本条目归档的是代码 PyLASP，它将 LAMOST 大气参数流水线（LASP）从 IDL 重构为 Python，可同时推断视向速度、有效温度、表面重力和金属丰度。在参数推断过程中，PyLASP 通过对模型光谱与高斯展宽核卷积，自适应匹配观测光谱分辨率，并使用乘性多项式吸收模型与观测之间的形状差异，从而避免在推断前手动统一模型与观测的分辨率。代码仓库托管在 https://github.com/LiangJunC/PyLASP。

PyLASP 提供两种推断方法：LASP-CurveFit 适合单谱或小批量的快速推断，而 LASP-Adam-GPU 面向大规模数据，基于 PyTorch 实现 GPU 加速的并行优化。两种方法均支持 No Clean 与 Clean 策略，后者会依据模型与观测的拟合残差自动屏蔽异常像素，在低信噪比或含异常特征的光谱中显著提升结果的稳健性。当前版本适用于 3900–6800 Å 波段、分辨率 R<10,000 的光学光谱。

PyLASP 依赖 Python 3.9 及以上版本，并需安装NumPy、SciPy、Astropy、Pandas、Matplotlib、tqdm、joblib、filelock；若需使用 GPU，则需额外安装 PyTorch 和可用的 CUDA 驱动。在 PyLASP 根目录下执行 pip install -e . 即可完成依赖安装与环境配置。使用示例可参考 PyLASP/uly_tgm_alone/tutorial_LASP_CurveFit.ipynb 和 PyLASP/uly_tgm_group/tutorial_LASP_Adam_GPU.ipynb，分别展示了 LASP-CurveFit 和 LASP-Adam-GPU 在 No Clean 与 Clean 策略下的完整用法。

PyLASP 采用 GNU General Public License v3.0，与 GitHub 仓库保持一致。引用时请使用本次代码存档的 DOI，并同时引用配套论文《Scalable Stellar Parameter Inference Using Python-Based LASP: From CPU Optimization to GPU Acceleration》。

代码贡献者：Jun-Chao Liang。