PyTorch 編寫代碼遇到的問題及解決方案
PyTorch編寫代碼遇到的問題
錯誤提示:no module named xxx
xxx為自定義文件夾的名字
因為搜索不到,所以將當前路徑加入到包的搜索目錄
解決方法:
import sys sys.path.append('..') #將上層目錄加入到搜索路徑中 sys.path.append('/home/xxx') # 絕對路徑 import os sys.path.append(os.getcwd()) # #將當前工作路徑加入到搜索路徑中
還可以在當前終端的命令行設置
export PYTHONPATH=$PYTHONPATH:./
錯誤提示:AttributeError: ‘NoneType’ object has no attribute ‘shape’ height, width, channel = img.shape
在Linux系統下img.shape報錯AttributeError: ‘NoneType’ object has no attribute ‘shape’
img=cv2.imread(),讀取一張圖片時,img.shape是包含三個量的元組,分別是:
img.shape[0]:圖像的高度
img.shape[1]:圖像的寬度
img.shape[2]:圖像的通道數
解決方法:讀的文件出錯 或者查看文件路徑是否正確
錯誤提示 :TypeError: slice indices must be integers or None or have an index method
cropped_im = img[ny1 : ny2, nx1 : nx2, :]
解決方法:需要將ny1 : ny2, nx1 : nx2轉換成int類型
錯誤提示 :Input type (torch.cuda.DoubleTensor) and weight type (torch.cuda.FloatTensor) should be the same
以下三小段分別是Data type CPU tensor GPU tensor
32-bit floating point torch.FloatTensor torch.cuda.FloatTensor
64-bit floating point torch.DoubleTensor torch.cuda.DoubleTensor
出錯在類型轉換
np.float更改為np.float32
import torchvision.transforms as transforms import numpy as np transform = transforms.ToTensor() def convert_image_to_tensor(image): """convert an image to pytorch tensor image: numpy array , h * w * c image_tensor: pytorch.FloatTensor, c * h * w """ image = image.astype(np.float32) return transform(image)
錯誤提示:RuntimeError: zero-dimensional tensor (at position 0) cannot be concatenated
版本問題 舊式寫法
import torch x = torch.tensor(0.1) y = torch.tensor(0.2) z = torch.cat((x, y))
改成新式寫法
x = torch.tensor([0.1]) y = torch.tensor([0.2]) z = torch.cat((x, y)) print(z)
結果
tensor([0.1000, 0.2000])
錯誤提示:TypeError: ‘float’ object is not subscriptable
多瞭下標 a = x.tolist()[0]
去除下標 a = x.tolist()
錯誤提示:argument ‘input’ (position 1) must be Tensor, not list
需要將list轉換成tensor
假設a是list
torch.tensor(a)
GPU模型和CPU模型之間的轉換
假設原來保存的是GPU模型,要轉換為CPU模型
torch.save(model, os.path.join( "./complete.pth")) cpu_model = torch.load("./complete.pth", map_location=lambda storage, loc: storage) dummy_input = torch.randn(1, 3, 224, 224)
假設原來保存的是CPU模型,要轉換為GPU模型
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") torch.save(model, os.path.join( "./complete.pth")) gpu_model = torch.load("./complete.pth", map_location=lambda storage, loc: storage.cuda) dummy_input = torch.randn(1, 3, 224, 224) dummy_input = dummy_input.to(device)
錯誤提示 RuntimeError: Subtraction, the – operator, with a bool tensor is not supported. If you are trying to invert a mask, use the ~ or logical_not() operator instead.
原代碼
# Store only unsuppressed boxes for this class image_boxes.append(class_decoded_locs[1 - suppress]) image_labels.append(torch.LongTensor((1 - suppress).sum().item() * [c]).to(device)) image_scores.append(class_scores[1 - suppress])
更改為
image_boxes.append(class_decoded_locs[~suppress]) image_labels.append(torch.LongTensor((~ suppress).sum().item() * [c]).to(device)) image_scores.append(class_scores[~suppress])
錯誤提示 RuntimeError: Expected object of scalar type Byte but got scalar type Bool for argument #2 ‘other’ in call to _th_max
原代碼
suppress = torch.zeros((n_above_min_score), dtype=torch.uint8).to(device)
更改為
suppress = torch.zeros((n_above_min_score), dtype=torch.bool).to(device)
UserWarning: volatile was removed and now has no effect. Use with torch.no_grad(): instead.
#之前舊版本 ... x = Variable(torch.randn(1), volatile=True) return x #新版 with torch.no_grad(): ... x = torch.randn(1) return x
錯誤提示
RuntimeError: Attempting to deserialize object on CUDA device 1 but torch.cuda.device_count() is 1. Please use torch.load with map_location to map your storages to an existing device.
或者是 RuntimeError: expected device cuda:0 but got device cuda:1
錯誤原因之一
使用瞭CUDA 1顯卡訓練保存的模型文件,使用CUDA 0驗證
代碼中寫瞭
device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)
可以在命令行設置讓哪些GPU可見
export CUDA_VISIBLE_DEVICES=1 #GPU編號 export CUDA_VISIBLE_DEVICES=0,1,2,3#4張顯卡可見
也可以在代碼裡改成
checkpoint = torch.load(checkpoint,map_location=‘cuda:0')
錯誤提示
raise ConnectionError(e, request=request)
requests.exceptions.ConnectionError: HTTPConnectionPool(host=’localhost’, port=8097): Max retries exceeded with url: /update (Caused by NewConnectionError(‘<urllib3.connection.HTTPConnection object at 0x7f3111915e80>: Failed to establish a new connection: [Errno 111] Connection refused’,))
Exception in user code:
解決方案
因為沒有啟動visdom可視化程序,所有報錯
在終端執行命令 visdom之後就能看到如下信息
Checking for scripts. It's Alive! INFO:root:Application Started You can navigate to http://localhost:8097
nn.Module.cuda() 和 Tensor.cuda()
無論是對於模型還是數據,cuda() 都能實現從CPU到GPU的內存遷移,但是他們的作用效果有所不同。
Model:
model = model.cuda() model.cuda()
上面兩句能夠達到一樣的效果,即對model自身進行的內存遷移
Tensor:
model = Model() tensor = torch.zeros([2, 3, 10, 10]) model.cuda() tensor.cuda() tensor_cuda = tensor.cuda() model(tensor) # 會報錯 model(tensor_cuda) # 正常運行
和 nn.Module 不同,調用 tensor.cuda 隻是返回這個 tensor 對象在 GPU 內存上的拷貝,而不會對自身進行改變。因此必須對 tensor 進行重新賦值,即 tensor = tensor.cuda()
PyTorch 0.4 計算累積損失的不同
以廣泛使用的模式 total_loss += loss.data[0] 為例。Python0.4.0 之前,loss 是一個封裝瞭 (1,) 張量的 Variable,但 Python0.4.0 的 loss 現在是一個零維的標量。對標量進行 索引是沒有意義的(似乎會報 invalid index to scalar variable 的錯誤)。使用 loss.item() 可以從標量中獲取 Python 數字。所以改為:
total_loss = total_loss + loss.item()
如果在累加損失時未將其轉換為 Python 數字,則可能出現程序內存使用量增加的情況。這是因為上面表達式的右側原本是一個 Python 浮點數,而它現在是一個零維張量。因此,總損失累加瞭張量和它們的梯度歷史,這可能會產生很大的 autograd 圖,耗費內存和計算資源。
自適應 CPU 和 GPU設備的 trick
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = Model().to(device) total_loss = 0 for input, target in train_loader: input, target = input.to(device), target.to(device) ... total_loss = total_loss + loss.item() with torch.no_grad(): for input, target in test_loader: ...
torch.Tensor.detach的使用
官方說明:Returns a new Tensor, detached from the current graph,The result will never require gradient
假設有模型 A 和模型 B,我們需要將 A 的輸出作為 B 的輸入,但訓練時我們隻訓練模型 B. 那麼可以這樣做:
input_B = output_A.detach
它可以使兩個計算圖的梯度傳遞斷開,從而實現我們所需的功能。
pytorch中loss函數的參數設置
以CrossEntropyLoss為例:
CrossEntropyLoss(self, weight=None, size_average=None, ignore_index=-100, reduce=None, reduction=’elementwise_mean’)
若 reduce = False,那麼 size_average 參數失效,直接返回向量形式的 loss,即batch中每個元素對應的loss.
若 reduce = True,那麼 loss 返回的是標量:
如果 size_average = True,返回 loss.mean.
如果 size_average = False,返回 loss.sum.
weight : 輸入一個1D的權值向量,為各個類別的loss加權,如下公式所示:
ignore_index : 選擇要忽視的目標值,使其對輸入梯度不作貢獻。如果 size_average = True,那麼隻計算不被忽視的目標的loss的均值。
reduction : 可選的參數有:‘none’ | ‘elementwise_mean’ | ‘sum’, 正如參數的字面意思。
多GPU的處理機制
使用多GPU時,應該記住 PyTorch 的處理邏輯是:
在各個GPU上初始化模型。
前向傳播時,把batch分配到各個GPU上進行計算。
得到的輸出在主GPU上進行匯總,計算loss並反向傳播,更新主GPU上的權值。
把主GPU上的模型復制到其它GPU上。
訓練時損失出現nan的問題
訓練模型時出現損失為 nan 的情況
可能導致梯度出現 nan 的三個原因:
梯度爆炸。也就是說梯度數值超出范圍變成 nan. 通常可以調小學習率、加 BN 層或者做梯度裁剪來試試看有沒有解決。
損失函數或者網絡設計。比方說,出現瞭除 0,或者出現一些邊界情況導致函數不可導,比方說log(0)、sqrt(0).
臟數據。可以事先對輸入數據進行判斷看看是否存在 nan.
補充一下nan數據的判斷方法:
註意!像 nan 或者 inf 這樣的數值不能使用 == 或者 is 來判斷!為瞭安全起見統一使用 math.isnan 或者 numpy.isnan 吧。
import numpy as np if np.any(np.isnan(input.cpu().numpy())): print("Input data has NaN!") if(np.isnan(loss.item())): print("Loss value is NaN!")
pytorch 內存泄漏
torch.as_tensor(data, dtype=None,device=None)->Tensor : 為data生成tensor。
如果data已經是tensor,且dtype和device與參數相同,則生成的tensor會和data共享內存。如果data是ndarray,且dtype對應,devices為cpu,則同樣共享內存。其他情況則不共享內存。
import torch import numpy a = numpy.array([1, 2, 3]) t = torch.as_tensor(a)
以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。
推薦閱讀:
- pytorch中Tensor.to(device)和model.to(device)的區別及說明
- pytorch教程之Tensor的值及操作使用學習
- 淺談tensorflow與pytorch的相互轉換
- pytorch中.to(device) 和.cuda()的區別說明
- Python深度學習之Pytorch初步使用