pt模式下，关于样本数量、训练步数的不一致的现象

[kascas]

Reminder

• I have read the README and searched the existing issues.

System Info

• llamafactory version: 0.9.1.dev0
• Platform: Linux-5.4.0-152-generic-x86_64-with-glibc2.35
• Python version: 3.9.19
• PyTorch version: 2.3.1+cu121 (GPU)
• Transformers version: 4.44.0
• Datasets version: 2.20.0
• Accelerate version: 1.0.1
• PEFT version: 0.11.1
• TRL version: 0.9.4
• GPU type: NVIDIA GeForce RTX 4090
• DeepSpeed version: 0.14.4
• Bitsandbytes version: 0.43.1
• vLLM version: 0.5.3.post1

Reproduction

配置文件

### model
model_name_or_path: /home/xxx/.cache/modelscope/hub/qwen/Qwen2___5-0___5B

### method
template: qwen
stage: pt
do_train: true
finetuning_type: lora
lora_target: all

### dataset
dataset: mydataset
cutoff_len: 16384
overwrite_cache: true
preprocessing_num_workers: 8

### output
output_dir: saves/Qwen2.5-0.5B/lora/pretrain
logging_steps: 10
save_strategy: epoch
plot_loss: true
overwrite_output_dir: true

### train
per_device_train_batch_size: 4
gradient_accumulation_steps: 16
learning_rate: 1.0e-5
num_train_epochs: 10
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: true
ddp_timeout: 180000000

问题

1. 不同preprocessing_num_workers下，样本数量不一致

本人在src/llamafactory/train/pt/workflow.py的run_pt打断点调试，尝试了preprocessing_num_workers为8/16/32三种情况，，得到的样本数量分别为603/600/593。

2. 样本数量、训练步数以及checkpoint不对应

在下图中，样本数量为605、训练轮数为10、total_batch_size为64。我的理解是正常训练步数应该是605×10/64=94.53，所以应该总共训练95步，或者每轮按照605/64=9.45取整为10，总共训练10×10=100步。但是这里显示只有90步。

由于save_strategy设置为epoch，训练后checkpoint对应的step也发生了偏移，甚至最后的两个epoch相隔只有2个step。

Expected behavior

No response

Others

以上问题希望作者能够帮忙解答疑惑，谢谢！

[hiyouga]

应该是 (605 // 64) * 10 = 90，一个 epoch 9 个 step。最后差两个是因为训练结束后始终会保存一个 checkpoint

[kascas]

应该是 (605 // 64) * 10 = 90，一个 epoch 9 个 step。最后差两个是因为训练结束后始终会保存一个 checkpoint

@hiyouga 按照您的思路的话，我的理解是每个epoch对应的step会因为 // 运算导致截断，而位于小数部分的数据会被丢弃/无法训练。

那么请问一下：

• checkpoint的step计数是否存在问题呢？如果一个epoch对应9个step，那么checkpoint对应的step应该为9/18/27/.../81/90，而不是9/19/29/.../88/90。
• (605 // 64) 这里小数截断导致的数据丢失是否有办法避免呢？

谢谢！