lightning bolts

深度学习组件，用于扩展Pytorch Lightning

---

安装•最新文档•稳定文档•关于•社区•网站•许可证

---

入门

PIP / CONDA

pip install lightning-bolts

其他安装

安装出血边缘（无保证）

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

安装所有可选依赖项

pip install lightning-bolts[ " extra " ]

什么是螺栓？

Bolts软件包提供了各种组件来扩展Pytorch Lightning，例如回调和数据集，以进行应用研究和生产。

示例1：用火炬ort回调加速闪电训练

Torch Ort将您的模型转换为优化的ONNX图，在使用NVIDIA或AMD GPU时加快训练和推断。有关更多详细信息，请参见文档。

 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 )

示例2：引入稀疏性，用稀疏背back加速推理

我们可以在用Sparseml进行微调期间引入稀疏性，这最终使我们能够利用DeepSparse引擎在推理时看到性能的改进。

 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 )

是否支持特定的研究实现？

我们想鼓励用户贡献将有助于各种问题的一般组件；但是，也将欢迎有助于特定领域的组件！

例如，有助于培训SSL模型的回调将是一个很好的贡献。但是，最新论文中的下一个最伟大的SSL模型将是对闪电闪光的良好贡献。

使用Lightning Flash训练，预测和服务最先进的模型进行应用研究。我们建议您查看基于SSL的任务的VISSL Flash集成。

贡献！

Bolts得到了Pytorch Lightning团队和Pytorch Lightning社区的支持！

加入我们的懈怠和/或阅读我们的贡献指南，以获得帮助成为贡献者！

---

执照

请观察此存储库中列出的Apache 2.0许可证。此外，闪电框架是申请专利。