Habilidades pytorch-lightning

⚡

pytorch-lightning

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

Seguro ⚙️ Comandos externos⚡ Contém scripts🌐 Acesso à rede

Construir redes neurais com PyTorch Lightning

Também disponível em: davila7

Esta skill ajuda a organizar código PyTorch em LightningModules reutilizáveis. Fornece templates e documentação para configurar treinamento multi-GPU, implementar pipelines de dados e configurar rastreamento de experimentos com ferramentas populares como W&B e TensorBoard.

Suporta: Claude Codex Code(CC)

🥉 76 Bronze

Baixar o ZIP da skill

Upload no Claude

Vá em Configurações → Capacidades → Skills → Upload skill

Ative e comece a usar

Testar

A utilizar "pytorch-lightning". Criar um LightningModule CNN simples para classificação de imagem

Resultado esperado:

Uma classe LightningModule com __init__, training_step, validation_step e configure_optimizers
Exemplo de arquitetura CNN usando camadas torch.nn
Loop de treinamento que retorna loss e registra métricas com self.log()
Configuração de otimizador com Adam e agendador de taxa de aprendizado

A utilizar "pytorch-lightning". Configurar Trainer para treinamento em GPU com checkpointing

Resultado esperado:

Configuração de Trainer com accelerator='gpu', devices=2
Callback ModelCheckpoint para salvar o melhor modelo baseado em validation loss
Callback EarlyStopping para interromper treinamento quando métricas estagnam
Configuração de barra de progresso e logger

Auditoria de Segurança

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.

Arquivos analisados

9,738

Linhas analisadas

achados

Total de auditorias

Fatores de risco

⚙️ Comandos externos (4)

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

⚡ Contém scripts (2)

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

🌐 Acesso à rede (2)

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

Auditado por: claude Ver Histórico de Auditoria →

Pontuação de qualidade

Arquitetura

100

Manutenibilidade

Conteúdo

Comunidade

100

Segurança

Conformidade com especificações

O Que Você Pode Construir

Organizar experimentos de pesquisa

Estruturar código PyTorch em LightningModules reutilizáveis para experimentação mais limpa e iteração mais rápida.

Escalar treinamento para múltiplas GPUs

Configurar treinamento distribuído em clusters com DDP, FSDP ou DeepSpeed para treinamento de modelos grandes.

Rastrear experimentos automaticamente

Integrar com W&B, TensorBoard ou MLflow para registrar métricas, hiperparâmetros e checkpoints de modelo.

Tente Estes Prompts

Configuração básica de modelo

Mostre-me como criar um LightningModule para um classificador de imagem com métodos training_step, validation_step e configure_optimizers.

Treinamento multi-GPU

Como configuro um Trainer para treinamento multi-GPU usando estratégia DDP com 4 GPUs em um único nó?

Pipeline de dados

Crie um LightningDataModule para carregar dados de imagem com transforms personalizados para conjuntos de treinamento, validação e teste.

Rastreamento de experimentos

Configure logging com Weights & Biases usando WandbLogger no PyTorch Lightning para rastrear métricas de treinamento e hiperparâmetros.

Melhores Práticas

Use self.device em vez de .cuda() para código agnóstico a dispositivo que funciona em GPU e CPU
Chame self.save_hyperparameters() em __init__() para salvar configuração para reprodutibilidade
Use self.log() com sync_dist=True ao registrar métricas em treinamento distribuído

Evitar

Não chame loss.backward() ou optimizer.step() manualmente - deixe o Trainer lidar com otimização
Evite misturar código de pesquisa (arquitetura de modelo, computação de loss) com código de engenharia (gerenciamento de dispositivo, checkpointing)
Não use .cuda() diretamente - use self.to(device) ou confie no posicionamento automático de dispositivo do Lightning

Perguntas Frequentes

Como instalo o PyTorch Lightning?

Execute pip install lightning. A skill fornece templates e documentação após a instalação.

Qual é a diferença entre DDP, FSDP e DeepSpeed?

DDP para modelos abaixo de 500M parâmetros. FSDP fragmenta modelo entre GPUs para modelos maiores. DeepSpeed oferece recursos avançados como CPU offloading.

Como depuro meu modelo rapidamente?

Use Trainer(fast_dev_run=True) para executar um batch através de loops de treinamento, validação e teste para depuração rápida.

Posso usar esta skill apenas para inferência?

Sim, use modo model.eval() e método trainer.predict() para inferência em novos dados sem treinamento.

Como retomo treinamento a partir de um checkpoint?

Passe ckpt_path='path/to/checkpoint.ckpt' para métodos trainer.fit(), trainer.validate() ou trainer.test().

Quais loggers são suportados?

TensorBoard (padrão), Weights & Biases, MLflow, Neptune, Comet e CSVLogger para arquivos locais.