日志记录与调试
监控训练进度并诊断问题。
日志选项
Weights & Biases
aitraining llm --train \
--model google/gemma-3-270m \
--data-path ./data \
--project-name my-model \
--log wandb
TensorBoard
aitraining llm --train \
--model google/gemma-3-270m \
--data-path ./data \
--project-name my-model \
--log tensorboard
tensorboard --logdir my-model/runs
W&B 可视化器（LEET）
内置终端可视化器，在您的终端中显示实时指标。
使用 --log wandb 时，W&B 可视化器默认启用。使用 --no-wandb-visualizer 禁用它。
# 使用 wandb 时默认启用可视化器
aitraining llm --train \
--model google/gemma-3-270m \
--data-path ./data \
--project-name my-model \
--log wandb
# 禁用终端可视化器
aitraining llm --train \
--model google/gemma-3-270m \
--data-path ./data \
--project-name my-model \
--log wandb \
--no-wandb-visualizer
日志步骤
控制日志频率：
aitraining llm --train \
--model google/gemma-3-270m \
--data-path ./data \
--project-name my-model \
--logging-steps 10 # 每 10 步记录一次
详细输出
捕获完整日志
aitraining llm --train ... 2>&1 | tee training.log
环境变量
这些环境变量影响日志记录和调试行为：
| 变量 | 描述 |
|---|
AUTOTRAIN_TUI_MODE=1 | 在 TUI 模式下运行时抑制日志（自动设置） |
PAUSE_ON_FAILURE=0 | 失败时不暂停（默认：1，启用） |
WANDB_API_KEY | Weights & Biases API 密钥用于日志记录 |
噪声抑制
这些会自动设置以减少日志噪声：
| 变量 | 值 | 效果 |
|---|
TF_CPP_MIN_LOG_LEVEL | 3 | 抑制 TensorFlow 警告 |
TOKENIZERS_PARALLELISM | false | 禁用标记器并行警告 |
BITSANDBYTES_NOWELCOME | 1 | 抑制 bitsandbytes 欢迎消息 |
常见问题
内存不足（OOM）
症状：
- “CUDA out of memory” 错误
- 训练突然崩溃
解决方案：
# 减小批次大小
aitraining llm --train --batch-size 1 ...
# 启用梯度检查点（默认开启）
# 如果禁用，重新启用：
# --disable-gradient-checkpointing false
# 使用梯度累积
aitraining llm --train \
--batch-size 1 \
--gradient-accumulation 8 \
...
# 启用自动批次大小查找
aitraining llm --train --auto-find-batch-size ...
# 使用量化
aitraining llm --train --quantization int4 ...
训练缓慢
检查：
- GPU 利用率：
nvidia-smi -l 1 # 监控 GPU 使用情况
- 启用优化：
aitraining llm --train \
--use-flash-attention-2 \
--packing \
--mixed-precision bf16 \
...
- 数据加载瓶颈：
- 确保数据在快速存储（SSD）上
- 预处理数据以减少标记化开销
- 如果可能，使用较小的序列长度
NaN 损失
症状：
解决方案：
# 降低学习率
aitraining llm --train --lr 1e-6 ...
# 添加梯度裁剪
aitraining llm --train --max-grad-norm 0.5 ...
# 使用 fp32 而不是 fp16/bf16
aitraining llm --train --mixed-precision no ...
数据问题
症状：
调试步骤：
# 检查数据格式
import json
with open("data.jsonl") as f:
for i, line in enumerate(f):
try:
data = json.loads(line)
print(f"Line {i}: {list(data.keys())}")
except:
print(f"Line {i}: INVALID JSON")
if i >= 5:
break
# 预览数据处理
aitraining llm --train \
--max-samples 10 \
--epochs 1 \
...
检查点
保存策略
aitraining llm --train \
--save-strategy steps \
--save-steps 500 \
--save-total-limit 3 \
...
恢复训练
如果训练崩溃，从检查点恢复：
aitraining llm --train \
--model ./my-model/checkpoint-500 \
--data-path ./data \
...
监控工具
GPU 监控
# 实时 GPU 统计
watch -n 1 nvidia-smi
# GPU 内存使用随时间变化
nvidia-smi --query-gpu=memory.used --format=csv -l 5
系统资源
# CPU 和内存
htop
# 磁盘 I/O
iostat -x 1
调试清单
- 检查日志 - 查找错误消息
- 验证数据 - 确保格式正确
- 检查 GPU - 内存和利用率
- 尝试更小 - 减小批次/模型大小
- 隔离问题 - 最小化复现
下一步
