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:
-
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。
-
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。
-
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
- 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}."
- 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
-
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。
-
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。
-
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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0331- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









