pytorch_lightning中lightning_logs里的hparams.yaml输出为空问题

最新推荐文章于 2025-10-25 10:12:53 发布

原创最新推荐文章于 2025-10-25 10:12:53 发布 · 1.5k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #自然语言处理 #pytorch

本文介绍了在使用 PyTorch Lightning 框架时遇到的模型参数输出为空的问题。原来，框架中参数应通过 `self.hparams` 而非 `self.args` 来进行传递和访问，修正此错误后，参数能够正确输出。注意在后续代码中使用参数时要使用 `self.hparams` 前缀。

部署运行你感兴趣的模型镜像

问题就是如上述所示，pytorch_lightning里边是自带可以输出参数内容的，就如下图所示
在这里插入图片描述

但是我在学习这个框架并输出结果的时候发现我这里相应的文件生成，但是却没有内容，然后发现是因为给模型传args的时候我的命令是写的

self.args = args

但后边看这个文件发现它是“hparams”，也就是写self.args根本接收不到，所以输出为空，该成下面的代码即可

self.hparams = args

当然后面用到这个参数的时候别忘了是self.什么，不要不带self。

您可能感兴趣的与本文相关的镜像

PyTorch 2.8

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

jst100

关注关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

PyTorch Lightning 简化深度学习训练的 5 个技巧

s13596191285的博客

05-23

130

**摘要** 随着深度学习模型规模和复杂度的不断提升，研究者和工程师亟需一种高效、可维护的训练框架来管理实验流程、加速迭代并确保可复现性。PyTorch Lightning（PL）通过对原生 PyTorch 的抽象与封装，大幅简化了训练脚本的编写，使研发者能够将精力聚焦在模型创新与算法优化上。本文在深入剖析其核心设计理念和实现原理的基础上，提出 **五个技巧**，并辅以经典与创新代码示例、案例分析、实验设计与结果评估，最后展望未来发展趋势与挑战，力求为广大深度学习从业者提供切实可行的优化路径。 ---

Pytorch-Lightning中的日志记录

愿有人陪你颠沛流离！

01-22

8430

Pytorch-Lightning中的日志记录

参与评论您还未登录，请先登录后发表或查看评论

用 PyTorch Lightning 监控和串流 PyTorch 的训练进度 TensorBoard MNISTDataModule 训练查看训练进度

万有文的博客

04-13

2212

PyTorch Lightning 的 Trainer 还提供了一个自定义进度条的功能，你可以通过 progress_bar_refresh_rate 参数来设置进度条的更新频率。PyTorch Lightning 的 Trainer 类有许多内置的回调函数（callbacks），可以在训练的不同阶段触发。PyTorch Lightning 是一个非常有用的库，它提供了一种更简洁、更模块化的方式来构建和训练 PyTorch 模型。你也可以创建自定义的回调函数，以在训练过程中执行特定的操作。

LightningCLI 详解

最新发布

ai_moe的博客

10-25

670

复制默认配置并修改。

PyTorch Lightning入门教程（一）

kejizuiqianfang的博客

08-22

5322

因为最近在学习pytorch lightning，所以这里记录一下学习的内容，这一节记录简单的入门教程，下一节预计介绍如何进行多GPU训练。pytorch lightning作为pytorch的一个拓展架构，可以减少很多与数据处理以及模型搭建无关的代码，增加工程效率。因为在编写训练代码的时候，很多时候需要兼顾编写学习率的schedule代码，记录log的代码等等。实际上，模型相关代码可能需要的时间还不如调试这些辅助的代码所需要的时间。而pytorch lightning这类框架就可以解决上面的问题。

pytorch lightning 手写数字分类实例 (三)

Tina姐的博客

05-29

1698

今天通过手写数字来学习如何利用pytorch-lightning进行分类代码同第二部分的差不多，新增了断点训练和测试部分。项目使用jupyter notebook演示此部分代码很简单，小白也能上手，赶快来试一试吧～～～文章目录SET SEEDdataloadertrainingtesting测试结果显示 import torch from torch import nn import pytorch_lightning as pl from torch.utils.data import DataL

pytorch lightning 使用记录

cbx0916的博客

05-18

949

由于我们在使用pytorch时遇到的各种问题，出现了Pytorch-Lighting这一框架。Pytorch-Lighting 的一大特点是把模型和系统分开来看。系统定义了一组模型如何相互交互，如GAN（生成器网络与判别器网络）、Seq2Seq（Encoder与Decoder网络）和Bert。有时候问题只涉及一个模型，例如UNet、ResNet等，那么这个系统则可以是一个通用的系统，用于描述模型如何使用，并可以被复用到很多其他项目。

PyTorch Lightning使用过程中的tips

lzxsz_的博客

06-30

1288

从一开始学习这个框架之后，我慢慢的了解了很多这个框架的强大之处，不得不感叹一下它相对于PyTorch真香。在我们研究深度学习项目的过程中，确实要涉及到很多基本的tips，这些方法在传统的PyTorch中都是需要自己去实现的，而在pl中这些东西都得到优化，目前还在发掘中。具体方法查看。如果没接触过这个框架的可以看我上一篇文章。文章。

【debug】diffusion 报错无法找到yaml配置文件

prinTao的博客

01-02

628

使用自己数据集，从configs/latent-diffusion/inpainting_example_overfit.yaml 中修改对应地址得到configs/latent-diffusion/inpainting_catsv2.yaml。

LightningCLI使用指南（一）

weixin_43457608的博客

04-17

508

MLOps极致细节：21. MLFlow Pytorch 的使用案例3：MobileNetV2 图像分类案例

破浪会有时的博客

05-09

1794

- 解释`mlflow.pytorch`的具体使用方式； - 解释`pl.LightningModule`与`pl.LightningDataModule`的具体使用方式； - 解释`mlflow run`以及`mlflow ui`的具体使用方式； - 解释如何使用 MobileNetV2 进行迁移学习； - 通过 LEGO Minifigures 的案例解释如何在pyTorch中使用mlFlow，以及结果。

FailedPreconditionError: lightninglogs\lightning_logs is not a directory

m0_62766582的博客

03-16

819

设置的是相对路径，而其本身所在的绝对路径包含中文，将其修改成不带中文的绝对路径即可。

PyTorch Lightning使用中遇到的问题

fanqiliang630的博客

05-02

3053

PyTorch Lightning 和 PyTorch 使用中常见问题和性能提升技巧: https://pytorch-lightning.readthedocs.io/en/latest/benchmarking/performance.html 1. 指标数值异常描述: 在*_epoch_end 函数中打印log记录的指标值时，发现都是小数，正常情况应该都是整数原理描述: 在validation/test阶段on_epoch如果为None，则logger会将该epoch记录的指标求均值在.

LightningModule 类的self.log方法介绍

qq_27390023的博客

02-11

831

self.log 是 PyTorch Lightning 提供的方法，主要用于记录训练、验证、测试和推理过程中的指标（如 loss、accuracy 等）。

pytorch-lightning浅踩坑记录

irontiger65的博客

08-30

1458

pytorch lightning

self.hparams = hparams 报错基于pytroch-lightning的T5模型微调出先的问题

hello world

04-10

4057

self.hparams = hparams，使用基于pytroch-lightning的T5模型微调出先的问题 1.运行代码: ### 运行的代码 class T5FineTuner(pl.LightningModule, nn.Module): def __init__(self, hparams): # 传入的args super(T5FineTuner, self).__init__() self.hparams = hparams ### 报错行

解决self.hparams = hparams 报错问题

weixin_46666622的博客

06-07

234

【代码】解决self.hparams = hparams 报错问题。

PyTorch Lightning 日志系统完全指南

gitblog_00393的博客

06-01

472

PyTorch Lightning 日志系统完全指南【免费下载链接】pytorch-lightning Lightning-AI/pytorch-lightning: PyTorch Lightning 是一个轻量级的高级接口，用于简化 PyTorch 中深度学习模型的训练流程。它抽象出了繁杂的工程细节，使研究者能够专...

训练用的.yaml文件

03-10

<think>好的，用户需要寻找用于训练的.yaml配置文件示例或模板。首先，我应该回忆一下常见的机器学习框架或工具中如何使用.yaml文件进行配置。比如TensorFlow、PyTorch或者一些特定库如Hugging Face Transformers可能会使用.yaml或.yml文件来配置训练参数。接下来，我需要检查用户提供的引用内容，看看是否有相关的信息。引用[2]提到了在configs/data_config.yaml中注册配置条目，并给出了一些示例结构，包括数据集名称、分割器、标签处理函数和类别数。这可能与用户的需求相关，可以作为一个起点。用户可能希望一个完整的训练配置文件，而不仅仅是数据部分的配置。因此，我需要综合常见的配置参数，比如模型结构、优化器、学习率、训练轮数、批量大小等，并将它们组织成一个.yaml的示例。同时，要确保语法正确，符合YAML的格式要求，比如缩进、冒号后的空格等。另外，用户可能对如何在不同框架中使用.yaml配置文件感兴趣，比如在PyTorch Lightning或自定义训练脚本中如何加载这些配置。因此，可能需要提供一个加载配置文件的Python代码示例，帮助用户理解如何实际应用这个.yaml文件。还需要考虑用户可能的错误，比如路径错误、格式错误等，引用[3]提到了无法打开头文件的错误，这可能与系统环境有关，但当前问题主要是配置文件的示例，所以暂时不需要处理这个引用。最后，应该生成一些相关问题，帮助用户进一步解决可能遇到的问题，比如如何组织多任务学习的配置，如何处理环境变量，或者如何验证配置文件的正确性。这些问题应该自然地从示例中延伸出来，帮助用户深入理解配置文件的用法。</think>以下是训练任务中常用的.yaml配置文件模板示例及说明： ### 基础训练配置文件模板 ```yaml # configs/train_config.yaml seed: 42 # 随机种子 data: dataset_name: "cifar10" data_dir: "./data" batch_size: 128 num_workers: 4 split_ratios: [0.8, 0.1, 0.1] # 训练/验证/测试划分比例 model: type: "resnet18" pretrained: true num_classes: 10 training: epochs: 100 learning_rate: 1e-3 optimizer: "adam" weight_decay: 1e-4 lr_scheduler: "cosine" checkpoint_dir: "./checkpoints" logging: log_dir: "./logs" experiment_name: "exp1" use_wandb: false ``` ### 配置项说明 1. **数据配置**：包含数据集路径$data_dir$、批量大小$batch_size$等参数[^2] 2. **模型配置**：指定网络类型$model.type$和预训练权重加载设置 3. **训练参数**：包含优化器类型$training.optimizer$、学习率$learning_rate$等超参数 4. **日志配置**：支持TensorBoard/WandB等日志记录工具 ### 配置文件加载示例代码 ```python import yaml def load_config(config_path): with open(config_path) as f: config = yaml.safe_load(f) return config # 使用示例 cfg = load_config("configs/train_config.yaml") print(f"Training {cfg['model']['type']} with batch size {cfg['data']['batch_size']}") ```