Fähigkeiten pytorch-lightning
⚡

pytorch-lightning

Sicher ⚙️ Externe Befehle⚡ Enthält Skripte🌐 Netzwerkzugriff

بناء الشبكات العصبية باستخدام PyTorch Lightning

Auch verfügbar von: davila7

تساعدك هذه المهارة في تنظيم كود PyTorch في وحدات LightningModules القابلة لإعادة الاستخدام. توفر قوالب وتوثيقًا لتكوين التدريب متعدد وحدات المعالجة الرسومية، وتنفيذ خطوط أنابيب البيانات، وإعداد تتبع التجارب باستخدام أدوات شائعة مثل W&B و TensorBoard.

Unterstützt: Claude Codex Code(CC)
🥉 76 Bronze
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "pytorch-lightning". إنشاء وحدة LightningModule CNN بسيطة لتصنيف الصور

Erwartetes Ergebnis:

  • فئة LightningModule مع __init__ و training_step و validation_step و configure_optimizers
  • مثال على بنية CNN باستخدام طبقات torch.nn
  • حلقة تدريب تُرجع الخسارة وتسجل المقاييس باستخدام self.log()
  • تهيئة المُحسِّن مع جدولة معدل تعلم Adam

Verwendung von "pytorch-lightning". تكوين مدرب للتدريب على وحدة المعالجة الرسومية مع الحفظ النقطي

Erwartetes Ergebnis:

  • تهيئة مدرب مع accelerator='gpu' و devices=2
  • رد نداء ModelCheckpoint لحفظ أفضل نموذج بناءً على خسارة التحقق
  • رد نداء EarlyStopping لإيقاف التدريب عندما تتسطح المقاييس
  • تهيئة شريط التقدم والمسجل

Sicherheitsaudit

Sicher
v4 • 1/17/2026

All 843 static findings are false positives. The 'Ruby/shell backtick execution' alerts are markdown code blocks, 'weak cryptographic algorithm' alerts flag normal text like 'DDP/FSDP', and 'eval()' refers to PyTorch's model.eval() method. This is legitimate deep learning documentation with no malicious code.

12
Gescannte Dateien
9,738
Analysierte Zeilen
3
befunde
4
Gesamtzahl Audits

Risikofaktoren

⚙️ Externe Befehle (4)
SKILL.md:31-40 references/best_practices.md:8-25 references/logging.md:14-35 references/callbacks.md:18-50
⚡ Enthält Skripte (2)
references/lightning_module.md:443-447 scripts/quick_trainer_setup.py:8-10
🌐 Netzwerkzugriff (2)
references/logging.md:80-88 references/distributed_training.md:437-446
Auditiert von: claude Audit-Verlauf anzeigen →

Qualitätsbewertung

68
Architektur
100
Wartbarkeit
87
Inhalt
21
Community
100
Sicherheit
83
Spezifikationskonformität

Was du bauen kannst

تنظيم تجارب البحث

هيكل كود PyTorch في وحدات LightningModule قابلة لإعادة الاستخدام لتجارب أنظف وتكرار أسرع.

توسيع التدريب إلى وحدات معالجة رسومية متعددة

تكوين التدريب الموزع عبر مجموعات باستخدام DDP أو FSDP أو DeepSpeed لتدريب النماذج الكبيرة.

تتبع التجارب تلقائيًا

الدمج مع W&B أو TensorBoard أو MLflow لتسجيل المقاييس والمعلمات الفائقة ونقاط التحقق للنموذج.

Probiere diese Prompts

إعداد النموذج الأساسي 
أرني كيف أنشئ وحدة LightningModule مصنف الصور مع طرق training_step و validation_step و configure_optimizers.
التدريب متعدد وحدات المعالجة الرسومية 
كيف أقوم بتكوين مدرب للتدريب متعدد وحدات المعالجة الرسومية باستخدام استراتيجية DDP مع 4 وحدات معالجة رسومية على عقدة واحدة؟
خط أنابيب البيانات 
إنشاء وحدة LightningDataModule لتحميل بيانات الصور مع تحويلات مخصصة لمجموعات التدريب والتحقق والاختبار.
تتبع التجارب 
إعداد تسجيل Weights & Biases مع WandbLogger في PyTorch Lightning لتتبع مقاييس التدريب والمعلمات الفائقة.

Bewährte Verfahren

  • استخدم self.device بدلاً من .cuda() لرمز محايد للجهاز يعمل على GPU و CPU
  • استدعاء self.save_hyperparameters() في __init__() لحفظ التكوين لقابلية التكرار
  • استخدم self.log() مع sync_dist=True عند تسجيل المقاييس في التدريب الموزع

Vermeiden

  • لا تستدعي loss.backward() أو optimizer.step() يدويًا - دع المدرب يتعامل مع التحسين
  • تجنب خلط كود البحث (بنية النموذج، حساب الخسارة) مع كود الهندسة (إدارة الجهاز، الحفظ النقطي)
  • لا تستخدم .cuda() مباشرة - استخدم self.to(device) أو اعتمد على الوضع التلقائي للجهاز في Lightning

Häufig gestellte Fragen

كيف أقوم بتثبيت PyTorch Lightning؟
قم بتشغيل pip install lightning. توفر المهارة قوالب وتوثيقًا بعد التثبيت.
ما الفرق بين DPD و FSDP و DeepSpeed؟
DDP للنماذج أقل من 500 مليون معلمة. FSDP يقسم النموذج عبر وحدات معالجة رسومية لنماذج أكبر. DeepSpeed يقدم ميزات متقدمة مثل تفريغ وحدة المعالجة المركزية.
كيف أقوم بتصحيح نموذجي بسرعة؟
استخدم Trainer(fast_dev_run=True) لتشغيل دفعة واحدة عبر حلقات التدريب والتحقق والاختبار لتصحيح الأخطاء السريع.
هل يمكنني استخدام هذه المهارة للاستدلال فقط؟
نعم، استخدم وضع model.eval() وطريقة trainer.predict() للاستدلال على بيانات جديدة دون تدريب.
كيف أستأنف التدريب من نقطة تحقق؟
مرر ckpt_path='path/to/checkpoint.ckpt' إلى طرق trainer.fit() أو trainer.validate() أو trainer.test().
ما المسجلات المدعومة؟
TensorBoard (افتراضي) و Weights & Biases و MLflow و Neptune و Comet و CSVLogger للملفات المحلية.

Entwicklerdetails

Lizenz

Apache-2.0 license

Repository

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pytorch-lightning

Ref

main

Dateistruktur

📁 references/

📄 best_practices.md

📄 callbacks.md

📄 data_module.md

📄 distributed_training.md

📄 lightning_module.md

📄 logging.md

📄 trainer.md

📁 scripts/

📄 quick_trainer_setup.py

📄 template_datamodule.py

📄 template_lightning_module.py

📄 SKILL.md