码迷,mamicode.com
首页 > 其他好文 > 详细

PyTorch(BUG汇总)—PyTorch遇到令人迷人的BUG与记录

时间:2018-03-10 20:26:13      阅读:1120      评论:0      收藏:0      [点我收藏+]

标签:iba   断点调试   diff   5.0   vdc   解决问题   ros   技术   different   

BUG1

 

在使用NLLLoss()激活函数时,NLLLoss用来做n类分类的,一般最后一层网络为LogSoftmax,如果其他的则需要使用CrossEntropyLoss。其使用格式为:loss(m(input), target),其中input为2DTensor大小为(minibatch,n),target为真实分类的标签。

如果输入的input类型为torch.cuda.FloatTensor,target类型为torch.cuda.IntTensor,则会出现如下错误:

技术分享图片

因此需要保证target类型为torch.cuda.LongTensor,需要在数据读取的迭代其中把target的类型转换为int64位的:target = target.astype(np.int64),这样,输出的target类型为torch.cuda.LongTensor。(或者在使用前使用Tensor.type(torch.LongTensor)进行转换)。

为了说明pytorch中numpy和toch的转换关系,测试如下:

首先输入int32的numpy数组转换为torch,得到的IntTensor类型

技术分享图片

如果输入的为int64的numpy,得到LongTensor类型:

技术分享图片

如果把int32的数组转换为LongTensor,则会出错:

技术分享图片

如果把int64的数组转换为LongTensor,正常:

技术分享图片

PS: 2017/8/8(奇怪,在使用binary_cross_entropy进行分类时又要求类型为FloatTensor类型,简直够了)

BUG2

 

同样是NLLLoss()使用时的问题。网络传播都正常,但是在计算loss时出现如下错误:
RuntimeError: cuda runtime error (59) : device-side assert triggered at /home/loop/pytorch-master/torch/lib/THC/generic/THCTensorMath.cu:15

断点调试发现数据类型出现如下变化:

技术分享图片

我以为显卡除了问题,最后在pytoch#1204中发现一个人的标签中出现-1,发生了类似的错误:
技术分享图片

而我的标签为1~10,最后把标签定义为1~9,解决这个问题。^_^!

BUG3

 

当使用torch.view()时出现 RuntimeError: input is not contiguous at /home/loop/pytorch-master/torch/lib/TH/generic/THTensor.c:231

这个是由于浅拷贝出现的问题。
如下:定义初始化一个Tensor值,并且对其进行维度交换,在进行Tensor.view()操作时出现以上错误。

技术分享图片

这是由于浅拷贝的原因,y只是复制了x的指针,x改变,y也要随之改变,如下:

技术分享图片

可以使用tensor.contiguous()解决:

技术分享图片

BUG4

 

按照官网的方式编译PyTorch源码时出现:undefined reference to ... @GLIBCXX_3.4.21 (未定义的引用问题) 我的是出现在编译90%左右的broadcast_test附近出现的。问题估计是GCC的版本造成的,虽然GCC -v显示的5.0,但是调用的库不是,需要执行:

conda install libgcc

然后python setup.py clean重新生成即可解决问题

BUG5

 

使用Cross_entropy损失函数时出现 RuntimeError: multi-target not supported at …

仔细看其参数说明:

input has to be 2D Tensor of size batch x n. This criterion expects a class index (tonClasses-1) as the target for each value

of 1D tensor of size n

其标签必须为0~n-1,而且必须为1维的,如果设置标签为[nx1]的,则也会出现以上错误。


NOTE1 共享参数问题

 

tensorflow中有variable_scope方法实现参数共享,也就是说对于2张图片,第二张训练时的权重参数与第一张图片所使用的相同,详见tf.variable_scope. 同样,在PyTorch则不存在这样的问题,因为PyTorch中使用的卷积(或者其他)层首先需要初始化,也就是需要建立一个实例,然后使用实例搭建网络,因此在多次使用这个实例时权重都是共享的。

NOTE2  torch.nn.Module.cuda 作用

 

之前看教程中在定义完网络后会进行:

技术分享图片

现在才发现这个的作用,官方文档上写的是:Moves all model parameters and buffers to the GPU.

也就是在定义时并没有把weight参数传入gpu中,在调用网络进行计算时,如果传入的数据为GPU数据,则会出现:tensors are on different GPUs 错误,因此使用torch.nn.Module.cuda可以把定义的网络参数传入gpu中。

NOTE3 对同一网络连续两次对同一梯度求解(backward)

 

如果使用一个Variable数据传入到网络,通过backward求解其梯度值,然后在使用另一个Variable传入网络,再次求解梯度值,其最终结果会怎么样呢?正如你所想得样,是两次梯度之和。测试代码如下:

技术分享图片

定义一个一层的线性网络,并且其权重(weight)和偏置(bias)都初始化为0,在每次求解梯度后输出梯度值,其结果如下:

技术分享图片

可以发现,在进行梯度求解前,没有梯度,在第一次计算后梯度为-1,第二次计算后为-2,如果在第一次求解后初始化梯度net.zero_grad(),则来嗯次都是-1,则连续多次求解梯度为多次梯度之和。

NOTE4 pytorch自定义权重初始化

 

在上面的NOTE3中使用自定意的权重参数初始化,使用toch.nn.Module.apply()对定义的网络参数进行初始化,首先定义一个权重初始化的函数,如果传入的类是所定义的网络,则对其权重进行in_place赋值。

如果对weight_init(m)中的classname输出,可以发现有多个类:(因此需要判断是否为所定义的网络)

             技术分享图片

 

NOTE5 pytorch权重的更新

关于网络传递中网络的定义、loss计算、backpropogate的计算,update weight在Neural Networks有简单介绍,这里测试下。只要定义一个优化器(optimizer),实现了常见的优化算法(optimization algorithms),然后使用优化器和计算的梯度进行权重的更新。

在NOTE3中的代码后面增加如下(更新权重参数):

技术分享图片

其运行结果为:

技术分享图片

可见使用optimizer.step()实现了网络权重的更新。(而且可以选择不同的更新方式,如:Adam、SGD等)

NOTE6  torch.autograd.backward()使用技巧

 

当计算多个梯度相加(相减)时,使用backward(torch.FloatTensor([-1]))可以简单实现。

NOTE7  监控内存使用,防止内存泄漏memory leak

http://www.aibbt.com/a/19351.html

 代码如下:

技术分享图片

PyTorch(BUG汇总)—PyTorch遇到令人迷人的BUG与记录

标签:iba   断点调试   diff   5.0   vdc   解决问题   ros   技术   different   

原文地址:https://www.cnblogs.com/aibbt/p/8541611.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!