer.Fit (Autocoder, Data.Dataloader (Zug), Data.Dataloader (val))

Führen Sie das Modell auf Ihrem Terminal aus

 PIP Installieren Sie Torchvision
Python main.py

Warum Pytorch Lightning?

Pytorch Lightning ist nur organisiert.

Gemeinschaft

Die Blitzgemeinschaft wird von erhalten

• 10+ Core -Mitwirkende, die alle eine Mischung aus professionellen Ingenieuren, Forschungswissenschaftlern und Ph.D. Schüler aus Top -AI -Labors.

• 800 Community -Mitwirkende.

Möchten Sie uns helfen, Blitz zu bauen und die Kesselplatte für Tausende von Forschern zu reduzieren? Erfahren Sie, wie Sie hier Ihren ersten Beitrag leisten können

Lightning ist auch Teil des Pytorch -Ökosystems, bei dem Projekte solide Tests, Dokumentation und Unterstützung benötigen.

Um Hilfe bitten

Wenn Sie Fragen haben, bitte:

1. Lesen Sie die Dokumente.

2. Suchen Sie vorhandenen Diskussionen oder fügen Sie eine neue Frage hinzu

3. Schließe dich unserer Zwietracht an.

OSX (mehrere Python -Versionen)
Windows (mehrere Python -Versionen)