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 03:27:24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

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 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
273
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
923
551
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
421
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
74
64
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