HuggingFace Datasets中IterableDataset恢复检查点时的样本丢失问题解析
2025-05-10 04:17:54作者:裘晴惠Vivianne
问题背景
在HuggingFace Datasets库的使用过程中,开发者发现当使用IterableDataset
并尝试从检查点恢复训练时,会出现样本丢失的情况。这种情况特别容易发生在以下条件同时满足时:
- 数据集分片数量(
num_shards
)能被世界大小(world_size
)整除 - 底层数据支持
iter_arrow
迭代方式 - 数据集需要进行格式化操作
技术原理分析
IterableDataset
是HuggingFace Datasets中用于处理流式数据的重要组件。当使用分布式训练时,split_dataset_by_node
函数会根据当前节点的rank和world_size将数据集划分为不同的分片。
问题的核心在于FormattedExamplesIterable
和底层迭代器的协作方式:
- 父迭代器(
FormattedExamplesIterable
)会从子迭代器的iter_arrow
获取一批样本 - 子迭代器在处理时会预先增加
shard_example_idx
计数器 - 当迭代在中途停止时(比如保存检查点),计数器的位置与实际处理的样本位置会出现偏差
问题复现
通过以下典型场景可以复现该问题:
# 创建包含24个样本的数据集,分为4个分片
ds = Dataset.from_dict({"n": list(range(24))})
ds = ds.to_iterable_dataset(num_shards=4)
# 模拟分布式环境(4个节点,当前为rank 0)
world_size = 4
rank = 0
ds_rank = split_dataset_by_node(ds, rank, world_size)
# 首次迭代并保存状态
it = iter(ds_rank)
examples = []
for idx, example in enumerate(it):
examples.append(example)
if idx == 2: # 处理3个样本后保存状态
state_dict = ds_rank.state_dict()
break
# 恢复状态后继续迭代
ds_rank.load_state_dict(state_dict)
it_resumed = iter(ds_rank)
解决方案
开发团队通过引入RebatchedArrowExamplesIterable
解决了这个问题。这个解决方案的核心思想是:
- 在格式化迭代器之前插入一个重新分批次的处理层
- 确保子迭代器能够感知父迭代器实际处理的样本位置
- 在恢复检查点时正确调整批次边界和计数器位置
这种方法既保持了数据流式处理的效率,又确保了检查点恢复时样本的连续性。
最佳实践建议
对于使用IterableDataset
的开发者,建议:
- 在分布式训练时,注意分片数量与节点数量的关系
- 如果需要进行格式化操作,考虑更新到包含此修复的版本
- 在保存检查点时,测试恢复后的数据连续性
- 对于关键任务,可以在恢复后验证前几个样本是否符合预期
这个问题展示了在流式数据处理中保持状态一致性的挑战,也为处理类似场景提供了有价值的参考。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-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~0288Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
163
2.05 K

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

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

React Native鸿蒙化仓库
C++
199
279

🎉 (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
951
557

🔥🔥🔥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
96
15

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

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)。
Python
77
70

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0