【pytorch】thread: [16,0,0] Assertion `t ＞= 0 && t ＜ n_classes` failed

最新推荐文章于 2024-09-03 11:22:16 发布
原创 最新推荐文章于 2024-09-03 11:22:16 发布 · 593 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。
文章标签：

#pytorch #人工智能 #python

报错信息：C:\cb\pytorch_1000000000000\work\aten\src\ATen\native\cuda\Loss.cu:250: block: [0,0,0], thread: [16,0,0] Assertion `t >= 0 && t < n_classes` failed

可能原因：标签label或者预测的结果pred，超出了数据的范围，比如标签里面只有0-15的数字，但是pred中出现19这个数字，那么在交叉熵损失计算中就会报错。

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 2194
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。
Pytorch Error:RuntimeError: Assertion cur_target 0 cur_target n_classes failed
Anthony's Blog
03-19 1003
ERROR 使用pytorch的函数 torch.nn.CrossEntropyLoss()计算Loss时报错 或者 loss = criterion(output, target) 报错： RuntimeError: Assertion `cur_target >= 0 && cur_target < n_classes' failed 解决方法： 原因一：模型输出...
[解决torch.nn.CrossEntropy()] Assertion `t ＞= 0 && t ＜ n_classes` failed.的一种情况
qq_45847855的博客
12-25 2600
运行背景: Linux/Windows 都有, 我是先用nnUnet预处理了医学数据,由于它有b好多不同的类别,也就是多数据集联合训练,有A,B,C三种类别(A 不等于B 不等于 C), 直接读取NifTi是没有问题的,读取预处理的npz格式数据,开始报错,本来以为是不是类别传错了,缩减到一个数据集也是报错. 最后注释掉CrossEntropy()就不报错了,找到了报错的代码块.如果有补充和修正, 欢迎指正。
Pytorch 中“Assertion `t ＞= 0 && t ＜ n_classes` failed error ” 解决方案
miss_sindy的博客
03-03 2683
Pytorch "Assertion `t >= 0 && t < n_classes` failed error" 解决方案
【pytorch】CrossEntropyLoss Assertion `t ＞= 0 && t ＜ n_classes` failed.
qq_43199876的博客
04-19 5232
应用交叉熵计算多分类损失Assertion t >= 0 && t < n_classes failed. 报错语句： loss_c = F.cross_entropy(c, cl.type(torch.cuda.LongTensor)) /opt/conda/conda-bld/pytorch_1565272279342/work/aten/src/THCUNN/ClassNLLCriterion.cu:105: void cunn_ClassNLLCriterion_upd
Assertion `t ＞= 0 && t ＜ n_classes` failed.
qq_34425255的博客
06-13 1274
所以接下来的思路就是想办法把label从0开始，而不是从1开始。而发现自己做的自定义的.pkl格式长的样子是下面这样。这个是官网提供的标准.pkl格式的长的样子。发现'label'是从0开始的。
PyTorch使用F.cross_entropy报错Assertion `t ＞= 0 && t ＜ n_classes` failed问题记录
Charlotte_8的博客
07-18 421
这是由于求交叉熵函数在计算时遇到了类别错误的问题，即不满足条件。本次在做七分类任务时的标签为 (1, 2, ... , 7) 导致出现这个报错， 把标签改为 (0, 1, ... , 6) 后报错解决。
Assertion `t ＞= 0 && t ＜ n_classes` failed.报错解决办法
weixin_52599014的博客
11-16 1652
之前在做自定义的dataset的时候其实也遇到过，但是没太在意，现在又遇到了所以记录一下，网上讲解有挺多，说一下我遇到的这种。除了上面这个断言还会有如下的报错提示。可以看出出错的地方基本上就是在损失函数那个地方。，因为交叉熵损失的y_hat（真实标签）的取值范围是[0,类别数-1],从0开始算的到类别数-1就是你的类别数。如果不是的话就会报上面标题的错误Assertionfailed.注意这里t是在**[0,num_class)**之间的。
语义分割数据集图像扩增与解决报错：block: [1,0,0], thread: [870,0,0] Assertion `t ＞= 0 && t ＜ n_classes` failed.
天籁忍者的博客
11-27 1152
最近在做VOC2008格式的语义分割数据集的图像扩增，由于标签文件是8通道的P模式灰度图像，导致扩增真能按照numpy矩阵的形式来变换，具体操作见下文。先来看一个运行代码过程中遇到的一个问题。
pytorch Assertion `t 」= 0 && t 「 n_classes failed 解决方案
热门推荐
岛的博客
07-14 1万+
这种错误主要是在设置的 n_class 时有误。例如在CNN最后的线性层的输出num设置有误。这样在做loss计算的时候，由于需要将 label 转换成 one-hot 向量，但是one-hot向量的维度是根据你的 pred 的维度转换成相应的维度，同时将 label 值对应位置的 0 置 1，但如果在线性层的输出的 num_class 的设置时错了，例如设置成小于实际的 label 的class 的值，label 对应的index 位置不存在在 one-hot 向量中，所有就会出现 t < n_c
Pytorch 中像素分割“Assertion `t ＞= 0 && t ＜ n_classes` failed error ” 解决方案
u014802909的博客
06-20 1045
Assertion `t >= 0 && t < n_classes` failed.
【出现错误：Assertion `t ＞= 0 && t ＜ n_classes` failed】
weixin_43694476的博客
09-03 711
Assertion `t >= 0 && t < n_classes` failed
CUDA error: device-side assert triggered Assertion t 」= 0 && t n classes failed
kyle1314608的博客
07-02 483
报以上两个问题的原因是 加载了上一次的模型,而上一次的模型有些数据 没有在现在数据中存在 所以报类别没出现的问题 删除之前保存的模型即可
PyTorch使用F.cross_entropy报错Assertion `t ＞= 0 && t ＜ n_classes` failed 和解决RuntimeError: CUDA error: de
weixin_43737693的博客
04-11 537
和解决RuntimeError: CUDA error: device-side assert triggeredCUDA kernel errors…CUDA_LAUNCH_BLOCKING=1)
MaskRCNN-Benchmark框架Assertion 't ** 0 && t ** n_classes' failed可能的原因
11-07 4045
        Mask R-CNN Benchmark是一个完全由PyTorch 1.0写成，快速、模块化的Faster R-CNN和Mask R-CNN组件。该项目旨在让用户更容易地创建一种模块，实现对图片中物品的识别与分割。具有以下亮点： PyTorch 1.0：相当或者超越 Detectron 准确率的 RPN、Faster R-CNN、Mask R-CNN 实现； 非常快：训练速度是...
学习Pytorch深度学习运行AlexNet代码时关于在Pycharm中解决 “t ＞= 0 && t ＜ n_classes” 的断言错误方法
qq_54900679的博客
02-09 1634
学习Pytorch深度学习运行AlexNet代码时关于在Pycharm中解决 “t >= 0 && t < n_classes” 的断言错误方法
Unet复现：遇到 block: [0,0,0], thread: [594,0,0] Assertion `t ＞= 0 && t ＜ n_classes` failed.题
seeyouwlx的博客
05-16 583
在训练自己用labelme标注的图片时遇到上面提到的问题，经过网上的分享总共分下面几种情况，但是都还是无法解决我遇到的问题，最后排查代码才找到问题。n_classes的数值，运行结果中输出通道还是2，因此，直接将train.py中的。n_classes修改为3，因为调用可能运行失败。现在就运行成功了，测试当然也是一样的改动。4、我遇到的情况：发现无论怎么改。1、原作者说的一种情况；
nll_loss_forward_reduce_cuda_kernel_2d: Assertion `t ＞= 0 && t ＜ n__classes` failed.
m0_72708335的博客
01-04 1206
参考如上，第二种方法解决的，我在数据量化时，将label设为了1-8，自此报各种奇怪错误。总结：label需要从0开始，原因不知。
C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [0,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [1,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [2,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [3,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [4,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [6,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [7,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [8,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [9,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [10,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [11,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [13,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [14,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [15,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [16,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [17,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [18,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [19,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [20,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [21,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [22,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [23,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [24,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [25,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [26,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [28,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [30,0,0] Assertion `t >= 0 && t < n_classes` failed. C:\actions-runner\_work\pytorch\pytorch\pytorch\aten\src\ATen\native\cuda\Loss.cu:242: block: [0,0,0], thread: [31,0,0] Assertion `t >= 0 && t < n_classes` failed. Traceback (most recent call last): File "C:\Users\86139\Desktop\wt_flower\train.py", line 79, in <module> loss = criterion(outputs, labels) ^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\anaconda3\envs\pytorch\Lib\site-packages\torch\nn\modules\module.py", line 1751, in _wrapped_call_impl return self._call_impl(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\anaconda3\envs\pytorch\Lib\site-packages\torch\nn\modules\module.py", line 1762, in _call_impl return forward_call(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\anaconda3\envs\pytorch\Lib\site-packages\torch\nn\modules\loss.py", line 1297, in forward return F.cross_entropy( ^^^^^^^^^^^^^^^^ File "D:\anaconda3\envs\pytorch\Lib\site-packages\torch\nn\functional.py", line 3494, in cross_entropy return torch._C._nn.cross_entropy_loss( ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ RuntimeError: CUDA error: device-side assert triggered Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions.
最新发布
08-10
你遇到的错误信息： ``` Assertion `t >= 0 && t < n_classes` failed. ``` 这是 PyTorch 的 `nn.CrossEntropyLoss` 在 GPU 上执行时抛出的断言错误，意思是：**某些标签（label）的值不在合法范围内**。 --- ## 🔍 错误原因分析 - `t >= 0`：标签值不能为负数； - `t < n_classes`：标签值不能大于或等于类别总数； - `n_classes` 是你在模型输出层设置的类别数量（例如 `FlowerNet(num_classes=5)`）； - 如果你的类别是 0~4（共 5 类），那么标签值 **必须** 是 0 到 4 之间的整数； - 如果某个标签是 `-1` 或 `5` 或 `100`，就会触发这个错误。 --- ## ✅ 解决方案 ### ✅ 1. 检查标签值范围 在训练循环中加入打印标签的最小值和最大值： ```python for images, labels in train_dataloader: print(f"Labels min: {labels.min().item()}, max: {labels.max().item()}") ``` 输出示例： ``` Labels min: -1, max: 5 ``` 这说明你的标签中存在非法值。 --- ### ✅ 2. 检查数据集结构是否正确 `ImageFolder` 会根据文件夹顺序自动分配类别标签（0~n_classes-1），所以要确保： - `datasets/train/` 和 `datasets/valid/` 下的子目录数量正确； - 子目录名称是你希望的类别名； - 没有隐藏文件夹或 `.ipynb_checkpoints` 等干扰目录； - 所有图像都在正确的类别目录下。 --- ### ✅ 3. 检查是否手动修改了标签映射 如果你手动设置了 `class_to_idx`，例如： ```python train_dataset = ImageFolder('datasets/train', transform=train_transform, class_to_idx={'daisy': 1, 'dandelion': 2, ...}) ``` 请确保所有值都在 `[0, num_classes - 1]` 范围内，且没有跳过数字。 --- ### ✅ 4. 检查配置文件中的 `num_classes` 确保 `configs/config.toml` 中的 `num-classes` 设置正确： ```toml num-classes = 5 ``` 如果实际类别是 6 个，但你设置的是 5，也会导致标签越界。 --- ### ✅ 5. 检查是否加载了错误的 checkpoint 如果你从之前的训练中加载了模型，但类别数变了，也会导致错误。 ```python model = FlowerNet(num_classes=5, pretrained=False) ``` 如果你之前训练的是 5 类，现在变成 6 类，而你又加载了旧的模型权重，就会出错。 --- ## ✅ 推荐调试代码 在训练循环中加入以下代码，检查每个 batch 的标签： ```python for epoch in range(num_epochs): model.train() for batch, (images, labels) in enumerate(train_dataloader, start=1): images = images.to(device) labels = labels.to(device) # 调试：检查标签范围 if labels.min() < 0 or labels.max() >= configs['num-classes']: print(f"Invalid labels found in batch {batch}: min={labels.min().item()}, max={labels.max().item()}") continue optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() ``` --- ## ✅ 总结 你遇到的错误是： > `Assertion `t >= 0 && t < n_classes` failed.` 说明你的标签值 **不在 [0, num_classes - 1]** 范围内。 --- ##
评论
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