pytorch lightning

El marco de aprendizaje profundo para el envío, Finetune e implementa modelos AI.

¿Modelos de implementación recién implementados? Echa un vistazo a Litserve, Pytorch Lightning para servir modelo

Inicio rápido • Ejemplos • Pytorch Lightning • Fabric • Lightning AI • Comunidad • Documentos

Lightning tiene 2 paquetes principales

Pytorch Lightning: Train and Deploy Pytorch a escala.
Lightning Fabric: Control de expertos.

Lightning le brinda control granular sobre cuánta abstracción desea agregar sobre Pytorch.

Comienzo rápido

Instalar Lightning:

 PIP Instalar Lightning

Opciones de instalación avanzadas

Instalar con dependencias opcionales

 PIP install Lightning ['extra']

Condición

 conda install rightning -c conda -forge

Instalar versión estable

Instale la versión futura de la fuente

 PIP Instale https://github.com/lightning-ai/lightning/archive/refs/heads/release/stable.zip -u

Instalar sangrado

Instale la noche desde la fuente (sin garantías)

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

o de probar pypi

 Pip Install -iu https://test.pypi.org/simple/ pytorch -lightning

Ejemplo de Pytorch Lightning

Defina el flujo de trabajo de capacitación. Aquí hay un ejemplo de juguete (explore ejemplos reales):

 # main.py#! PIP Instale TorchVisionImport Torch, Torch.nn como nn, tortch.utils.data como datos, atorchvision como tv, torch.nn.functional tan fimport lightning como l# ----------------- ----------------# Paso 1: Defina un# de LightningModule -------------------------- ------# A LightningModule (subclase Nn.Module) define un *sistema *# (es decir: un modelo de difusión, modelo de difusión, autoinjer o clasificador de imagen simple) .Class LitautoEncoder (L.lightningModule): def __init __ (( self): super () .__ init __ () self.encoder = nn.sequential (nn.linear (28 * 28, 128), nn.relu (), nn.linear (128, 3)) self.decoder = nn. Secuencial (nn.linear (3, 128), nn.relu (), nn.linear (128, 28 * 28)) def hacia adelante (self, x):# en rayos, hacia adelante define la predicción/inferencia de acciones enmbeding = self. Encoder (x) return IngreddingDef Training_step (Self, Batch, Batch_idx):# entrenador_step define el bucle de tren. Es independiente de hacia adelantex, _ = batchx = x.view (x.size (0), -1) z = self.encoder (x) x_hat = self.decoder (z) pérdida = f.mse_loss (x_hat, x) Self.log ("Train_loss", Loss) Return Lossdef configure_optimizers (self): optimizador = atorch.optim.adam (self.parameters (), lr = 1e-3) return Optimizer# ----------- ---------## Paso 2: Definir datos# ------------------- DataSet = TV.Datasets.mnist (".", Descargar = True , transform = tv.transforms.totensor ()) trenes, val = data.random_split (DataSet, [55000, 5000])# -----------------------# Paso 3 : Train# ------------------- Autoencoder = litautoCoder () entrenador = L.trainer () Trainer.fit (AutoEncoder, data.dataloader (Train), data.dataloader (val))

Ejecute el modelo en su terminal

 Visación de antorchas de instalación de PIP
python main.py

¿Por qué Pytorch Lightning?

Pytorch Lightning está acaba de organizar Pytorch - Lightning desagule el código de Pytorch para desacoplar la ciencia de la ingeniería.

Comunidad

La comunidad de Lightning se mantiene por

• Más de 10 colaboradores centrales que son una mezcla de ingenieros profesionales, científicos de investigación y Ph.D. Estudiantes de los mejores laboratorios de IA.

• Más de 800 contribuyentes comunitarios.

¿Quiere ayudarnos a construir un rayo y reducir la plantilla para miles de investigadores? Aprenda a hacer su primera contribución aquí

Lightning también es parte del ecosistema Pytorch que requiere que los proyectos tengan pruebas, documentación y soporte sólidos.

Pidiendo ayuda

Si tiene alguna pregunta, por favor:

1. Lea los documentos.

2. Buscar discusiones existentes o agregar una nueva pregunta

3. Únete a nuestra discordia.

OSX (versiones múltiples de Python)
Windows (versiones múltiples de Python)