QwenLM/Qwen模型训练保存报错问题分析与解决方案

问题背景

在使用QwenLM/Qwen项目中的finetune.py脚本进行Qwen-7B-Chat模型的QLoRA微调时，许多开发者遇到了一个典型问题：训练过程可以正常进行，但在保存模型时会出现"Object of type Tensor is not JSON serializable"的错误。这个错误阻碍了训练结果的保存，影响了模型的实际应用。

错误原因深度分析

该问题的根本原因在于transformers库的Trainer类在保存检查点时，尝试将包含Tensor类型数据的训练状态信息序列化为JSON格式。具体来说：

1. 在训练过程中，Trainer会记录梯度范数(grad_norm)等训练指标
2. 这些指标以Tensor形式存储在内存中
3. 当调用_save_checkpoint方法保存模型时，系统尝试将这些Tensor数据转换为JSON格式
4. 由于Python的json模块无法直接序列化PyTorch Tensor对象，导致序列化失败

技术细节解析

从技术实现层面来看，这个问题涉及几个关键组件：

1. transformers.Trainer：HuggingFace提供的训练框架，负责管理整个训练流程
2. 训练状态保存机制：Trainer会定期保存训练状态到TRAINER_STATE_NAME文件
3. JSON序列化限制：Python的json模块只能处理基本数据类型，无法处理复杂对象如Tensor

解决方案

针对这个问题，社区提出了几种有效的解决方案：

方案一：降级transformers版本

最直接的解决方法是使用transformers 4.38.0以下版本。新版本中可能引入了更严格的序列化检查，而旧版本对此类情况的处理更为宽松。

pip install transformers<4.38.0

方案二：自定义Trainer类

对于需要保持最新版本transformers的用户，可以通过继承并修改Trainer类来解决这个问题：

class CustomTrainer(Trainer):
    def _maybe_log_save_evaluate(self, tr_loss, grad_norm, model, trial, epoch, ignore_keys_for_eval):
        # 将grad_norm转换为float类型
        if grad_norm is not None:
            grad_norm = float(grad_norm)
        super()._maybe_log_save_evaluate(tr_loss, grad_norm, model, trial, epoch, ignore_keys_for_eval)

这种方法的核心是在保存前将Tensor类型的数据转换为基本数据类型。

方案三：调整deepspeed版本

部分用户反馈，将deepspeed升级到0.13.1版本也可以解决此问题：

pip install deepspeed==0.13.1

最佳实践建议

1. 版本控制：在开始训练前，明确记录所有关键库的版本信息，包括peft、transformers、accelerate和deepspeed
2. 环境隔离：使用虚拟环境或容器技术隔离训练环境，避免库版本冲突
3. 定期保存：增加模型保存频率，避免因保存失败导致大量训练成果丢失
4. 日志记录：详细记录训练过程中的各项指标，便于问题排查

总结

QwenLM/Qwen模型训练保存问题是一个典型的深度学习框架兼容性问题。通过理解其背后的技术原理，开发者可以选择最适合自己项目的解决方案。无论是通过版本降级、自定义Trainer类还是调整依赖库版本，都能有效解决这个保存问题，确保模型训练成果得以完整保存。

对于深度学习开发者而言，这类问题的解决不仅需要掌握具体的技术方案，更需要培养对训练框架内部机制的理解能力，这样才能在遇到类似问题时快速定位并解决。