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

最新内容推荐

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