最新的PyTorch Lightning發行版本包括了具有更好的數據解耦，更短的日志記錄語法和大量bug修復的最終API。

　　我們很高興今天發布了PyTorch Lightning 0.9.0，其中包含了許多超贊的新特性，并且我們這次修復的bug比之前任何的發行版本都多，但最重要的是介紹了我們主要的最終API更改！

　　Lightning正在被世界各地的頂級研究人員和人工智能實驗室所使用，我們正在努力確保為所有最新最佳的實踐提供流暢的體驗和支持。

　　在這個版本中，我們引入了兩個新的主要的（也是最后一個）API更改：

　　Lightning 的意義就是讓你的代碼更具可讀性和結構化。

　　我們將模型架構從工程中分離出來，并且繼續對數據進行同樣的處理。為了在項目間共享和重用數據分割和轉換，我們創建了LightningDataModule。

　　LightningDataModule 是一個可共享、可重用的類，它封裝了訓練所需的所有步驟：

　　下載/標記/處理。

　　清理并保存到磁盤以便重用。

　　在內存或即時加載到Dataset里。

　　應用變換（旋轉，標記等）。

　　裝載到Dataloader。

　　LightningDataModule 可以在任何地方共享和使用：

　　在這段視頻中，PyTorch Lightning的深度學習研究工程師Nate Raw將為你一步步介紹：

　　介紹視頻

　　你可以在這里查看有關新的數據模塊（DataModule）的文檔。

　　每步的結果

　　我們向Lightning中添加了兩類新的結果對象：TrainResult和EvalResult。它們是用來保存訓練/評估/測試每一步輸出的精致的字典對象。它們是用來控制在哪里和什么時候記錄日志，以及如何在加速器之間進行同步：

　　在 training_step 中使用 TrainResult 自動記錄結果：

　　我們添加到 TrainResult 的 train_loss 會自動地在 tensorboard 上產生日志（你也可以使用我們支持的其他日志記錄器）

　　TrainResult 默認在訓練的每一步上記錄。

　　使用EvalResult 在validation_step 或test_step 中自動記錄

　　EvalResult 默認在每個迭代之后記錄。

　　跨設備同步

　　當在多個GPU/CPU/TPU內核上進行訓練時，你可以計算記錄的日志指標的全局平均值，如下所示：

　　result.log（‘train_loss', loss, sync_dist=True）

　　更多日志選項，請查看我們的文檔。

　　0.9版本的其他亮點包括：

　　支持PyTorch 1.6

　　支持在多GPU上保存測試時的預測結果

　　支持將模型導出為ONNX格式

　　支持更多sklearn的指標，如SSIM, BLEU

　　增加了DDP下的SyncBN

　　支持通過gfile訪問遠程目錄

　　在這里閱讀完整的發布說明。

　　我們還升級了我們的文檔，在幾秒鐘視頻內就可以演示 Lightning 的核心功能！看看它們吧，讓我們知道你接下來還想看到什么！

　　我們要感謝所有無私奉獻的貢獻者，感謝他們的辛勤工作，感謝社會各界的幫助。如果沒有你們，我們肯定走不到這一步。試一試，在我們的#slack上分享你的項目，并繼續關注我們的下一個1.0版本！

　　雷鋒字幕組是一個由 AI 愛好者組成的翻譯團隊，匯聚五百多位志愿者的力量，分享最新的海外AI資訊，交流關于人工智能技術領域的行業變革與技術創新的見解。

　　團隊成員有大數據專家、算法工程師、圖像處理工程師、產品經理、產品運營、IT咨詢人、在校師生；志愿者們來自IBM、AVL、Adobe、阿里、百度等知名企業，北大、清華、港大、中科院、南卡羅萊納大學、早稻田大學等海內外高校研究所。