Pytorch 训练的注意点，坑

Pytorch将模型加载到GPU中训练时遇到的坑

 

1. 第一个容易遇到的坑: 你的target标签字典中含有list等非tensor的数据类型，这时候不处理会报错如下：

（1）'dict' object has no attribute 'cuda'

（2）'list' object has no attribute 'cuda'

解决方法：

 

（1）https://blog.csdn.net/york1996/article/details/103164696 

（2）将list堆叠成tensor即可，使用torch.stack()

2. 第二个容易遇到的坑：你的数据加载到了GPU，然而你的网络权重还在CPU中，此时会报错如下：

RuntimeError: Tensor for argument #2 ‘weight’ is on CPU, but expected it to be on GPU (while checking arguments for cudnn_batch_norm)

解决方法：

将所有网络层定义放入 def __init__(self, )中去，如果在forward中使用了torch.nn直接调用的网络层，那么那个层的权重就只能留在CPU中了。举例如下：

错误示例：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 96, 11, stride=4)
        self.pool1 = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(96, 256, 5, stride=2)
        self.pool2 = nn.MaxPool2d(2, 2)
        self.conv3 = nn.Conv2d(256, 384, 3, padding=1)
        self.conv4 = nn.Conv2d(384, 384, 3, padding=1)
        self.conv5 = nn.Conv2d(384, 512, 3, padding=1)
        ...
        ...
 
    def forward(self, x):
        bn = x.shape[0]
        x = self.pool1(F.relu(self.conv1(x)))
        x = nn.BatchNorm2d(96)(x) #此处的nn.BatchNorm2d直接调用后会固定在CPU中
        x1_1 = F.relu(self.conv_1_1(x))
        ...
        ...

 

正确示例： 

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 96, 11, stride=4)
        self.pool1 = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(96, 256, 5, stride=2)
        self.pool2 = nn.MaxPool2d(2, 2)
        self.conv3 = nn.Conv2d(256, 384, 3, padding=1)
        self.conv4 = nn.Conv2d(384, 384, 3, padding=1)
        self.conv5 = nn.Conv2d(384, 512, 3, padding=1)
        self.BatchNorm2d = nn.BatchNorm2d(96) #若要使用GPU，必须在init初始化时定义nn网络层
        ...
        ...
 
    def forward(self, x):
        bn = x.shape[0]
        x = self.pool1(F.relu(self.conv1(x)))
        x = self.BatchNorm2d(x) #这是改正后的，现在就可以顺利使用model.to('cuda:0')
        x1_1 = F.relu(self.conv_1_1(x))
        ...
        ...