在编程中编写训练程序，特别是使用深度学习框架如PyTorch Lightning时，可以按照以下步骤进行：
导入必要的库
```python
import pytorch_lightning as pl
import torch
import torch.nn as nn
import torch.nn.functional as F
```
定义模型类
```python
class MyModel（pl.LightningModule）:
def __init__（self）:
super（）.__init__（）
self.layer = nn.Linear（28*28, 10）
def forward（self, x）:
return self.layer（x.view（x.size（0）, -1））
```
实现训练步骤
```python
def training_step（self, batch, batch_idx）:
x, y = batch
y_hat = self（x）
loss = F.cross_entropy（y_hat, y）
return loss
```
配置优化器
```python
def configure_optimizers（self）:
return torch.optim.Adam（self.parameters（）, lr=0.001）
```
创建数据模块 （如果需要）：
```python
class MyDataModule（pl.LightningDataModule）:
def __init__（self）:
super（）.__init__（）
这里可以定义数据加载逻辑
pass
def train_dataloader（self）:
这里可以返回训练数据加载器
pass
```
初始化模型和数据模块
```python
model = MyModel（）
data_module = MyDataModule（）
```
训练模型
```python
trainer = pl.Trainer（gpus=1, max_epochs=3） 使用1个GPU，训练3个周期
trainer.fit（model, data_module）
```
总结
以上是一个使用PyTorch Lightning编写的简单训练程序的示例。通过继承`pl.LightningModule`类并实现`training_step`和`configure_optimizers`方法，可以轻松地定义和训练深度学习模型。数据加载可以通过继承`pl.LightningDataModule`类来完成。使用`pl.Trainer`类可以方便地进行模型训练。