首页
/ StableCascade项目在Windows平台训练模型时的Lambda序列化问题分析与解决方案

StableCascade项目在Windows平台训练模型时的Lambda序列化问题分析与解决方案

2025-06-01 06:34:21作者:滑思眉Philip

问题背景

在StableCascade项目的模型训练过程中,Windows平台用户常会遇到一个棘手的错误:"AttributeError: Can't pickle local object 'DataCore.setup_data..'"。这个问题主要出现在尝试微调(finetune)Stage C模型或训练LoRA时,特别是在数据处理阶段。

问题根源分析

该错误的本质在于Windows平台下Python的多进程处理机制与Lambda函数的兼容性问题。具体来说:

  1. Windows与Unix系统的差异:Windows使用spawn方式创建子进程,而Unix使用fork。spawn需要序列化(即pickle)所有必要对象到子进程,而fork则直接复制整个父进程内存空间。

  2. Lambda函数的不可序列化特性:Lambda函数作为匿名函数,在Windows的多进程环境下无法被正确pickle序列化,导致子进程无法获取这些函数定义。

  3. PyTorch DataLoader的多进程机制:PyTorch的DataLoader默认使用多进程加速数据加载,在Windows上就会触发上述序列化问题。

解决方案实现

针对这一问题,社区开发者提出了有效的解决方案,核心思路是将Lambda函数替换为可序列化的类方法:

1. 修改base.py文件

在DataCore类中添加以下方法替换原有的Lambda函数:

def base_identity(self, x):
    if isinstance(x, bytes):
        x = x.decode('utf-8')
    return x

def webdataset_preprocessors(self, extras: Extras):
    def get_caption(oc, c, p_og=0.05):
        if p_og > 0 and np.random.rand() < p_og and len(oc) > 0:
            return self.base_identity(oc)
        else:
            return self.base_identity(c)
    
    captions_getter = MultiGetter(rules={
        ('old_caption', 'caption'): lambda oc, c: get_caption(json.loads(oc)['og_caption'], c, p_og=0.05)
    })
    
    return [
        ('jpg;png',
         torchvision.transforms.ToTensor() if self.config.multi_aspect_ratio is not None else extras.transforms,
         'images'),
        ('txt', self.base_identity, 'captions') if self.config.captions_getter is None else (
            self.config.captions_getter[0], eval(self.config.captions_getter[1]), 'captions'),
    ]

def wds_identity(self, x):
    return x

def map_preprocessor(self, x):
    result = {}
    items = self.wa_preprocessor
    for i, p in enumerate(items):
        result[p[2]] = x[i]
    return result

2. 修改setup_data方法

同样在DataCore类中,修改setup_data方法:

def setup_data(self, extras: Extras) -> WarpCore.Data:
    dataset_path = self.webdataset_path()
    preprocessors = self.webdataset_preprocessors(extras)
    self.wa_preprocessor = preprocessors
    handler = warn_and_continue
    dataset = wds.WebDataset(
        dataset_path, resampled=True, handler=handler
    ).shuffle(690, handler=handler).decode(
        "pilrgb", handler=handler
    ).to_tuple(
        *[p[0] for p in preprocessors], handler=handler
    ).map_tuple(
        *[p[1] for p in preprocessors], handler=handler
    ).map(self.map_preprocessor)
    
    real_batch_size = self.config.batch_size // (self.world_size * self.config.grad_accum_steps)
    dataloader = DataLoader(
        dataset, batch_size=real_batch_size, num_workers=8, pin_memory=True,
        collate_fn=self.wds_identity if self.config.multi_aspect_ratio is not None else None
    )
    
    if self.is_main_node:
        print(f"Training with batch size {self.config.batch_size} ({real_batch_size}/GPU)")

    if self.config.multi_aspect_ratio is not None:
        aspect_ratios = [float(Fraction(f)) for f in self.config.multi_aspect_ratio]
        dataloader_iterator = Bucketeer(dataloader, density=self.config.image_size ** 2, factor=32,
                                        ratios=aspect_ratios, p_random_ratio=self.config.bucketeer_random_ratio,
                                        interpolate_nearest=False)
    else:
        dataloader_iterator = iter(dataloader)

    return self.Data(dataset=dataset, dataloader=dataloader, iterator=dataloader_iterator)

3. 其他必要修改

  1. 注释掉base_dto.py中的断言检查:
#assert (
#    len(missing_kwargs) == 0
#), f"Required fields missing initializing this DTO: {missing_kwargs}."
  1. 在命令行设置环境变量:
set SLURM_LOCALID=0

训练配置建议

对于LoRA训练,可以参考以下配置参数:

experiment_id: stage_c_1b_lora
model_version: 1B
lr: 1.0e-4
batch_size: 1
image_size: 768
multi_aspect_ratio: [1/1, 1/2, 1/3, 2/3, 3/4, 1/5, 2/5, 3/5, 4/5, 1/6, 5/6, 9/16]
updates: 3000
module_filters: ['.attn']
rank: 128
train_tokens:
  - ['[custom_token]', '^base_token</w>']

实际训练经验

  1. 资源消耗:在RTX 3090上训练1B模型,2000步大约需要2小时20分钟,VRAM占用接近24GB。

  2. 训练效果:初步训练结果显示模型能够学习到一定的绘画风格,但细节质量仍有提升空间。

  3. 注意事项

    • 数据集准备时确保图像和标注文本文件配对正确
    • 压缩格式必须使用.tar而非.rar
    • 图像尺寸和比例设置会影响训练效果

总结

Windows平台下的Lambda函数序列化问题是StableCascade项目训练过程中的一个常见障碍。通过将Lambda函数替换为类方法,并配合必要的环境配置,可以有效解决这一问题。对于LoRA训练,还需要特别注意模型配置和数据集准备,以获得理想的训练效果。随着项目的持续发展,期待未来版本能够原生支持Windows平台,简化这一问题的解决流程。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K
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
8
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
405
387
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
941
555
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70
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
992
395
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++
509
44
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.32 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279