PyTorch Lightning中FSDP策略与模型检查点保存的兼容性问题分析

问题背景

在使用PyTorch Lightning框架进行分布式训练时，当采用FSDP(完全分片数据并行)策略并设置state_dict_type='sharded'参数时，如果同时配置了只保存模型权重的检查点回调(ModelCheckpoint(save_weights_only=True))，会导致训练过程中出现KeyError: 'optimizer_states'错误。

技术细节分析

这个问题的根源在于FSDP策略的检查点保存逻辑与模型检查点回调的交互方式。在PyTorch Lightning的实现中：

1. 当使用FSDP策略并设置state_dict_type='sharded'时，系统会尝试将检查点数据转换为特定格式
2. 转换过程中会默认尝试获取并处理优化器状态(optimizer_states)
3. 但当save_weights_only=True时，检查点中实际上不包含优化器状态信息
4. 这导致在尝试访问不存在的optimizer_states键时抛出异常

解决方案

针对这个问题，开发团队提出了两种可行的修复方案：

1. 显式检查键是否存在：在执行转换前先检查optimizer_states键是否存在于检查点字典中
2. 使用字典的默认值特性：利用Python字典的pop方法的默认值参数，当键不存在时返回空列表

第二种方案更为简洁优雅，只需将原有代码中的：

checkpoint.pop("optimizer_states")

修改为：

checkpoint.pop("optimizer_states", [])

影响范围

这个问题主要影响以下使用场景的组合：

• 使用FSDP分布式训练策略
• 设置state_dict_type='sharded'参数
• 配置模型检查点回调并启用save_weights_only=True选项

对于不使用FSDP策略，或者使用完整检查点保存(包含优化器状态)的情况，不会触发此问题。

最佳实践建议

对于PyTorch Lightning用户，在使用FSDP策略时应当注意：

1. 如果确实只需要保存模型权重，可以采用上述修复方案
2. 考虑是否需要保存优化器状态以便恢复训练
3. 测试检查点功能是否正常工作，特别是在分布式训练场景下
4. 关注PyTorch Lightning的版本更新，确保使用包含修复的版本

总结

这个案例展示了深度学习框架中分布式训练与模型保存功能的复杂交互。PyTorch Lightning团队通过简洁的代码修改解决了这一边界情况，体现了框架设计中对鲁棒性的重视。对于用户而言，理解这些底层机制有助于更好地配置和使用框架的高级功能。