从 0 到 1 跑通 kohya_ss：AMD ROCm 训练环境实战手册-平芜编程栈

从 0 到 1 跑通 kohya_ss：AMD ROCm 训练环境实战手册

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss

在 AMD 显卡机器上配置 kohya_ss 训练环境，最容易卡在 PyTorch 构建的选择上：装错 CUDA 版 wheel，环境就要推倒重来。项目官方提供了 ROCm 依赖通道，本文按四个阶段把环境搭好，并确认第一次训练能落地。

kohya_ss 训练环境定位：适用边界与硬性前置条件

kohya_ss 是基于 Gradio 的扩散模型训练前端，把底层训练脚本的优化器、学习率、分桶分辨率等参数封装成图形界面，你不需要手写完整的训练命令行。它的边界也要说清：项目面向训练侧，不做模型下载与版本管理，也不提供 WebUI 式的在线生图，训练产物的评测需要配合其他工具完成。

对 AMD 用户而言，ROCm 在这里不是社区补丁，而是与 CUDA 并列的官方安装路径：安装脚本会根据rocminfo是否存在自动切换依赖清单，你不用自己拼 wheel 索引地址。ROCm 依赖清单 requirements_linux_rocm.txt 中已锁定torch==2.7.1+rocm6.3与tensorflow-rocm，Python 3.10 与 3.11 都有对应条目。

开始之前确认三个硬性前置条件：

Linux 系统（Ubuntu/Debian 系验证最充分），ROCm 6.3+ 已安装且rocminfo可执行
Python 3.10 或 3.11，ROCm 清单未覆盖 3.12
独立显卡，显存 12GB 起（SDXL 的 LoRA 训练是常见目标）

环境搭建与首次启动 ROCm 训练链路

ROCm 运行时准备与验证

GUI 里每个训练任务最终都跑在 PyTorch 的 HIP 后端上，所以先确认系统层 ROCm 可用，否则 Python 侧装再多包也没有意义。用发行版源装 ROCm 基础工具：

sudo apt update sudo apt install -y rocm-smi

运行rocminfo应列出你的显卡与 gfx 架构，rocm-smi能看到显存总量与占用。若输出里找不到 GPU，先修驱动与内核模块，不要继续下一阶段。

拉取代码并安装 ROCm 依赖

把仓库拉到本地后交给setup.sh创建 venv、安装依赖并写入 accelerate 配置，它内部按平台选择依赖清单，避免手动 pip 装错构建：

git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss

bash setup.sh --use-rocm

ROCm 分支下脚本会先升级 pip（PyTorch ROCm 的 wheel 体积大，旧版 pip 容易中断），再按清单批量安装。正常结束会打印Setup finished! Run ./gui.sh to start.，且项目根目录下已生成venv/。

⚠️ 注意：若机器同时装过 NVIDIA 驱动，脚本可能优先命中 CUDA 分支。务必显式传--use-rocm，装完后确认torch.version.hip非空，否则拿到的是 CUDA 版 PyTorch。

PyTorch ROCm 环境自检

装完依赖做一次显式自检，确认 Python 侧真正连上了 AMD GPU，而不只是装了包：

source venv/bin/activate python -c "import torch; print(torch.__version__, torch.cuda.is_available(), torch.version.hip)"

预期输出形如2.7.1+rocm6.3 True 6.3.4：版本带+rocm后缀、可用性为True、HIP 版本号非空。三者缺一不可，任何一项异常都说明构建选错，回到上一阶段重装。

首次启动 kohya_ss GUI 并定位训练页

自检通过后直接启动，启动脚本会激活 venv 并按平台复核依赖清单，然后拉起主界面：

bash gui.sh

浏览器打开启动日志中打印的本地地址（默认 127.0.0.1:7860），进入 LoRA 页确认模型路径与数据集目录可填写、"Accelerate Launch" 区域正常渲染，即算跑通首链路。

⚠️ 注意：gui.sh会检查LD_LIBRARY_PATH，未设置时打印黄色警告；WSL2 环境下不补/usr/lib/wsl/lib/可能导致 HIP 运行库加载失败。

核心能力速览：LoRA、DreamBooth 与 masked loss

LoRA 训练是 AMD 平台最常跑的入口。典型场景：准备几十张同风格图片，每张配同名.txt标注；仓库示例 test/img/10_darius kawasaki person/ 就是这种"图像+标注"成对结构。LoRA 页里把 network rank 设为 16、学习率落在 4e-7 量级（SDXL 基准）、最大分辨率给到 1024，即可发起一次完整训练。

DreamBooth（finetune）面向单角色或单主体的全量微调，参数在 finetune 页。它比 LoRA 更慢、显存占用更高，适合主体需要高度还原且能接受完整权重产出的场景。

⚠️ 注意：SDXL 分辨率到 1024 后显存需求明显上升，12GB 显存建议 batch 从 1 起步并开启 gradient checkpointing。

masked loss是数据侧的进阶项：给训练图配一张前景掩码（黑白图，白色为要学习的区域），损失只在掩码内计算，适合背景杂乱、只想提取主体特征的数据集。test/masked_loss/ 下存放了成对的掩码示例：

训练模式	适用数据量	显存压力	产物
LoRA	10～100 张	低	轻量 LoRA 权重
DreamBooth	20 张以上	高	完整 ckpt/safetensors
加 masked loss	视背景杂乱度	与主模式相同	同左，收敛更聚焦主体

参数不必全部手填：配置模板 config example.toml 里train_data_dir、optimizer、gradient_checkpointing等字段带默认值与注释，是可以照抄的对照底稿。

排错与调优速查

显存吃紧时按顺序处理：先开 gradient checkpointing 换显存，再把 batch 压到 1 配梯度累积，最后才降分辨率；多卡训练在 "Accelerate Launch" 区域设置gpu_ids与num_processes。

问题现象	可能原因	排查命令或操作
`rocminfo`列不出 GPU	ROCm 驱动或内核模块未装好	运行`rocm-smi`，查 dmesg 中 amdgpu 记录
PyTorch 变成 CUDA 构建	setup 未识别 ROCm 走了 CUDA 分支	重跑`bash setup.sh --use-rocm`，核对`torch.version.hip`
训练中途 OOM	分辨率或 batch 过高	开 gradient checkpointing，下调 max_resolution
`gui.sh`提示 venv 缺失	跳过 setup 直接启动	先完成`bash setup.sh --use-rocm`
HIP 运行库加载失败	`LD_LIBRARY_PATH`未设置	按 gui.sh 警告补充后重启