pytorch、pytorch_lightning、torchmetrics版本对应_pytorch-lightning版本对应

目录

1.pytorch_lightning对应版本安装

2.PyTorch Lightning介绍

PyTorch Lightning 的作用：

PyTorch Lightning 的基本用法：

---

报错：ModuleNotFoundError: No module named 'pytorch_lightning'

        这种报错一看就是缺了pytorch_lightning包，想当然就pip install装了，没想到有坑，安装完直接把我的pytorch版本给我更细了，所以特意记录下这个问题，安装pytorch_lightning一定要与pytorch版本对应好再安装。

---

 

1.pytorch_lightning对应版本安装

参考官网版本对应：官网

如果直接使用 "pip install pytorch_lightning" 的话，安装的是最新的版本 

pip install pytorch_lightning

所以，为了避免与pytorch版本冲突，需要对应版本安装，否则，就会更改你的pytorch版本。

pip install pytorch_lightning==X.X.X

        比如我的pytorch=1.12.1版本，所以我就装了pytorch_lightning=1.8.6，安装完的结果如下。 

         至此就大功告成了，可以愉快的使用pytorch_lightning了。

2.PyTorch Lightning介绍

        PyTorch Lightning 是一个基于 PyTorch 的轻量级库，旨在简化复杂模型的训练过程。它是由 William Falcon 创立的，旨在帮助研究人员和开发人员更高效地构建、训练和验证机器学习模型。

PyTorch Lightning 的作用：

1. 简化训练流程：PyTorch Lightning 通过提供更高级的接口，简化了模型定义、训练、验证和测试的过程。
2. 提高代码复用性：它鼓励使用面向对象的编程方法来构建模型，使得代码更加模块化，易于复用。
3. 支持分布式训练：PyTorch Lightning 支持多GPU训练和分布式训练，使得模型训练可以扩展到多个设备。
4. 丰富的回调函数：提供了多种回调函数，可以轻松实现模型的保存、加载、日志记录等功能。
5. 易于调试和测试：由于代码结构清晰，调试和测试变得更加容易。

PyTorch Lightning 的基本用法：

        PyTorch Lightning 是一个轻量级的 PyTorch 扩展库，旨在简化和规范深度学习模型的训练过程。它提供了一种更高层次的抽象，使用户能够以更简单的方式定义和训练模型。

下面是 PyTorch Lightning 的一些基本用法：

• 定义模型：通过继承 pytorch_lightning.core.LightningModule 类来定义模型。在模型类中，可以定义网络结构、损失函数、优化器等。例如：

import torch
import torch.nn as nn
import pytorch_lightning as pl
 
class MyModel(pl.LightningModule):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(10, 1)
 
    def forward(self, x):
        return self.linear(x)

• 定义训练器：通过继承 pytorch_lightning.core.LightningDataModule 类来定义训练器。在训练器类中，可以定义数据加载、预处理和划分等操作。例如：

import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from pytorch_lightning import LightningDataModule
 
class MyDataModule(LightningDataModule):
    def __init__(self):
        super().__init__()
        self.transform = transforms.Compose(...)
        self.train_dataset = ...
        self.val_dataset = ...
        self.test_dataset = ...
 
    def train_dataloader(self):
        return DataLoader(self.train_dataset, batch_size=32, shuffle=True)
 
    def val_dataloader(self):
        return DataLoader(self.val_dataset, batch_size=32)
 
    def test_dataloader(self):
        return DataLoader(self.test_dataset, batch_size=32)

• 训练模型：通过创建 pytorch_lightning.trainer.Trainer 对象来训练模型。可以设置训练的轮数、学习率、设备等参数，并使用 fit 方法进行训练。例如：

from pytorch_lightning import Trainer
 
model = MyModel()
datamodule = MyDataModule()
 
trainer = Trainer(gpus=1, max_epochs=10)
trainer.fit(model, datamodule)

• 预测和评估模型：通过 trainer.test 方法来对模型进行预测和评估。例如：

trainer.test(model, datamodule=datamodule)

        通过以上步骤，可以使用 PyTorch Lightning 来更加简洁、规范地训练和评估深度学习模型。

        PyTorch Lightning 通过提供这些高级功能，使得使用 PyTorch 构建和训练深度学习模型变得更加高效和简洁。