lightning bolts Download - lightning bolts Quellcode herunterladen

lightning bolts

Anderer Quellcode

ved YOLO models

Herunterladen

Deep -Lernkomponenten für die Erweiterung des Pytorch -Blitzes

Installation • Neueste Dokumente • Stabile Dokumente • Über • Community • Website • Lizenz

Erste Schritte

Pip / Conda

pip install lightning-bolts

Andere Installationen

Installieren Sie Blutungen (keine Garantien)

pip install https://github.com/Lightning-Universe/lightning-bolts/archive/refs/heads/master.zip

So installieren Sie alle optionalen Abhängigkeiten

pip install lightning-bolts[ " extra " ]

Was sind Schrauben?

Das Bolzenpaket bietet eine Vielzahl von Komponenten, um Pytorch -Blitz wie Rückrufe und Datensätze für angewandte Forschung und Produktion zu erweitern.

Beispiel 1: Beschleunigen Sie das Blitztraining mit dem Taschenlampen -ORT -Rückruf

Torch ORT wandelt Ihr Modell in ein optimiertes ONNX -Diagramm um und beschleunigt das Training und die Inferenz, wenn Sie NVIDIA- oder AMD -GPUs verwenden. Weitere Informationen finden Sie in der Dokumentation.

 from pytorch_lightning import LightningModule , Trainer
import torchvision . models as models
from pl_bolts . callbacks import ORTCallback


class VisionModel ( LightningModule ):
    def __init__ ( self ):
        super (). __init__ ()
        self . model = models . vgg19_bn ( pretrained = True )

    ...


model = VisionModel ()
trainer = Trainer ( gpus = 1 , callbacks = ORTCallback ())
trainer . fit ( model )

Beispiel 2: Einführung von Sparsity mit dem Sparsemlcallback, um die Inferenz zu beschleunigen

Wir können Sparsity während der Feinabstimmung mit Sparseml einführen, was es uns letztendlich ermöglicht, den Deep-Sparse-Motor zu nutzen, um die Leistungsverbesserungen zum Zeitpunkt der Inferenz zu erkennen.

 from pytorch_lightning import LightningModule , Trainer
import torchvision . models as models
from pl_bolts . callbacks import SparseMLCallback


class VisionModel ( LightningModule ):
    def __init__ ( self ):
        super (). __init__ ()
        self . model = models . vgg19_bn ( pretrained = True )

    ...


model = VisionModel ()
trainer = Trainer ( gpus = 1 , callbacks = SparseMLCallback ( recipe_path = "recipe.yaml" ))
trainer . fit ( model )

Werden spezifische Forschungsimplementierungen unterstützt?

Wir möchten Benutzer ermutigen, allgemeine Komponenten beizutragen, die eine breite Palette von Problemen unterstützen. Komponenten, die bestimmten Domänen helfen, werden jedoch ebenfalls begrüßt!

Beispielsweise wäre ein Rückruf zur Ausbiegung von SSL -Modellen ein großer Beitrag. Das nächstgrößte SSL -Modell aus Ihrem neuesten Papier wäre jedoch ein guter Beitrag zum Blitz.

Verwenden Sie Lightning Flash, um hochmoderne Modelle für angewandte Forschung zu trainieren, vorherzusagen und zu bedienen. Wir empfehlen Ihnen, unsere VISSL-Flash-Integration für SSL-basierte Aufgaben zu betrachten.