Visual-RFT项目中的训练数据转换与GPU内存优化实践

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。