pytorch-lightning

PyTorch Lightning - 高层训练框架

快速开始

PyTorch Lightning 对 PyTorch 代码进行组织，在保持灵活性的同时消除样板代码。

安装：

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

# Step 1: Define LightningModule (organize your PyTorch code)
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)  # Auto-logged to TensorBoard
        return loss

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

# Step 2: Create data
train_loader = DataLoader(train_dataset, batch_size=32)

# Step 3: Train with Trainer (handles everything else!)
trainer = L.Trainer(max_epochs=10, accelerator='gpu', devices=2)
model = LitModel()
trainer.fit(model, train_loader)

就这样！ Trainer 负责处理：

• 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)  # No .to('cuda') needed!
        return loss

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

# Train
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)

# Train with validation
trainer = L.Trainer(max_epochs=10)
trainer.fit(model, train_loader, val_loader)

# Test
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 保存最佳模型检查点

工作流 3：分布式训练（DDP）

# Same code as single GPU!
model = LitModel()

# 8 GPUs with DDP (automatic!)
trainer = L.Trainer(
    accelerator='gpu',
    devices=8,
    strategy='ddp'  # Or 'fsdp', 'deepspeed'
)

trainer.fit(model, train_loader)

启动：

# Single command, Lightning handles the rest
python train.py

无需修改：

• 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：用于监控的回调

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

# Create callbacks
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')

# Add to 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 3 个模型
• 若 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, etc.)

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

        # Cosine annealing
        scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(
            optimizer,
            T_max=100,
            eta_min=1e-5
        )

        return {
            'optimizer': optimizer,
            'lr_scheduler': {
                'scheduler': scheduler,
                'interval': 'epoch',  # Update per epoch
                'frequency': 1
            }
        }

# Learning rate auto-logged!
trainer = L.Trainer(max_epochs=100)
trainer.fit(model, train_loader)

何时使用及替代方案

在以下情况使用 PyTorch Lightning：

• 希望代码简洁、有条理
• 需要生产就绪的训练循环
• 在单 GPU、多 GPU、TPU 之间切换
• 希望使用内置回调和日志记录
• 团队协作（标准化结构）

主要优势：

• 有条理：将研究代码与工程代码分离
• 自动化：1 行代码实现 DDP、FSDP、DeepSpeed
• 回调：模块化训练扩展
• 可复现：更少样板代码 = 更少 bug
• 经过验证：每月 100 万+ 下载量，久经考验

在以下情况使用替代方案：

• Accelerate：对现有代码改动最小，更灵活
• Ray Train：多节点编排，超参数调优
• 原生 PyTorch：最大控制权，学习目的
• Keras：TensorFlow 生态

常见问题

问题：损失不下降

检查数据和模型设置：

# Add to 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

减小批次大小或使用梯度累积：

trainer = L.Trainer(
    accumulate_grad_batches=4,  # Effective batch = batch_size × 4
    precision='bf16'  # Or 'fp16', reduces memory 50%
)

问题：验证未运行

确保传入 val_loader：

# WRONG
trainer.fit(model, train_loader)

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

问题：DDP 意外启动多个进程

Lightning 自动检测 GPU。显式设置设备：

# Test on CPU first
trainer = L.Trainer(accelerator='cpu', devices=1)

# Then GPU
trainer = L.Trainer(accelerator='gpu', devices=1)

进阶主题

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

分布式策略：参见 references/distributed.md 了解 DDP、FSDP、DeepSpeed ZeRO 集成、多节点设置。

超参数调优：参见 references/hyperparameter-tuning.md 了解与 Optuna、Ray Tune 和 WandB sweeps 的集成。

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）
• 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