lightning bolts

深度學習組件，用於擴展Pytorch Lightning

---

安裝•最新文檔•穩定文檔•關於•社區•網站•許可證

---

入門

PIP / CONDA

pip install lightning-bolts

其他安裝

安裝出血邊緣（無保證）

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

安裝所有可選依賴項

pip install lightning-bolts[ " extra " ]

什麼是螺栓？

Bolts軟件包提供了各種組件來擴展Pytorch Lightning，例如回調和數據集，以進行應用研究和生產。

示例1：用火炬ort回調加速閃電訓練

Torch Ort將您的模型轉換為優化的ONNX圖，在使用NVIDIA或AMD GPU時加快訓練和推斷。有關更多詳細信息，請參見文檔。

 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

我們可以在用Sparseml進行微調期間引入稀疏性，這最終使我們能夠利用DeepSparse引擎在推理時看到性能的改進。

 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實現？

我們想鼓勵用戶貢獻將有助於各種問題的一般組件；但是，也將歡迎有助於特定領域的組件！

例如，有助於培訓SSL模型的回調將是一個很好的貢獻。但是，最新論文中的下一個最偉大的SSL模型將是對閃電閃光的良好貢獻。

使用Lightning Flash訓練，預測和服務最先進的模型進行應用研究。我們建議您查看基於SSL的任務的VISSL Flash集成。

貢獻！

Bolts得到了Pytorch Lightning團隊和Pytorch Lightning社區的支持！

加入我們的懈怠和/或閱讀我們的貢獻指南，以獲得幫助成為貢獻者！

---

執照

請觀察此存儲庫中列出的Apache 2.0許可證。此外，閃電框架是申請專利。