首页
/ Self-LLM项目多卡微调GLM-4模型时的设备一致性解决方案

Self-LLM项目多卡微调GLM-4模型时的设备一致性解决方案

2025-05-15 08:44:35作者:冯爽妲Honey

问题背景

在使用Self-LLM项目进行GLM-4模型微调时,当尝试使用多张GPU进行训练时,系统会报出设备不一致的错误。具体表现为模型计算损失函数时,部分张量分布在不同的GPU设备上(如cuda:3和cuda:1),导致无法正常完成交叉熵损失计算。

错误分析

该问题的根本原因是模型在分布式训练环境下,不同部分的计算被自动分配到了不同的GPU设备上,但损失计算时未能确保所有参与计算的张量位于同一设备。这种情况在使用device_map="auto"参数时尤为常见,因为该参数会自动优化模型各层在不同设备间的分布。

解决方案

经过深入分析,发现需要在计算损失函数前显式确保所有张量位于同一设备。具体修改方案如下:

  1. 定位到模型文件中的损失计算部分(通常在modeling_chatglm.py文件中,约1020行附近)

  2. 原始代码如下:

if labels is not None:
    lm_logits = lm_logits.to(torch.float32)
    shift_logits = lm_logits[..., :-1, :].contiguous()
    shift_labels = labels[..., 1:].contiguous()
    loss_fct = CrossEntropyLoss(ignore_index=-100)
    loss = loss_fct(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))
    lm_logits = lm_logits.to(hidden_states.dtype)
    loss = loss.to(hidden_states.dtype)
  1. 修改后的代码:
if labels is not None:
    lm_logits = lm_logits.to(torch.float32)
    shift_logits = lm_logits[..., :-1, :].contiguous()
    shift_labels = labels[..., 1:].contiguous()
    
    # 新增设备同步代码
    device = shift_labels.device
    shift_logits = shift_logits.to(device)
    shift_labels = shift_labels.to(device)
    
    loss_fct = CrossEntropyLoss(ignore_index=-100)
    loss = loss_fct(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))
    lm_logits = lm_logits.to(hidden_states.dtype)
    loss = loss.to(hidden_states.dtype)

技术原理

这种修改确保了在计算交叉熵损失前:

  1. 获取标签张量所在的设备
  2. 将预测logits显式移动到同一设备
  3. 确保标签张量也在同一设备

这种处理方式在多GPU环境下尤为重要,因为:

  • 模型的不同层可能被自动分配到不同GPU上
  • 损失计算需要所有输入张量位于同一设备
  • 显式设备同步可以避免隐式的跨设备数据传输

其他注意事项

  1. 虽然使用device_map="cuda"可以暂时规避这个问题,但这会限制模型只能使用单卡,无法发挥多GPU的并行计算优势。

  2. 对于大规模模型训练,推荐使用这种显式设备同步的方式,因为它:

    • 保持多卡并行能力
    • 明确控制张量位置
    • 提高代码可读性和可维护性
  3. 在实际应用中,还可以考虑使用PyTorch的分布式训练工具(如DistributedDataParallel)来更好地管理多GPU训练过程。

总结

通过这种简单的代码修改,我们成功解决了Self-LLM项目中GLM-4模型多卡微调时的设备不一致问题。这种解决方案不仅适用于GLM-4模型,对于其他需要多GPU训练的大语言模型也具有参考价值,是进行分布式模型训练时的一个实用技巧。

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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
260
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
854
505
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
254
295
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
21
5