Framework de deep learning basado en PyTorch que automatiza los ciclos de entrenamiento, el escalado a varias GPU y el código de soporte, sin quitarte el control del modelo.
PyTorch Lightning es un framework para preentrenar y ajustar modelos de PyTorch. Defines la lógica del modelo en un LightningModule y Trainer se encarga de la retropropagación, la precisión mixta, la asignación de dispositivos y el entrenamiento distribuido en CPU, GPU, TPU y varios nodos. El mismo código puede ejecutarse en distintos tipos de hardware con solo cambiar algunos argumentos de Trainer.
El proyecto también incluye Lightning Fabric, una capa de nivel más bajo para quienes quieren conservar su propio ciclo de entrenamiento y, a la vez, contar con gestión de dispositivos y estrategias distribuidas como DDP, FSDP y DeepSpeed. Entre sus funciones integradas se incluyen la creación de checkpoints, la detención temprana, las integraciones con herramientas de registro como TensorBoard, Weights & Biases y MLflow, y la exportación a TorchScript y ONNX.
El repositorio ofrece un ejemplo de inicio rápido, ejemplos organizados por tarea que abarcan clasificación, segmentación, detección, ajuste fino de LLM y difusión, además de documentación para ambos paquetes.
Instala Lightning con pip
pip install lightningInstala torchvision para el ejemplo
pip install torchvisionGuarda el ejemplo básico como main.py y ejecútalo
python main.pyResumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Sistema de entrenamiento e inferencia distribuidos, basado en PyTorch, para modelos grandes de IA, con paralelismo, optimización de memoria y entrenamiento heterogéneo.
Una biblioteca de optimización de deep learning que facilita y hace más eficiente el entrenamiento distribuido y la inferencia de modelos grandes.
Una biblioteca optimizada de Microsoft para entrenar y servir modelos Mixture-of-Experts en PyTorch, con inferencia de baja precisión para modelos como DeepSeek, Qwen y GLM.
Una biblioteca ligera de deep learning con comprobación de tipos para componer modelos y usar capas de PyTorch, TensorFlow y MXNet.
CLI y toolkit de Python para empaquetar y desplegar modelos de ML en Baseten o en infraestructura propia como servidores de modelos listos para producción.
Ray es un framework unificado para escalar aplicaciones de Python e IA desde una laptop hasta un clúster, con un runtime distribuido y bibliotecas de IA.