学習ロジックを実装する

PyTorch Lightning によるスケーラブルな AI モデルの構築

Sergiy Tkachuk

Director, GenAI Productivity

学習ステップを定義する

入力とラベルのバッチを処理する
順伝播で予測値を計算する
分類用の交差エントロピー損失を計算する
監視用に学習損失を記録する

def training_step(self, batch, batch_idx):
    x, y = batch

    y_hat = self(x)

    loss = cross_entropy(y_hat, y)

    self.log("train_loss", loss)
    return loss

オプティマイザを設定する

更新に適したオプティマイザを選択する
勾配計算のためにモデルパラメータを紐付ける
収束に適した学習率を設定する
Lightning統合用にオプティマイザインスタンスを返す

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

Lightning Trainerで学習する

学習ロジックをLightning Trainerに統合する
学習ループとエポックを自動管理する
性能指標をリアルタイムで監視する

LightningTrainerのフロー

trainer.fitとtrainer.validateを使う

trainer.fitメソッドで学習を開始する
trainer.validateメソッドでモデルを検証する

trainer.fit(model, train_dataloader)

trainer.validate(model, val_dataloader)

学習と検証のサイクルを自動化する
両方のフェーズで指標を監視する

学習ロジックの完全な例

分類器を持つカスタムLightningModuleを定義する
training_stepで損失を計算・記録する
オプティマイザを設定してモデルパラメータを更新する
モデルを学習・検証する

class LightClassifier(pl.LightningModule):
    def __init__(self):
        super().__init__()
        self.layer=torch.nn.Linear(28 * 28, 10)
    def forward(self, x):
        return self.layer(x.view(x.size(0), -1))

    def training_step(self, batch, batch_idx):
        ...

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

model = LightClassifier() # Define classifier model
trainer = Trainer(max_epochs=5) # Define trainer
trainer.fit(model, train_dataloader)
trainer.validate(model, val_dataloader)

業界での活用

学習ロジックが重要な理由

品質管理のために正確な損失追跡を確保する
スケーラブルな展開に向けて学習パイプラインを最適化する

実際の活用例:

医療診断における画像解析を強化する
金融サービスの不正検知を支援する

医療画像

業界での活用

学習ロジックが重要な理由

品質管理のために正確な損失追跡を確保する
スケーラブルな展開に向けて学習パイプラインを最適化する

実際の活用例:

医療診断における画像解析を強化する
金融サービスの不正検知を支援する

医療画像と不正検知

練習しましょう！

PyTorch Lightning によるスケーラブルな AI モデルの構築