GLM-4 多模态模型微调中的标签缺失问题分析与解决方案

问题背景

在使用GLM-4多模态模型进行微调时，开发者可能会遇到一个常见的错误：在验证阶段出现KeyError: 'labels'异常。这个问题通常发生在使用自定义数据集对chatglm-4v-6b或chatglm-4v-9b模型进行微调的过程中，特别是在执行验证步骤时。

错误现象

从错误日志可以看出，问题发生在验证阶段，当程序尝试删除输入数据中的"labels"键时，发现该键不存在。具体表现为：

1. 训练阶段可以正常进行
2. 验证阶段抛出KeyError异常
3. 错误指向prediction_step函数中的del inputs["labels"]操作

根本原因分析

经过深入分析，这个问题主要由以下几个因素导致：

1. 数据集结构不一致：验证集和测试集的数据结构与训练集不一致，缺少必要的"labels"字段。从日志中可以看到，训练集包含'input_ids'、'attention_mask'、'position_ids'、'labels'和'images'字段，而验证集和测试集则用'output_ids'替代了'labels'。

2. 数据处理流程问题：在GLM-4的微调代码中，prediction_step函数默认假设输入数据包含"labels"字段，但实际上验证集数据可能使用不同的字段名来存储目标输出。

3. 字段命名规范不统一：模型期望使用"labels"字段作为监督信号，但数据预处理阶段可能生成了"output_ids"而非"labels"。

解决方案

针对这个问题，可以采取以下几种解决方案：

方案一：统一数据集字段命名

确保验证集和测试集也包含"labels"字段，而不是"output_ids"。这可以通过修改数据预处理代码实现：

# 在数据预处理阶段，确保所有数据集都包含labels字段
def preprocess_function(examples):
    # ...其他预处理逻辑...
    examples["labels"] = examples.pop("output_ids", examples.get("labels"))
    return examples

方案二：修改prediction_step逻辑

调整prediction_step方法，使其能够处理没有"labels"字段的情况：

def prediction_step(self, model, inputs, prediction_loss_only=False, ignore_keys=None):
    with torch.no_grad():
        if self.args.predict_with_generate:
            # 安全地移除labels字段（如果存在）
            inputs.pop("labels", None)
            # 保留原始逻辑...

方案三：自定义数据集类

创建一个自定义数据集类，在数据加载时自动处理字段名称差异：

class CustomDataset(Dataset):
    def __init__(self, data):
        self.data = data
    
    def __getitem__(self, idx):
        item = self.data[idx]
        # 确保返回的字典包含labels字段
        if "output_ids" in item and "labels" not in item:
            item["labels"] = item["output_ids"]
        return item
    
    def __len__(self):
        return len(self.data)

最佳实践建议

1. 数据一致性检查：在开始训练前，检查训练集、验证集和测试集的字段是否一致。

2. 字段映射文档：为项目维护一个字段映射文档，明确每个字段的用途和预期格式。

3. 防御性编程：在处理输入数据时，使用dict.get()方法而不是直接访问键值，避免KeyError异常。

4. 日志记录：在数据加载阶段添加日志记录，输出数据样本的字段信息，便于调试。

总结

GLM-4多模态模型微调过程中的标签缺失问题通常源于数据集结构不一致。通过统一字段命名、修改数据处理逻辑或实现自定义数据集类，可以有效解决这个问题。在实际应用中，建议采用防御性编程策略，并对数据进行充分验证，确保训练和评估阶段的数据格式一致。这些措施不仅能解决当前的标签缺失问题，还能提高代码的健壮性，为后续的模型开发和调试打下良好基础。