首页
/ Modelscope/SWIFT项目中的多卡训练保存检查点问题解析

Modelscope/SWIFT项目中的多卡训练保存检查点问题解析

2025-05-31 03:45:59作者:裴锟轩Denise

问题现象

在使用Modelscope/SWIFT项目进行多卡训练时,当尝试保存模型检查点到指定目录时,系统报出"Directory not empty"错误。具体表现为在transformers 4.49.0.dev0版本下,使用4卡训练qwen2.5-vl-3B模型时,保存检查点过程中出现OSError: [Errno 39]错误。

错误分析

该错误发生在模型训练过程中保存检查点的环节,系统试图将一个临时检查点目录重命名为正式检查点目录时,发现目标目录非空。这种问题在多卡分布式训练场景下尤为常见,主要原因包括:

  1. 多进程竞争条件:在多卡训练环境下,多个进程可能同时尝试操作同一目录,导致文件系统状态不一致。

  2. 文件系统同步延迟:分布式系统中,各节点对文件系统的视图可能存在短暂不一致。

  3. 检查点保存机制:transformers库在保存检查点时采用的临时目录重命名策略在某些环境下不够健壮。

解决方案

针对这一问题,有以下几种可行的解决方案:

  1. 添加--save_only_model参数: 在训练命令中添加此参数可以简化保存过程,只保存模型本身而非完整检查点,避免复杂的目录操作。

  2. 升级transformers版本: 该问题在较新版本的transformers中可能已经修复,建议尝试升级到稳定版本。

  3. 修改保存策略: 可以自定义检查点保存逻辑,采用更稳健的文件操作方式,如先确保目录完全删除再创建。

  4. 增加重试机制: 在保存检查点的代码中增加错误处理和重试逻辑,应对短暂的目录状态不一致。

最佳实践建议

对于使用Modelscope/SWIFT进行多卡训练的用户,建议:

  1. 在训练命令中始终包含--save_only_model参数,除非确实需要完整检查点。

  2. 定期关注transformers库的更新,及时升级到稳定版本。

  3. 在分布式训练环境中,确保所有节点对共享存储有相同的访问权限和视图。

  4. 对于关键训练任务,实现自定义的检查点保存回调,增加错误处理和日志记录。

通过以上措施,可以有效避免在多卡训练过程中遇到的检查点保存问题,确保训练过程的稳定性和可靠性。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
197
2.17 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
208
285
pytorchpytorch
Ascend Extension for PyTorch
Python
59
94
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
973
574
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
9
1
ops-mathops-math
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++
549
81
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
1.02 K
399
communitycommunity
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
393
27
MateChatMateChat
前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。 官网地址:https://matechat.gitcode.com
1.2 K
133