pytorch-lightning入门（一）—— 初了解

最近PyTorch Lightning的风很大，来看看为啥它这么火🔥
本文主要大致了解一下pytorch-lighting是什么，优点是什么，代码的主要结构。具体细节和案例后面给出。

1 什么是pytorch-lightning

pytorch-lighting（简称pl），它其实就是一个轻量级的PyTorch库，用于高性能人工智能研究的轻量级PyTorch包装器。缩放你的模型，而不是样板。

它可以清晰地抽象和自动化ML模型所附带的所有日常样板代码，允许您专注于实际的ML部分（这些也往往是最有趣的部分）。除了自动化样板代码外，Lightning还可以作为一种样式指南，用于构建干净且可复制的ML系统。

pytorch 和 pl 本质上代码是完全相同的。只不过pytorch需要自己造轮子（如model, dataloader, loss, train，test，checkpoint, save model等等都需要自己写），而pl 把这些模块都结构化了（类似keras）。

从下面的图片来看两者的区别


从上面我们可以发现 pl 的三个优势

• 通过抽象出样板工程代码，可以更容易地识别和理解ML代码。
• Lightning的统一结构使得在现有项目的基础上进行构建和理解变得非常容易。
• Lightning 自动化的代码是用经过全面测试、定期维护并遵循ML最佳实践的高质量代码构建的。

总结:Pytorch-lightning可以非常简洁得构建深度学习代码。但是其实大部分人用不到很多复杂得功能。而pl有时候包装得过于深了，用的时候稍微有一些不灵活。通常来说，在你的模型搭建好之后，大部分的功能都会被封装在一个叫trainer的类里面。一些比较麻烦但是需要的功能通常如下, 通过pl就可以很好的实现：

• 保存checkpoints
• 输出log信息
• resume training 即重载训练，我们希望可以接着上一次的epoch继续训练
• 记录模型训练的过程(通常使用tensorboard)
• 设置seed，即保证训练过程可以复制

2 如何将PyTorch代码组织到Lightning中

使用PyTorch Lightning组织代码可以使您的代码¹：

• 保留所有灵活性（这全是纯PyTorch），但要删除大量样板
• 将研究代码与工程解耦，更具可读性
• 更容易复制
• 通过自动化大多数训练循环和棘手的工程设计，减少了容易出错的情况
• 可扩展到任何硬件而无需更改模型

官网提供了一个3分钟的python代码 转 pl 代码的对比视频，详细的介绍了每一个模块之间的对应关系。详情戳链接

视频部分截图如下：

2.1 安装 PyTorch Lightning

通过pip 安装

pip install pytorch-lightning

通过conda 安装

conda install pytorch-lightning -c conda-forge

安装在指定conda环境

conda activate my_env
pip install pytorch-lightning

安装后导入相关包

import os
import torch
from torch import nn
import torch.nn.functional as F
from torchvision import transforms
from torchvision.datasets import MNIST
from torch.utils.data import DataLoader, random_split
import pytorch_lightning as pl

2.1 定义LightningModule

class LitAutoEncoder(pl.LightningModule):

    def __init__(self):
        super().__init__()
        self.encoder = nn.Sequential(
            nn.Linear(28*28, 64),
            nn.ReLU(),
            nn.Linear(64, 3)
        )
        self.decoder = nn.Sequential(
            nn.Linear(3, 64),
            nn.ReLU(),
            nn.Linear(64, 28*28)
        )

    def forward(self, x):
        # in lightning, forward defines the prediction/inference actions
        embedding = self.encoder(x)
        return embedding

    def training_step(self, batch, batch_idx):
        # training_step defined the train loop.
        # It is independent of forward
        x, y = batch
        x = x.view(x.size(0), -1)
        z = self.encoder(x)
        x_hat = self.decoder(z)
        loss = F.mse_loss(x_hat, x)
        # Logging to TensorBoard by default
        self.log('train_loss', loss)
        return loss

    def configure_optimizers(self):
        optimizer = torch.optim.Adam(self.parameters(), lr=1e-3)
        return optimizer

def init(self): 定义网络架构(model)；def forward(self, x):定义推理、预测的前向传播; def training_step(self, batch, batch_idx):定义train loop; def configure_optimizers(self): 定义优化器

因此，lightning module 定义的是一个系统而不是单纯的网络架构。

至于在这个系统中，针对不同的任务（如，Autoencoder，BERT，DQN，GAN，Image classifier，Seq2seq，SimCLR，VAE）具体怎么写，官网给出了不同的案例。（https://pytorch-lightning.readthedocs.io/en/latest/starter/new-project.html）

2.2 Fit with Lightning Trainer

对应的中文不知道怎么翻译贴切。意思就是把Trainer所需要的参数喂给它。

# init model
autoencoder = LitAutoEncoder()

# most basic trainer, uses good defaults (auto-tensorboard, checkpoints, logs, and more)
# trainer = pl.Trainer(gpus=8) (if you have GPUs)
trainer = pl.Trainer()
trainer.fit(autoencoder, train_loader)

这里的trainer.fit接收两个参数，包括model 和 dataloader. 然后它自己就开始训练~~~~

trainer是自动化的，包括:

• Epoch and batch iteration
• 自动调用 optimizer.step(), backward, zero_grad()
• 自动调用 .eval(), enabling/disabling grads
• 权重加载
• 保存日志到tensorboard
• 支持多-GPU
• TPU
• 支持AMP

---

部分参考链接
https://cloud.tencent.com/developer/article/1593703
https://pytorch-lightning.readthedocs.io/en/latest/starter/new-project.html
https://github.com/PyTorchLightning/pytorch-lightning

---

1. https://pytorch-lightning.readthedocs.io/en/latest/starter/new-project.html ↩︎