WebDataset与PyTorch Lightning结合实现大规模数据集高效训练
2025-06-30 19:42:48作者:曹令琨Iris
背景介绍
在处理大规模数据集时,传统的PyTorch数据加载方式往往会遇到内存不足、加载速度慢等问题。WebDataset作为一种高效的解决方案,能够很好地处理TB级别的大规模数据集。本文将详细介绍如何将WebDataset与PyTorch Lightning框架结合,实现高效的大规模数据训练。
核心挑战
在大规模数据集训练中,我们面临几个关键挑战:
- 多GPU支持:大规模数据集训练必须支持多GPU并行
- 进度可视化:需要准确显示每个epoch的训练步数
- 数据分片处理:需要高效处理分布在多个tar文件中的数据
解决方案架构
1. 数据预处理与统计
首先需要统计数据集的基本信息。对于Laion115M这样的超大规模数据集,我们编写并行脚本扫描所有tar文件,记录每个文件包含的样本数,并将结果存储在JSON文件中:
{
"/data/laion115m/00000.tar": 1147,
"/data/laion115m/00001.tar": 1203,
...
}
2. WebDataset基础使用
WebDataset的基本使用方式如下:
dataset = wds.WebDataset(url)
.shuffle(1000)
.decode('pilrgb', handler=wds.warn_and_continue)
.to_tuple("jpg", "txt", handler=wds.warn_and_continue)
.map(transforms)
3. 自定义IterableDataset实现
为了实现多GPU支持和进度显示,我们自定义IterableDataset:
class Iter_ds(torch.utils.data.IterableDataset):
def __init__(self, urls, transforms, n_sample):
self.urls = urls
self.transforms = transforms
self.n_sample = n_sample
def __len__(self):
return self.n_sample // get_world_size()
def __iter__(self):
process_rank = get_rank()
world_size = get_world_size()
for url in self.urls:
dataset = wds.WebDataset(url, nodesplitter=wds.split_by_worker)
.shuffle(1000)
.decode('pilrgb', handler=wds.warn_and_continue)
.to_tuple("jpg", "txt", handler=wds.warn_and_continue)
.map(self.transforms)
for batch_id, sample in enumerate(dataset):
if batch_id % world_size == process_rank:
yield sample
else:
continue
4. PyTorch Lightning集成
将上述实现集成到PyTorch Lightning的DataModule中:
class Laion115M(pl.LightningDataModule):
def __init__(self, data_dir, split_ratio, img_transforms, txt_transforms,
num_workers=4, batch_size=16, num_epoch=1, pin_memory=False):
super().__init__()
self.data_dir = Path(data_dir)
self.split_ratio = split_ratio
self.img_transforms = img_transforms
self.txt_transforms = txt_transforms
self.transforms = lambda tup: (self.img_transforms(tup[0]), self.txt_transforms(tup[1]))
self.batch_size = batch_size
self.num_epoch = num_epoch
self.num_workers = num_workers
self.pin_memory = pin_memory
def prepare_data(self):
with open(self.data_dir, 'r') as f:
self.tar_dict = json.load(f)
tar_lst = list(self.tar_dict.keys())
n_shard = len(tar_lst)
tra_ratio, val_ratio, _ = self.split_ratio
self.tra_lst = tar_lst[:int(n_shard * tra_ratio)]
self.val_lst = tar_lst[len(self.tra_lst):len(self.tra_lst)+int(n_shard * val_ratio)]
self.tst_lst = tar_lst[len(self.tra_lst)+len(self.val_lst):]
def _get_sample_num(self, tar_lst):
return sum(self.tar_dict[tar_key] for tar_key in tar_lst)
def setup(self, stage='train'):
self.prepare_data()
if stage == 'train':
n_tra_sample = self._get_sample_num(self.tra_lst)
self.laion_train = Iter_ds(self.tra_lst, transforms=self.transforms, n_sample=n_tra_sample)
n_val_sample = self._get_sample_num(self.val_lst)
self.laion_valid = Iter_ds(self.val_lst, transforms=self.transforms, n_sample=n_val_sample)
else:
n_tst_sample = self._get_sample_num(self.tst_lst)
self.laion_test = Iter_ds(self.tst_lst, transforms=self.transforms, n_sample=n_tst_sample)
def train_dataloader(self):
return torch.utils.data.DataLoader(
self.laion_train,
batch_size=self.batch_size,
shuffle=False,
pin_memory=True,
num_workers=self.num_workers,
prefetch_factor=2,
drop_last=True
)
性能优化技巧
-
多节点训练注意事项:
- 网络带宽是瓶颈,尽量减少节点间通信
- 梯度同步会占用大量网络资源
- 每个GPU对应一个进程,进程间通信也会影响性能
-
数据加载优化:
- 使用
pin_memory=True
将数据预先加载到内存 - 设置
prefetch_factor
预取数据 - 合理设置
num_workers
数量
- 使用
-
数据打乱策略:
- 对于分类数据集等有序数据必须打乱
- 对于Laion115M等网络爬取数据可不严格打乱
- 使用
DistributedSampler
自动处理多GPU数据分片
版本兼容性
经过测试,以下版本组合工作良好:
- WebDataset: 0.2.86
- PyTorch Lightning: 2.2.1
- PyTorch: 2.2.0+cu118
总结
本文介绍了WebDataset与PyTorch Lightning结合处理大规模数据集的完整方案。通过自定义IterableDataset和合理的数据分片策略,我们实现了多GPU支持、训练进度可视化等关键功能。对于超大规模数据集训练,这种方案能够有效解决内存和性能问题,是处理TB级数据集的理想选择。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-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++0135AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00Spark-Scilit-X1-13B
FLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00GOT-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).Dockerfile011
- 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
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
231
2.32 K

仓颉编译器源码及 cjdb 调试工具。
C++
112
78

暂无简介
Dart
532
117

React Native鸿蒙化仓库
JavaScript
216
291

Ascend Extension for PyTorch
Python
76
106

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
9
1

🎉 (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
993
588

仓颉编程语言测试用例。
Cangjie
34
61

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
130
648