torch.load() don‘t know how to restore data location of torch.storage.UntypedStorage

最新推荐文章于 2025-04-11 14:55:24 发布
最新推荐文章于 2025-04-11 14:55:24 发布
阅读量140 收藏
点赞数
文章标签： 深度学习 pytorch 人工智能
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。
本文链接：https://blog.youkuaiyun.com/zxs0222/article/details/145198972
版权

使用torch.load(model_path)时报错如上

解决：

model = torch.load(model_path, map_location="cuda")

在后面加上map_location="cuda"

咕噜船长
关注
【报错记录】RuntimeError: don‘t know how to restore data location of torch.FloatStorage (tagged with CPU)
m0_70694811的博客
01-16 879
Github上的代码好多都是在Linux上跑的，我们在Windows上跑时，就经常出现类似的问题，将备的参数设置为0貌似是个通用的方法，类似的还有 num_workers参数的问题。
【复现】AnimateDiff复现过程记录
weixin_57974242的博客
12-11 1290
问题合集
PyTorch数据保存和读取的学习笔记（tensor, model）
墨门
06-17 937
Keywords: 序列化 Map_location用于指定读取数据的映射设备，可以是 a function, torch.device, string or a dict. 可以使用函数来表示，我们来看看 doc 中给出的例子： 当使用函数来指定映射方式时，其格式为： 其中 storage: 为初始存储对象（initial deserialization of the storage, residing on the CPU），为序列化时对象的存储位置............
【PyTorch】模型加载与保存
北境の守望者
05-15 677
Backto PyTorch Index 模型保存 # 保存整个模型的结构信息和参数信息, 保存的对象是模型 model ，可以是pth方式，也可以是pkl的方式 torch.save(model, './model.pth') # 方式1 # 保存模型的参数, 保存的对象是模型的状态 model.state_dict() torch.save(model.state_dict(), '....
python瓦登尔湖词频统计
weixin_30500105的博客
11-01 5781
#瓦登尔湖词频统计： import string path = 'D:/python3/Walden.txt' with open(path,'r',encoding= 'utf-8') as text: words = [raw_word.strip(string.punctuation).lower() for raw_word in text.read().split()...
torch.is_storage
qq_39217312的博客
04-05 335
一般来说pytorch中tensor的数据很大，可能是成千上万的，所以我们信息区(Tensor)一般来说占用的内存比较少，主要内存的占用取决于tensor中元素的数目，也就是存储区(Storage)的大小。信息区(Tensor)主要存储tensor的形状(size)、步长(stride)、数据类型(type)等信息，其真正的数据保存为连续数组，存储在存储区(Storage)中。不同的tensor的头部信息一般是不同的，但是它们使用的Storage可能相同(也就是共享内存）什么是Storage？
Pytorch load深度模型时报错：RuntimeError: cuda runtime error (10) : invalid device ordinal
热门推荐
yinhui_zhang的博客
01-21 1万+
问题背景和描述： 　　我是在服务器上用显卡２上训练我的模型，但是模型还在继续跑，所以我只能在其他显卡上重新做测试实验看效果的好坏。在pytorch上重新load训练好的深度学习模型时报错：RuntimeError: cuda runtime error (10) : invalid device ordinal at torch/csrc/cuda/Module.cpp:32。 THCuda...
PyTorch 源码解读之 torch.serialization & torch.hub
zandaoguang的博客
10-28 4369
作者 | 123456来源 | OpenMMLab编辑 | 极市平台导读本文解读基于PyTorch 1.7版本，对torch.serialization、torch.save和tor...
NLP实战(2)：RNN和RNN Cell的序列处理
Henry的博客
04-10 482
全连接神经网络也叫做Dense神经网络，利用线性层对特征进行变换例如，如果想要做预测是否下雨的系统，传统的DNN都是利用当天的数据特征进行预测但这样其实是没有用的，因为预测都是提前的，换句话说，我们需要利用前面的数据预测下一次的天气那么想要预测第四天的天气，需要前面三天的输入作为特征，假设每天都有三个特征的话，那么输入就是9个如果说利用DNN网络的话，需要把三天的特征展平、拼接成9维度的这样其实计算是很复杂的，因为DNN的网络参数非常多。因为CNN使用了权重共享RNN专门用来处理这种带有。
卷积神经网络(CNN)可视化网站汇总
二爷的博客
04-11 711
汇总几个卷积神经网络（CNN）动画和可视化的网址：https://poloclub.github.io/cnn-explainer/直观的交互式工具，解释卷积神经网络的基本原理。https://playground.tensorflow.org/谷歌推出的深度学习交互式平台，虽然主要是全连接网络，但适合学习基础概念。http://cs.stanford.edu/people/karpathy/convnetjs/在线训练CNN模型，并实时可视化卷积、池化等过程。https://www.cs.ryerson.
Named Entity Recognition with Bidirectional LSTM-CNNs（于双向LSTM神经网络的命名实体识别）论文阅读
weixin_45403853的博客
04-11 139
Named Entity Recognition with Bidirectional LSTM-CNNs（于双向LSTM神经网络的命名实体识别）论文阅读简报
神经网络与深度学习：案例与实践——第三章（2）
2301_79679684的博客
04-05 686
Logistic回归可以有效地解决二分类问题，但在分类任务中，还有一类多分类问题，即类别数C大于2 的分类问题。Softmax回归就是Logistic回归在多分类问题上的推广。使用Softmax回归模型对一个简单的数据集进行多分类实验。
智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测
2401_89571885的博客
04-07 1041
智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测
[WIP] einops版GQA MSA
最新发布
taoqick的专栏
04-11 64
【代码】[WIP] einops版GQA MSA。
科普：GRU、LSTM及RNN
qiy_icbc的博客
04-07 898
GRU（门控循环单元）、LSTM（长短期记忆网络）、RNN（循环神经网络）均为处理序列数据的神经网络模型，它们之间存在着紧密的联系与明显的差异。
极简cnn-based手写数字识别程序
含光左卫的工作笔记集
04-11 336
这个程序识别的是0~9的一组手写数字，这是最终的识别效果，为1，代表识别成功，0为失败。然后数据源是：ds = deeplake.load('hub://activeloop/optical-handwritten-digits-train')里面是一组压缩存储的32*32 bits 0-1点阵，内容是0~9的数字的手写数据。我训练了150次，最终达到的效果。模型非常简单：其中两级卷积层，然后是一个池化层，然后是两组映射，最终到达一组prob数据，然后它的维数是10。
CNN+Transformer实现遥感影像建筑物分割
hanfeng5268的博客
04-09 305
该框架结合了CNN的局部特征提取能力和Transformer的全局关系建模，适用于高分辨率遥感影像的建筑物分割任务。卷积核的滑动窗口机制天然适配图像数据的局部相关性，能高效捕捉建筑物边缘、纹理等细节特征（如屋顶边缘、窗户排列模式）通过权值共享保持特征的空间一致性，对建筑物不同位置的重复结构（如规则排列的住宅区）具有稳定识别能力。通过多级下采样逐步抽象特征，构建从边缘→纹理→语义的多尺度表达（如从砖瓦细节到整体建筑轮廓）通过注意力权重自动聚焦关键区域（如区分密集城区与孤立建筑物的特征重要性）
torch.jit.load和torch.load
10-17
`torch.jit.load` 和 `torch.load` 是PyTorch库中的两个用于加载训练好的模型的功能，但它们之间存在一些差异。 `torch.load()` 可以加载保存的PyTorch模型状态（包括参数、优化器状态等），通常适用于非图模式（non-graph mode）下的模型。当你直接传递一个文件路径时，它期望的是一个.pth文件，这是标准的PyTorch模型保存格式。 然而，`torch.jit.load()` 是用来加载 TorchScript（一种可执行的模型格式）模型的。这意味着它是针对图模式（graph mode）的，主要用于序列化已经通过 `torch.jit.script()` 或 `torch.jit.trace()` 编译过的模型。这个函数对输入路径的要求比较严格，不能直接接受文件的绝对路径，因为它期望模型文件与调用它的脚本文件在同一目录下，或者是一个相对路径。 如果你有一个TorchScript模型文件，你可以这样加载： ```python # 假设你的模型文件名为model.pt # 而你的脚本文件在同一个目录下 model = torch.jit.load("model.pt") ``` 如果不在同一目录，你可能需要调整工作目录或者使用相对路径来解决这个问题： ```python import os os.chdir(os.path.dirname(__file__)) # 设置到当前脚本所在的目录 model = torch.jit.load("model.pt") # 使用相对路径 ```
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