首页
/ GLM-4 多模态模型微调中的标签缺失问题分析与解决方案

GLM-4 多模态模型微调中的标签缺失问题分析与解决方案

2025-06-03 10:23:30作者:裴麒琰

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。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
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
930
553
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
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65
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
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8