PyTorch Lightning的核心是结构强制对齐：LightningModule必须实现forward、training_step、validation_step和configure_optimizers四个方法，缺一即抛NotImplementedError；LightningDataModule需在setup中延迟初始化数据集以避免多进程错误；accelerator="auto"不支持ROCm/TPU，须显式指定；日志与检查点路径须显式命名以防覆盖，且随机种子需在setup中重置以保证可复现性。
PyTorch Lightning 不是用来“省几行代码”的工具，而是帮你把训练逻辑从模型定义里彻底剥离开——一旦结构没对齐，后续所有优化（多卡、混合精度、早停）都会卡在 training_step 或 configure_optimizers 里报错。
LightningModule 必须覆盖的四个方法
不是“建议实现”，而是 Trainer 启动时强制调用的入口。缺任何一个，trainer.fit() 直接抛 NotImplementedError。
-
forward()：只做纯推理，不带 loss、不调self.log()，否则在predict()或导出 ONNX 时会出错 -
training_step()：必须返回标量loss（不能是字典或 tuple），否则分布式训练中梯度同步失败 -
validation_step()：即使不做验证也要写空实现，否则val_dataloader被忽略 -
configure_optimizers()：返回 optimizer，或{"optimizer": opt, "lr_scheduler": sch}字典；返回 list 会禁用学习率调度
LightningDataModule 的 setup() 为什么总被漏掉？
很多人直接在 __init__() 里加载数据，结果在多进程 dataloader（num_workers > 0）下触发 pickle 错误或重复下载。正确做法是把数据集实例化推迟到 setup(stage) 中：
-
stage="fit"时初始化self.train_dataset和self.val_dataset -
stage="test"时初始化self.test_dataset -
self.setup()不要手动调，Trainer 会在 fit/test 前自动触发
常见错误：setup() 里用了全局变量或未序列化的对象（如数据库连接），导致 DataLoader fork 子进程时报 AttributeError。
立即学习“Python免费学习笔记（深入）”；
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
Trainer 初始化时 accelerator="auto" 的实际行为
它不是“智能选择”，而是按固定优先级 fallback：
- 先查
torch.cuda.is_available()→ 用"cuda" - 再查
torch.backends.mps.is_available()（仅 macOS）→ 用"mps" - 最后退到
"cpu"
问题在于：AMD GPU（ROCm）不会被识别为 "cuda"，但 accelerator="auto" 也不会选 "rocm" —— 必须显式写 accelerator="rocm"，否则强行走 CPU。同理，TPU 需要 accelerator="tpu" 并配 devices=8，不能靠 auto 推断。
日志和检查点路径不显式指定就容易丢实验
Trainer 默认把 checkpoint 存到 lightning_logs/version_0/checkpoints/，TensorBoard 日志也扔这儿。但这个路径不包含实验名或超参信息，跑十次实验全挤在一个 version_0 下，根本分不清哪次对应哪个 lr=1e-4。
- 加
logger=pl.loggers.TensorBoardLogger("logs", name="my_exp")，name 会生成独立子目录 - 加
callbacks=[pl.callbacks.ModelCheckpoint(dirpath="checkpoints/my_exp_v1")]，避免覆盖 - 不设
default_root_dir，checkpoint 可能被写到临时目录，重启后消失
最常被忽略的一点：Trainer 不保存随机种子状态。哪怕你用了 seed_everything(42)，恢复 checkpoint 后继续训练，train_dataloader 的 shuffle 顺序仍会错乱——必须在 LightningDataModule 的 setup() 里重置 torch.manual_seed() 或用 generator 参数传给 DataLoader。
