【debug】mmseg工程训练报错：CUDA kernel errors might be asynchronously reported at some other API call ...

🚀Debug专栏

        其他debug记录请参考上方【debug专栏】

---

目录

🚀Debug专栏

🍀🍀背景

🔔🔔详细报错

🍭🍭原因分析

🌻🌻解决步骤

1.报错详细信息定位

2.可能报错1：num_class设置不对

3.可能报错2：模型输出尺寸不对

🌷🌷总结

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

---

🍀🍀背景

        训练mmesg工程，报错CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect.

🔔🔔详细报错

CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect.

🍭🍭原因分析

        报错说是CUDA 内核错误，翻译过来是：可能会在其他一些 API 调用中异步报告，因此下面的堆栈跟踪可能不正确。

🌻🌻解决步骤

        那既然是报错说CUDA在其他地方有被占用的情况，那就先关闭其他程序中的cuda占用，再执行。

1.报错详细信息定位

        首先这种模糊的报错信息难以定位到是什么具体的报错代码位置，所以我们要打印更详细的报错说明，找到报错的代码位置。给代码开始位置添加一下两行：

import os
os.environ['CUDA_LAUNCH_BLOCKING'] = '1'

        这时候报错会定位到实际位置，大家对症下药解决即可。

2.可能报错1：num_class设置不对

        检查自己的数据集label对应的值是否有超过num_class的值，比如num_class=3的数据集，label应该为[0,1,2]，不应该出现除这三个值以外的值。 

3.可能报错2：模型输出尺寸不对

        通常模型的输入尺寸为3是不会变的，但是输出尺寸的channel应该为num_class的大小，因此，此处是最容易忘记改的，本人就是。。。

        记得将模型的out_channel改为num_class！！！

🌷🌷总结

        一般python代码的报错还是比较人性化，翻译过来就能知道大概的报错原因，如果报错原因比较模糊，难以定位的话，可以尝试通过在主函数第一行增加代码os.environ['CUDA_LAUNCH_BLOCKING'] = '1'来打印详细的报错信息，然后再根据详细报错进行定位代码修改。

        这次的经验告诉我们CUDA kernel errors的报错大概率是因为out_channel和num_class不对应。

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

---

🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸⛵⛵⭐⭐🍎🍎👍👍🌷🌷