kohya_ss AMD GPU 训练实战指南用 ROCm 从零跑通模型微调【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是一款 Stable Diffusion 模型训练 GUI 工具。项目已把 ROCm 版依赖整理好AMD GPU 照着装就能开训。本文带你完成自检、安装、省显存和排错四件事看完即可上手。先自查你的机器够不够跑 AMD GPU 训练动手装环境之前先对照这张表。任何一项不满足后面都会卡住。检查项要求操作系统Linux内核 5.4 以上Ubuntu 20.04 / 22.04 LTS 最省心GPU 驱动ROCm 6.3 及以上版本显卡16GB 级如 RX 7900 XTX起步比较从容Python注意版本差异onnxruntime-rocm1.21.0不支持 Python 3.11tensorboard 与 tensorflow-rocm 按 3.11 / 其他版本分档取号ROCm 一句话解释AMD 官方的 GPU 异构计算平台作用对标 NVIDIA 的 CUDAPyTorch 有对应的 ROCm 构建版。⚠️ Python 版本装错是最常见的隐性坑装完依赖后跑一次验证再开训。上手三步装好 ROCm 6.3 驱动并跑通第一次训练按顺序走三步中间别跳。第 1 步装驱动sudo apt update sudo apt install rocm-hip-sdk装完确认 ROCm 版本在 6.3 及以上。第 2 步拿到项目代码git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss第 3 步一把装完依赖pip install -r requirements_linux_rocm.txt这一步会自动完成 PyTorch、TensorFlow 等核心框架的 ROCm 版本适配以及 ONNX 运行时等辅助组件的安装不用再手动找包。这个文件做了三件关键的事requirements_linux_rocm.txt 第 2-3 行用--extra-index-url https://download.pytorch.org/whl/rocm6.3和--find-links https://repo.radeon.com/rocm/manylinux/rocm-rel-6.4.1把包源指到 ROCm 专用通道解决 AMD 硬件特有的依赖解析问题锁死torch2.7.1rocm6.3和torchvision0.22.1rocm6.3保证与 AMD 驱动栈对齐按 Python 版本挑件3.11 用tensorboard2.14.1其他版本用tensorboard2.16.2tensorflow-rocm 同理分档。装完启动 GUI选一个小数据集跑第一次训练能出图就算跑通了。显存不够怎么办FP16、梯度检查点、batch_size 的取舍结论先行省显存按这个顺序上——先开 FP16再上梯度检查点最后才降 batch_size。手段做法代价FP16 混合精度训练配置里设置--fp16显存占用约降 50%精度略有损失梯度检查点打开--gradient_checkpointing牺牲少量速度换显存批量大小调 batch_size越小越省但吞吐下降 拿 RX 7900 XTX 举例batch_size 从 4 开始试显存富余再往上加别一步拉到最大。出错别慌AMD 训练常见报错速查训练中途炸了先对表再动手。看起来是什么实际意味着什么怎么处理启动即报hipErrorNoBinaryForGpuROCm 驱动版本和包不匹配把驱动升到 requirements_linux_rocm.txt 指定的 6.3 及以上版本训练跑到一半显存爆了批量设置超出显卡承受调低 batch_size同时打开--gradient_checkpointingTensorFlow 相关组件加载失败Python 版本没对上按 requirements_linux_rocm.txt 第 8-11 行的版本约束重装对应组件收尾开训前最后过一遍内核 5.4ROCm 驱动 6.3 已装好pip install -r requirements_linux_rocm.txt装完且验证通过第一次训练开了--fp16batch_size 从 4 起步手边留着上面的排错表报错先对表ROCm 生态还在快速变好文件里也已预留了rocm-rel-6.4.1的包源链接日后升级驱动或 PyTorch 版本时先瞄一眼 requirements_linux_rocm.txt 的最新更新基本不会踩坑。【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 kohya_ss AMD GPU 训练实战指南：用 ROCm 从零跑通模型微调
kohya_ss AMD GPU 训练实战指南用 ROCm 从零跑通模型微调【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是一款 Stable Diffusion 模型训练 GUI 工具。项目已把 ROCm 版依赖整理好AMD GPU 照着装就能开训。本文带你完成自检、安装、省显存和排错四件事看完即可上手。先自查你的机器够不够跑 AMD GPU 训练动手装环境之前先对照这张表。任何一项不满足后面都会卡住。检查项要求操作系统Linux内核 5.4 以上Ubuntu 20.04 / 22.04 LTS 最省心GPU 驱动ROCm 6.3 及以上版本显卡16GB 级如 RX 7900 XTX起步比较从容Python注意版本差异onnxruntime-rocm1.21.0不支持 Python 3.11tensorboard 与 tensorflow-rocm 按 3.11 / 其他版本分档取号ROCm 一句话解释AMD 官方的 GPU 异构计算平台作用对标 NVIDIA 的 CUDAPyTorch 有对应的 ROCm 构建版。⚠️ Python 版本装错是最常见的隐性坑装完依赖后跑一次验证再开训。上手三步装好 ROCm 6.3 驱动并跑通第一次训练按顺序走三步中间别跳。第 1 步装驱动sudo apt update sudo apt install rocm-hip-sdk装完确认 ROCm 版本在 6.3 及以上。第 2 步拿到项目代码git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss第 3 步一把装完依赖pip install -r requirements_linux_rocm.txt这一步会自动完成 PyTorch、TensorFlow 等核心框架的 ROCm 版本适配以及 ONNX 运行时等辅助组件的安装不用再手动找包。这个文件做了三件关键的事requirements_linux_rocm.txt 第 2-3 行用--extra-index-url https://download.pytorch.org/whl/rocm6.3和--find-links https://repo.radeon.com/rocm/manylinux/rocm-rel-6.4.1把包源指到 ROCm 专用通道解决 AMD 硬件特有的依赖解析问题锁死torch2.7.1rocm6.3和torchvision0.22.1rocm6.3保证与 AMD 驱动栈对齐按 Python 版本挑件3.11 用tensorboard2.14.1其他版本用tensorboard2.16.2tensorflow-rocm 同理分档。装完启动 GUI选一个小数据集跑第一次训练能出图就算跑通了。显存不够怎么办FP16、梯度检查点、batch_size 的取舍结论先行省显存按这个顺序上——先开 FP16再上梯度检查点最后才降 batch_size。手段做法代价FP16 混合精度训练配置里设置--fp16显存占用约降 50%精度略有损失梯度检查点打开--gradient_checkpointing牺牲少量速度换显存批量大小调 batch_size越小越省但吞吐下降 拿 RX 7900 XTX 举例batch_size 从 4 开始试显存富余再往上加别一步拉到最大。出错别慌AMD 训练常见报错速查训练中途炸了先对表再动手。看起来是什么实际意味着什么怎么处理启动即报hipErrorNoBinaryForGpuROCm 驱动版本和包不匹配把驱动升到 requirements_linux_rocm.txt 指定的 6.3 及以上版本训练跑到一半显存爆了批量设置超出显卡承受调低 batch_size同时打开--gradient_checkpointingTensorFlow 相关组件加载失败Python 版本没对上按 requirements_linux_rocm.txt 第 8-11 行的版本约束重装对应组件收尾开训前最后过一遍内核 5.4ROCm 驱动 6.3 已装好pip install -r requirements_linux_rocm.txt装完且验证通过第一次训练开了--fp16batch_size 从 4 起步手边留着上面的排错表报错先对表ROCm 生态还在快速变好文件里也已预留了rocm-rel-6.4.1的包源链接日后升级驱动或 PyTorch 版本时先瞄一眼 requirements_linux_rocm.txt 的最新更新基本不会踩坑。【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考