让PyTorch更轻便，这款深度学习框架你值得拥有！在GitHub上斩获6.6k星
本文经AI新媒体量子位（公众号ID:qbitai)授权转载，转载请联系出处
本文约1600字，建议阅读6分钟。
本文为你介绍 PyTorch Lightning。
一直以来，PyTorch就以简单又好用的特点，广受AI研究者的喜爱。
但是，一旦任务复杂化，就可能会发生一系列错误，花费的时间更长。
于是，就诞生了这样一个“友好”的PyTorch Lightning。
直接在GitHub上斩获6.6k星。
首先，它把研究代码与工程代码相分离，还将PyTorch代码结构化，更加直观的展现数据操作过程。
这样，更加易于理解，不易出错，本来很冗长的代码一下子就变得轻便了，对AI研究者十分的友好。
话不多说，我们就来看看这个轻量版的“PyTorch”。
关于Lightning
Lightning将DL/ML代码分为三种类型：研究代码、工程代码、非必要代码。
针对不同的代码，Lightning有不同的处理方式。
这里的研究代码指的是特定系统及其训练方式，比如GAN、VAE，这类的代码将由LightningModule直接抽象出来。
我们以MNIST生成为例。
l1 = nn.Linear(...)l2 = nn.Linear(...)decoder = Decoder()
x1 = l1(x)x2 = l2(x2)out = decoder(features, x)
loss = perceptual_loss(x1, x2, x) + CE(out, x)
而工程代码是与培训此系统相关的所有代码，比如提前停止、通过GPU分配、16位精度等。
我们知道，这些代码在大多数项目中都相同，所以在这里，直接由Trainer抽象出来。
model.cuda(0)x = x.cuda(0)
distributed = DistributedParallel(model)
with gpu_zero:download_data()
dist.barrier()
剩下的就是非必要代码，有助于研究项目，但是与研究项目无关，可能是检查梯度、记录到张量板。此代码由Callbacks抽象出来。
# log samplesz = Q.rsample()generated = decoder(z)self.experiment.log('images', generated)
此外，它还有一些的附加功能，比如你可以在CPU，GPU，多个GPU或TPU上训练模型，而无需更改PyTorch代码的一行；你可以进行16位精度训练，可以使用Tensorboard的五种方式进行记录。
这样说，可能不太明显，我们就来直观的比较一下PyTorch与PyTorch Lightning之间的差别吧。
PyTorch与PyTorch Lightning比较
直接上图。
我们就以构建一个简单的MNIST分类器为例，从模型、数据、损失函数、优化这四个关键部分入手。
模型
首先是构建模型，本次设计一个3层全连接神经网络，以28×28的图像作为输入，将其转换为数字0-9的10类的概率分布。
两者的代码完全相同。意味着，若是要将PyTorch模型转换为PyTorch Lightning，我们只需将nn.Module替换为pl.LightningModule。
也许这时候，你还看不出这个Lightning的神奇之处。不着急，我们接着看。
数据
接下来是数据的准备部分，代码也是完全相同的，只不过Lightning做了这样的处理。
它将PyTorch代码组织成了4个函数，prepare_data、train_dataloader、val_dataloader、test_dataloader。
prepare_data
这个功能可以确保在你使用多个GPU的时候，不会下载多个数据集或者对数据进行多重操作。这样所有代码都确保关键部分只从一个GPU调用。
这样就解决了PyTorch老是重复处理数据的问题，这样速度也就提上来了。
train_dataloader, val_dataloader, test_dataloader
每一个都负责返回相应的数据分割，这样就能很清楚的知道数据是如何被操作的，在以往的教程里，都几乎看不到它们的是如何操作数据的。
此外，Lightning还允许使用多个dataloaders来测试或验证。
优化
接着就是优化。
不同的是，Lightning被组织到配置优化器的功能中。如果你想要使用多个优化器，则可同时返回两者。
损失函数
对于n向分类，我们要计算交叉熵损失。两者的代码是完全一样的。
此外，还有更为直观的——验证和训练循环。
在PyTorch中，我们知道，需要你自己去构建for循环，可能简单的项目还好，但是一遇到更加复杂高级的项目就很容易翻车了。
而Lightning里这些抽象化的代码，其背后就是由Lightning里强大的trainer团队负责了。
PyTorch Lightning安装教程
看到这里，是不是也想安装下来试一试。
PyTorch Lightning安装十分简单。
代码如下：
conda activate my_envpip install pytorch-lightning
或在没有conda环境的情况下，可以在任何地方使用pip。
代码如下：
pip install pytorch-lightning
创建者也有大来头
William Falcon，PyTorch Lightning 的创建者，现在在纽约大学的人工智能专业攻读博士学位，在《福布斯》担任AI特约作者。
2018年，从哥伦比亚大学计算机科学与统计学专业毕业，本科期间，他还曾辅修数学。
现在已获得Google Deepmind资助攻读博士学位的奖学金，去年还收到Facebook AI Research实习邀请。
此外，他还曾是一个海军军官，接受过美国海军海豹突击队的训练。
前不久，华尔街日报就曾还曾提到这个团队，他们正在研究呼吸系统疾病与呼吸模式之间的联系。可能会应用到的场景，是通过电话在诊断新冠症状。目前，该团队还处在数据收集阶段。
果然，优秀的人，干什么都是优秀的。叹气……
怎么样，是不是想试一试？赶紧戳下方链接下载来看看吧！
上手传送门：
https://github.com/PyTorchLightning/pytorch-lightning
https://pytorch-lightning.readthedocs.io/en/latest/index.html
创建者个人网站：
https://www.williamfalcon.com/
编辑：黄继彦
校对：林亦霖
