首页
/ ChatGLM3微调过程中的常见问题及解决方案

ChatGLM3微调过程中的常见问题及解决方案

2025-05-16 10:42:11作者:吴年前Myrtle

问题背景

在使用ChatGLM3进行p-tuning-v2微调时,许多开发者遇到了相似的错误。这些错误主要与环境配置和库版本兼容性有关,特别是transformers库的版本问题。本文将详细分析这些问题的根源,并提供有效的解决方案。

主要错误现象

在微调过程中,开发者通常会遇到以下两类典型错误:

  1. BatchEncoding转换错误:表现为BatchEncoding.to() got an unexpected keyword argument 'non_blocking',最终导致'NoneType' object has no attribute 'to'错误。

  2. TrainerState初始化错误:表现为TrainerState.__init__() got an unexpected keyword argument 'stateful_callbacks',通常发生在尝试从检查点恢复训练时。

问题原因分析

BatchEncoding转换错误

这个问题的根本原因是transformers库版本过高(如4.41.1)与ChatGLM3微调代码不兼容。新版本的transformers对BatchEncoding类的处理方式发生了变化,导致在设备转换时出现参数不匹配的问题。

TrainerState初始化错误

这个问题同样源于版本不兼容,当transformers库版本降得过低时(如4.40.0),虽然解决了第一个问题,但又会导致新的API不兼容问题。这是因为不同版本的transformers对TrainerState类的初始化参数要求不同。

解决方案

针对BatchEncoding转换错误

推荐方案:将transformers库版本降级到4.40.0版本。这个版本经过验证能够解决BatchEncoding相关的转换问题,同时保持较好的稳定性。

安装命令:

pip install transformers==4.40.0

针对TrainerState初始化错误

如果降级到4.40.0后出现TrainerState初始化错误,可以考虑以下两种方案:

  1. 使用中间版本:尝试使用transformers 4.40.1或4.40.2版本,这些版本可能同时解决了两个问题。

  2. 修改微调代码:如果必须使用特定版本,可以修改微调代码中与TrainerState相关的部分,移除stateful_callbacks参数。

环境配置建议

为了获得最佳的微调体验,建议建立如下的Python环境配置:

  1. Python版本:3.8-3.10(3.11可能存在兼容性问题)
  2. PyTorch版本:与CUDA版本匹配的稳定版本
  3. Transformers版本:4.40.0-4.40.2
  4. CUDA版本:根据显卡选择11.7或11.8

其他注意事项

  1. 硬件资源:虽然Colab Pro提供了较好的硬件资源,但仍需注意显存限制。对于ChatGLM3-6B模型,建议至少有24GB显存进行微调。

  2. 数据预处理:确保输入数据格式正确,特别是当使用自定义数据集时,要遵循ChatGLM3要求的格式。

  3. 日志监控:训练过程中密切关注日志输出,特别是loss变化情况,这有助于早期发现问题。

总结

ChatGLM3微调过程中的常见问题多源于环境配置不当,特别是transformers库的版本问题。通过合理控制库版本和环境配置,大多数问题都能得到有效解决。建议开发者在开始微调前,先建立一个干净的环境,并严格按照推荐的版本进行配置,这样可以避免许多不必要的问题。

登录后查看全文
热门项目推荐