in <module>报错_pytorch报错消息及其解决纪录

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

---

在指定优化器的优化变量时

• 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。

---

CUDA相关

• 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)

pytorch计算图相关

• 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。

---

版本迭代

• 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]。

CUDNN相关

• 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

其他

• 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]

---

Reference

[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.youkuaiyun.com/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