RuntimeError: MPS backend out of memory (MPS allocated: 35.34 GB, other allocations: 938.78 MB, max allowed: 36.27 GB). Tried to allocate 25.00 MB on private pool. Use PYTORCH_MPS_HIGH_WATERMARK

问题场景

用户在 M1 Mac 上运行 Kohya SS，希望通过 GUI 训练 LoRA（讨论中使用 Kohya LoCon 类型），目标是在没有 NVIDIA GPU、只能依赖 CPU/MPS 的环境里完成训练。原帖标题为“finally i got running and training LoRA on M1 mac”，正文给出了一整套从克隆仓库到启动 GUI 的安装流程，并附上其成功训练的 512 px、10 张图、40 repeat、4 epoch 的 AdamW 配置。后续评论中另一位 M1 Pro 32 GB 用户询问加速建议，原帖者贴出完整参数 JSON；又有用户反馈出现新报错，原帖者认为其未使用分享的参数。

报错原文

RuntimeError: MPS backend out of memory (MPS allocated: 35.34 GB, other allocations: 938.78 MB, max allowed: 36.27 GB). Tried to allocate 25.00 MB on private pool. Use PYTORCH_MPS_HIGH_WATERMARK

说明：该 MPS 显存报错文本不在本 Issue 的标题、正文或评论中原样出现，此处作为相关问题背景保留；Issue 评论中提到的实际现象是用户反馈“got a new issue”并附截图，具体报错内容需以截图为准。

原因分析

可能原因一：PyTorch 安装来源与 M1 不匹配。原帖者的流程中先卸载 setup.sh 装上的 torch 系列包，再安装 CPU/nightly 版本，说明默认安装可能引入了不适用于该环境的构建，影响 MPS 后端可用性与内存管理。

可能原因二：训练参数与显存预算不匹配。原帖者分享的配置为 train_batch_size 1、max_resolution “768,768”、network_dim 128、network_alpha 192、conv_dim 64、conv_alpha 96、cache_latents true、max_data_loader_n_workers “0”、num_cpu_threads_per_process 2、mixed_precision “no”。这些组合在 32 GB 统一内存的 M1 上属于较重配置，显存/统一内存吃紧时容易触发 MPS 分配失败。

可能原因三：训练图片格式与尺寸。原帖者明确建议改用 JPG、不要用 PNG，理由是 PNG 文件更大、占用更多内存；并建议先从小图（512 px、10 张）开始试训。

可能原因四：启用了 xformers。原帖者要求将其设为 false，在 M1 Mac 上该加速组件未必可用或未必带来收益。

环境排查

• 确认是否为 Apple Silicon（M1 系列）Mac，以及统一内存容量（讨论中为 32 GB）。
• 确认 PyTorch、torchvision、torchaudio、torchmetrics、tensorflow 的安装来源与版本是否与 setup.sh 默认安装一致，是否按原帖流程替换为 CPU/nightly 轮子。
• 确认 Kohya SS 的 requirements.txt 已完整安装，GUI 启动时是否显示 “All requirements satisfied.”。
• 确认训练参数中 xformers 是否为 false、mixed_precision 设置、max_resolution、train_batch_size、network_dim/conv_dim 等是否与原帖分享值一致。
• 确认训练图片格式（JPG 还是 PNG）与单张分辨率，先检查是否使用了 512 px 小图集做最小验证。
• 确认是否设置了 PYTORCH_MPS_HIGH_WATERMARK_RATIO 等 MPS 相关环境变量；Issue 中未给出该项的具体取值或验证结论。

解决步骤

1. 先建立干净的虚拟环境：原帖流程为 python -m venv venv 后 source venv/bin/activate，再执行 ./setup.sh。可优先尝试。
2. 卸载可能冲突的包：pip uninstall tensorboard tensorboard-data-server tensorboard-plugin-wit tensorflow tensorflow-estimator tensorflow-macos torch torchaudio torchmetrics torchvision。可优先尝试。
3. 重新安装依赖：pip install torch torchvision torchaudio torchmetrics 和 pip install tensorflow；随后安装 PyTorch nightly CPU 轮子，再补装 tensorflow 与 torchmetrics，并执行 pip install -U -r requirements.txt。可优先尝试。
4. 启动 GUI：./gui.sh，看到 “All requirements satisfied.” 与本地 URL 后进入训练配置页。
5. 按原帖分享的 LoCon 参数配置训练，重点核对 xformers 为 false、train_batch_size 为 1、network_dim/conv_dim 与分享值一致；原帖者反馈该组合在其 32 GB M1 上可运行。可优先尝试。
6. 把训练图片改为 JPG，并先用 512 px、10 张左右的小数据集试训，确认流程稳定后再扩大规模。可优先尝试。
7. 若仍出现 MPS 内存分配失败，逐项下调分辨率、网络维度或批量大小并重新试训；Issue 中未对其他参数组合给出验证结论。

验证方法

GUI 启动后应显示 “All requirements satisfied.” 并给出本地访问地址；训练开始后观察进度输出是否正常推进并在 4 epoch 内完成，生成输出目录下的 LoRA 权重文件（save_model_as 为 safetensors）。若不再出现 MPS 内存分配报错且训练正常结束，可视为该环境配置生效。建议先用小图集完成一轮，再切换到正式数据集。

参考来源

bmaltais/kohya_ss #1248

原帖附带的日文教程链接：note.com/beautiful_aigirl（Issue 作者称在其环境可用）。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。