最新的PyTorch Lightning发行版本包括了具有更好的数据解耦，更短的日志记录语法和大量bug修复的最终API。

　　我们很高兴今天发布了PyTorch Lightning 0.9.0，其中包含了许多超赞的新特性，并且我们这次修复的bug比之前任何的发行版本都多，但最重要的是介绍了我们主要的最终API更改！

　　Lightning正在被世界各地的顶级研究人员和人工智能实验室所使用，我们正在努力确保为所有最新最佳的实践提供流畅的体验和支持。

　　在这个版本中，我们引入了两个新的主要的（也是最后一个）API更改：

　　Lightning 的意义就是让你的代码更具可读性和结构化。

　　我们将模型架构从工程中分离出来，并且继续对数据进行同样的处理。为了在项目间共享和重用数据分割和转换，我们创建了LightningDataModule。

　　LightningDataModule 是一个可共享、可重用的类，它封装了训练所需的所有步骤：

　　下载/标记/处理。

　　清理并保存到磁盘以便重用。

　　在内存或即时加载到Dataset里。

　　应用变换（旋转，标记等）。

　　装载到Dataloader。

　　LightningDataModule 可以在任何地方共享和使用：

　　在这段视频中，PyTorch Lightning的深度学习研究工程师Nate Raw将为你一步步介绍：

　　介绍视频

　　你可以在这里查看有关新的数据模块（DataModule）的文档。

　　每步的结果

　　我们向Lightning中添加了两类新的结果对象：TrainResult和EvalResult。它们是用来保存训练/评估/测试每一步输出的精致的字典对象。它们是用来控制在哪里和什么时候记录日志，以及如何在加速器之间进行同步：

　　在 training_step 中使用 TrainResult 自动记录结果：

　　我们添加到 TrainResult 的 train_loss 会自动地在 tensorboard 上产生日志（你也可以使用我们支持的其他日志记录器）

　　TrainResult 默认在训练的每一步上记录。

　　使用EvalResult 在validation_step 或test_step 中自动记录

　　EvalResult 默认在每个迭代之后记录。

　　跨设备同步

　　当在多个GPU/CPU/TPU内核上进行训练时，你可以计算记录的日志指标的全局平均值，如下所示：

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

　　更多日志选项，请查看我们的文档。

　　0.9版本的其他亮点包括：

　　支持PyTorch 1.6

　　支持在多GPU上保存测试时的预测结果

　　支持将模型导出为ONNX格式

　　支持更多sklearn的指标，如SSIM, BLEU

　　增加了DDP下的SyncBN

　　支持通过gfile访问远程目录

　　在这里阅读完整的发布说明。

　　我们还升级了我们的文档，在几秒钟视频内就可以演示 Lightning 的核心功能！看看它们吧，让我们知道你接下来还想看到什么！

　　我们要感谢所有无私奉献的贡献者，感谢他们的辛勤工作，感谢社会各界的帮助。如果没有你们，我们肯定走不到这一步。试一试，在我们的#slack上分享你的项目，并继续关注我们的下一个1.0版本！

　　雷锋字幕组是一个由 AI 爱好者组成的翻译团队，汇聚五百多位志愿者的力量，分享最新的海外AI资讯，交流关于人工智能技术领域的行业变革与技术创新的见解。

　　团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生；志愿者们来自IBM、AVL、Adobe、阿里、百度等知名企业，北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。