PyTorchLightning⼯具学习
来源 | GiantPandaCV
编辑 | pprp
【导读】Pytorch Lightning是在Pytorch基础上进⾏封装的库(可以理解为keras之于tensorflow)，为了让⽤户能够脱离PyTorch⼀些繁琐的细节，专注于核⼼代码的构建，提供了许多实⽤⼯具，可以让实验更加⾼效。本⽂将介绍安装⽅法、设计逻辑、转化的例⼦等内容。
PyTorch Lightning中提供了以下⽐较⽅便的功能：
multi-GPU训练
半精度训练
TPU 训练
将训练细节进⾏抽象，从⽽可以快速迭代
validation框架Pytorch Lightning
1. 简单介绍
PyTorch lightning 是为AI相关的专业的研究⼈员、研究⽣、博⼠等⼈开发的。PyTorch就是William Falcon在他的博⼠阶段创建的，⽬标是让AI研究扩展性更强，忽略⼀些耗费时间的细节。
⽬前PyTorch Lightning库已经有了⼀定的影响⼒，star已经1w+，同时有超过1千多的研究⼈员在⼀起维护这个框架。
PyTorch Lightning库
同时PyTorch Lightning也在随着PyTorch版本的更新也在不停迭代。
版本⽀持情况
官⽅⽂档也有⽀持，正在不断更新：
官⽅⽂档
下⾯介绍⼀下如何安装。
2. 安装⽅法
Pytorch Lightning安装⾮常⽅便，推荐使⽤conda环境进⾏安装。
source activate you_env
pip install pytorch-lightning
或者直接⽤pip安装：
pip install pytorch-lightning
或者通过conda安装：
conda install pytorch-lightning -c conda-forge
3. Lightning的设计思想
Lightning将⼤部分AI相关代码分为三个部分：
研究代码，主要是模型的结构、训练等部分。被抽象为LightningModule类。
⼯程代码，这部分代码重复性强，⽐如16位精度，分布式训练。被抽象为Trainer类。
⾮必要代码，这部分代码和实验没有直接关系，不加也可以，加上可以辅助，⽐如梯度检
查，log输出等。被抽象为Callbacks类。
Lightning将研究代码划分为以下⼏个组件：
模型
数据处理
损失函数
优化器
以上四个组件都将集成到LightningModule类中，是在Module类之上进⾏了扩展，进⾏了功能性补充，⽐如原来优化器使⽤在main函数中，是⼀种⾯向过程的⽤法，现在集成到LightningModule中，作为⼀个类的⽅法。
4. LightningModule⽣命周期
这部分参考了zhuanlan.zhihu/p/120331610 和官⽅⽂档 pytorch-
在这个模块中，将PyTorch代码按照五个部分进⾏组织：
Computations(init) 初始化相关计算
Train Loop(training_step) 每个step中执⾏的代码
Validation Loop(validation_step) 在⼀个epoch训练完以后执⾏Valid
Test Loop(test_step) 在整个训练完成以后执⾏Test
Optimizer(configure_optimizers) 配置优化器等
展⽰⼀个最简代码：
>>> import pytorch_lightning as pl
>>> class LitModel(pl.LightningModule):
...
.
..    def __init__(self):
...        super().__init__()
...        self.l1 = Linear(28 * 28, 10)
...
...    def forward(self, x):
...        lu(self.l1(x.view(x.size(0), -1)))
...
...    def training_step(self, batch, batch_idx):
...        x, y = batch
...        y_hat = self(x)
...        loss = F.cross_entropy(y_hat, y)
.
..        return loss
...
...    def configure_optimizers(self):
...        return torch.optim.Adam(self.parameters(), lr=0.02)
那么整个⽣命周期流程是如何组织的？
4.1 准备⼯作
这部分包括LightningModule的初始化、准备数据、配置优化器。每次只执⾏⼀次，相当于构造函数的作⽤。
__init__()（初始化 LightningModule ）
prepare_data()（准备数据，包括下载数据、预处理等等）
configure_optimizers()（配置优化器）
4.2 测试验证部分
实际运⾏代码前，会随即初始化模型，然后运⾏⼀次验证代码，这样可以防⽌在你训练了⼏个epoch之后要进⾏Valid的时候发现验证部分出错。主要测试下⾯⼏个函数：
val_dataloader()
validation_step()
validation_epoch_end()
4.3 加载数据
调⽤以下⽅法进⾏加载数据。
train_dataloader()
val_dataloader()
4.4 训练
每个batch的训练被称为⼀个step，故先运⾏train_step函数。
当经过多个batch, 默认49个step的训练后，会进⾏验证，运⾏validation_step函数。
当完成⼀个epoch的训练以后，会对整个epoch结果进⾏验证，运⾏validation_epoch_end函数（option）如果需要的话，可以调⽤测试部分代码：
test_dataloader()
test_step()
test_epoch_end()
5. ⽰例
以MNIST为例，将PyTorch版本代码转为PyTorch Lightning。
5.1 PyTorch版本训练MNIST
对于⼀个PyTorch的代码来说，⼀般是这样构建⽹络（源码来⾃PyTorch中的example库）。class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.dropout1 = nn.Dropout(0.25)
self.dropout2 = nn.Dropout(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = v1(x)
x = F.relu(x)
x = v2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
还有两个主要⼯作是构建训练函数和测试函数。
在训练函数中需要完成：
数据获取data, target = (device), (device)
清空优化器梯度_grad()
前向传播output = model(data)
计算损失函数loss = F.nll_loss(output, target)
反向传播loss.backward()
优化器进⾏单次优化optimizer.step()
def train(args, model, device, train_loader, optimizer, epoch):
for batch_idx, (data, target) in enumerate(train_loader):
data, target = (device), (device)
<_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
if args.dry_run:
break
def test(model, device, test_loader):
model.eval()
test_loss = 0
correct = 0
_grad():
for data, target in test_loader:
data, target = (device), (device)
output = model(data)
test_loss += F.nll_loss(output, target, reduction='sum').item()  # sum up batch loss
pred = output.argmax(dim=1, keepdim=True)  # get the index of the max log-probability
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
其他部分⽐如数据加载、数据增⼴、优化器、训练流程都是在main中执⾏的，采⽤的是⼀种⾯向过程的⽅法。
def main():
# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=14, metavar='N',
help='number of epochs to train (default: 14)')
parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
help='learning rate (default: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='Learning rate step gamma (default: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--dry-run', action='store_true', default=False,
help='quickly check a single pass')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
parser.add_argument('--save-model', action='store_true', default=False,
help='For Saving the current Model')
args = parser.parse_args()
use_cuda = _cuda and torch.cuda.is_available()
torch.manual_seed(args.seed)
device = torch.device('cuda' if use_cuda else 'cpu')
train_kwargs = {'batch_size': args.batch_size}
test_kwargs = {'batch_size': st_batch_size}
if use_cuda:
cuda_kwargs = {'num_workers': 1,
'pin_memory': True,
'shuffle': True}
train_kwargs.update(cuda_kwargs)
test_kwargs.update(cuda_kwargs)
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
dataset1 = datasets.MNIST('../data', train=True, download=True,
transform=transform)
dataset2 = datasets.MNIST('../data', train=False,
transform=transform)
train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
model = Net().to(device)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
for epoch in range(1, args.epochs + 1):
train(args, model, device, train_loader, optimizer, epoch)
test(model, device, test_loader)
scheduler.step()
if args.save_model:
torch.save(model.state_dict(), 'mnist_cnn.pt')
5.2 Lightning版本训练MNIST
第⼀部分，也就是归为研究代码，主要是模型的结构、训练等部分。被抽象为LightningModule 类。
class LitClassifier(pl.LightningModule):
def __init__(self, hidden_dim=128, learning_rate=1e-3):
super().__init__()
self.save_hyperparameters()
self.l1 = Linear(28 * 28, self.hparams.hidden_dim)
self.l2 = Linear(self.hparams.hidden_dim, 10)
def forward(self, x):
x = x.view(x.size(0), -1)
x = lu(self.l1(x))
x = lu(self.l2(x))
return x
def training_step(self, batch, batch_idx):
x, y = batch
y_hat = self(x)
loss = F.cross_entropy(y_hat, y)
return loss
def validation_step(self, batch, batch_idx):
x, y = batch
y_hat = self(x)
loss = F.cross_entropy(y_hat, y)
self.log('valid_loss', loss)
def test_step(self, batch, batch_idx):
x, y = batch
y_hat = self(x)
loss = F.cross_entropy(y_hat, y)
self.log('test_loss', loss)
def configure_optimizers(self):
return torch.optim.Adam(self.parameters(), lr=self.hparams.learning_rate)
@staticmethod
def add_model_specific_args(parent_parser):
parser = ArgumentParser(parents=[parent_parser], add_help=False)
parser.add_argument('--hidden_dim', type=int, default=128)
parser.add_argument('--learning_rate', type=float, default=0.0001)
return parser
可以看出，和PyTorch版本最⼤的不同之处在于多了⼏个流程处理函数：
training_step，相当于训练过程中处理⼀个batch的内容
validation_step，相当于验证过程中处理⼀个batch的内容
test_step, 同上
configure_optimizers, 这部分⽤于处理optimizer和scheduler
add_module_specific_args代表这部分控制的是与模型相关的参数
除此以外，main函数主要有以下⼏个部分：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。