PytorchLightning 教程

这是Lightning库 - 与Lightning相关的笔记本集合，作为子模块被拉回主仓库并在主文档中呈现。主要特点/亮点：

我们保持仓库轻量级 - 笔记本以富文本脚本格式存储
所有脚本/笔记本都经过测试，确保完全可执行
通过保存运行时环境详情，实现完全可复现

更多详情请阅读我们的博文 - 发布PyTorch Lightning教程笔记本的最佳实践

添加/编辑笔记本

此仓库的主分支只包含带有markdown扩展的Python脚本，笔记本在特定的发布分支中生成，因此不接受原始笔记本的PR。另一方面，我们强烈建议创建笔记本并使用jupytext将其转换为脚本，如下所示：

jupytext --set-formats ipynb,py:percent my-notebook.ipynb

贡献结构

添加内容需要以新文件夹的形式提交：

文件夹名用于未来的笔记本
单个Python脚本或转换为.py文件的笔记本（名称不重要）

名为.meta.yaml的元数据文件，包含以下信息：

title: 示例笔记本
author: [用户](联系方式)
created: YYYY-MM-DD
updated: YYYY-MM-DD
license: CC BY-SA
# 多行
description: |
  本笔记本将指导您完成...
# 定义支持的加速器 - CPU|GPU|TPU
accelerator:
  - CPU

[可选] 在特定文件夹中的requirements.txt中列出所需的依赖（如果需要父文件夹中未列出的其他包）

使用数据集

在示例中使用公共或比赛数据集是很常见的。我们通过在元文件中定义数据源来实现这一点。有两种基本选项，从网络下载文件或拉取Kaggle数据集_[实验性]_：

datasets:
  web:
    - https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
  kaggle:
    - titanic  # 这需要是公开数据集

在这两种情况下，下载的存档（Kaggle数据集最初以zip文件形式下载）会被解压到默认数据集文件夹下，子文件夹名与下载文件名相同。要获取此数据集文件夹的路径，请使用环境变量PATH_DATASETS，所以在您的脚本中使用：

import os

data_path = os.environ.get("PATH_DATASETS", "_datasets")
path_titanic = os.path.join(data_path, "titanic")

警告： 某些Kaggle数据集可能相当大，处理过程包括下载和解压，这意味着特定运行程序需要双倍的可用空间。因此，CPU运行程序限制为3GB数据集。

建议与限制

在文本单元格中插入图片时使用Markdown格式，这样我们可以直接将内联图片插入到笔记本中，并减少对互联网连接的依赖 -> 生成的笔记本可以更好地离线共享
如果您的图片需要特定尺寸，请使用![标题](https://raw.githubusercontent.com/Lightning-AI/tutorials/main/my-image.png){height="60px" width="240px"}
如果您的笔记本需要大量计算或其他资源（CPU/RAM），请在元配置中仅使用GPU加速器选项
由于凭证问题，Kaggle数据集可能会出现中断...

开发技巧

实用笔记

在发布工作流程的后台，您基本上可以找到以下三个步骤

# 1) 将脚本转换为笔记本
jupytext --set-formats ipynb,py:percent notebook.py

# 2) [可选] 测试创建的笔记本
pytest -v notebook.ipynb  --nbval

# 3) 生成笔记本输出
papermill in-notebook.ipynb out-notebook.ipynb

本地文档构建

您可能想要在本地构建文档，而无需执行所有笔记本。在这种情况下，您可以将所有脚本转换为IPython笔记本作为预演...

# 设置跳过笔记本执行，仅进行转换
export DRY_RUN=1
# 从脚本生成笔记本
make ipynb
# 构建文档
make docs

tutorials