sublime text 完全可用于 pytorch lightning 开发，关键在于模块化结构、插件配置（如 anaconda/sublimejedi）、自定义 build system 运行脚本、分层组织 data/models/train.py 文件，并注意 lightningmodule 编写规范与日志调试技巧。
用 Sublime Text 写 PyTorch Lightning 训练脚本完全可行，关键不是编辑器本身，而是如何组织代码结构、配合插件和命令行高效开发。Lightning 的核心优势是解耦——把数据、模型、训练逻辑分开，Sublime 轻量灵活，正适合这种模块化写法。
用 Sublime 搭建 Lightning 开发环境
Sublime 不自带 Python 环境或调试器，但轻量反而利于聚焦代码结构。建议这样配置：
- 安装 Package Control，再装 Anaconda（提供语法检查、自动补全）或更轻量的 SublimeJEDI
- 确保系统已安装 PyTorch + PyTorch Lightning（推荐用 conda 或 pip 安装官方版本）
- 在 Sublime 中设置 Build System：Tools → Build System → New Build System，填入以下内容并保存为
Python-Lightning.sublime-build
{
"cmd": ["python", "-u", "$file"],
"file_regex": "^[ ]*File \"(...*?)\", line ([0-9]*)",
"selector": "source.python"
}
之后按 Ctrl+B（Windows/Linux）或 Cmd+B（macOS）就能直接运行当前脚本，方便快速验证训练流程。
按 Lightning 规范组织文件结构
别把所有代码塞进一个 .py 文件。Lightning 推荐清晰分层，Sublime 打开多文件非常顺手。典型结构如下：
-
data/：放
MyDataset.py（继承torch.utils.data.Dataset）和datamodule.py（封装 train/val/test dataloader，继承LightningDataModule） -
models/：放
my_model.py（定义网络结构），再写一个lightning_module.py（继承LightningModule，封装 forward、training_step、configure_optimizers 等） -
train.py：主训练脚本——只初始化 DataModule、LightningModule、Trainer，调用
trainer.fit()，不掺杂模型细节
这种结构让 Sublime 的侧边栏一目了然，改模型不碰数据，调训练参数不影响网络定义。
写 LightningModule 时注意的 Sublime 实操细节
LightningModule 是核心，Sublime 编辑时建议：
- 用 Snippets（代码片段）快速生成常用方法模板，比如输入
lstep→ 补全def training_step(self, batch, batch_idx): - 开启 Indentation Detection（View → Indentation → Detect Indentation），避免混用空格和 Tab 导致 PyTorch 报错
- 在
validation_step和test_step中，别手动写.cuda()或.to(device)—— Lightning 自动管理设备，写反而会出错
调试与日志：不用 IDE 也能高效排错
Sublime 没有图形化调试器，但 Lightning 日志友好，配合简单技巧足够：
- 在
training_step开头加print(f"batch shape: {batch[0].shape}")快速确认数据流 - 用
self.log("train_loss", loss)记录指标，搭配TensorBoardLogger启动 tensorboard 查看曲线 - 遇到
RuntimeError: Expected all tensors to be on the same device？大概率是手动 .to() 了——删掉，交给 Lightning
基本上就这些。Sublime 不是为深度学习设计的，但 Lightning 的清晰抽象，让它和轻量编辑器意外合拍。写得干净，结构对了，跑得稳，比花哨功能更重要。
