PyTorch Lightning

搜索文档…

PyTorch Lightning

 PyTorch Lightning提供了一个轻量级的封装器，用来组织你的PyTorch代码以及轻松地添加高级功能，如分布式训练、16位精确度。W&B也提供了一个轻量级的封装器，用来记录你的机器学习（ML）实验。我们直接合并到了PyTorch Lightning库，所以大家可随时查看他们的文档。
⚡仅需两行代码即可快速上手
1
from pytorch_lightning.loggers import WandbLogger
2
from pytorch_lightning import Trainer
3
​
4
wandb_logger = WandbLogger()
5
trainer = Trainer(logger=wandb_logger)
Copied!
✅ 查看实例！
我们已经为你创建了一些示例，以帮助你了解集成的工作原理：
 ​ Google Colab中的一个使用超参数优化演示示例。
 教程: 使用Pytorch Lightning + Weights&Biases增强你的训练
 ​用Lightning做语义分割：优化自动驾驶汽车的神经网络。
 跟踪Lightning模型性能的步骤指南 ​
💻 API 참조
WandbLogger
可选参数:
  name（字符串型）——显示运行的名称。
 save_dir（字符串型）——数据保存的路径（默认为wandb目录）。
offline（布尔型）——离线运行（数据可以稍后流式传输到wandb服务器）。
 id（字符串型）——设置版本，主要用来做断点续训。
version（字符串型）——与版本相同（遗留）
anonymous（布尔型）——启用或显式禁用匿名记录。
project（字符串型）——本运行所属的项目名称。
 log_model（布尔型）—— 将检查点保存在wandb目录中，并上传到W&B服务器。
 prefix（字符串型）——放在指标（metric）键开头的字符串。
sync_step（布尔型）——将训练步（step）与wandb步（step）同步（默认为True）。
**kwargs—— wandb.init使用的其他参数（如,entity,group,tags等），可作为关键字参数传入到此记录器中。
WandbLogger.watch
记录模型拓扑以及可选的梯度和权重。
1
wandb_logger.watch(model, log='gradients', log_freq=100)
Copied!
参数：
model (nn.Module) – 要记录的模型。
log（字符串型）——"parameters"、"all"或None，默认值为"gradients"。
log_freq（整型）——隔多少步数记录一次梯度和参数（默认为100）。
WandbLogger.log_hyperparams
记录超参数配置。
注意：当使用LightningModule.save_hyperparameters()时此函数会被自动调用
1
wandb_logger.log_hyperparams(params)
Copied!
 参数：
params（字典型）——字典型数据，超参数名称作为“键”，配置值作为“值”。
WandbLogger.log_metrics
 记录训练指标。
注意：此函数由LightningModule.log('metric', value)自动调用。
1
wandb_logger.log_metrics(metrics, step=None)
Copied!
 参数:
metric（数字型）——字典型数据，指标名称作为“键”，测试量作为“值”。
step（整数型或None）——要在哪个步（step）记录指标。
****