Fähigkeiten pytorch-lightning

⚡

pytorch-lightning

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

Sicher ⚙️ Externe Befehle⚡ Enthält Skripte🌐 Netzwerkzugriff

Construire des réseaux neuronaux avec PyTorch Lightning

Auch verfügbar von: davila7

Cette compétence vous aide à organiser le code PyTorch en LightningModules réutilisables. Elle fournit des modèles et de la documentation pour configurer l'entraînement multi-GPU, implémenter des pipelines de données et configurer le suivi des expériences avec des outils populaires comme W&B et TensorBoard.

Unterstützt: Claude Codex Code(CC)

🥉 76 Bronze

Die Skill-ZIP herunterladen

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

Einschalten und loslegen

Teste es

Verwendung von "pytorch-lightning". Créer un LightningModule CNN simple pour la classification d'images

Erwartetes Ergebnis:

Une classe LightningModule avec __init__, training_step, validation_step et configure_optimizers
Exemple d'architecture CNN utilisant les couches torch.nn
Boucle d'entraînement qui retourne la perte et journalise les métriques avec self.log()
Configuration de l'optimiseur avec Adam et le planificateur de taux d'apprentissage

Verwendung von "pytorch-lightning". Configurer Trainer pour l'entraînement GPU avec sauvegarde de points de contrôle

Erwartetes Ergebnis:

Configuration du Trainer avec accelerator='gpu', devices=2
Callback ModelCheckpoint pour sauvegarder le meilleur modèle basé sur la perte de validation
Callback EarlyStopping pour arrêter l'entraînement lorsque les métriques se stabilisent
Configuration de la barre de progression et du journaliseur

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.

Gescannte Dateien

9,738

Analysierte Zeilen

befunde

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

Architektur

100

Wartbarkeit

Inhalt

Community

100

Sicherheit

Spezifikationskonformität

Was du bauen kannst

Organiser les expériences de recherche

Structurer le code PyTorch en LightningModules réutilisables pour une expérimentation plus propre et une itération plus rapide.

Mettre à l'échelle l'entraînement vers plusieurs GPU

Configurer l'entraînement distribué sur des clusters avec DDP, FSDP ou DeepSpeed pour l'entraînement de grands modèles.

Suivre les expériences automatiquement

Intégrer avec W&B, TensorBoard ou MLflow pour journaliser les métriques, les hyperparamètres et les points de contrôle de modèle.

Probiere diese Prompts

Configuration de modèle de base

Montrez-moi comment créer un LightningModule pour un classificateur d'images avec les méthodes training_step, validation_step et configure_optimizers.

Entraînement multi-GPU

Comment configurer un Trainer pour l'entraînement multi-GPU utilisant la stratégie DDP avec 4 GPU sur un seul nœud?

Pipeline de données

Créer un LightningDataModule pour charger des données d'images avec des transformations personnalisées pour les ensembles d'entraînement, de validation et de test.

Suivi des expériences

Configurer la journalisation Weights & Biases avec WandbLogger dans PyTorch Lightning pour suivre les métriques d'entraînement et les hyperparamètres.

Bewährte Verfahren

Utiliser self.device au lieu de .cuda() pour du code agnostique au dispositif qui fonctionne sur GPU et CPU
Appeler self.save_hyperparameters() dans __init__() pour sauvegarder la configuration pour la reproductibilité
Utiliser self.log() avec sync_dist=True lors de la journalisation des métriques dans l'entraînement distribué

Vermeiden

Ne pas appeler manuellement loss.backward() ou optimizer.step() - laisser le Trainer gérer l'optimisation
Éviter de melanger du code de recherche (architecture de modèle, calcul de la perte) avec du code d'ingénierie (gestion du dispositif, sauvegarde de points de contrôle)
Ne pas utiliser .cuda() directement - utiliser self.to(device) ou s'appuyer sur le placement automatique de dispositif de Lightning

Häufig gestellte Fragen

Comment installer PyTorch Lightning?

Exécuter pip install lightning. La compétence fournit des modèles et de la documentation après l'installation.

Quelle est la différence entre DDP, FSDP et DeepSpeed?

DDP pour les modèles de moins de 500M de paramètres. FSDP fragmente le modèle entre les GPU pour les modèles plus grands. DeepSpeed offre des fonctionnalités avancées comme le déchargement sur CPU.

Comment déboguer mon modèle rapidement?

Utiliser Trainer(fast_dev_run=True) pour exécuter un lot à travers les boucles d'entraînement, de validation et de test pour un débogage rapide.

Puis-je utiliser cette compétence pour l'inférence uniquement?

Oui, utiliser le mode model.eval() et la méthode trainer.predict() pour l'inférence sur de nouvelles données sans entraînement.

Comment reprendre l'entraînement à partir d'un point de contrôle?

Passer ckpt_path='path/to/checkpoint.ckpt' aux méthodes trainer.fit(), trainer.validate() ou trainer.test().

Quels journaliseurs sont pris en charge?

TensorBoard (par défaut), Weights & Biases, MLflow, Neptune, Comet et CSVLogger pour les fichiers locaux.