WebDataset与PyTorch Lightning结合实现大规模数据集高效训练
2025-06-30 07:03:07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
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-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++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-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~0287Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-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。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).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp英语课程填空题提示缺失问题分析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp博客页面工作坊中的断言方法优化建议4 freeCodeCamp课程中屏幕放大器知识点优化分析5 freeCodeCamp课程视频测验中的Tab键导航问题解析6 freeCodeCamp论坛排行榜项目中的错误日志规范要求7 freeCodeCamp音乐播放器项目中的函数调用问题解析8 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析9 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析10 freeCodeCamp课程页面空白问题的技术分析与解决方案
最新内容推荐
PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 OpenSSL 3.3.0资源下载指南:新一代加密库的全面解析与部署教程 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.05 K

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

React Native鸿蒙化仓库
C++
198
279

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
535
62

Ascend Extension for PyTorch
Python
50
81

🎉 (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
950
556

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
1 K
397

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
385
19

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191