目录
1.pytorch_lightning对应版本安装
2.PyTorch Lightning介绍
PyTorch Lightning 的作用：
PyTorch Lightning 的基本用法：
报错：ModuleNotFoundError: No module named 'pytorch_lightning'
这种报错一看就是缺了pytorch_lightning包，想当然就pip install装了，没想到有坑，安装完直接把我的pytorch版本给我更细了，所以特意记录下这个问题，安装pytorch_lightning一定要与pytorch版本对应好再安装。
1.pytorch_lightning对应版本安装
参考官网版本对应：官网
如果直接使用 "pip install pytorch_lightning" 的话，安装的是最新的版本
pip install pytorch_lightning所以，为了避免与pytorch版本冲突，需要对应版本安装，否则，就会更改你的pytorch版本。
pip install pytorch_lightning==X.X.X比如我的pytorch=1.12.1版本，所以我就装了pytorch_lightning=1.8.6，安装完的结果如下。
至此就大功告成了，可以愉快的使用pytorch_lightning了。
2.PyTorch Lightning介绍
PyTorch Lightning 是一个基于 PyTorch 的轻量级库，旨在简化复杂模型的训练过程。它是由 William Falcon 创立的，旨在帮助研究人员和开发人员更高效地构建、训练和验证机器学习模型。
PyTorch Lightning 的作用：
- 简化训练流程：PyTorch Lightning 通过提供更高级的接口，简化了模型定义、训练、验证和测试的过程。
- 提高代码复用性：它鼓励使用面向对象的编程方法来构建模型，使得代码更加模块化，易于复用。
- 支持分布式训练：PyTorch Lightning 支持多GPU训练和分布式训练，使得模型训练可以扩展到多个设备。
- 丰富的回调函数：提供了多种回调函数，可以轻松实现模型的保存、加载、日志记录等功能。
- 易于调试和测试：由于代码结构清晰，调试和测试变得更加容易。
PyTorch Lightning 的基本用法：
PyTorch Lightning 是一个轻量级的 PyTorch 扩展库，旨在简化和规范深度学习模型的训练过程。它提供了一种更高层次的抽象，使用户能够以更简单的方式定义和训练模型。
下面是 PyTorch Lightning 的一些基本用法：
- 定义模型：通过继承
pytorch_lightning.core.LightningModule类来定义模型。在模型类中，可以定义网络结构、损失函数、优化器等。例如：
import torch
import torch.nn as nn
import pytorch_lightning as pl
class MyModel(pl.LightningModule):
def __init__(self):
super().__init__()
self.linear = nn.Linear(10, 1)
def forward(self, x):
return self.linear(x)
- 定义训练器：通过继承
pytorch_lightning.core.LightningDataModule类来定义训练器。在训练器类中，可以定义数据加载、预处理和划分等操作。例如：
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from pytorch_lightning import LightningDataModule
class MyDataModule(LightningDataModule):
def __init__(self):
super().__init__()
self.transform = transforms.Compose(...)
self.train_dataset = ...
self.val_dataset = ...
self.test_dataset = ...
def train_dataloader(self):
return DataLoader(self.train_dataset, batch_size=32, shuffle=True)
def val_dataloader(self):
return DataLoader(self.val_dataset, batch_size=32)
def test_dataloader(self):
return DataLoader(self.test_dataset, batch_size=32)
- 训练模型：通过创建
pytorch_lightning.trainer.Trainer对象来训练模型。可以设置训练的轮数、学习率、设备等参数，并使用fit方法进行训练。例如：
from pytorch_lightning import Trainer
model = MyModel()
datamodule = MyDataModule()
trainer = Trainer(gpus=1, max_epochs=10)
trainer.fit(model, datamodule)
- 预测和评估模型：通过
trainer.test方法来对模型进行预测和评估。例如：
trainer.test(model, datamodule=datamodule)
通过以上步骤，可以使用 PyTorch Lightning 来更加简洁、规范地训练和评估深度学习模型。
PyTorch Lightning 通过提供这些高级功能，使得使用 PyTorch 构建和训练深度学习模型变得更加高效和简洁。
