Pytorch 中“Assertion `t ＞= 0 && t ＜ n_classes` failed error ” 解决方案

miss_sindy

已于 2023-03-03 15:42:23 修改

阅读量2.5k

点赞数 1

文章标签： python 深度学习 numpy

于 2023-03-03 15:40:58 首次发布

本文链接：https://blog.csdn.net/miss_sindy/article/details/129321068

版权

一、问题描述

关键错误为：

ClassNLLCriterion_updateOutput_no_reduce_kernel: block: [0,0,0], thread: [1,0,0] Assertion `cur_target >= 0 && cur_target < n_classes` failed.

二、问题排查

1、训练使用的model是transformers.OpenAIGPTLMHeadModel，对应的参数：

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

miss_sindy

关注关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

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

1984

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

961

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...

1 条评论您还未登录，请先登录后发表或查看评论

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

546

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；

Assertion `t ＞= 0 && t ＜ n_classes` failed.报错解决办法

weixin_52599014的博客

11-16

1488

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

1069

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 中像素分割“Assertion `t ＞= 0 && t ＜ n_classes` failed error ” 解决方案

u014802909的博客

06-20

941

Assertion `t >= 0 && t < n_classes` failed.

[解决torch.nn.CrossEntropy()] Assertion `t ＞= 0 && t ＜ n_classes` failed.的一种情况

qq_45847855的博客

12-25

2333

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。

RuntimeError Assertion cur_target = 0 cur_target n_classes failed

jacke121的专栏

04-11

2902

RuntimeError: Assertion `cur_target >= 0 && cur_target < n_classes' failed criterion = torch.nn.CrossEntropyLoss().cuda() output=output.cuda() target=target.cuda() loss=criterion(o...

RuntimeError: copy_if failed to synchronize: device-side assert triggered

wlw8023diya的博客

07-30

637

= unsigned int, Real = float, Dims = 2]: block: [168,0,0], thread: [154,0,0] Assertion `indexValue >= 0 && indexValue < src.sizes[dim]` failed. /pytorch/aten/src/THC/THCTensorScatterGather.cu:100: void THCudaTensor_gatherKernel(TensorInfo&lt.

pytorch Assertion `t 」= 0 && t 「 n_classes failed 解决方案

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

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

1428

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

PyTorch使用F.cross_entropy报错Assertion `t ＞= 0 && t ＜ n_classes` failed问题记录

最新发布

weixin_43694476的博客

09-03

558

Assertion `t >= 0 && t < n_classes` failed

Assertion `t ＞= 0 && t ＜ n_classes` failed.

qq_34425255的博客

06-13

1100

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

study_jiang_up的博客

07-17

534

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。

【pytorch】CrossEntropyLoss Assertion `t ＞= 0 && t ＜ n_classes` failed.

qq_43199876的博客

04-19

5073

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

CUDA error: device-side assert triggered Assertion t 」= 0 && t n classes failed

kyle1314608的博客

07-02

450

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

483

和解决RuntimeError: CUDA error: device-side assert triggeredCUDA kernel errors…CUDA_LAUNCH_BLOCKING=1)

C:\cb\pytorch_1000000000000\work\aten\src\ATen\native\cuda\NLLLoss2d.cu:103: block: [3,0,0], thread: [385,0,0] Assertion `t >= 0 && t < n_classes` failed. Traceback (most recent call last): File "c:\Users\裴沐阳\Desktop\裴沐阳毕设相关\毕设--图像分割\UNet\U-Net.py", line 355, in <module> history = fit(epoch, model, train_loader, val_loader, criterion, optimizer, sched) File "c:\Users\裴沐阳\Desktop\裴沐阳毕设相关\毕设--图像分割\UNet\U-Net.py", line 241, in fit loss = criterion(output,mask) File "D:\python\python3.8\envs\pmyixq\lib\site-packages\torch\nn\modules\module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "D:\python\python3.8\envs\pmyixq\lib\site-packages\torch\nn\modules\loss.py", line 1164, in forward return F.cross_entropy(input, target, weight=self.weight, File "D:\python\python3.8\envs\pmyixq\lib\site-packages\torch\nn\functional.py", line 3014, in cross_entropy return torch._C._nn.cross_entropy_loss(input, target, weight, _Reduction.get_enum(reduction), ignore_index, label_smoothing) RuntimeError: CUDA error: device-side assert triggered

07-15

这个错误是由于在CUDA设备上的NLLLoss2d操作中出现了断言错误。根据错误信息，断言的条件是“t >= 0 && t < n_classes”，即“t”必须大于等于0并且小于类别的数量“n_classes”。然而，这个条件在某个线程中被违反了。要解决这个问题，你可以检查以下几点： 1. 检查你的目标张量（target）是否包含了超出类别范围的值。确保目标张量中的所有值都在0到n_classes-1的范围内。 2. 检查你的模型输出张量（output）是否正确地映射到了类别索引。确保输出张量的形状是正确的，并且每个像素的预测值对应于正确的类别索引。 3. 如果你使用了权重张量（weight），请确保它的形状与类别数量相匹配，并且没有任何错误。 4. 如果你使用了标签平滑（label smoothing），请确保它被正确地应用。通过检查以上几点，你应该能够找到问题所在并解决这个CUDA错误。如果问题仍然存在，请提供更多的代码和上下文信息，以便我能够更好地帮助你解决问题。