PyTorch Lightning中FSDP策略与模型检查点保存的兼容性问题分析
2025-05-05 08:14:20作者:伍霜盼Ellen
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:
- 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 - 转换过程中会默认尝试获取并处理优化器状态(
optimizer_states
) - 但当
save_weights_only=True
时,检查点中实际上不包含优化器状态信息 - 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:
- 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 - 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:
- 如果确实只需要保存模型权重,可以采用上述修复方案
- 考虑是否需要保存优化器状态以便恢复训练
- 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
- 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。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0295- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
260

🎉 (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 kernel ~ openGauss is an open source relational database management system
C++
129
182

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

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

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

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

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

deepin linux kernel
C
21
5