Descargar lightning bolts - Descargar el código fuente de lightning bolts

lightning bolts

Otro código fuente

ved YOLO models

Descargar

Componentes de aprendizaje profundo para extender Pytorch Lightning

Instalación • Últimos documentos • Documentos estables • Acerca de • Comunidad • Sitio web • Licencia

Empezando

Pip / conda

pip install lightning-bolts

Otras instalaciones

Instale el borde del sangrado (sin garantías)

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

Para instalar todas las dependencias opcionales

pip install lightning-bolts[ " extra " ]

¿Qué son los pernos?

El paquete Bolts proporciona una variedad de componentes para extender los rayos de Pytorch, como devoluciones de llamada y conjuntos de datos, para la investigación y producción aplicadas.

Ejemplo 1: Acelerar el entrenamiento de los rayos con la devolución de llamada de la antorcha

La antorcha ORT convierte su modelo en un gráfico ONNX optimizado, acelerando el entrenamiento e inferencia cuando se usa GPU NVIDIA o AMD. Vea la documentación para más detalles.

 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 )

Ejemplo 2: Introducir escasez con el SparsemlCallback para acelerar la inferencia

Podemos introducir escasez durante el ajuste fino con Sparseml, lo que en última instancia nos permite aprovechar el motor DeepSparse para ver mejoras de rendimiento en el momento de la inferencia.

 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 )

¿Se respaldan las implementaciones de investigación específicas?

Nos gustaría alentar a los usuarios a contribuir con componentes generales que ayudarán a una amplia gama de problemas; Sin embargo, los componentes que ayudan a dominios específicos también serán bienvenidos.

Por ejemplo, una devolución de llamada para ayudar a entrenar a los modelos SSL sería una gran contribución; Sin embargo, el próximo modelo SSL más grande de su último artículo sería una buena contribución al Flash Lightning.

Use Lightning Flash para entrenar, predecir y servir modelos de vanguardia para la investigación aplicada. Sugerimos ver nuestra integración de Flash Vissl para tareas basadas en SSL.