--- title: "PyTorch Lightningのインストール方法｜pip install lightningとpytorch-lightningの違い【2.6.6】" url: "https://www.issoh.co.jp/tech/details/7339/" published: 2025-06-20 updated: 2026-10-30 categories: ["Python"] publisher: "株式会社一創" --- # PyTorch Lightningのインストール方法｜pip install lightningとpytorch-lightningの違い【2.6.6】 PyTorch Lightningを入れるとき、`pip install lightning` と `pip install pytorch-lightning` のどちらを打つかで迷う人は多いはずです。結論から言うと、新しく始めるなら `lightning` で、これを入れると `pytorch-lightning` も一緒に入ります。ただし2つのパッケージのTrainerは別のクラスなので、importを混ぜると学習が始まりません。この記事では、2026年10月30日時点の最新版2.6.6を手元のPython 3.12環境に入れて確かめた結果をもとに、入れ方・対応する版・よく出るエラーの直し方を説明します。 ## まとめ：PyTorch Lightningのインストール要点（2.6.6時点） - **新規なら `pip install lightning`**。importは `import lightning as L`。依存として `pytorch-lightning` も入る（版の指定は無いので、固定するなら両方を指定する）。 - **1つのコードの中で `lightning` と `pytorch_lightning` を混ぜない**。Trainerが別クラスなので `TypeError` で止まる。 - **最新版は2.6.6（2026-09-10）**。`load_from_checkpoint` の任意コード実行を直したリリースなので、2.6.5以前からは上げておく。2.6.2と2.6.3はPyPIで改ざんされた版。 - **Python 3.10以上・PyTorch 2.1以上**。Python 3.9では古い2.6.0がエラー無しで入る。 - **GPUで使うならtorchを先に入れる**。Windowsで素の `pip install` をするとCPU版のtorchになる。 ## PyTorch Lightningとは：PyTorchの学習ループを肩代わりするライブラリ PyTorch Lightningは、PyTorchで毎回同じように書く学習ループを引き受けるライブラリです。素のPyTorchでは、エポックのループ、`optimizer.zero_grad()`・`loss.backward()`・`optimizer.step()` の呼び出し、`.to(device)` によるGPUへの転送を自分で書きます。Lightningでは書き手がモデルと1ステップ分の計算だけを書き、残りは `Trainer` が回します。PyTorch本体の基本は[PyTorchとは？読み方・できること・TensorFlowとの違いと入れ方【2.14対応】](/tech/details/1315/)で解説しています。 ### 素のPyTorchとLightningで書く範囲の違い 何を自分で書き、何をTrainerに任せるかを並べると次のようになります。 | 処理 | 素のPyTorch | Lightning | | ------------ | ------------------- | ----------------- | | モデル定義 | nn.Module | LightningModule | | 1ステップの損失計算 | 自分で書く | training\_stepに書く | | エポックのループ・逆伝播 | 自分で書く | Trainerが実行 | | GPU転送・複数GPU | .to(device)・DDPを手書き | Trainerの引数 | | ログ・チェックポイント | 自分で書く | self.logとコールバック | デバイスや精度の指定がモデルのコードから外に出るので、CPUで書いたコードを書き換えずにGPUへ移せます。逆に、ループの中で特殊な更新をしたい研究コードでは、Trainerの決まった流れが邪魔になることがあります。その場合は次のFabricを使います。 ### lightning.pytorchとlightning.fabricの役割（lightning.appは削除済み） 統合パッケージ `lightning` には2つの部品が入っています。`lightning.pytorch` はTrainerとLightningModuleによる従来のPyTorch Lightning本体です。`lightning.fabric` は、学習ループは自分で書いたまま、デバイスの割り当て・分散・混合精度だけを任せる軽い層です。アプリ構築用だった `lightning.app` は、脆弱性CVE-2024-5980の報告を受けて[2.3.3でパッケージから削除](https://github.com/Lightning-AI/pytorch-lightning/releases/tag/2.3.3)されました。2.6.6の環境でも `lightning.app` は見つからず、Lightning Apps前提の古い記事のコードは動きません。 ## pip install lightningとpip install pytorch-lightningの違い PyPIには `lightning` と `pytorch-lightning` の2つのパッケージがあり、どちらも2026年9月10日に2.6.6が公開されています。違いは入る範囲とimportの名前です。 ### lightningの依存に含まれるpytorch-lightning [PyPIのlightning 2.6.6](https://pypi.org/project/lightning/)は、必須の依存に `pytorch-lightning` を条件なしで含んでいます。空の仮想環境で `pip install lightning` を実行すると、最後に次のパッケージが入りました（抜粋）。 ``` Successfully installed ... lightning-2.6.6 lightning-utilities-0.15.3 ... pytorch-lightning-2.6.6 ... torch-2.2.2 torchmetrics-1.9.0 ... ``` このため `lightning` だけを入れた環境でも、`import lightning` と `import pytorch_lightning` の両方が通ります。逆向きは成り立ちません。`pip install pytorch-lightning` だけの環境では `import lightning` が `ModuleNotFoundError: No module named 'lightning'` になりました。なお `pytorch-lightning` 側にもFabricは `lightning_fabric` という名前で同梱されていて、こちらはimportできます。 | 入れたもの | import lightning | import pytorch\_lightning | Fabric | | ----------------------------- | ---------------- | ------------------------- | ----------------- | | pip install lightning | 通る | 通る | lightning.fabric | | pip install pytorch-lightning | 失敗 | 通る | lightning\_fabric | ### 2つのTrainerは別クラス：import混在によるTypeError 両方importできるからといって、混ぜて使えるわけではありません。`lightning.pytorch.Trainer` と `pytorch_lightning.Trainer` は同じソースから作られた別々のクラスで、手元の2.6.6では `lightning.pytorch.Trainer is pytorch_lightning.Trainer` が `False` でした。`pytorch_lightning.LightningModule` を継承したモデルを `lightning` のTrainerに渡すと、学習が始まる前に止まります。 ``` import lightning as L import pytorch_lightning as pl class M(pl.LightningModule): # pytorch_lightning 側を継承 ... L.Trainer(max_epochs=1).fit(M()) # TypeError: `model` must be a `LightningModule` or `torch._dynamo.OptimizedModule`, got `M` ``` 「LightningModuleを継承しているのに、LightningModuleではないと言われる」という分かりにくいエラーです。ネット上のサンプルを継ぎ足したときに起きやすいので、まずimportの混在を疑ってください。`nn.Module` をそのまま渡したときも同じエラーになります。一方、`pytorch_lightning` 側のEarlyStoppingとCSVLoggerを `lightning` のTrainerに渡した組み合わせはエラーにならず、学習が最後まで進みました。型を厳しく確かめるのはモデルだけで、コールバックやロガーは通ってしまう分、混在に気付きにくくなります。1つのプロジェクトではimportをどちらか一方の名前に揃えてください。 ### 新規コードと既存コードでの選び方 新しく書くなら `lightning` を入れ、importは `import lightning as L` とし、コールバックも `lightning.pytorch.callbacks` から読みます。公式の[Installationページ](https://lightning.ai/docs/pytorch/stable/starter/installation.html)が案内するのも `python -m pip install lightning` です。既存のリポジトリが `import pytorch_lightning as pl` で書かれているなら、無理に書き換えず `pytorch-lightning` を入れてかまいません。`pytorch-lightning` は非推奨ではなく、同じ版番号で公開され続けています。依存を最小にしたいCIやDockerイメージでは、使わない統合パッケージを入れない分だけ `pytorch-lightning` の方が軽くなります。 ## PyTorch Lightningのインストール手順（pip・venv・conda・Colab） CPUで試すだけならコマンド1行で終わります。手間がかかるのはGPU版のPyTorch本体をどう入れるかです。 ### pipとvenvでのインストール ほかのプロジェクトのtorchと衝突させないため、仮想環境の中に入れます。Python 3.10以上で環境を作ってください。 ``` python3.12 -m venv .venv source .venv/bin/activate # Windows は .venv\Scripts\activate python -m pip install --upgrade pip python -m pip install lightning ``` `lightning` は依存としてtorchとtorchmetricsも入れます。一方、画像データセットを読む `torchvision` は入りません。公式チュートリアルのMNIST例をそのまま動かすと `No module named 'torchvision'` になるので、必要なら `pip install torchvision` を追加します。環境管理をcondaとpipで混ぜたくない場合は[Pixiとは？Python・conda対応のパッケージ管理ツールの使い方とuv・condaとの違い](/tech/details/9892/)も選択肢になります。 ### GPU利用時は先にtorchをインストール（CUDA 13.2・13.4） `pip install lightning` が自動で入れるtorchは、OSによって中身が変わります。[PyTorch公式のインストールセレクタ](https://pytorch.org/get-started/locally/)（Stable 2.15.0）では、LinuxはPyPIの素のtorchがCUDA 13.2版で、WindowsはPyPIの素のtorchがCPU版です。Windowsで何も考えずに入れると、GPUが付いていても `torch.cuda.is_available()` が `False` のままになります。 GPUで学習するなら、先にセレクタで自分の環境に合うtorchを入れ、そのあとにLightningを入れます。torchがすでに要件を満たしていれば、Lightningのインストールでtorchが差し替えられることはありません。 ``` # Windows で CUDA 13.2 版を入れる例（Linux は素の pip install torch が CUDA 13.2 版） pip install torch torchvision --index-url https://download.pytorch.org/whl/cu132 pip install lightning # 入ったか確かめる python -c "import torch; print(torch.__version__, torch.cuda.is_available())" ``` CUDA 13.4版は末尾を `cu134` に替えます。どのタグが使えるかはtorchの版ごとに変わるので、コマンドは毎回セレクタからコピーしてください。古い解説記事でよく見かける `cu124` や `cu121` のURLからは、最新のtorchは入りません（2.15.0のCUDA版は `cu132` と `cu134`）。手元にGPUが無い場合は、時間課金のGPUクラウドを借りる手もあります。[Runpodとは？料金・使い方・支払い方法とGPUクラウドの選び方【2026年10月】](/tech/details/9628/)で料金の目安をまとめています。 ### conda-forgeからのインストール Anaconda・Minicondaの環境では、conda-forgeチャネルから入れます。[conda-forgeのlightning](https://anaconda.org/conda-forge/lightning)も2.6.6が最新です。 ``` conda create -n lightning_env python=3.12 conda activate lightning_env conda install lightning -c conda-forge ``` 同じ環境でcondaとpipの両方からtorchを入れると、どちらが読まれているか分からなくなります。torchとLightningは、condaかpipのどちらか一方で揃えてください。 ### Google Colab・Jupyterでの導入 Google Colabにはtorchが最初から入っているので、セルでLightningだけを追加します。`%pip` は実行中のカーネルのPythonに入れるので、`!pip` より環境の取り違えが起きません。GPUを使うにはランタイムの種類をGPUに切り替えてから実行します。 ``` %pip install lightning ``` Jupyter Notebookでも同じコマンドで入りますが、インストール後に `import lightning` が失敗するときは、カーネルを再起動してから読み込み直します。カーネルが別のPython（仮想環境の外）で動いていることも多く、`import sys; print(sys.executable)` でどのPythonかを確かめると早く原因が分かります。Colabをターミナルから操作したい場合は[Colab CLIの使い方｜インストール・GPU指定・colab runとWindows対応状況【v0.7.4】](/tech/details/12438/)も参考になります。 ### Lightningとtorchのバージョン確認と固定 入った版は次のコマンドで確かめます。`pip show` は依存関係も一緒に出ます。 ``` python -c "import lightning; print(lightning.__version__)" pip show lightning pytorch-lightning torch ``` チームで同じ環境を再現するときは、Lightningとtorchの両方の版を固定します。Lightningだけを固定しても、torchが新しい版に上がって動かなくなることがあります。`lightning` は `pytorch-lightning` の版を指定していないので、こちらも並べて固定します。 ``` python -m pip install "lightning==2.6.6" "pytorch-lightning==2.6.6" "torch==2.14.0" ``` ## 対応するPythonとPyTorchのバージョン（2.6系の互換表） インストールが失敗する、または入ったのに古い版だったという問題の多くは、PythonやPyTorchの版がLightningの対応範囲から外れているのが原因です。公式の[Compatibility matrix](https://lightning.ai/docs/pytorch/stable/versioning.html)は次のとおりです（括弧内はCIで最後に試験した版で、上限ではありません）。 | Lightning | torch | Python | | --------- | --------------- | ---------------- | | 2.6 | 2.1以上（2.10まで試験） | 3.10以上（3.13まで試験） | | 2.5 | 2.1以上（2.8まで試験） | 3.9以上（3.12まで試験） | | 2.4 | 2.1以上（2.6まで試験） | 3.9以上（3.12まで試験） | PyTorch側にも制約があります。2026年10月28日に出たtorch 2.15.0は[Python 3.11以上が必須](https://pypi.org/project/torch/)で、Python 3.10の環境に入るtorchは2.14系までです。新しく環境を作るならPython 3.12にしておけば、Lightningの試験範囲にも最新のtorchの要件にも収まります。 ### Python 3.9とIntel Macで入る古い版 対応範囲の外にいても、pipはエラーを出さずに入る範囲で最も新しい版を選びます。手元で確かめた2つの例です。 - **Python 3.9.6**：`pip install lightning` の解決結果は `lightning-2.6.0` でした。2.6.0の要件が3.9以上だったためで、2.6.6の修正は入りません。 - **Intel Mac（x86\_64）**：torchは2.2.2が入ります。PyTorchは[2.3.0からmacOS x86\_64向けのバイナリを作らない](https://dev-discuss.pytorch.org/t/pytorch-macos-x86-builds-deprecation-starting-january-2024/1690)と告知していて、2.2.2が最後です。 Intel Macではさらに、一緒に入ったNumPy 2.5.4がtorch 2.2.2と合わず、import時に `UserWarning: Failed to initialize NumPy: _ARRAY_API not found` と `A module that was compiled using NumPy 1.x cannot be run in NumPy 2...` が出ました。学習そのものは動きますが、`torch.from_numpy()` や `tensor.numpy()` は `RuntimeError: Numpy is not available` で失敗しました。`pip install "numpy<2"` で1.26.4に下げると警告は消えました。Intel Mac向けの公式wheelはtorch 2.2.2で提供が終わっているため、本格的に学習するならLinuxのGPU環境かApple Silicon機へ移る前提で考えてください。 ### 2.6.6へ上げる理由：load\_from\_checkpointの修正と2.6.2・2.6.3の改ざん版 [2.6.6のリリースノート](https://github.com/Lightning-AI/pytorch-lightning/releases/tag/2.6.6)に載っている修正は2件で、どちらも `load_from_checkpoint` で任意のコードが実行される問題です。チェックポイントに書かれた `_instantiator` を信頼済みのものだけに制限し、読み込むクラスのサブクラスに解決されない `_class_path` を拒否するようになりました。他人が配布したチェックポイントを読む可能性があるなら、2.6.5以前から2.6.6へ上げてください。なお2.6.4ではNeptuneロガーが削除されたので、Neptuneロガーを使っているコードはCSVLoggerなど別のロガーへ移す必要があります。 版番号が2.6.1から2.6.4へ飛んでいるのは欠番ではありません。[Lightning AIの告知](https://lightning.ai/blog/pytorch-lightning-supply-chain-attack)によると、2026年4月30日に攻撃者がPyPIの認証情報を使って改ざんした `lightning` 2.6.2と2.6.3を公開し、12:45:20から13:27:30（UTC）までの42分間インストールできる状態でした。GitHubのソースコードは侵害されておらず、PyPIがパッケージを隔離しています。`pip show lightning` で2.6.2か2.6.3と表示される環境は、作り直して2.6.6を入れてください。 ## LightningModuleとTrainerによる最小の学習例 インストールできたら、そのまま動くコードで確かめます。MNISTのようにデータのダウンロードやtorchvisionを必要としないよう、乱数で作った回帰データを使います。手元のCPU環境で13エポック目に早期終了し、最良のチェックポイントから復元できるところまで確認しました。 ``` import torch from torch import nn from torch.utils.data import DataLoader, TensorDataset import lightning as L from lightning.pytorch.callbacks import EarlyStopping, ModelCheckpoint class LitRegressor(L.LightningModule): def __init__(self, lr=0.05): super().__init__() self.save_hyperparameters() self.net = nn.Sequential(nn.Linear(8, 32), nn.ReLU(), nn.Linear(32, 1)) def forward(self, x): return self.net(x) def training_step(self, batch, batch_idx): x, y = batch loss = nn.functional.mse_loss(self(x), y) self.log("train_loss", loss) return loss def validation_step(self, batch, batch_idx): x, y = batch self.log("val_loss", nn.functional.mse_loss(self(x), y), prog_bar=True) def configure_optimizers(self): return torch.optim.Adam(self.parameters(), lr=self.hparams.lr) if __name__ == "__main__": L.seed_everything(0) x = torch.randn(1024, 8) y = x @ torch.randn(8, 1) + 0.1 * torch.randn(1024, 1) train = DataLoader(TensorDataset(x[:896], y[:896]), batch_size=64, shuffle=True) val = DataLoader(TensorDataset(x[896:], y[896:]), batch_size=128) ckpt = ModelCheckpoint(monitor="val_loss", dirpath="ck", filename="best") trainer = L.Trainer( max_epochs=50, accelerator="auto", callbacks=[EarlyStopping(monitor="val_loss", patience=3), ckpt], ) trainer.fit(LitRegressor(), train, val) print("best:", ckpt.best_model_path, float(ckpt.best_model_score)) restored = LitRegressor.load_from_checkpoint(ckpt.best_model_path) print("lr:", restored.hparams.lr, "epochs:", trainer.current_epoch) ``` 手元の出力の最後は `best: .../ck/best.ckpt 0.0201...` と `lr: 0.05 epochs: 13` でした。`if __name__ == "__main__":` で包んでいるのは、DataLoaderの `num_workers` を増やしたときや複数GPUで学習するときに、子プロセスがスクリプトを読み直しても学習が二重に始まらないようにするためです。 ### LightningModuleに書く4つのメソッド 最低限必要なのは `__init__`・`training_step`・`configure_optimizers` の3つで、検証の指標を出すなら `validation_step` を足します。`training_step` は損失を返すだけでよく、`zero_grad`・`backward`・`step` はTrainerが呼びます。`save_hyperparameters()` を書いておくと引数がチェックポイントに保存され、`load_from_checkpoint` で引数を渡し直さずに復元できます。ニューラルネットワークの層の組み方そのものは[ニューラルネットワークとは？仕組み・種類・PyTorch実装まで実装目線で解説](/tech/details/13428/)を参照してください。 ### ログとチェックポイントの保存先 `self.log()` の値はロガーに送られます。TensorBoardを入れていない環境では、Trainerは自動でCSVLoggerを使い、`lightning_logs/version_0/metrics.csv` と `hparams.yaml` を書きました。グラフで見たいなら `pip install tensorboard` を追加すると、次の実行からTensorBoard形式で保存されます。実行ごとの設定と結果を後から比べたい場合の記録の設計は[実験管理とは？記録項目とrun設計・導入判断を実装目線で解説【2026年版】](/tech/details/16340/)で扱っています。 なお、`metrics.csv` では `train_loss` と `val_loss` が別の行に入ります。`train_loss` はTrainerの既定（`log_every_n_steps=50`）どおり、エポックをまたいだ通算ステップの49・99・149に記録され、`val_loss` は各エポックの終わりに記録されました。小さなデータで細かく見たいときは `L.Trainer(log_every_n_steps=1)` にします。 ## Trainerの引数によるGPU・マルチGPU・混合精度の切り替え モデルのコードを変えずにハードウェアを替えられる点が、Lightningを使う一番の理由です。 ### accelerator・devicesによるデバイス選択 `accelerator` に装置の種類、`devices` に台数を渡します。`accelerator="auto"` は使える装置を自動で選び、GPUの無いIntel Macでは `CPUAccelerator` になりました。GPUの無い環境で `accelerator="gpu"` を指定すると、`MisconfigurationException: No supported gpu backend found!` で止まります。CUDA版のtorchが入っていないときも同じエラーになるので、まず先ほどの `torch.cuda.is_available()` を確かめてください。 ``` trainer = L.Trainer(accelerator="gpu", devices=1) # GPU 1枚 trainer = L.Trainer(accelerator="gpu", devices=4, strategy="ddp") # 4枚でDDP ``` `strategy="ddp"` はDistributedDataParallelによる標準的な複数GPU学習です。Jupyterの中では `ddp` を使えないので、ノートブックで複数GPUを試すときは `strategy="ddp_notebook"` を指定するか、スクリプトに書き出して実行します。 ### precisionによる混合精度の設定 メモリを減らして速くしたいときは `precision` を指定します。[Trainer APIの定義](https://lightning.ai/docs/pytorch/stable/api/lightning.pytorch.trainer.trainer.Trainer.html)で受け付ける値は `"16-mixed"`・`"bf16-mixed"`・`"16-true"`・`"bf16-true"`・`"32-true"`・`"64-true"`・`"transformer-engine"` などです。GPUでは `"16-mixed"` がFP16の自動混合精度で、Ampere世代以降のGPUならオーバーフローが起きにくい `"bf16-mixed"` を選べます。 CPUで `precision="16-mixed"` を指定すると、2.6.6はエラーにせず `AMP with fp16 is not supported on CPU. Using precision='bf16-mixed' instead.` という警告を出してBF16に切り替えました。CPUで速度を測ってからGPUへ移すと、精度の条件が変わっていることに気付きにくいので注意してください。 ### Fabricによる自前ループの分散・混合精度対応 GANや強化学習もTrainerの手動最適化（`self.automatic_optimization = False`）で書けますが、学習ループ全体を自分で管理したい場合は `lightning.fabric` を使います。ループは素のPyTorchのままで、`backward` とデバイスの設定だけをFabricに渡します。次のコードは手元のCPUで動き、3ステップで損失が下がりました（乱数を固定していないので値は実行ごとに変わります）。 ``` import torch from torch import nn import lightning as L fabric = L.Fabric(accelerator="cpu", devices=1, precision="bf16-mixed") fabric.launch() model = nn.Linear(8, 1) opt = torch.optim.SGD(model.parameters(), lr=0.1) model, opt = fabric.setup(model, opt) x, y = torch.randn(64, 8), torch.randn(64, 1) for step in range(3): opt.zero_grad() loss = nn.functional.mse_loss(model(x), y) fabric.backward(loss) # loss.backward() の代わり opt.step() fabric.print(step, round(loss.item(), 4)) ``` ハイパーパラメータの探索を組み合わせるなら、Lightningのコールバックと連携できる[Optunaとは？v5.0の既定TPE変更と枝刈り・並列実行を実装目線で解説](/tech/details/18671/)も参考になります。社内データでのモデル開発を外部に相談したい場合は、一創の[機械学習モデル開発](/service/ai/machine-learning/)でも学習環境の構築から支援しています。 ## インストールでよく出るエラーと直し方 手元の実測とここまでの内容から、インストール直後によく出るエラーを並べます。 | エラー | 原因 | 直し方 | | ----------------------------------------- | ----------------------- | ------------------------- | | `No module named 'lightning'` | pytorch-lightningだけを入れた | `pip install lightning` | | `No module named 'lightning'`（入れたのに） | 別のPythonで実行している | `python -m pip`で入れ直す | | `` `model` must be a `LightningModule` `` | importの混在 | importを片方に揃える | | `No supported gpu backend found!` | CPU版torch・GPU無し | GPUを確かめCUDA版torchを入れる | | `_ARRAY_API not found` | 古いtorchとNumPy 2 | `pip install "numpy<2"` | | `No module named 'torchvision'` | lightningは入れない | `pip install torchvision` | 「入れたのに見つからない」は、`pip` と `python` が別の環境を指しているときに起きます。`pip install` ではなく `python -m pip install` と打てば、そのとき使っているPythonに必ず入ります。CUDA版torchを入れ直すときは、先に `pip uninstall torch` でCPU版を外してから、セレクタのコマンドを実行してください。 ## よくある質問 ### pip install lightningとpip install pytorch-lightningのどちらを使うべきですか？ 新しく書くなら `pip install lightning` です。`pytorch-lightning` も依存として同時に入るので、`import pytorch_lightning` で書かれたサンプルも読み込めます。ただし1つのコードの中で `lightning` と `pytorch_lightning` のクラスを混ぜると `TypeError` になるため、importはどちらか一方に揃えてください。 ### PyTorch Lightningの最新バージョンはいくつですか？ 2026年10月30日時点の最新版は2.6.6（2026年9月10日公開）で、`lightning` と `pytorch-lightning` は同じ版番号です。2.6.5以前を使っているなら、`load_from_checkpoint` の任意コード実行を直した2.6.6へ上げてください。 ### PyTorch本体は別にインストールが必要ですか？ CPUで動かすだけなら、`pip install lightning` がtorchも入れるので不要です。GPUで使う場合は、WindowsではPyPIの素のtorchがCPU版になるため、PyTorch公式のセレクタで `cu132` などのCUDA版を先に入れてからLightningを入れます。 ### Lightning AIとPyTorch Lightningは同じものですか？ 開発元の会社がLightning AIで、PyTorch LightningはそのOSSのライブラリです。Lightning AIはブラウザでGPU環境を使えるクラウドサービスも提供していますが、ライブラリの利用にアカウントは要りません。学習の開始時に表示されるlitloggerの案内も、そのクラウド側の機能の紹介です。 ### Lightning App（lightning.app）はどうなりましたか？ 2.3.3で `lightning` パッケージから削除されました。現在のパッケージはTrainerとFabricだけで、`lightning.app` を前提にした古いコードは動きません。 ## 関連記事 - [PyTorchとは？読み方・できること・TensorFlowとの違いと入れ方【2.14対応】](/tech/details/1315/) - [ニューラルネットワークとは？仕組み・種類・PyTorch実装まで実装目線で解説](/tech/details/13428/) - [Optunaとは？v5.0の既定TPE変更と枝刈り・並列実行を実装目線で解説](/tech/details/18671/) - [実験管理とは？記録項目とrun設計・導入判断を実装目線で解説【2026年版】](/tech/details/16340/) - [Runpodとは？料金・使い方・支払い方法とGPUクラウドの選び方【2026年10月】](/tech/details/9628/) --- 出典: [PyTorch Lightningのインストール方法｜pip install lightningとpytorch-lightningの違い【2.6.6】]()（株式会社一創）