首页
/ ChatGLM3单机多卡LoRA微调报错问题分析与解决

ChatGLM3单机多卡LoRA微调报错问题分析与解决

2025-05-16 10:11:31作者:毕习沙Eudora

问题背景

在使用ChatGLM3进行LoRA微调时,用户遇到了单机多卡运行时的CUDA设备序号无效错误。具体表现为当尝试使用torchrun启动多进程训练时,系统抛出"RuntimeError: CUDA error: invalid device ordinal"错误。

环境配置分析

从问题描述中可以看到用户的环境配置如下:

  • CUDA 12.1
  • Transformers 4.38.1
  • Python 3.11.8
  • Linux CentOS 7.9操作系统
  • 两张NVIDIA RTX 3090显卡(24GB显存)

问题原因

经过分析,该问题主要由以下几个因素导致:

  1. 设备数量不匹配:用户在torchrun命令中设置了--nproc_per_node=8,但实际只有2张显卡。这个参数应该与实际GPU数量一致。

  2. DeepSpeed配置问题:DeepSpeed的安装或配置可能存在问题,特别是Zero阶段2的配置可能不正确。

  3. 环境依赖不完整:虽然用户已经安装了主要依赖,但某些关键依赖如typer、nltk等需要额外安装。

解决方案

1. 正确设置GPU数量参数

将torchrun命令中的--nproc_per_node参数设置为实际GPU数量:

OMP_NUM_THREADS=1 torchrun --standalone --nnodes=1 --nproc_per_node=2 finetune_hf.py data/AdvertiseGen/ THUDM/chatglm3-6b configs/lora.yaml --deepspeed ds_zero_2.json

2. 确保DeepSpeed正确安装

按照官方推荐方式安装DeepSpeed:

pip install deepspeed

并验证安装是否成功:

ds_report

3. 检查并完善环境依赖

确保所有必要的Python包都已安装:

pip install typer nltk sentencepiece transformers

4. 代码修改建议

对于finetune_hf.py中154行的修改是合理的,可以避免某些环境下的参数初始化问题:

default_factory = lambda: Seq2SeqTrainingArguments(output_dir='./output')

深入技术解析

CUDA设备序号无效的本质

"invalid device ordinal"错误通常发生在以下几种情况:

  1. 尝试访问不存在的GPU设备
  2. GPU设备索引超出范围
  3. CUDA驱动与运行时版本不匹配
  4. GPU设备未被正确初始化

在多卡训练场景下,torchrun会为每个进程分配一个GPU设备。当请求的设备数量超过实际可用数量时,就会出现此错误。

DeepSpeed Zero阶段2配置要点

使用DeepSpeed的Zero阶段2优化时,需要注意:

  1. 确保batch size适合多卡训练
  2. 检查梯度累积步数设置
  3. 验证优化器状态和梯度分片配置
  4. 监控显存使用情况,避免OOM

最佳实践建议

  1. 环境检查脚本:在运行训练前,建议先运行简单的CUDA设备检查脚本:
import torch
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"GPU数量: {torch.cuda.device_count()}")
for i in range(torch.cuda.device_count()):
    print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
  1. 逐步验证:建议先使用单卡验证训练流程,再扩展到多卡。

  2. 日志监控:增加训练日志输出,特别是设备分配和显存使用情况。

  3. 版本兼容性:确保PyTorch、CUDA、DeepSpeed等关键组件的版本兼容性。

总结

ChatGLM3的LoRA微调在多卡环境下运行时,需要特别注意设备数量的正确配置和DeepSpeed环境的完整性。通过合理设置torchrun参数、完善环境依赖以及正确配置DeepSpeed,可以有效解决"invalid device ordinal"错误,实现高效的多卡训练。对于大规模模型微调,建议进一步研究梯度累积、混合精度训练等优化技术,以充分利用多GPU的计算能力。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
260
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
854
505
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
254
295
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
331
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
397
370
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
kernelkernel
deepin linux kernel
C
21
5