让PyTorch更轻便，这款深度学习框架你值得拥有！在GitHub上斩获6.6k星

白交 2020-07-14 14:15:06 来源：量子位

白交 发自 凹非寺
量子位 报道 | 公众号 QbitAI

一直以来，PyTorch就以简单又好用的特点，广受AI研究者的喜爱。

但是，一旦任务复杂化，就可能会发生一系列错误，花费的时间更长。

于是，就诞生了这样一个“友好”的PyTorch Lightning。

直接在GitHub上斩获6.6k星。

首先，它把研究代码与工程代码相分离，还将PyTorch代码结构化，更加直观的展现数据操作过程。

这样，更加易于理解，不易出错，本来很冗长的代码一下子就变得轻便了，对AI研究者十分的友好。

话不多说，我们就来看看这个轻量版的“PyTorch”。

关于Lightning

Lightning将DL/ML代码分为三种类型：研究代码、工程代码、非必要代码。

针对不同的代码，Lightning有不同的处理方式。

这里的研究代码指的是特定系统及其训练方式，比如GAN、VAE，这类的代码将由LightningModule直接抽象出来。

我们以MNIST生成为例。

l1 = nn.Linear(...)
l2 = nn.Linear(...)
decoder = Decoder()

x1 = l1(x)
x2 = l2(x2)
out = decoder(features, x)

loss = perceptual_loss(x1, x2, x) + CE(out, x)

而工程代码是与培训此系统相关的所有代码，比如提前停止、通过GPU分配、16位精度等。

我们知道，这些代码在大多数项目中都相同，所以在这里，直接由Trainer抽象出来。

model.cuda(0)
x = x.cuda(0)

distributed = DistributedParallel(model)

with gpu_zero:
download_data()

dist.barrier()

剩下的就是非必要代码，有助于研究项目，但是与研究项目无关，可能是检查梯度、记录到张量板。此代码由Callbacks抽象出来。

# log samples
z = Q.rsample()
generated = decoder(z)
self.experiment.log('images', generated)

此外，它还有一些的附加功能，比如你可以在CPU，GPU，多个GPU或TPU上训练模型，而无需更改PyTorch代码的一行；你可以进行16位精度训练，可以使用Tensorboard的五种方式进行记录。

这样说，可能不太明显，我们就来直观的比较一下PyTorch与PyTorch Lightning之间的差别吧。

PyTorch与PyTorch Lightning比较

直接上图。

我们就以构建一个简单的MNIST分类器为例，从模型、数据、损失函数、优化这四个关键部分入手。

模型

首先是构建模型，本次设计一个3层全连接神经网络，以28×28的图像作为输入，将其转换为数字0-9的10类的概率分布。

两者的代码完全相同。意味着，若是要将PyTorch模型转换为PyTorch Lightning，我们只需将nn.Module替换为pl.LightningModule

也许这时候，你还看不出这个Lightning的神奇之处。不着急，我们接着看。

数据

接下来是数据的准备部分，代码也是完全相同的，只不过Lightning做了这样的处理。

它将PyTorch代码组织成了4个函数，prepare_data、train_dataloader、val_dataloader、test_dataloader

prepare_data

这个功能可以确保在你使用多个GPU的时候，不会下载多个数据集或者对数据进行多重操作。这样所有代码都确保关键部分只从一个GPU调用。

这样就解决了PyTorch老是重复处理数据的问题，这样速度也就提上来了。

train_dataloader, val_dataloader, test_dataloader

每一个都负责返回相应的数据分割，这样就能很清楚的知道数据是如何被操作的，在以往的教程里，都几乎看不到它们的是如何操作数据的。

此外，Lightning还允许使用多个dataloaders来测试或验证。

优化

接着就是优化。

不同的是，Lightning被组织到配置优化器的功能中。如果你想要使用多个优化器，则可同时返回两者。

损失函数

对于n项分类，我们要计算交叉熵损失。两者的代码是完全一样的。

此外，还有更为直观的——验证和训练循环。

在PyTorch中，我们知道，需要你自己去构建for循环，可能简单的项目还好，但是一遇到更加复杂高级的项目就很容易翻车了。

而Lightning里这些抽象化的代码，其背后就是由Lightning里强大的trainer团队负责了。

PyTorch Lightning安装教程

看到这里，是不是也想安装下来试一试。

PyTorch Lightning安装十分简单。

代码如下：

conda activate my_env
pip install pytorch-lightning

或在没有conda环境的情况下，可以在任何地方使用pip。

代码如下：

pip install pytorch-lightning

创建者也有大来头

William Falcon，PyTorch Lightning 的创建者，现在在纽约大学的人工智能专业攻读博士学位，在《福布斯》担任AI特约作者。

2018年，从哥伦比亚大学计算机科学与统计学专业毕业，本科期间，他还曾辅修数学。

现在已获得Google Deepmind资助攻读博士学位的奖学金，去年还收到Facebook AI Research实习邀请。

此外，他还曾是一个海军军官，接受过美国海军海豹突击队的训练。

前不久，华尔街日报就曾还曾提到这个团队，他们正在研究呼吸系统疾病与呼吸模式之间的联系。可能会应用到的场景，是通过电话在诊断新冠症状。目前，该团队还处在数据收集阶段。

果然，优秀的人，干什么都是优秀的。叹气……

怎么样，是不是想试一试？赶紧戳下方链接下载来看看吧！

上手传送门

https://github.com/PyTorchLightning/pytorch-lightning

https://pytorch-lightning.readthedocs.io/en/latest/index.html

创建者个人网站：

https://www.williamfalcon.com/