魚羊 發自 凹非寺
量子位 報導 | 公眾號 QbitAI
在開始一個新的機器學習項目時，難免要重新編寫訓練循環，加載模型，分布式訓練……然後在Debug的深淵裡看著時間譁譁流逝，而自己離項目核心還有十萬八千裡。
雖然這世上已經有了神器Keras，能用幾條語句就輕鬆組建一個神經網絡，但一想到它是站在Tensorflow的肩膀上，就讓人不禁想起江湖中的那句傳說：
PyTorch 真香！
那麼為什麼不做一個PyTorch上的Keras呢？
來自Facebook的Willian Falcon小哥決定一試，他搞了個包裝器，把PyTorch中的各種通用配置全部包裝在一起。
這個PyTorch輕量級包裝器，就是PyTorch Lightning。
有了這樣一個快速研究框架，使用者只需關注核心訓練和驗證邏輯，繁瑣的工程細節通通自動化一鍵完成，既能保證核心訓練邏輯的正確性，又能保證最佳的實踐體驗。
像閃電一樣迅疾
所以，Lightning到底有多好用？
在這張圖中，灰色部分代表Lightning能自動完成的部分，而藍色的部分則能夠根據使用者的需求，被定義成任意底層模型，可以是你自己的新模型，也可以是預訓練模型，fast.ai架構等等。
舉幾個例子好了。
比如說，梯度下降。
原來，你需要這樣：
在Lightning裡，這一整段代碼不需要你自己敲了，只需輸入以下兩行代碼：
不僅如此，在Lightning裡，想用上單個GPU，直接調用即可：
使用能將內存佔用減少一半的黑科技16位精度，不費吹灰之力：
使用多個GPU進行分布式訓練，so easy：
甚至是在1024個節點上以1024個GPU進行訓練，也是開箱即用：
自動化功能還遠不止這一些，以下模塊，均包含其中：
想要訓練閃電那麼快的神經網絡嗎？Lightning簡直為此量身定做。
此外，Lightning還和Tensorboard集成在了一起，可以輕鬆實現可視化學習。
只需記錄實驗路徑：
然後在該路徑運行tensorboard即可：
食用方法
想要使用Lightning，需要完成兩件事。
1、定義Lightning Model
這一步會花費掉比較長的時間。
Lightning Model是nn.Module的嚴格超類，它提供了與模型進行交互的標準界面。
啟用Lightning Model最簡單的方法是根據下面這個最小示例（minimal example）進行局部修改:
import os
import torch
from torch.nn import functional as F
from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
import torchvision.transforms as transforms
import pytorch_lightning as ptl
class CoolModel(ptl.LightningModule):
def__init__(self):
super(CoolModel, self).__init__()
#not the best model...
self.l1 = torch.nn.Linear(28 * 28, 10)
defforward(self, x):
return torch.relu(self.l1(x.view(x.size(0),-1)))
defmy_loss(self, y_hat, y):
return F.cross_entropy(y_hat, y)
deftraining_step(self, batch, batch_nb):
x, y= batch
y_hat = self.forward(x)
return {'loss': self.my_loss(y_hat, y)}
defvalidation_step(self, batch, batch_nb):
x, y= batch
y_hat = self.forward(x)
return {'val_loss': self.my_loss(y_hat, y)}
defvalidation_end(self, outputs):
avg_loss = torch.stack([x['val_loss'] for x inoutputs]).mean()
return {'avg_val_loss': avg_loss}
defconfigure_optimizers(self):
return [torch.optim.Adam(self.parameters(),lr=0.02)]
@ptl.data_loader
deftng_dataloader(self):
return DataLoader(MNIST(os.getcwd(),train=True,download=True,transform=transforms.ToTensor()), batch_size=32)
@ptl.data_loader
defval_dataloader(self):
return DataLoader(MNIST(os.getcwd(),train=True,download=True,transform=transforms.ToTensor()), batch_size=32)
@ptl.data_loader
deftest_dataloader(self):
return DataLoader(MNIST(os.getcwd(),train=True,download=True,transform=transforms.ToTensor()), batch_size=32)
2、擬合訓練器
訓練器能處理Lightning自動化部分的代碼核心邏輯，它會在訓練過程中提取出最佳實踐。
基本的用法是像這樣：
只要確保它的正確執行，只需一個Trainer，計算集群（SLURM），Debug，分布式訓練就通通不在話下了。
One More Thing
你可能會問，為什麼要搞一個Lightning呢，用fast.ai不好嗎？
作者小哥表示，Lightning和fast.ai之間就沒什麼好比的，fast.ai面向有志於進入深度學習領域的新手，而Lightning面向的是ML領域中活躍的研究人員們。
就算真的要比，Lightning可是開箱即用的，不僅如此，在高性能計算、調試工具和可用性方面，小哥都對Lightning充滿信心。他自信地甩出了三張對比表格：
嗯，PyTorch真香！
傳送門
GitHub地址：
https://github.com/williamFalcon/pytorch-lightning
教學博客：
https://towardsdatascience.com/supercharge-your-ai-research-with-pytorch-lightning-337948a99eec
— 完 —