首页
/ ChatGLM3多卡微调问题分析与解决方案

ChatGLM3多卡微调问题分析与解决方案

2025-05-16 07:53:46作者:裘晴惠Vivianne

问题背景

在使用ChatGLM3进行模型微调时,许多开发者遇到了多卡训练模式下不输出结果的问题。具体表现为:当使用torchrun启动多卡训练时,程序很快显示"训练成功",但实际上没有生成预期的checkpoint输出文件,同时在日志中会出现关于deepspeed配置文件未保存的警告信息。

问题原因分析

经过技术分析,这个问题主要由以下几个因素导致:

  1. 参数解析错误:最新版本的finetune_hf.py脚本已经不再直接接受deepspeed配置文件作为命令行参数。当用户仍然在命令中传入ds_zero_2.json路径时,该参数会被错误地解析为checkpoint路径,导致程序跳过训练阶段。

  2. 配置文件路径问题:在多卡环境下,相对路径的解析可能出现问题,导致程序无法正确找到deepspeed配置文件。

  3. 训练流程异常:由于上述原因,程序实际上执行的是评估(evaluate)流程而非训练(training)流程,因此不会生成预期的模型输出。

解决方案

正确配置方法

  1. 修改lora.yaml配置文件: 打开configs/lora.yaml文件,找到关于deepspeed的配置部分(通常在38行附近),取消注释并修改为绝对路径:

    deepspeed: /your/absolute/path/to/ds_zero_2.json
    
  2. 使用简化命令: 执行训练时,只需传入三个必要参数:

    OMP_NUM_THREADS=1 torchrun --standalone --nnodes=1 --nproc_per_node=2 finetune_hf.py \
    /path/to/your/data/ \
    /path/to/chatglm3-6b/ \
    /path/to/configs/lora.yaml
    

注意事项

  1. 路径规范:建议所有路径都使用绝对路径,避免在多卡环境下出现路径解析问题。

  2. 输出检查:训练完成后,应在output目录下检查是否生成了预期的checkpoint文件。正常情况应该会生成类似checkpoint-3000这样的目录。

  3. 推理使用:微调完成后进行推理时,应指定正确的checkpoint路径:

    CUDA_VISIBLE_DEVICES=1 python inference_hf.py output/checkpoint-3000/ --prompt
    

技术原理

这个问题涉及到PyTorch分布式训练的几个关键点:

  1. Deepspeed集成:ChatGLM3使用Deepspeed来优化多卡训练,但配置方式已经从命令行参数改为通过yaml文件配置。

  2. 分布式训练初始化:torchrun会自动处理多进程的启动和通信,但各进程需要能够访问相同的配置文件。

  3. 模型保存机制:在多卡环境下,模型保存通常由主进程负责,其他进程会跳过保存步骤以避免冲突。

最佳实践建议

  1. 环境检查:在开始训练前,先使用单卡模式验证数据和配置是否正确。

  2. 日志监控:训练过程中应监控日志输出,确认实际执行的是训练流程而非评估流程。

  3. 资源分配:根据显存大小合理设置batch size,多卡训练时可以适当增大总batch size。

  4. 版本兼容性:注意检查ChatGLM3的版本更新,及时调整训练脚本以适应API变化。

通过以上方法和注意事项,开发者可以顺利地在多卡环境下完成ChatGLM3的微调任务,并获得预期的模型输出结果。

登录后查看全文
热门项目推荐

热门内容推荐

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