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

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}."

2. 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。