使用pytorch时遇到的问题汇总(一)

桃扇骨 2023-05-21 12:51 99阅读 0赞

## 1、报错TypeError: unhashable type: ‘numpy.ndarray’ ##

**原因**：在将pytorch的longTensor转为numpy，并用于dict的key的时候，会出现这样的错误。其实程序输出已经是int了，但是还是会被认为是ndarray。  
**解决**：在原来的基础上加上.item()

classId = support_y[i].long().cpu().detach().numpy().item()

## 2、数据加载的时候遇到TypeError: ‘int’ object is not callable ##

**原因**：数据不是Tensor类型的而是np.array或其他类型的。  
**解决**：

tensor = torch.LongTensor(data_x)
    data_x = autograd.Variable(tensor)
    tensor = torch.LongTensor(data_y)
    data_y = autograd.Variable(tensor)

## 3、数据加载的时候遇到RuntimeError: DataLoader worker (pid(s) 18620, 45872) exited unexpectedly ##

**解决**：loader中令num\_workers=0

## 4、RuntimeError: input.size(-1) must be equal to input\_size. Expected 10, got 2000 ##

**原因**： 使用view时维度指定错误，LSTM(input,(h0,c0)) 指定batch\_first=True后，input就是(batch\_size,seq\_len,input\_size)否则为input(seq\_len, batch, input\_size)  
**解决**：

lstm_out, self.hidden = self.lstm(
            embeds.view(self.batch_size, 200, EMBEDDING_DIM), self.hidden)

## 5、报错AttributeError: module ‘torch.utils.data’ has no attribute ‘random\_split’。 ##

**原因**：`pytorch1.1.0`版本的random\_split在`torch.utils.data`里，而0.4.0版本的`random_split在torch.utils.data.dataset`里。  
**解决**：`from torch.utils.data.dataset import random_split`。

## 6、报错ValueError: Sum of input lengths does not equal the length of the input dataset! ##

**原因**：数据集问题。

## 7、报错TypeError: can’t convert CUDA tensor to numpy. Use Tensor.cpu() to copy the tens or to host memory first. ##

**解决**：将准确率计算改为：

acc1 = (pred_cls1 == val_y1).cpu().sum().numpy() / pred_cls1.size()[0]

## 8、报错RuntimeError: Input and hidden tensors are not at the same device, found input t ensor at cuda:1 and hidden tensor at cuda:0 ##

原因：因为使用了

if torch.cuda.device_count() > 1:
    	print("Let's use", torch.cuda.device_count(), "GPUs!")
    	model = nn.DataParallel(model)
    model.to(device)

而tensor没有指定卡的ID。

**解决**：两种方式。

1）先定义一个`device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')`（这里面已经定义了device在卡0上“cuda:0”），然后将`model = torch.nn.DataParallel(model，devices_ids=[0, 1, 2]）`(假设有三张卡)。此后需要将tensor 也迁移到GPU上去。注意所有的tensor必须要在同一张GPU上面，即：`tensor1 = tensor1.to(device), tensor2 = tensor2.to(device)`等等。注意：一定不能仅仅是`tensor1.to(device)`而不赋值，这样只会创建副本。

2）直接用`tensor.cuda()`的方法。即先`model = torch.nn.DataParallel(model, device_ids=[0, 1, 2])` (假设有三块卡， 卡的ID 为0， 1， 2)，然后`tensor1 = tensor1.cuda(0), tensor2=tensor2.cuda(0)`等等。（我这里面把所有的tensor全放进ID 为 0 的卡里面，也可以将全部的tensor都放在ID 为1 的卡里面）  
参考网址：学习Pytorch过程遇到的坑（持续更新中）

## 9、报错‘DataParallel’ object has no attribute ‘init\_hidden’。 ##

**原因**：`nn.DataParallel(m)`这句返回的已经不是原始的m了，而是一个`DataParallel`，原始的m保存在`DataParallel`的`module`变量里面。  
解决： 在`DataParallel`和`to(device)`之后如果需要修改`model`，则需要

if isinstance(model, nn.DataParallel):
        model = model.module

## 10、报错Assertioncur\_target >= 0 && cur\_target < n\_classes’ failed.\`。 ##

**原因**：在分类训练中经常遇到这个问题，一般来说在网络中输出的种类数和label设置的种类数量不同的时候就会出现这个错误。`Pytorch`有个要求，在使用`CrossEntropyLoss`这个函数进行验证时`label`必须是以`0`开始的。  
**解决**：

tags_ids = range(len(tags_set))   # 从0开始
    tag2id = pd.Series(tags_ids, index=tags_set)

## 11、报错RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is\_available() is False. If you are running on a CPU-only machine, please use torch.load with map\_location=‘cpu’ to map your storages to the CPU. ##

**原因**：原本是`GPU`训练的模型要加载在`CPU`上。  
**解决**：`model = torch.load(model_path, map_location='cpu')`  
同理，如果原本`4`块`GPU`训练的，改为一块，则`model = torch.load(model_path, map_location='cuda:0')；`  
如果是4块到两块：就把`map_location`改为：`map_location={'cuda:1': 'cuda:0'}`。

## 12、报错size mismatch for word\_embeddings.weight: copying a param with shape torch.Size(\[3403, 128\]) from checkpoint, the shape in current model is torch.Size(\[12386, 128\]). ##

**原因**：加载的模型的`word_embedding`层参数和当前`model`输入的参数不匹配。  
**解决**：`word2id、tag2id`的长度要一致。

## 13、报错RuntimeError: Expected hidden\[0\] size (2, 359, 256), got (2, 512, 256)。 ##

**原因**：使用了DataLoader加载数据，数据集中的训练实例数不能被batch\_size整除，最后一个batch的大小不等于batch\_size，而hidden\_layer初始化的时候用固定的batch\_size初始化：`autograd.Variable(torch.zeros(self.num_layers * 2, self.batch_size, self.hidden_dim // 2))`  
**解决**：如果模型不能处理批量大小的在线更改，就应在torch.utils.data中设置drop\_last=True，因此，在培训期间只处理整批数据。即`testset_loader = DataLoader(test_db, batch_size=args.batch_size, shuffle=False, num_workers=1, pin_memory=True,drop_last=True)`

## 14、在pytorch训练过程中出现loss=nan的情况。 ##

**原因**：

1.  1.学习率太高。学习率比较大的时候，参数可能`over shoot`了，结果就是找不到极小值点； 减小学习率可以让参数朝着极值点前进
2.  2.`loss`函数有问题。
3.  3.对于回归问题，可能出现了除0 的计算，加一个很小的余项可能可以解决。
4.  4.数据本身，是否存在`Nan`，可以用`numpy.any(numpy.isnan(x))`检查一下input和target。
5.  5.target本身应该是能够被loss函数计算的，比如`sigmoid`激活函数的`target`应该大于0，同样的需要检查数据集。

**解决**：减小学习速率或者增大`batch_size`。

## 15、报错RuntimeError: Trying to backward through the graph second time, but the buffers have already been freed. Please specify retain\_variables=True when calling backward for the first time. ##

**原因**：网络中存在多个sub-network，有2个甚至2个以上的loss需要分别对网络参数进行更新，比如两个需要分别执行loss1.backward() loss2.backward()。两个loss可能会有共同的部分，所以在执行第一次loss1.backward()完成之后，Pytorch会自动释放保存着的计算图，所以执行第二次loss2.backward()的时候就会出现计算图丢失的情况。  
**解决**：

1.  1  
    执行`loss.backward(retain_graph=True)`保留计算图，但这样很可能会出现内存溢出`(CUDA out of memory)`的情况。因为Pytorch的机制是每次调用`.backward()`都会free掉所有buffers，所以它提示，让retain\_graph。然而当retain后，buffers就不会被free了，所以会OOM。参考网址：[https://blog.csdn.net/Mundane\_World/article/details/81038274][https_blog.csdn.net_Mundane_World_article_details_81038274]
2.  2  
    当不需要计算生成器的梯度，因此在使用生成数据计算辨别器时使用`.detach()`作为输入数据，这样就对当前图进行拆分，返回一个新的从当前图中分离的  
    `Variable`，返回的 `Variable`  
    永远不会需要梯度.参考网址：[https://blog.csdn.net/u011276025/article/details/76997425][https_blog.csdn.net_u011276025_article_details_76997425]
3.  3  
    对于我的代码，如果`retain_graph=True`则内存溢出，又找不到需要`.detach()`的地方，最后发现是因为我的model每次训练的时候没有重新初始化隐藏层。需要在`model.zero_grad()`之后`model.hidden = model.init_hidden()`来清空 LSTM 的隐状态，将其从上个实例的历史中分离出来，避免受之前运行代码的干扰。如果不重新初始化，会有报错。

[https_blog.csdn.net_Mundane_World_article_details_81038274]: https://blog.csdn.net/Mundane_World/article/details/81038274
[https_blog.csdn.net_u011276025_article_details_76997425]: https://blog.csdn.net/u011276025/article/details/76997425