Привет, гики! Решил тут копнуть глубже в новые релизы фреймворков для машинного обучения, и наткнулся на PyTorch Lightning v3.0. На самом деле, это уже старый релиз, вышел в конце 2023-го, но я только сейчас выбрал время, чтобы протестировать его на паре своих мини-проектов, которые занимаются анализом временных рядов. Ну, знаете, такие штуки, где пытаешься предсказать что-то на основе прошлых данных. Очень много мелких, но приятных нововведений, которые действительно упрощают жизнь разработчика, особенно когда идет активная научная работа.

Что понравилось больше всего? Ну, во-первых, новый `Trainer` API. Он стал еще более декларативным. Теперь можно тонко настраивать логирование, чекпоинты и даже распределенное обучение прямо в инициализации, а не через кучу колбэков, как было раньше. Это прямо реально уменьшает бойлерплейт код. Плюс, они добавили поддержку новых бэкендов для логирования, типаWeights & Biases, куда интегрировался чуть ли не в два клика. У меня старая версия уже была настроена под TensorBoard, и переход прошел гладко

auto_device_map — это вообще отдельная песня. Раньше, если модель большая, приходилось ручками раскидывать слои по GPU или CPU, что тот еще квест. Теперь Lightning сам пытается это сделать, учитывая доступную память. Конечно, не всегда идеально, и иногда стоит вмешаться, но для старта — просто бомба. Сэкономило мне, думаю, часов пять отладки на одном из экспериментов.

Из минусов? Ну, типа, некоторые старые API, которые были помечены как deprecated, реально убрали. Если кто-то переезжает с v1 или v2, готовьтесь к рефакторингу. Я, к счастью, не сильно глубоко использовал те самые устаревшие части, так что мой переход был относительно безболезненным.

Итоговое впечатление: PyTorch Lightning v3.0 — это шаг вперед. Он делает и без того удобный фреймворк еще более мощным и гибким. Все эти новые технологии, вплетенные в структуру, реально ускоряют процесс от идеи до работающей модели. Имхо, для любых серьезных научных исследований в области ML — это отличный выбор