Liger-Kernel项目中FSDP与LoRA联合训练时的模块保存问题分析
问题背景
在深度学习模型训练过程中,完全分片数据并行(FSDP)和低秩适应(LoRA)是两种常用的技术手段。FSDP通过将模型参数、梯度和优化器状态分片到多个GPU上来实现高效的大模型训练,而LoRA则通过在预训练模型上添加低秩适配器来大幅减少微调时的参数量。这两种技术结合使用时,特别是在Liger-Kernel项目中,可能会遇到一些意料之外的问题。
问题现象
当使用FSDP和LoRA联合训练,并设置modules_to_save
参数来保存特定模块(如norm层)时,系统会抛出运行时错误。错误信息表明在反向传播过程中,视图(View)的基础张量或其视图被就地修改,这在PyTorch中是不允许的操作。具体错误表现为:
RuntimeError: Output 0 of ViewBackward0 is a view and its base or another view of its base has been modified inplace. This view is the output of a function that returns multiple views. Such functions do not allow the output views to be modified inplace. You should replace the inplace operation by an out-of-place one.
技术分析
1. 问题根源
这个问题主要出现在Liger-Kernel的RMSNorm实现中。当启用use_liger_kernel
标志时,系统会使用Liger-Kernel优化的RMSNorm实现,该实现可能包含一些视图操作和潜在的就地修改操作。在FSDP和LoRA的特定配置下,这些操作会触发PyTorch的视图保护机制。
2. 触发条件
问题仅在以下条件同时满足时出现:
- 使用FSDP进行分布式训练
- 启用LoRA并设置
modules_to_save
参数 - 启用Liger-Kernel优化(
use_liger_kernel=True
) - 使用混合精度训练(bf16)
- 启用梯度检查点
3. 技术细节
在FSDP框架下,当指定modules_to_save
参数时,这些模块会被完整保存而不进行分片。与此同时,Liger-Kernel的RMSNorm实现可能使用了特定的内存优化策略,包括视图操作和潜在的就地修改。当这些技术组合使用时,可能会违反PyTorch对视图操作的限制。
解决方案
1. 临时解决方案
目前最简单的解决方案是移除modules_to_save
参数,或者不使用Liger-Kernel优化。但这可能会牺牲部分性能或功能。
2. 长期解决方案
从技术实现角度,可以考虑以下改进方向:
-
修改RMSNorm实现:检查Liger-Kernel中的RMSNorm实现,确保不违反PyTorch的视图操作规则,避免任何潜在的就地修改操作。
-
FSDP与LoRA集成优化:改进FSDP对LoRA适配器的处理逻辑,特别是对
modules_to_save
指定模块的处理方式。 -
梯度检查点兼容性:检查梯度检查点与Liger-Kernel优化的兼容性,可能需要调整检查点实现以避免冲突。
最佳实践建议
对于需要在生产环境中使用FSDP+LoRA+Liger-Kernel组合的用户,建议:
- 在启用所有优化前,先进行小规模测试验证兼容性
- 逐步添加优化技术,观察系统行为变化
- 关注各组件版本更新,特别是涉及底层优化的部分
- 考虑使用更稳定的替代方案,如不使用Liger-Kernel优化或调整
modules_to_save
设置
总结
这个问题揭示了深度学习训练中高级优化技术组合使用时可能遇到的底层兼容性问题。理解各组件的工作原理和交互方式对于解决此类问题至关重要。随着Liger-Kernel项目的持续发展,预期这类问题将得到更好的解决,为用户提供更稳定高效的训练体验。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0298- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









