DG2013SP1_1100U1.exe 与 ATEN 62US USB型多电脑切换器应用冲突

最新推荐文章于 2025-06-25 18:17:00 发布
原创 最新推荐文章于 2025-06-25 18:17:00 发布 · 2.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文详细记录了解决在安装驱动精灵2013后使用KVM时出现的延迟问题的过程。包括与ATEN技术支持的沟通、识别问题原因以及最终通过卸载驱动精灵而解决问题的方法。

1、安装完成“驱动精灵2013”之后，使用KVM在两台机器切换时，发现：必须等待10秒钟左右时间，鼠标才可以使用。

2、由于两台电脑先后安装了驱动精灵2013，两台电脑表面现象都同时不好用。

3、联系ATEN北京技术支持，使用先按下NumLock 再按下 "-" ，依次松开“-”和NumLock，会看到三个指示灯自左至右闪烁，此时按M键，多次尝试未果。

北京技术支持电话：010-52550110

深圳维修电话：0755-33848665

4、偶然发现切换到一台电脑时，CPU占用100%，其中一个进行是Services.exe，另外一个是dgservice.exe，前者往往占用最多。其中第二个进程应该是驱动精灵的进程名称，于是卸载之，KVM运转正常了！~~~


2013.06.19

PerfectToday
关注
亲测解决../aten/src/ATen/native/cuda/NLLLoss2d.cu:xxx: Assertion `t ＞= 0 && t ＜ n_classes` failed
狂小虎/Anthony Dave的博客 KuangXiaoHu's Blogs
12-26 2187
这个问题关键在于，就是数据的标签必须在0到数据标签总数之间。小虎的数据是因为遇到了-1的label，解决方法是把label范围给限定在提示的范围内。
DG2013SP4_1501Beta.exe
12-05
驱动精灵工具类网络技术网络基础DG2013SP4_1501Beta.exe
驱动精灵DG2013
08-15
DG2013_B1_1002U(驱动精灵),驱动集成，方便装机。
DG2013_Final_1035U.exe
05-12
DG2013_Final_1035U.exe
驱动精灵DG2013SP3_1310U.exe
12-02
驱动精灵DG2013SP3_1310U.exe
宏正ATEN发行新款机架型PS/2与USB双界面KVM多电脑切换器
weixin_34290000的博客
01-27 264
2019独角兽企业重金招聘Python工程师标准>>> ...
错误 RuntimeError: expected dtype Double but got dtype Float (validate_dtype at ..\aten\src\ATen\nativ
weixin_40676516的博客
07-03 806
当调用 loss.backward() 函数时，出现以下错误 RuntimeError: expected dtype Double but got dtype Float (validate_dtype at …\aten\src\ATen\native\TensorIterator.cpp:143) 报错。 解决方法： 当你使用的损失函数是nn.MSELoss 时，要保证输入数据的类型是一样的。 如：nn.MSELoss(Pred,Result)。要保证Pred和Result的数据类型是一样。不能一个是
简单适配torch_npu不支持的ATen算子
Hi20240217的博客
04-22 751
简单适配torch_npu不支持的ATen算子
RuntimeError: Cannot initialize CUDA without ATen_cuda library.
热门推荐
yuuzhao的博客
06-13 1万+
RuntimeError: Cannot initialize CUDA without ATen_cuda library. PyTorch splits its backend into two shared libraries: a CPU library and a CUDA library; this error has occurred because you are trying to use some CUDA functionality, but the CUDA library has
uc232a_windows_setup_v1.0.084.zip
08-07
UC232A是一个常见的USB转RS-232串口适配器，它允许通过USB端口连接到传统的串行设备，如调制解调器、GPS接收器或工业设备等。 压缩包内的文件包括： 1. "silent install.bat"：这是一个批处理脚本，用于静默安装UC...
ATEN_PPT_chap08_V1.3.ppt
04-13
- ADSL的主要特点是提供较高的下载速度和较低的上传速度，这种非对称性非常适合于互联网浏览和其他下载密集型应用。 2. **ADSL特点**： - 使用现有电话线路进行高速数据传输。 - 可以同时进行语音通话和数据传输...
ATEN_PPT_chap06_V1.4.ppt
04-13
### ATEN_PPT_chap06_V1.4.ppt 关键知识点解析 #### 广域网连接类型与封装协议回顾 在回顾第五章内容时，我们了解到广域网(WAN)连接类型及其封装协议的重要性。广域网是跨越较大地理范围的计算机网络系统，用于...
ATEN_PPT_chap12_V1.3.ppt
04-13
- 它能够在一组路由器之间选举出一个“活跃”路由器来转发数据包，并确保在活跃路由器发生故障时，能够快速地将服务切换到另一个备份路由器上，从而避免单点故障。 **工作原理：** - HSRP 使用虚拟 IP 地址和虚拟 ...
ATEN_PPT_chap13_V1.4.ppt
04-13
- 如某些P2P应用、IP多播等。 #### 7. NAT转换表示例 - 示例中展示了NAT转换表如何记录内部和外部地址间的映射关系，以及端口复用情况。 综上所述，访问控制列表和网络地址转换是网络管理中的重要组成部分，对于...
Could not run ‘aten::empty_strided‘ with arguments from the ‘CUDA‘ backend. ‘aten::empty_strided‘...
哈哈哈哈哈嗝哈哈哈
01-07 511
在使用LibTorch部署调用GPU导出的python模型时，可能会遇到如标题所示的报错，本文介绍如何解决这个报错。
报错 - cannot import name ‘ExportOptions‘ from ‘torch.onnx._internal.exporter‘
AI工程化、开源分享、文档翻译、代码笔记
01-07 3062
ImportError: cannot import name 'ExportOptions' from 'torch.onnx._internal.exporter'
opencv编译&运行报错version libcudnn_ops_infer.so.8 not defined in file libcudnn_ops_infer.so.8 with link……
weixin_39493668的博客
06-25 1797
本次编译基于已安装无GPU版本opencv、且能够正常运行模型推理的环境进行。
WARNING [08/31 21:25:00 fvcore.common.checkpoint]: Some model parameters or buffers are not found in the checkpoint: backbone.fpn_lateral2.{bias, weight} backbone.fpn_output2.{bias, weight} proposal_generator.rpn_head.anchor_deltas.{bias, weight} proposal_generator.rpn_head.conv.{bias, weight} proposal_generator.rpn_head.objectness_logits.{bias, weight} roi_heads.box_head.fc1.{bias, weight} roi_heads.box_head.fc2.{bias, weight} roi_heads.box_predictor.bbox_pred.{bias, weight} roi_heads.box_predictor.cls_score.{bias, weight} roi_heads.mask_head.deconv.{bias, weight} roi_heads.mask_head.mask_fcn1.{bias, weight} roi_heads.mask_head.mask_fcn2.{bias, weight} roi_heads.mask_head.mask_fcn3.{bias, weight} roi_heads.mask_head.mask_fcn4.{bias, weight} roi_heads.mask_head.predictor.{bias, weight} sem_seg_head.p2.0.norm.{bias, weight} sem_seg_head.p2.0.weight sem_seg_head.p3.0.norm.{bias, weight} sem_seg_head.p3.0.weight sem_seg_head.p4.0.norm.{bias, weight} sem_seg_head.p4.0.weight sem_seg_head.p4.2.norm.{bias, weight} sem_seg_head.p4.2.weight sem_seg_head.p5.0.norm.{bias, weight} sem_seg_head.p5.0.weight sem_seg_head.p5.2.norm.{bias, weight} sem_seg_head.p5.2.weight sem_seg_head.p5.4.norm.{bias, weight} sem_seg_head.p5.4.weight sem_seg_head.predictor.{bias, weight} WARNING [08/31 21:25:00 fvcore.common.checkpoint]: The checkpoint state_dict contains keys that are not used by the model: pixel_mean pixel_std head.cls_subnet.0.{bias, weight} head.cls_subnet.2.{bias, weight} head.cls_subnet.4.{bias, weight} head.cls_subnet.6.{bias, weight} head.bbox_subnet.0.{bias, weight} head.bbox_subnet.2.{bias, weight} head.bbox_subnet.4.{bias, weight} head.bbox_subnet.6.{bias, weight} head.cls_score.{bias, weight} head.bbox_pred.{bias, weight} backbone.top_block.p6.{bias, weight} backbone.top_block.p7.{bias, weight} 0%| | 0/1 [00:00<?, ?it/s]/home/detectron/anaconda3/envs/sky/lib/python3.8/site-packages/torch/functional.py:478: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at ../aten/src/ATen/native/TensorShape.cpp:2894.) return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined]
最新发布
09-02
<think> 我们面对的问题是加载模型检查点时出现三个问题： 1. 部分参数未找到（如backbone.fpn_lateral2等） 2. 检查点中有未被模型使用的键（如pixel_mean等） 3. torch.meshgrid警告 根据提供的引用，我们有一个使用ResNet50+FPN作为backbone的模型。用户给出的代码片段展示了如何构建这个backbone，并冻结了部分层的权重。同时，引用[2]显示了FPN输入输出的形状。 分析问题： 1. 参数未找到：可能是模型结构（当前代码定义的模型）与保存检查点的模型结构不一致，导致有些层（如backbone.fpn_lateral2）在当前模型中不存在。 2. 未被使用的键：检查点中可能包含一些模型不再需要的参数（如预处理参数pixel_mean等），这些参数在加载时会被忽略。 3. torch.meshgrid警告：在PyTorch 1.10及以上版本中，torch.meshgrid的API有变化，需要设置`indexing`参数（'ij'或'xy'）以避免警告。 解决方案： 针对问题1和2（参数匹配问题）： 我们可以使用PyTorch提供的加载检查点的函数，并设置`strict`参数为False，这样允许部分参数不匹配（即忽略缺失的键和多余的键）。但是，我们需要注意，如果缺失的参数是重要的，可能会导致模型性能下降，所以需要进一步检查模型结构是否一致。 然而，根据用户给出的代码，我们注意到在构建backbone时使用了`BackboneWithFPN`，这个类可能来自torchvision或自定义实现。在提供的代码中，我们并没有看到定义`BackboneWithFPN`的细节，但根据引用[1]的描述和返回的层，我们推断它是FPN的标准实现。 如果用户自己定义的模型与检查点保存的模型结构不完全一致，比如层命名不一致（例如，检查点中的"backbone.fpn_lateral2"在当前模型中被命名为其他名字），那么我们需要进行键的重映射。否则，只能忽略。 步骤： a) 使用`strict=False`加载模型，忽略不匹配的键。 b) 检查模型结构中是否确实存在FPN的相关层，确保模型构建正确。 针对问题3（torch.meshgrid警告）： 在代码中找到调用`torch.meshgrid`的地方，将其修改为使用新API。例如，将： grid_x, grid_y = torch.meshgrid(x, y) 改为： grid_x, grid_y = torch.meshgrid(x, y, indexing='ij') # 或者 'xy'，根据需求 具体使用`'ij'`还是`'xy'`取决于原代码的意图。在旧版本中，默认行为相当于`indexing='ij'`（笛卡尔索引），而新版本默认会给出警告，要求显式指定。通常，在计算机视觉中，我们可能使用`'xy'`（矩阵索引），但需要根据上下文确定。 如果用户不能直接修改库代码（比如是第三方库），可以考虑升级库或降级PyTorch版本（不推荐），或者忽略警告（通过设置警告过滤器）。 但是，忽略警告并不是根本解决办法，最好能修改源代码。 总结步骤： 1. 模型加载时使用`strict=False`： ```python model.load_state_dict(torch.load(checkpoint_path)['model'], strict=False) ``` 注意：检查点文件可能包含其他信息（如优化器状态），所以需要根据实际情况取出模型参数。 2. 检查模型构建代码，确保FPN模块正确构建，并且命名与检查点期望的命名是否一致。如果发现命名不一致，可以创建一个字典映射来重命名检查点的键。 例如，如果检查点中键为"backbone.fpn_lateral2"，而当前模型中的键为"backbone.fpn.lateral2"，则可以： ```python state_dict = torch.load(checkpoint_path)['model'] # 创建一个映射字典 mappings = { 'backbone.fpn_lateral2': 'backbone.fpn.lateral2', # ... 其他需要映射的键 } new_state_dict = {} for key, value in state_dict.items(): # 如果键在映射字典中，则替换，否则保留 if key in mappings: new_state_dict[mappings[key]] = value else: new_state_dict[key] = value # 然后加载 model.load_state_dict(new_state_dict, strict=False) ``` 3. 对于torch.meshgrid警告，在代码中搜索`torch.meshgrid`，并添加`indexing`参数。如果是第三方库，可以尝试更新库，或者临时忽略警告： ```python import warnings warnings.filterwarnings('ignore', message='torch.meshgrid: in an upcoming release.*') ``` 但更好的做法是找到触发警告的代码位置并修改。如果用户使用的是Segment Anything Model（SAM）相关代码（引用[3]中提到了sam.py），可能需要检查该文件中是否使用了`torch.meshgrid`。 注意：由于用户提供的引用[3]中列出了多个文件，其中transformer.py、sam.py等可能包含网格生成的代码（如在生成位置编码或网格点时），所以应重点检查这些文件。 根据以上分析，我们给出具体建议。 如果用户无法修改第三方库，可以忽略警告，但参数加载问题必须解决。 另外，关于检查点中未被使用的键（如pixel_mean），这通常不影响模型使用，因为使用`strict=False`时这些键会被忽略。 但是，如果用户希望完全清除这些键，可以在加载前从state_dict中删除： ```python state_dict = torch.load(checkpoint_path)['model'] # 删除不需要的键 keys_to_delete = ['pixel_mean', 'pixel_std'] # 示例 for key in keys_to_delete: if key in state_dict: del state_dict[key] # 然后加载 model.load_state_dict(state_dict, strict=False) ``` 最后，建议用户检查模型性能，确保缺失参数（如backbone.fpn_lateral2）不会导致模型失效。 如果缺失的参数是关键参数，则需要考虑是否模型结构定义有误。这时需要对比检查点对应的模型结构和当前代码定义的模型结构。 由于用户提供了构建backbone的代码，我们可以检查`BackboneWithFPN`的实现。但是用户没有给出这个类的代码，所以我们需要假设它是正确的。如果用户使用的是torchvision中的FPN，那么层命名应该是标准的，不应该出现`fpn_lateral2`这样的自定义名称（torchvision中使用的是类似`inner_blocks`和`layer_blocks`）。因此，可能是检查点来自于一个自定义FPN实现，而当前代码使用了不同的实现。 综上所述，主要解决方案包括使用非严格加载、键重映射（如果需要）和修复meshgrid警告。 </think> ### 模型加载问题解决方案 #### 1. 参数未找到 & 未使用键问题 根本原因是检查点与当前模型结构不匹配，可通过以下方法解决： ```python # 加载检查点时忽略不匹配的键 checkpoint = torch.load("model.pth") model.load_state_dict( {k: v for k, v in checkpoint.items() if k in model.state_dict()}, # 过滤有效键 strict=False # 允许部分参数不匹配 ) # 验证加载结果 missing_keys, unexpected_keys = model.load_state_dict(checkpoint, strict=False) print(f"缺失的键: {missing_keys}") # 如backbone.fpn_lateral2 print(f"冗余的键: {unexpected_keys}") # 如pixel_mean ``` **原因分析与处理**： 1. **缺失键问题**（如`backbone.fpn_lateral2`）： - 检查模型定义是否缺少FPN层（引用[1]） - 验证ResNet50输出通道是否匹配（引用[2]中C3~C6的通道数） - 解决方案：修复模型结构或使用适配器转换参数 2. **冗余键问题**（如`pixel_mean`）： - 通常是预处理参数，不影响核心模型 - 解决方案：安全忽略或手动移除： ```python checkpoint = {k: v for k, v in checkpoint.items() if "pixel_mean" not in k} ``` #### 2. torch.meshgrid警告修复 警告源于PyTorch 1.10+ API变更： ```python # 旧代码（触发警告）： grid_x, grid_y = torch.meshgrid(x, y) # 新代码（修复警告）： grid_x, grid_y = torch.meshgrid(x, y, indexing='xy') # 图像处理用'xy' ``` **需检查的文件**（引用[3]）： - `transformer.py`：位置编码生成 - `memory_attention.py`：注意力坐标计算 - `decoders.py`：上采样相关操作 使用全局替换确保所有调用处添加`indexing='xy'`参数。 --- ### 关键验证步骤 1. **结构对齐**： ```python # 打印当前模型结构 print(model) # 对比检查点结构 print(checkpoint.keys()) ``` 验证FPN层命名一致性（引用[1]中的`BackboneWithFPN`） 2. **形状匹配**： ```python # 检查通道数是否匹配引用[2]数据 print(f"当前模型P5形状: {model.backbone.fpn.inner_blocks[3].out_channels}") ``` 3. **权重迁移**： ```python # 手动迁移特定层权重（示例） if "backbone.fpn_lateral2" in missing_keys: model.backbone.fpn.inner_blocks[1].weight.data = checkpoint["backbone.fpn_lateral2.weight"] ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值