Habilidades pytorch-lightning

⚡

pytorch-lightning

Name: pytorch-lightning
Author: K-Dense-AI

Seguro ⚙️ Comandos externos⚡ Contiene scripts🌐 Acceso a red

Construir redes neuronales con PyTorch Lightning

También disponible en: davila7

Esta skill te ayuda a organizar el código de PyTorch en LightningModules reutilizables. Proporciona plantillas y documentación para configurar entrenamiento multi-GPU, implementar pipelines de datos y configurar seguimiento de experimentos con herramientas populares como W&B y TensorBoard.

Soporta: Claude Codex Code(CC)

🥉 76 Bronce

Descargar el ZIP de la skill

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

Activa y empieza a usar

Pruébalo

Usando "pytorch-lightning". Create a simple CNN LightningModule for image classification

Resultado esperado:

Una clase LightningModule con __init__, training_step, validation_step y configure_optimizers
Ejemplo de arquitectura CNN usando capas torch.nn
Loop de entrenamiento que retorna pérdida y registra métricas con self.log()
Configuración de optimizador con Adam y programador de tasa de aprendizaje

Usando "pytorch-lightning". Configure Trainer for GPU training with checkpointing

Resultado esperado:

Configuración de Trainer con accelerator='gpu', devices=2
Callback ModelCheckpoint para guardar el mejor modelo basado en pérdida de validación
Callback EarlyStopping para detener entrenamiento cuando las métricas se estabilizan
Configuración de barra de progreso y registrador

Auditoría de seguridad

Seguro

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.

Archivos escaneados

9,738

Líneas analizadas

hallazgos

Auditorías totales

Factores de riesgo

⚙️ Comandos externos (4)

SKILL.md:31-40 references/best_practices.md:8-25 references/logging.md:14-35 references/callbacks.md:18-50

⚡ Contiene scripts (2)

references/lightning_module.md:443-447 scripts/quick_trainer_setup.py:8-10

🌐 Acceso a red (2)

references/logging.md:80-88 references/distributed_training.md:437-446

Auditado por: claude Ver historial de auditorías →

Puntuación de calidad

Arquitectura

100

Mantenibilidad

Contenido

Comunidad

100

Seguridad

Cumplimiento de la especificación

Lo que puedes crear

Organizar experimentos de investigación

Estructura código de PyTorch en LightningModules reutilizables para experimentación más limpia e iteración más rápida.

Escalar entrenamiento a múltiples GPUs

Configura entrenamiento distribuido en clusters con DDP, FSDP o DeepSpeed para entrenamiento de modelos grandes.

Seguir experimentos automáticamente

Integra con W&B, TensorBoard o MLflow para registrar métricas, hiperparámetros y checkpoints de modelo.

Prueba estos prompts

Configuración básica de modelo

Muéstrame cómo crear un LightningModule para un clasificador de imágenes con métodos training_step, validation_step y configure_optimizers.

Entrenamiento multi-GPU

¿Cómo configuro un Trainer para entrenamiento multi-GPU usando estrategia DDP con 4 GPUs en un solo nodo?

Pipeline de datos

Crea un LightningDataModule para cargar datos de imágenes con transformaciones personalizadas para conjuntos de entrenamiento, validación y prueba.

Seguimiento de experimentos

Configura registro de Weights & Biases con WandbLogger en PyTorch Lightning para seguir métricas de entrenamiento e hiperparámetros.

Mejores prácticas

Usa self.device en lugar de .cuda() para código agnóstico al dispositivo que funciona en GPU y CPU
Llama a self.save_hyperparameters() en __init__() para guardar configuración para reproducibilidad
Usa self.log() con sync_dist=True al registrar métricas en entrenamiento distribuido

Evitar

No llames manualmente loss.backward() u optimizer.step() - deja que el Trainer maneje la optimización
Evita mezclar código de investigación (arquitectura de modelo, cálculo de pérdida) con código de ingeniería (gestión de dispositivos, checkpointing)
No uses .cuda() directamente - usa self.to(device) o confía en la colocación automática de dispositivo de Lightning

Preguntas frecuentes

¿Cómo instalo PyTorch Lightning?

Ejecuta pip install lightning. La skill proporciona plantillas y documentación después de la instalación.

¿Cuál es la diferencia entre DDP, FSDP y DeepSpeed?

DDP para modelos bajo 500M de parámetros. FSDP fragmenta el modelo entre GPUs para modelos más grandes. DeepSpeed ofrece características avanzadas como descarga a CPU.

¿Cómo depuro mi modelo rápidamente?

Usa Trainer(fast_dev_run=True) para ejecutar un lote a través de loops de entrenamiento, validación y prueba para depuración rápida.

¿Puedo usar esta skill solo para inferencia?

Sí, usa el modo model.eval() y el método trainer.predict() para inferencia en datos nuevos sin entrenamiento.

¿Cómo reanudo el entrenamiento desde un checkpoint?

Pasa ckpt_path='ruta/al/checkpoint.ckpt' a los métodos trainer.fit(), trainer.validate() o trainer.test().

¿Qué registradores son compatibles?

TensorBoard (por defecto), Weights & Biases, MLflow, Neptune, Comet y CSVLogger para archivos locales.