PyTorch Lightning

PyTorch Lightningを使ってみた．

• この解説がわかりやすかった
• PyTorchにおけるBoilerplate codeを減らすための工夫が施されている
  • こんな感じで対応してる．
• 学習の処理（一バッチ分）をモデルクラスの関数に書くことで，学習の二重ループを書かなくて済む
  • lossfun: ロス関数の定義
  • configure_optimizers: optimizerの定義
  • train_dataloader: 学習データのデータローダの設定（@pl.data_loadeで修飾する必要あり）
  • val_dataloader: 検証データのデータローダの設定（@pl.data_loadeで修飾する必要あり）
  • training_step: 一バッチ分の学習ステップを定義
  • validation_step: 一バッチ分の検証ステップを定義
  • validation_end: 一エポック分の検証ステップ終了時の計算を定義
• optimizer，データローダについてもモデルクラスの関数に書けるんだけど気持ち悪い．何か思想的な部分で理解が足りないんだと思う
• 色々なレシピを公開してくれているのもありがたい
• optimizerの説明を見たけど，optimizerを途中で切り替える方法が分からなかった．
  • やりたいこと: 学習の途中で更新するパラメータ，学習率を切り替えたい
  • この方法（on_train_epoch_startでエポック数に応じて切り替える）が一番わかり易い

サンプルプログラムは以下の通りで，学習のプログラムが簡潔に書ける．

# main.py
# ! pip install torchvision
import torch, torch.nn as nn, torch.utils.data as data, torchvision as tv, torch.nn.functional as F
import lightning as L

# --------------------------------
# Step 1: Define a LightningModule
# --------------------------------
# A LightningModule (nn.Module subclass) defines a full *system*
# (ie: an LLM, diffusion model, autoencoder, or simple image classifier).


class LitAutoEncoder(L.LightningModule):
    def __init__(self):
        super().__init__()
        self.encoder = nn.Sequential(nn.Linear(28 * 28, 128), nn.ReLU(), nn.Linear(128, 3))
        self.decoder = nn.Sequential(nn.Linear(3, 128), nn.ReLU(), nn.Linear(128, 28 * 28))

    def forward(self, x):
        # in lightning, forward defines the prediction/inference actions
        embedding = self.encoder(x)
        return embedding

    def training_step(self, batch, batch_idx):
        # training_step defines the train loop. It is independent of forward
        x, y = batch
        x = x.view(x.size(0), -1)
        z = self.encoder(x)
        x_hat = self.decoder(z)
        loss = F.mse_loss(x_hat, x)
        self.log("train_loss", loss)
        return loss

    def configure_optimizers(self):
        optimizer = torch.optim.Adam(self.parameters(), lr=1e-3)
        return optimizer


# -------------------
# Step 2: Define data
# -------------------
dataset = tv.datasets.MNIST(".", download=True, transform=tv.transforms.ToTensor())
train, val = data.random_split(dataset, [55000, 5000])

# -------------------
# Step 3: Train
# -------------------
autoencoder = LitAutoEncoder()
trainer = L.Trainer()
trainer.fit(autoencoder, data.DataLoader(train), data.DataLoader(val))