前言: 本文主要记载在pytorch使用过程中遇到的一些报错以及解决方案等,在以前的文章[1]中,主要涉及的是比较容易出现的原理上的,或者难以发现的bug,而这里的主要是系统抛出的error或者warning的解决方法,其各有侧重,欢迎各位贡献idea。如有谬误,请联系指出,如需转载,请注明出处,谢谢。
联系方式:
e-mail: FesianXu@gmail.com
QQ: 973926198
github: https://github.com/FesianXu
- 1 pytorch 版本号: 1.0.0 with python 3.6.1 报错内容: optimizer can only optimize Tensors, but one of the params is list 原因:在指定优化器的优化变量时,其必须是一个可迭代的参数对象或者是一个定义了优化组的字典[3],具体见[4]的操作。这个可迭代的参数对象一般可以是
list
。 解决方案:将所有需要优化的对象用list
进行包裹,如:
trained_vars=list(model.submodel_1.parameters()) + \\
list(model.submodel_2.parameters())
opt=torch.optim.SGD(trained_vars, lr=...)
注意到此时的trained_vars
是一个可迭代的list
,其中每个元素都是一个参数组。
- 1 报错内容:RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same 版本: 1.0.0 with python 3.6.1 原因:有部分变量未加载进入显存,注意,在如下情况
class model(nn.Module):
def __init__(self):
super().__init__()
self.convs=[
nn.Conv2d(...),
nn.Conv2d(...)
]
m=model().cuda()
此时convs
因为只是个list
而不是集成了nn.Module
的对象,因此是不会被迭代地放置到GPU中的,model().cuda()
这种方式只会对model
类中的__init__()
方法中定义的继承了nn.Module
的类的实例有效。 解决方法:
self.convs=[
nn.Conv2d(...),
nn.Conv2d(...)
]
self.convs=nn.ModuleList(self.convs)
- 2 报错内容:RuntimeError: cuDNN error: CUDNN_STATUS_BAD_PARAM 版本: pytorch 1.0 原因: 输入的
tensor
的数据类型不匹配,应该是torch.float32()
解决方法:
inputv=inputv.float()
model(inputv)
- 1 报错内容:RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation 版本: 1.0.0 with python 3.6.1 原因: 注意到有些操作属于
in-place
操作,比如x +=1
,x[0]=5
等,这类操作如果是在如下情况发生的:
c=x+b
x +=1
compute_gradient(ys=c, xs=x)
如果此时c
对x
对梯度,而x
的值已经在后续的计算中发生了in-place
的变化,那么就会导致出错[5]
解决方案:将x +=1
改成x=x+1
即可解决。
补充: x +=1
在pytorch
中是一个in-place
操作,所谓in-place
就是进行了该操作是对该变量直接进行处理后返回的,也就是说该变量的地址是不会改变的,只是值变了而已;而非in-place
操作就是,在内存中另外开辟了一个空间存放新的值,然后将指针指向那个新的地址,在这种情况下,该变量的地址是会改变的。下面是一个例子:
In[1]: import torch
In[2]: a=torch.tensor(5)
In[3]: a
Out[3]: tensor(5)
In[4]: id(a)
Out[4]: 139636046877104
In[5]: a +=8
In[6]: a
Out[6]: tensor(13)
In[7]: id(a)
Out[7]: 139636046877104 # inplace操作,其地址不变
In[1]: import torch
In[2]: a=torch.tensor(6)
In[3]: id(a)
Out[3]: 139938915856816
In[4]: a=a+1
In[5]: a
Out[5]: tensor(7)
In[6]: id(a)
Out[6]: 139938915829584 # 非in-place操作,地址不同了
在pytorch中,计算梯度的时候有时候要求前面的相关变量不能被in-place
操作改变,不然将会导致梯度计算问题,从而报错。
- 1 警告内容:/pytorch/torch/csrc/autograd/python_function.cpp:622: UserWarning: Legacy autograd function with non-static forward method is deprecated and will be removed in 1.3. Please use new-style autograd function with static forward method. 原因: 自定义层的时候,在新的版本的pytorch中将会抛弃旧的用法,旧的用法指的是其
forward
方法为非静态方法,在1.3版本之后,forward
方法要求定义成静态方法,具体参考[6]。
- 1 报错信息: RuntimeError: cuDNN error: CUDNN_STATUS_MAPPING_ERROR 原因: 原因不明,偶尔会触发,但是又不是进程性的,一般和代码无关,可能是CuDNN的bug,见[9]解决方法: 在代码中添加
torch.backends.cudnn.enabled=False
import torch
torch.backends.cudnn.enabled=False
# your code here
![](https://pic4.zhimg.com/v2-2be57c39c592a4a3bb4b017a0f76b163_r.jpg)
- 1 报错内容:undefined symbol: THPVariableClass 原因: 在导入某些和
pytorch
有关的第三方包时,如果先导入第三方包,容易发生这种错误,正确的做法是首先导入pytorch
,例如:[7]
import torch
import your_extension
- 2 报错内容: CUDA error 59: Device-side assert triggered 原因: 这个运行时错误太经典了,经常是因为定义的分类器的输出类别和标签的数量不匹配,比如分类器输出100个类,而期待的标签范围应该是[0,99],如果你输入一个标签是100,那么就会报出这种错误[8]
[1]. 用pytorch踩过的坑[2]. https://discuss.pytorch.org/t/giving-multiple-parameters-in-optimizer/869[3]. https://pytorch.org/docs/stable/optim.html?highlight=sgd#torch.optim.ASGD[4]. https://blog.csdn.net/LoseInVain/article/details/81708474[5]. https://discuss.pytorch.org/t/encounter-the-runtimeerror-one-of-the-variables-needed-for-gradient-computation-has-been-modified-by-an-inplace-operation/836/5[6]. https://discuss.pytorch.org/t/custom-autograd-function-must-it-be-static/14980[7]. https://github.com/pytorch/extension-cpp/issues/6[8]. https://towardsdatascience.com/cuda-error-device-side-assert-triggered-c6ae1c8fa4c3[9]. https://github.com/pytorch/pytorch/issues/27588#issuecomment-603315518