对于PyTorch开发者来说，Google Colab上的TPU资源不能用，恐怕是最遗憾的事情了。Google的云计算资源眼看着不能用，转TensorFlow又是不可能的。

过去一直有PyTorch用户试图在Colab上薅羊毛，但是都没有太成功的。

现在福利来了，一个叫做Pytorch Lightning的项目，可以让你几乎修改代码的情况下用上TPU。

Pytorch Lightning已经上传到PyPI，因此只需一行代码就能安装这个软件。

pip install pytorch-lightning

该项目的开发者William Falcon说，PyTorch Lightning是他在纽约大学和FAIR做博士生时研发，专门为从事AI研究的专业研究人员和博士生创建的。

01

几乎无需修改代码

首先让我们来看一个MNIST图像分类网络的搭建，PyTorch的原始代码和修改后的PyTorch Lightning代码几乎无异。

我们只需将nn.Module替换为pl.LightningModule即可。

作者表示，相比切换框架，用这种方法重构原来的代码只需数小时的时间。

PyTorch Lightning所做的是将科学代码与工程代码分离，只需将研究代码重构为LightningModule格式（科学），Lightning将自动完成其余部分（工程）。

02

使用方法

PyTorch Lightning具体该如何使用，作者Falcon还是以MNIST图像分类网络为例，介绍从收集数据到训练再到验证、测试的全过程。

准备数据集阶段分为下载图片、转换、分割数据集、打包四个步骤。二者代码大致相同，只是将PyTorch代码组织为4个函数：

prepare_data：此函数负责处理下载数据，确保使用多个GPU时，不会下载多个数据集或对数据进行双重操作。

train_dataloader，val_dataloader，test_dataloader：每一个都负责返回相应数据集的数据拆分。以这种方式进行构造训练、验证、测试集，可以让你非常清楚如何操作数据。

接下来是优化器的选择，比如选择Adam。两者的代码还是几乎完全相同，不过后者把pytorch_model改成了self。

至于损失函数，对于n向分类，要使用交叉熵损失。二者代码又几乎一致相同，后者多出一个self。

在训练上，PyTorch Lightning的代码更简洁一点。在PyTorch中，你需要自己编写for循环，这意味着你必须记住要以正确的顺序调用正确的东西，可能会导致错误。

而PyTorch Lightning将样板格式抽象化，但方框中的内容保持不变，增加了代码的可读性和可重复性。

后面验证推理的部分不再赘述。

总之，PyTorch Lightning有这些优点：

代码结构化；与PyTorch源代码几乎完全相同；随着项目复杂性的提升，代码的大部分内容无需修改；保留了PyTorch的灵活性。

03

新增高级功能，连Pytorch本尊都没有

除了以上的一些特性外，PyTorch Lightning还加入了许多高级功能，让你体验到PyTorch本身不具备的一些优点。

比如更清晰直观的训练进度条：

用TensorBoard日志记录代码运行全过程：

PyTorch Lightning还支持TensorBoard之外的其它5种工具记录日志：

与TensorBoard，MLFlow完全集成，并支持任何日志记录模块。

甚至还有一个内置的分析工具，告诉你训练过程中的瓶颈：

trainer = Trainer(…, profiler=True)

PyTorch Lightning还有更多的可扩展性，在这里无法一一介绍，如果你正想要在TPU上运行自己的PyTorch代码，可以前去学习更详细的用法。