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:
- 训练阶段可以正常进行
- 验证阶段抛出KeyError异常
- 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:
-
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'。
-
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。 -
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
-
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。
-
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。
-
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。 -
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。
- 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~045CommonUtilLibrary
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!C0301- 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









