pytorch是有缺陷的，例如要用半精度训练、BatchNorm参数同步、单机多卡训练，则要安排一下Apex，Apex安装也是很烦啊，我个人经历是各种报错，安装好了程序还是各种报错，而pl则不同，这些全部都安排，而且只要设置一下参数就可以了。另外，根据我训练的模型，4张卡的训练速度大概提升3倍，训练效果（图像生成）好很多，真香。另外，还有一个特色，就是你的超参数全部保存到模型中，如果你要调巨多参数，那就不需要再对每个训练的模型进行参数标记了，而且恢复模型时可以直接恢复超参数，可以大大减小代码量和工作量，这点真是太香了。

Pytorch Lightning官方手册
Pytorch Lightning源码：GitHub地址
Pytorch Lightning使用案例：Pytorch-Lightning-Template项目 GitHub地址

一、Pytorch Lightning 的流程

Pytorch Lightning框架应用的流程很简单，生产流水线，有一个固定的顺序：

初始化 def init(self)
训练training_step(self, batch, batch_idx)
校验validation_step(self, batch, batch_idx)
测试 test_step(self, batch, batch_idx)

就完事了，总统是实现这三个函数的重写。

当然，除了这三个主要的，还有一些其他的函数，为了方便我们实现其他的一些功能，因此更为完整的流程是：

在training_step 后面都紧跟着其相应的 training_step_end(self，batch_parts)和training_epoch_end(self, training_step_outputs) 函数；
validation_step 后面都紧跟着其相应的 validation_step_end(self，batch_parts)和validation_epoch_end(self, training_step_outputs) 函数；
test_step 后面都紧跟着其相应的 test_step_end(self，batch_parts)和 test_epoch_end(self, training_step_outputs) 函数；

这里以训练为例：

def training_step(self, batch, batch_idx):x, y = batchy_hat = self.model(x)loss = F.cross_entropy(y_hat, y)pred = ...return {'loss': loss, 'pred': pred}def training_step_end(self, batch_parts):'''当gpus=0 or 1时，这里的batch_parts即为traing_step的返回值（已验证）当gpus>1时，这里的batch_parts为list，list中每个为training_step返回值，list[i]为i号gpu的返回值（这里未验证）'''gpu_0_prediction = batch_parts[0]['pred']gpu_1_prediction = batch_parts[1]['pred']# do something with both outputsreturn (batch_parts[0]['loss'] + batch_parts[1]['loss']) / 2def training_epoch_end(self, training_step_outputs):'''当gpu=0 or 1时，training_step_outputs为list，长度为steps的数量（不包括validation的步数，当你训练时，你会发现返回list<训练时的steps数，这是因为训练时显示的steps数据还包括了validation的，若将limit_val_batches=0.，即关闭validation，则显示的steps会与training_step_outputs的长度相同）。list中的每个值为字典类型，字典中会存有`training_step_end()`返回的键值，键名为`training_step()`函数返回的变量名，另外还有该值是在哪台设备上(哪张GPU上)，例如{device='cuda:0'}'''for out in training_step_outputs:# do something with preds

1、Train

训练主要是重写def training_setp(self, batch, batch_idx)函数，并返回要反向传播的loss即可，其中batch 即为从 train_dataloader 采样的一个batch的数据，batch_idx即为目前batch的索引。

def training_setp(self, batch, batch_idx):image, label = batchpred = self.forward(iamge)loss = ...# 一定要返回lossreturn loss

2、Validation（设置校验的频率）

2.1 每训练n个epochs 校验一次

默认为每1个epoch校验一次，即自动调用validation_step()函数：check_val_every_n_epoch

trainer = Trainer(check_val_every_n_epoch=1)

2.2 单个epoch内校验频率

当一个epoch 比较大时，就需要在单个epoch 内进行多次校验，这时就需要对校验的调动频率进行修改，传入val_check_interval的参数为float型时表示百分比，为int时表示batch：

# 每训练单个epoch的 25% 调用校验函数一次，注意：要传入float型数
trainer = Trainer(val_check_interval=0.25)
# 当然也可以是单个epoch训练完多少个batch后调用一次校验函数，但是一定是传入int型
trainer = Trainer(val_check_interval=100) # 每训练100个batch校验一次

校验和训练是一样的，重写def validation_step(self, batch, batch_idx)函数，不需要返回值：

def validation_step(self, batch, batch_idx):image, label = batchpred = self.forward(iamge)loss = ...# 标记该loss，用于保存模型时监控该量self.log('val_loss', loss)

3、test

在pytoch_lightning框架中，test 在训练过程中是不调用的，也就是说是不相关，在训练过程中只进行training和validation，因此如果需要在训练过中保存validation的一些信息，就要放到validation中。

关于测试，测试是在训练完成之后的，因此这里假设已经训练完成：

# 获取恢复了权重和超参数等的模型
model = MODEL.load_from_checkpoint(checkpoint_path='my_model_path/heiheihei.ckpt')
# 修改测试时需要的参数，例如预测的步数等
model.pred_step = 1000
# 定义trainer, 其中limit_test_batches表示取测试集中的0.05的数据来做测试
trainer = pl.Trainer(gpus=1, precision=16, limit_test_batches=0.05)
# 测试，自动调用test_step(), 其中dm为数据集，放在下面讲
trainer.test(model=dck, datamodule=dm)

二、PL 的数据集

数据集有两种实现方法：

直接调用第三方公开数据集（如：MNIST等数据集）
自定义数据集（自己去继承torch.utils.data.dataset.Dataset，自定义类）

1、直接在Module中调用DataLoader

直接实现是指在 Model 中重写def train_dataloader(self)等函数来返回dataloader

1.1 使用现有的公平数据集

可以用现有的，例如MNIST等数据集

from torch.utils.data import DataLoader, random_split
import pytorch_lightning as plclass MyExampleModel(pl.LightningModule):def __init__(self, args):super().__init__()dataset = MNIST(os.getcwd(), download=True, transform=transforms.ToTensor())train_dataset, val_dataset, test_dataset = random_split(dataset, [50000, 5000, 5000])self.train_dataset = train_datasetself.val_dataset = val_datasetself.test_dataset = test_dataset...def train_dataloader(self):return DataLoader(self.train_dataset, batch_size=self.batch_size, shuffle=False, num_workers=0)def val_dataloader(self):return DataLoader(self.val_dataset, batch_size=self.batch_size, shuffle=False)def test_dataloader(self):return DataLoader(self.test_dataset, batch_size=1, shuffle=True)

这样就完成了数据集和dataloader的编程了

1.2 自定义dataset

自己完成dataset的编写

# -*- coding: utf-8 -*-
'''
@Description: Define the format of data used in the model.
'''import sys
import pathlib
import torch
from torch.utils.data import Dataset
from utils import sort_batch_by_len, source2idsabs_path = pathlib.Path(__file__).parent.absolute()
sys.path.append(sys.path.append(abs_path))class SampleDataset(Dataset):"""The class represents a sample set for training."""def __init__(self, data_pairs, vocab):self.src_texts = [data_pair[0] for data_pair in data_pairs]self.tgt_texts = [data_pair[1] for data_pair in data_pairs]self.vocab = vocabself._len = len(data_pairs)  # Keep track of how many data points.def __len__(self):return self._lendef __getitem__(self, index):# print("\nself.src_texts[{0}] = {1}".format(index, self.src_texts[index]))src_ids, oovs = source2ids(self.src_texts[index], self.vocab)  # 将当前文本self.src_texts[index]转为ids，oovs为超出词典范围的词汇文本item = {'x': [self.vocab.SOS] + src_ids + [self.vocab.EOS],'y': [self.vocab.SOS] + [self.vocab[i] for i in self.tgt_texts[index]] + [self.vocab.EOS],'x_len': len(self.src_texts[index]),'y_len': len(self.tgt_texts[index]),'oovs': oovs,'len_oovs': len(oovs)}return item

2、自定义DataModule类（继承LightningDataModule）来调用DataLoader

这种方法是继承 pl.LightningDataModule 来提供训练、校验、测试的数据。

from torch.utils.data import DataLoader, random_split
import pytorch_lightning as plclass MyDataModule(pl.LightningDataModule):def __init__(self):super().__init__()def prepare_data(self):# 在该函数里一般实现数据集的下载等，只有cuda:0 会执行该函数# download, split, etc...# only called on 1 GPU/TPU in distributedpassdef setup(self, stage):# make assignments here (val/train/test split)# called on every process in DDP# 实现数据集的定义，每张GPU都会执行该函数, stage 用于标记是用于什么阶段if stage == 'fit' or stage is None:self.train_dataset = MyDataset(self.train_file_path, self.train_file_num, transform=None)self.val_dataset = MyDataset(self.val_file_path, self.val_file_num, transform=None)if stage == 'test' or stage is None:self.test_dataset = MyDataset(self.test_file_path, self.test_file_num, transform=None)def train_dataloader(self):return DataLoader(self.train_dataset, batch_size=self.batch_size, shuffle=False, num_workers=0)def val_dataloader(self):return DataLoader(self.val_dataset, batch_size=self.batch_size, shuffle=False)def test_dataloader(self):return DataLoader(self.test_dataset, batch_size=1, shuffle=True)

三、PL的使用

# Training & Test
if __name__ == "__main__":parser = argparse.ArgumentParser()parser.add_argument("-is_train", default='yes', type=str, choices=['yes', 'no'])args = parser.parse_args()seed_everything(42)# 定义数据集data_module = GLUEDataModule(model_name_or_path=r"D:\Pretrained_Model\albert-base-v2", task_name="cola")print("args.is_train = ", args.is_train)if args.is_train == 'yes':  # 训练# 定义数据集为训练校验(train+validation)阶段data_module.setup("fit")# 初始化`ModelCheckpoint`回调，并设置要监控的量checkpoint_callback = ModelCheckpoint(monitor='val_loss', dirpath="saved_module", filename='sample-cola-{epoch:02d}-{val_loss:.2f}')# 定义模型model = GLUETransformer(model_name_or_path=r"D:\Pretrained_Model\albert-base-v2", num_labels=data_module.num_labels, eval_splits=data_module.eval_splits, task_name=data_module.task_name)# 定义loggerlogger = TensorBoardLogger('log_dir', name='test_PL')# 定义trainertrainer = Trainer(max_epochs=20, gpus=AVAIL_GPUS, check_val_every_n_epoch=1, callbacks=[checkpoint_callback])  # 默认为每1个epoch校验一次，即自动调用validation_step()函数；将 checkpoint_callback 放到Trainer的callback 的list中# 开始训练trainer.fit(model=model, datamodule=data_module)# trainer.save_checkpoint(filepath=os.path.join("saved_module"))# trainer.validate(model, data_module.val_dataloader())else:# 定义数据集为测试(test)阶段data_module.setup("test")# 恢复模型model = GLUETransformer.load_from_checkpoint(checkpoint_path='saved_module/sample-cola-epoch=00-val_loss=0.53.ckpt')# 定义trainer并测试trainer = Trainer(gpus=AVAIL_GPUS, precision=16, limit_test_batches=0.05)trainer.test(model=model, datamodule=data_module)

四、模型、Trainer的保存与恢复

1、利用Trainer保存模型（在Trainer中设置default_root_dir参数）

Lightning 会自动保存最近训练的epoch的模型到当前的工作空间(or.getcwd())，也可以在定义Trainer的时候指定：

trainer = Trainer(default_root_dir='/your/path/to/save/checkpoints')

当然，也可以关闭自动保存模型：

trainer = Trainer(checkpoint_callback=False)

2、利用ModelCheckpoint （callbacks）保存模型

2.1 参数说明（所有参数均为optional）

ModelCheckpoint(dirpath=None,filename=None,monitor=None,verbose=False,save_last=None,save_top_k=1,save_weights_only=False,mode="min",auto_insert_metric_name=True,every_n_train_steps=None,train_time_interval=None,every_n_epochs=None,save_on_train_epoch_end=None,every_n_val_epochs=None
)

dirpath: string类型。例如：dirpath=‘my/path_to_save_model/’；
filename: string类型；前面就说过不建议使用filepath变量，推荐使用
monitor：需要监控的量，string类型。例如’val_loss’（在training_step() or validation_step()函数中通过self.log(‘val_loss’, loss)进行标记）；默认为None，只保存最后一个epoch的模型参数,（我的理解是只保留最后一个epoch的模型参数，但是还是每训练完一个epoch之后会保存一次，然后覆盖上一次的模型)
verbose：冗余模式，默认为False.
save_last: bool类型; 默认None，当为True时，表示在每个epoch 结果的时候，总是会保存一个模型last.ckpt，也就意味着会覆盖保存，只会有一个文件保留。
save_top_k：int类型；
- 当 save_top_k==k，根据monitor监控的量，保存k个最好的模型，而最好的模型是当monitor监控的量最大时表示最好，还是最小时表示最好，在后面的参数mode中进行设置。
- 当save_top_k==0时，不保存；
- 当save_top_k==-1时，保存所有的模型，即每个次保存模型不进行覆盖保存，全都保存下来；
- 当save_top_k>=2，并且在单个epoch内多次调用保存模型的函数，则模型的名字最后会追加版本号，从v0开始。
save_weights_only: bool 类型；True只保存模型权重(model.save_weights(flepath))，否则保存整个模型。建议保存权重就可以了，保存整个模型会消耗更多时间和存储空间。
mode ：string类型，只能取{‘auto’, ‘min’, ‘max’}中的一个；当save_top_k!=0时，保存模型时就会覆盖保存，如果monitor监控的是val_loss等越小就表示模型越好的，这个参数应该被设置成’min’，当monitor监控的是val_acc（校验准确度）等越大就表示模型训练的越好的量，则应该设置成’max’。auto会自动根据monitor的名字来判断（auto模式是个人理解，可能会出错，例如你编程的时候，你就喜欢用val_loss表示模型准确度这样就会导致保存的模型是最差的模型了）。

2.2 ModelCheckpoint的使用

自动保存下，也可以自定义要监控的量来保存模型，步骤如下：

计算需要监控的量，例如校验误差：loss
使用log()函数标记该要监控的量（直接在training_step、validation_step中添加）
初始化ModelCheckpoint回调，并设置要监控的量，
将其传回到Trainer中

from pytorch_lightning import Trainer, LightningDataModule, LightningModule, Callback, seed_everything
from pytorch_lightning.callbacks import ModelCheckpoint
from pytorch_lightning.loggers import TensorBoardLogger# Transformer LightningModule
class GLUETransformer(LightningModule):...def training_step(self, batch, batch_idx):# 1. 计算lossoutputs = self(**batch)train_loss = outputs[0]# 2. 使用log()函数标记该要监控的量,名字叫'val_loss'self.log('ltrain_lossoss', train_loss)return train_loss...def validation_step(self, batch, batch_idx, dataloader_idx=0):outputs = self(**batch)# 1. 计算需要监控的量val_loss, logits = outputs[:2]# 2. 使用log()函数标记该要监控的量,名字叫'val_loss'self.log('val_loss', val_loss)if self.hparams.num_labels >= 1:preds = torch.argmax(logits, axis=1)elif self.hparams.num_labels == 1:preds = logits.squeeze()labels = batch["labels"]return {"loss": val_loss, "preds": preds, "labels": labels}...# Training & Test
if __name__ == "__main__":seed_everything(42)# 定义数据集data_module = GLUEDataModule(model_name_or_path=r"D:\Pretrained_Model\albert-base-v2", task_name="cola")# 定义模型model = GLUETransformer(model_name_or_path=r"D:\Pretrained_Model\albert-base-v2", num_labels=data_module.num_labels, eval_splits=data_module.eval_splits, task_name=data_module.task_name)# 初始化`ModelCheckpoint`回调，并设置要监控的量checkpoint_callback = ModelCheckpoint(dirpath='saved_module',filename='sample-cola-{epoch:02d}-{val_loss:.2f}',monitor='val_loss')# 定义trainertrainer = Trainer(max_epochs=20, gpus=AVAIL_GPUS, check_val_every_n_epoch=1, callbacks=[checkpoint_callback])  # 默认为每1个epoch校验一次，即自动调用validation_step()函数；将 checkpoint_callback 放到Trainer的callback 的list中# 开始训练trainer.fit(model=model, datamodule=data_module)

在上面的 filename 参数中，定义了模型文件的保存格式，然后通过自动调用 format_checkpoint_name 函数给其中的变量赋值的，返回 string 类型，文件名。

>>> tmpdir = os.path.dirname(__file__)
>>> ckpt = ModelCheckpoint(dirpath=tmpdir, filename='{epoch}')
>>> os.path.basename(ckpt.format_checkpoint_name(0, 1, metrics={}))
'epoch=0.ckpt'
>>> ckpt = ModelCheckpoint(dirpath=tmpdir, filename='{epoch:03d}')
>>> os.path.basename(ckpt.format_checkpoint_name(5, 2, metrics={}))
'epoch=005.ckpt'
>>> ckpt = ModelCheckpoint(dirpath=tmpdir, filename='{epoch}-{val_loss:.2f}')
>>> os.path.basename(ckpt.format_checkpoint_name(2, 3, metrics=dict(val_loss=0.123456)))
'epoch=2-val_loss=0.12.ckpt'
>>> ckpt = ModelCheckpoint(dirpath=tmpdir, filename='{missing:d}')
>>> os.path.basename(ckpt.format_checkpoint_name(0, 4, metrics={}))
'missing=0.ckpt'
>>> ckpt = ModelCheckpoint(filename='{step}')
>>> os.path.basename(ckpt.format_checkpoint_name(0, 0, {}))
'step=0.ckpt'

2.2 获取最好的模型

因为根据上面保存的参数，可能保存了多个模型，根据 best_model_path 恢复最好的模型。

from pytorch_lightning import Trainer
from pytorch_lightning.callbacks import ModelCheckpointcheckpoint_callback = ModelCheckpoint(dirpath='my/path/')
trainer = Trainer(callbacks=[checkpoint_callback])
model = ...
trainer.fit(model)
# 训练完成之后，保存了多个模型，下面是获得最好的模型，也就是将原来保存的模型中最好的模型权重apply到当前的网络上
checkpoint_callback.best_model_path

3、手动保存模型

除了自动保存，也可以手动保存、加载模型

model = MyLightningModule(hparams)
trainer.fit(model)
trainer.save_checkpoint("example.ckpt")
new_model = MyModel.load_from_checkpoint(checkpoint_path="example.ckpt")

当我们采用该 Pytorch Lightning 框架做强化学习的时候，由于强化学习的训练数据集不是固定的，是与环境实时交互生成的训练数据，因此在整个训练过程中，Epoch恒为0，模型就不会自动保存，这时候需要我们手动保存模型。

另外，保存的模型一般都挺大的，因此保存最好的三个模型就OK了，可以通过一个队列来进行维护，保存新的，删除旧的：

from collections import deque
import os
# 维护一个队列
self.save_models = deque(maxlen=3)
# 这里的self 是指这个函数放到继承了pl.LightningModule的类里，跟training_step()是同级的
def manual_save_model(self):model_path = 'your_model_save_path_%s' % (your_loss)if len(self.save_models) >= 3:# 当队列满了，取出最老的模型的路径，然后删除掉old_model = self.save_models.popleft()if os.path.exists(old_model):os.remove(old_model)# 手动保存self.trainer.save_checkpoint(model_path)# 将保存的模型路径加入到队列中self.save_models.append(model_path)

上面的函数，可以通过简单的判断，如果损失更小的，或者reward更大了，我们再调用，保存模型。

为了保险起见，我们也可以每隔一段时间就保存一个最新的模型。

这个函数是从pl的原码中抠出来的，因此保存的路径是我们前面在设置 checkpoint_callbacks 的时候设置的路径，也就是本文前面ModelCheckpoint （callbacks） 这一节中的 dir_path 路径，会在该路径下自动保存 latest.ckpt 文件

# 保存最新的路径
def save_latest_model(self):checkpoint_callbacks = [c for c in self.trainer.callbacks if isinstance(c, ModelCheckpoint)]print("Saving latest checkpoint...")model = self.trainer.get_model()[c.on_validation_end(self.trainer, model) for c in checkpoint_callbacks]

4、加载Checkpoint

4.1 load_from_checkpoint 方法

pl.LightningModule.load_from_checkpoint(checkpoint_path=checkpoint_path,map_location=None,hparams_file=None,strict=True,**kwargs)

该方法是从checkpoint 加载模型的主要方法。

4.2 加载模型的权重、偏置和超参数

model = MyLightingModule.load_from_checkpoint(PATH)print(model.learning_rate)
# prints the learning_rate you used in this checkpointmodel.eval()
y_hat = model(x)

4.3 如果需要修改超参数，在写Module的时候进行覆盖

class LitModel(LightningModule):def __init__(self, in_dim, out_dim):super().__init__()self.save_hyperparameters()# 在这里使用新的超参数，而不是从模型中加载的超参数self.l1 = nn.Linear(self.hparams.in_dim, self.hparams.out_dim)

这样的话，可以如下恢复模型：

# 例如训练的时候初始化in_dim=32, out_dim=10
LitModel(in_dim=32, out_dim=10)
# 下面的方式恢复模型，使用in_dim=32和out_dim=10为保存的参数
model = LitModel.load_from_checkpoint(PATH)
# 当然也可以覆盖这些参数，例如改成in_dim=128, out_dim=10
model = LitModel.load_from_checkpoint(PATH, in_dim=128, out_dim10)

4.4 恢复模型和Trainer

如果不仅仅是想恢复模型，而且还要接着训练，则可以恢复Trainer

model = LitModel()
trainer = Trainer(resume_from_checkpoint='some/path/to/my_checkpoint.ckpt')
# 自动恢复模型、epoch、step、学习率信息（包括LR schedulers），精度等
# automatically restores model, epoch, step, LR schedulers, apex, etc...
trainer.fit(model)

五、训练辅助工具

1、Early Stopping

监控 validation_step() 方法步骤中某一个量，如果其不能再变得更优，则提前停止训练

pytorch_lightning.callbacks.early_stopping.EarlyStopping(monitor='early_stop_on',min_delta=0.0,patience=3,verbose=False,mode='auto',strict=True,check_finite=True,stopping_threshold=None,divergence_threshold=None,check_on_train_epoch_end=None)

monitor (str) – 监控的量；默认为:early_stop_on；可以通过self.log(‘var_name’, val_loss)来标记要监控的量
min_delta (float) – 最小的改变量；默认：0.0；即当监控的量的绝对值变量量小于该值，则认为没有新的提升
patience (int) - 默认：3；如果监控的量持续patience 个epoch没有得到更好的提升，则停止训练；
verbose (bool) – 默认:False；
mode (str) – {auto, min, max}中的一个，跟前面的ModelCheckpoint中的mode是一样的含义。如果monitor监控的是val_loss等越小就表示模型越好的，这个参数应该被设置成’min’，当monitor监控的是val_acc（校验准确度）等越大就表示模型训练的越好的量，则应该设置成’max’。auto会自动根据monitor的名字来判断（auto模式是个人理解，可能会出错，例如你编程的时候，你就喜欢用val_loss表示模型准确度这样就会导致保存的模型是最差的模型了）。
strict (bool) – 默认True；如果监控器没有在validation_step()函数中找到你监控的量，则强制报错，中止训练；

比如设置如下，要监控的量为 val_loss：

pytorch_lightning.callbacks.early_stopping.EarlyStopping(monitor='val_loss', min_delta=0.1, patience=3)

2、Logging

这里只涉及Tensorboard，其它有需要的可参考官方文档Logging，tensorboard 有两种基本的方法：一种是只适用于scaler，可直接使用self.log()，另一种是图像、权重等。

# 在定义Trainer对象的时候，传入tensorboardlogger
logger = TensorBoardLogger(args['log_dir'], name='DCK_PL')
trainer = pl.Trainer(logger=logger)
# 获取tensorboard Logger， 以在validation_step()函数为例
def validation_step():tensorboard = self.logger.experiment# 例如求得validation loss为：loss = ...# 直接logself.log('val_loss', loss, on_step=True, on_epoch=True, prog_bar=True, logger=True)# 如果是图像等，就需要用到tensorboard的APItensorboard.add_image()# 同时log多个other_loss = ...loss_dict = {'val_loss': loss, 'loss': other_loss}tensorboard.add_scalars(loss_dict)# log 权重等tensorboard.add_histogram(...)

注意如果是用anaconda的话，要先激活你的env，另外要注意的是，–logdir=my_log_dir/，这里的logdir要到version_0/目录，该目录下保存有各种你log的变量的文件夹

# 查看的方法跟tensorboard是一样的，在终端下
(base) C:\whx-study-pytorch-lightning\my_logs\WHX_PL\version_0>tensorboard --logdir ./
2022-03-19 20:18:17.460974: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cudart64_110.dll
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.4.0 at http://localhost:6006/ (Press CTRL+C to quit)

当然也可以继承 LightningLoggerBase 类来自定义Logger，这个自己看官方文档

3、optimizer 和 lr_scheduler

当然，在训练过程中，对学习率的掌控也是非常重要的，合理设置学习率有利于提高效果，学习率衰减可查看 pytorch必须掌握的的4种学习率衰减策略。那在pytorch_lightning 中如何设置呢？其实跟pytorch是一样的，基本上不需要修改。

重写configure_optimizers()函数即可：

# 设置优化器
def configure_optimizers(self):weight_decay = 1e-6  # l2正则化系数# 假如有两个网络，一个encoder一个decoderoptimizer = optim.Adam([{'encoder_params': self.encoder.parameters()}, {'decoder_params': self.decoder.parameters()}], lr=learning_rate, weight_decay=weight_decay)# 同样，如果只有一个网络结构，就可以更直接了optimizer = optim.Adam(my_model.parameters(), lr=learning_rate, weight_decay=weight_decay)# 我这里设置2000个epoch后学习率变为原来的0.5，之后不再改变scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[2000], gamma=0.5)optim_dict = {'optimizer': optimizer, 'lr_scheduler': scheduler}return optim_dict

def configure_optimizers(self):"""Prepare optimizer and schedule (linear warmup and decay)"""model = self.modelno_decay = ["bias", "LayerNorm.weight"]optimizer_grouped_parameters = [{"params": [p for n, p in model.named_parameters() if not any(nd in n for nd in no_decay)],"weight_decay": self.hparams.weight_decay,},{"params": [p for n, p in model.named_parameters() if any(nd in n for nd in no_decay)],"weight_decay": 0.0,},]optimizer = AdamW(optimizer_grouped_parameters, lr=self.hparams.learning_rate, eps=self.hparams.adam_epsilon)scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps=self.hparams.warmup_steps, num_training_steps=self.total_steps)scheduler = {"scheduler": scheduler, "interval": "step", "frequency": 1}return [optimizer], [scheduler]

这样就OK了，只要在 training_step() 函数中返回了loss，就会自动反向传播，并自动调用 loss.backward() 和 optimizer.step() 和 scheduler .step() 了

4、多优化器用于多模型等网络结构

当我们训练的是复杂的网络结构时，可能有多个模型，需要不同的训练顺序，不同的训练学习率等，这时候就需要设计多个优化器，并手动调用梯度反传函数

 # multiple optimizer case (e.g.: GAN)def configure_optimizers(self):opt_d = Adam(self.model_d.parameters(), lr=0.01)opt_g = Adam(self.model_g.parameters(), lr=0.02)return opt_d, opt_g

然后要关掉自动优化，这样就可以跟pytorch一样手动控制优化器的权重更新了，达到了跟pytorch一样可以进行复杂地更新顺序等地控制，同时pytorch lightning的优势还在，例如多GPU下batchnorm的参数同步等。

 # 在new Trainer对象的时候，把自动优化关掉trainer = Trainer(automatic_optimization=False)

这时候 training_step() 函数也就不是直接返回 loss 或者字典了，而是不需要返回loss了，因为在该函数里就手动完成权重更新函数地调用。

另外需要注意的是：

不再使用 loss.backward() 函数，改用 self.manual_backward(loss, opt)，就可以实现半精度训练。
忽略optimizer_idx参数

 def training_step(self, batch, batch_idx, opt_idx):# 获取在configure_optimizers()中返回的优化器(opt_d, opt_g) = self.optimizers()loss_g = self.acquire_loss_g()# 注意:不再使用loss.backward(). 另外以GAN为例，因为生成器的动态图还要保持给判别器用于更新，因此retain_graph=True.self.manual_backward(loss_g, opt_g, retain_graph=True)# 销毁动态图self.manual_backward(loss_g, opt_g)opt_g.step()# 在更新判别器的时候，保存生成器是0梯度的opt_g.zero_grad()# 更新判别器loss_d = self.acquire_loss_d()self.manual_backward(loss_d, opt_d)

其他比较重要的设置主要有同步BatchNorm的参数、采用半精度训练(原来apex的特色，不过PL比apex更香)，多gpu 训练等

5、多GPU训练

如果是CPU训练，在定义Trainer时不管gpus这个参数就可以了，或者设置该参数为0：

trainer = pl.Trainer(gpus=0)

而多GPU训练，也是很方便，只要将该参数设置为你要用的gpu数就可以，例如用4张GPU：

trainer = pl.Trainer(gpus=4)

而如果你有很多张GPU，但是要跟同学分别使用，只要在程序最前面设置哪些GPU可用就可以了，例如服务器有4张卡，但是你只能用0和2号卡：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0, 2'
trainer = pl.Trainer(gpus=2)

6、半精度训练

半精度训练也是Apex的一大特色，可以在几乎不影响效果的情况下降低GPU显存的使用率（大概50%），提高训练速度，现在pytorch_lightning 统统都给你，可以只要设置一下参数就可以：

trainer = pl.Trainer(precision=16)

7、累积梯度

默认情况是每个batch 之后都更新一次梯度，当然也可以N个batch后再更新，这样就有了大batch size 更新的效果了，例如当你内存很小，训练的batch size 设置的很小，这时候就可以采用累积梯度：

# 默认情况下不开启累积梯度
trainer = Trainer(accumulate_grad_batches=1)

8、自动缩放batch_size（不建议用）

这方法还有很多限制，直接 trainer.fit(model) 是无效的，感觉挺麻烦，不建议用

大的batch_size 通过可以获得更好的梯度估计。但同时也要更长的时间，另外，如果内存满了，电脑会卡住动不了。

'power' – 从batch size 为1 开始翻倍地往上找，例如 1-->2 --> 4 --> ... 一直到内存溢出(out-of-memory, OOM)；binsearch也是翻倍地找，直OOM，但是之后还要继续进行一个二叉搜索，找到一个更好的 batch size。另外，搜索的 batch size 最大不会超过数据集的尺寸。

# 默认不开启
trainer = Trainer(auto_scale_batch_size=None)# 自动找满足内存的 batch size
trainer = Trainer(auto_scale_batch_size=None|'power'|'binsearch')# 加载到模型
trainer.tune(model)

9、保存所有超参数到模型中

将所有的模型超参数都保存到模型中，恢复模型时再也不用自己去拖动恢复模型中的超参数了，这点是太有特色了：

# 例如你传入的超参数字典为params_dict
self.hparams.update(params_dict)    # 直接将你的超参数更新到pl模型的超参数字典中
# 这样，在保存的时候就会保存超参数了
self.save_hyperparameters()

当然，对于我们训练的不同的模型，我们还是需要查看其超参数，可以通过将超参数字典保存到本地txt的方法，来以便后期查看

def save_dict_as_txt(list_dict, save_dir):with open(save_dir, 'w') as fw:if isinstance(list_dict, list):for dict in list_dict:for key in dict.keys():fw.writelines(key + ': ' + str(dict.get(key)) + '\n')else:for key in list_dict.keys():fw.writelines(key + ': ' + str(list_dict.get(key)) + '\n')fw.close()
# 保存超参数字典到txt
save_dict_as_txt(self.hparams, save_dir)

10、梯度剪裁

当需要避免发生梯度爆炸时，可以采用梯度剪裁的方法，这个梯度范数是通过所有的模型权重计算出来的：

# 默认不剪裁
trainer = Trainer(gradient_clip_val=0)# 梯度范数的上限为0.5
trainer = Trainer(gradient_clip_val=0.5)

11、设置训练的最小和最大epochs

默认最小训练1个epoch，最大训练1000个epoch。

trainer = Trainer(min_epochs=1, max_epochs=1000)

12、小数据集

当我们的数据集过大或者当我们进行debug时，不想要加载整个数据集，则可以只加载其中的一小部分。

默认是全部加载，即下面的参数值都为1.0

# 参训练集、校验集和测试集分别只加载 10%, 20%, 30%，或者使用int 型表示batch
trainer = Trainer(limit_train_batches=0.1, # 模型情况下是 1.0limit_val_batches=0.2,    # 模型情况下是 1.0limit_test_batches=0.3 # 模型情况下是 1.0
)

其中比较需要注意的是训练集和测试集比例的设置，因为pytorch_lightning 每次validation和test时，都是会计算一个epoch，而不是一个step，因此在训练过程中，如果你的validation dataset比较大，那就会消耗大量的时间在validation上，而我们实际上只是想要知道在训练过程中，模型训练的怎么样了，不需要跑完整个epoch，因此就可以将limit_val_batches设置的小一些。对于test，在训练完成后，如果我们不希望对所有的数据都进行test，也可以通过这个参数来设置。

13、提前校验，避免校验时出错导致浪费时间（num_sanity_val_steps）

另外，该框架有个参数 num_sanity_val_steps，用于设置在开始训练前先进行num_sanity_val_steps个 batch 的 validation，以免你训练了一段时间，在校验的时候程序报错，导致浪费时间。该参数在获得trainer的时间传入：

# 默认为2个batch的validation
trainer = Trainer(num_sanity_val_steps=2)# 关闭开始训练前的validaion,直接开始训练
trainer = Trainer(num_sanity_val_steps=0)# 把校验集都运行一遍（可能会浪费很多时间）
trainer = Trainer(num_sanity_val_steps=-1)

14、异常处理

14.1 多GPU CUDA设备不同步问题

在进行多GPU训练过程中，当完成一个epoch或者运行到epoch的指定百分比后，会进行validation过程，完成validation后，报了一个错：

RuntimeError: All input tensors must be on the same device. Received cuda:2 and cuda:0

我在github上发起了一个issue，有人已经修复了这个bug，在后面新版的pytorch_lightning中应该会被修改了。

14.2 DataLoader的问题

RuntimeError: DataLoader worker (pid(s) 6700, 10620) exited unexpectedly

这个问题一般是多GPU跑的时候才会出现，主要是加载DataLoader的时候，num_works=0就可以了，另外，我在一个task里，设置的是num_works=8是OK了，但是到了另一个task中，图像更大了，可能是内存不够，加载数据集特别特别特别慢，几乎不动。

如遇到这个报错，减小batch_size，设置num_works=0，在定义trainer的时候，设置

trainer = pl.Trainer(distributed_backend='ddp')
# or
trainer = pl.Trainer(distributed_backend='dp')

参考资料：
pytorch_lightning 全程笔记
PyTorch Lightning工具学习
人工智能，从PyTorch到PyTorch Lightning简要介绍
【PyTorch Lightning】1.0 正式发布：从 0 到 1
Pytorch-Lightning基本使用步骤
人工智能，从PyTorch到PyTorch Lightning简要介绍
Pytorch-Lightning基本方法介绍

Pytorch Lightning框架：使用笔记【LightningModule、LightningDataModule、Trainer、ModelCheckpoint】相关推荐

16、Pytorch Lightning入门
资源官方手册 GitHub地址 GItHub案例:Pytorch-Lightning-Template项目 pytorch也是有缺陷的,例如要用半精度训练.BatchNorm参数同步.单机多卡训练, ...
【Pytorch Lightning】Trainer API使用（二）
[Pytorch Lightning]Trainer API使用(一) benchmark 如果 true 启用 cudnn.benchmark.如果您的输入大小不变,此标志可能会提高系统的速度.但是 ...
分离硬件和代码、稳定 API，PyTorch Lightning 1.0.0 版本正式发布
机器之心报道机器之心编辑部还记得那个看起来像 Keras 的轻量版 PyTorch 框架 Lightning 吗?它终于出了 1.0.0 版本,并增添了很多新功能,在度量.优化.日志记录.数据流. ...
使用PyTorch Lightning自动训练你的深度神经网络
点击上方"AI公园",关注公众号,选择加"星标"或"置顶" 作者:Erfandi Maula Yusnu, Lalu 编译:ronghuai ...
pytorch lightning
背景众所周知,pytorch是近年热门的深度学习框架之一,与tensorflow相比,普遍认识是pytorch更适合学界,方便学者快速实践深度模型,各类研究论文中,pytorch的算法实现更多.但是 ...
pytorch自带网络_使用PyTorch Lightning自动训练你的深度神经网络
作者:Erfandi Maula Yusnu, Lalu 编译:ronghuaiyang 原文链接使用PyTorch Lightning自动训练你的深度神经网络mp.weixin.qq.com 导 ...
GitHub高赞！PyTorch Lightning 你值得拥有！
(给机器学习算法与Python学习加星标,提升AI技能) 本文转自AI新媒体量子位(公众号 ID: 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 ...
模型泛化技巧“随机权重平均(Stochastic Weight Averaging, SWA)”介绍与Pytorch Lightning的SWA实现讲解
文章目录 SWA简介 SWA公式 SWA常见参数 Pytorch Lightning的SWA源码分析 SWALR 参考资料 SWA简介 SWA,全程为"Stochastic Weight A ...
0.pytorch lightning 入门
15分钟了解Pytorch Lightning 翻译自官方文档前置知识:推荐pytorch 目标:通过PL中7个关键步骤了解PL工作流程 PL是基于pytorch的高层API,自带丰富的工具为AI学 ...

Pytorch Lightning框架：使用笔记【LightningModule、LightningDataModule、Trainer、ModelCheckpoint】