Definiowanie modeli za pomocą LightningModule

Skalowalne modele AI z PyTorch Lightning

Sergiy Tkachuk

Director, GenAI Productivity

LightningModule w centrum uwagi

Zawiera architekturę modelu
Organizuje logikę trenowania w jednej jednostce
Szablon wprowadzający porządek w projektach deep learning

Diagram PyTorch LightningModule

Definiowanie metody init

Kluczowe zadania:

Inicjalizacja modelu
super():
- Automatyczna obsługa pętli trenowania
- Logowanie
- Checkpointing
Warstwy modelu definiowane po inicjalizacji
Modularny i łatwy w utrzymaniu

import lightning.pytorch as pl
import torch.nn as nn

class ClassificationModel(pl.LightningModule):
    def __init__(self, input_dim,
                 hidden_dim, num_class):
          # Initialize parent class
        super().__init__()

        # First layer
        self.layer1 = nn.Linear(input_dim,
                                hidden_dim)
        # Activation function
        self.relu = nn.ReLU()
        # Output layer
        self.layer2 = nn.Linear(hidden_dim,
                                num_class)

Implementacja metody forward

Kluczowe kroki:

Zdefiniowanie przepływu danych przez sieć
Przetwarzanie wejścia przez warstwy sekwencyjnie
- Transformacja liniowa
- Aktywacja
- Ostatnia warstwa i wyjście

import lightning.pytorch as pl
import torch.nn as nn

class ClassificationModel(pl.LightningModule):
    def __init__(self, input_dim,
                 hidden_dim, num_class):
          ...

    def forward(self, x):

        x = self.layer1(x) # Pass input

        x = nn.ReLU(x) # Apply activation

        x = self.layer2(x) # Compute output

        return x # Return result

Przykład: klasyfikacja odręcznych cyfr

import lightning.pytorch as pl
from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from torchvision import transforms

transform = transforms.ToTensor()
train_ds = MNIST(root='.', train=True,  download=True, transform=transform)
test_ds  = MNIST(root='.', train=False, download=True, transform=transform)

train_loader = DataLoader(train_ds, batch_size=64, shuffle=True)
test_loader  = DataLoader(test_ds,  batch_size=64)


model = ClassificationModel(input_dim=28*28, hidden_dim=128, num_class=10)


trainer = pl.Trainer(max_epochs=3, accelerator='auto')
trainer.fit(model, train_loader, test_loader)

Integracja modelu z zadaniami klasyfikacji

Przykład klasyfikacji
Cały przepływ w LightningModule
Surowe wyjścia dla aktywacji softmax
Integracja z Lightning Trainer

class ClassificationModel(pl.LightningModule):
  def __init__(self, input_dim, 
               hidden_dim, output_dim):
    super().__init__()

    self.hid = nn.Linear(input_dim, hidden_dim)
    self.out = nn.Linear(hidden_dim, output_dim)


  def forward(self, x):

    x = self.hidden(x)
    x = nn.ReLU(x)
    x = self.output(x)

    return x

Czas na praktykę!

Skalowalne modele AI z PyTorch Lightning