企业官网建设流程全解析

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_ss

kohya_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。

ROCm 一句话解释：AMD 官方的 GPU 异构计算平台，作用对标 NVIDIA 的 CUDA，PyTorch 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torch==2.7.1+rocm6.3和torchvision==0.22.1+rocm6.3，保证与 AMD 驱动栈对齐；
• 按 Python 版本挑件：3.11 用tensorboard==2.14.1，其他版本用tensorboard==2.16.2，tensorflow-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。

💡 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。

收尾：开训前最后过一遍

• 内核 5.4+，ROCm 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--fp16，batch_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