PyTorch通过 torch.xpu 支持英特尔GPU，但PyTorch Lightning目前还没有内置的XPU加速支持。

因为NeuralForecast在内部使用Lightning，这也阻碍了它在原生XPU上的运行。

我想要一个最小可用的解决方案，适用于：

• PyTorch Lightning Trainer
• Nixtla NeuralForecast
• native torch.xpu
• 一块英特尔GPU / 单个XPU设备
• 不使用IPEX

现在最小、最干净的可行变通方案是什么？

解决方案

对于单个英特尔GPU / 单个XPU设备，一个实际可行的变通方法是使用一个小型的自定义PyTorch Lightning XPU策略，并将该策略作为一个实例传入。

参考仓库：

https://github.com/MarekOzana/lightning-neuralforecast-xpu

最快的路径：从仓库中复制 xpu_lightning.py 并把它与脚本放在同一目录旁边：

https://github.com/MarekOzana/lightning-neuralforecast-xpu/blob/main/xpu_lightning.py

然后从该文件导入 SingleXPUStrategy，并将 SingleXPUStrategy(device_index=0) 传给Lightning或 NeuralForecast。

如果你想要完整的可运行示例，而不是逐个文件手动拷贝，同一仓库也包括 minimal_lightning_xpu.py 和 minimal_neuralforecast_xpu.py。

关键思路是：

• 使用原生 torch.xpu
• 将 SingleXPUStrategy(device_index=0) 作为一个实例传入
• 不要使用 accelerator="xpu"
• 不使用IPEX

最小化的Lightning用法：

import pytorch_lightning as L
from xpu_lightning import SingleXPUStrategy

trainer = L.Trainer(
    strategy=SingleXPUStrategy(device_index=0),
    devices=1,
)

最小化的NeuralForecast用法：

from neuralforecast import NeuralForecast
from neuralforecast.models import NHITS

from xpu_lightning import SingleXPUStrategy

model = NHITS(
    h=12,
    input_size=24,
    max_steps=20,
    strategy=SingleXPUStrategy(device_index=0),
    devices=1,
)
nf = NeuralForecast(models=[model], freq="1d")
nf.fit(df)

这是可行的原因在于PyTorch Lightning将 accelerator="xpu" 视为字符串拒绝，但它确实接受一个已就绪的包含已使用 torch.device("xpu", device_index) 的策略实例。

我在Windows 11和 Ubuntu 25.10上，使用 torch==2.11.0+xpu、pytorch-lightning==2.6.1 和 neuralforecast==3.1.6 进行了测试。

注释：

• 临时性变通方案，直到官方对Lightning XPU的支持出现
• 仅支持单设备XPU
• NeuralForecast之所以在这里可用，是因为它将相同的Lightning策略/设备设置转发给底层的Trainer
• GPU available: False, used: False 仍然可以预期
• 训练中的快速自检：torch.xpu.get_device_name(0) 和 trainer.strategy.root_device == torch.device("xpu", 0)

我之所以发布这段内容，是因为我想让NeuralForecast在我的英特尔Arc Pro B50上运行。我猜测同样在寻找可用的Lightning / NeuralForecast XPU设置的其他人也会遇到同样的空白。我希望它能帮助那些现在在原生XPU上受阻的人。