首页
/ Visual-RFT项目中的训练数据转换与GPU内存优化实践

Visual-RFT项目中的训练数据转换与GPU内存优化实践

2025-07-10 06:01:30作者:翟江哲Frasier

背景介绍

Visual-RFT是一个基于Qwen2-VL模型进行视觉指令微调的开源项目。在实际训练过程中,开发者们遇到了两个主要技术挑战:训练数据格式转换问题和GPU内存不足问题。本文将详细分析这两个问题的成因及解决方案。

训练数据格式转换问题

问题现象

项目从Hugging Face下载的训练数据默认采用Parquet格式存储,而训练脚本期望加载的是Hugging Face DatasetDict格式。直接加载会导致以下错误:

FileNotFoundError: No such file: 'share_data/ViRFT_COCO_base65/dataset_dict.json'. 
Expected to load a `DatasetDict` object, but provided path is not a `DatasetDict`.

解决方案

原始代码使用DatasetDict.load_from_disk()方法加载数据,这需要数据已保存为DatasetDict格式。正确的做法是使用Hugging Face的load_dataset函数直接加载Parquet文件:

from datasets import load_dataset
dataset = load_dataset(script_args.dataset_name)

这一修改利用了Hugging Face数据集库的自动格式识别能力,能够正确处理Parquet格式的数据文件。

GPU内存优化问题

问题现象

即使用户使用8块24GB显存的GPU,在启用DeepSpeed Zero3 Offload配置的情况下,仍然会遇到内存不足的问题。具体表现为:

RuntimeError: split_with_sizes expects split_sizes to sum exactly to 1 (input tensor's size at dimension 0), 
but got split_sizes=[1656]

问题分析

这个问题源于GRPO训练过程中生成阶段的内存消耗。默认配置下,num_generations参数设置为8,意味着每个训练样本需要生成8个候选输出进行比较,这对显存造成了极大压力。

解决方案

  1. 修改模型输入处理: 在grpo_trainer.py中修改两处代码:

    # 移除不必要的维度扩展
    # prompt_inputs['pixel_values'] = prompt_inputs['pixel_values'][None]
    
    # 优化像素值重复方式
    pixel_values = prompt_inputs["pixel_values"].repeat(self.num_generations, 1)
    
  2. 调整生成参数: 将--num_generations从默认的8降低到2-4之间,平衡训练效果和内存消耗。

  3. DeepSpeed配置优化: 使用zero3_offload.json配置,将优化器状态和参数卸载到CPU:

    "zero_optimization": {
        "stage": 3,
        "offload_optimizer": {
            "device": "cpu",
            "pin_memory": true
        },
        "offload_param": {
            "device": "cpu",
            "pin_memory": true
        }
    }
    

实际训练效果

采用上述优化后,在8×24GB GPU配置下:

  • 每步训练时间约19秒
  • 所有GPU显存接近满载
  • 训练过程稳定,各项指标正常收敛
  • 典型训练日志输出:
    {'loss': 0.0038, 'grad_norm': 4.39, 'learning_rate': 9.87e-7, 
     'completion_length': 53.38, 'reward': 1.634, 'reward_std': 0.391}
    

经验总结

  1. 对于大型视觉语言模型的微调,数据加载方式需要特别注意格式兼容性
  2. GRPO训练方法虽然有效,但对显存需求极高,需要合理调整生成参数
  3. DeepSpeed的Zero3 Offload技术能显著降低显存需求,是训练大模型的必备工具
  4. 在实际部署时,需要在训练效果和资源消耗之间找到平衡点

这些实践经验不仅适用于Visual-RFT项目,对于其他类似规模的视觉语言模型训练也具有参考价值。开发者可以根据自身硬件条件,灵活调整相关参数以获得最佳训练效果。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
858
509
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
257
300
ShopXO开源商城ShopXO开源商城
🔥🔥🔥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
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
331
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
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
note-gennote-gen
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
CangjieCommunityCangjieCommunity
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
kernelkernel
deepin linux kernel
C
22
5