RuntimeError: Placeholder storage has not been allocated on MPS device!解决方案

已于 2024-07-26 11:34:19 修改
阅读量2.3w 收藏 23
点赞数 22
分类专栏： Python基础课程 文章标签： python stable diffusion mac MPS
于 2024-01-12 11:00:18 首次发布
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.csdn.net/weixin_43178406/article/details/135547137
版权

  大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。

  本文主要介绍了RuntimeError: Placeholder storage has not been allocated on MPS device!解决方案，希望能对使用stable diffusion的同学们有所帮助。

文章目录

1. 问题描述

  今天同学在MAC电脑上运行stable diffusion时，却遇到了RuntimeError: Placeholder storage has not been allocated on MPS device!的错误提示，具体报错信息如下图所示：

请添加图片描述

  在经过了亲身的实践后，终于找到了解决问题的方案，最终将逐步的操作过程总结如下。希望能对遇到同样bug的同学们有所帮助。

了解本专栏 订阅专栏 解锁全文
《Python基础教程》内容总览篇（持续更新中）
weixin_43178406的博客
08-26 29万+
大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。个人精心开设的《Python基础课程》专栏订阅量接近900，帮助不少同学解决了Bug。
扩散模型 - Stable Diffusion
qq_43505867的博客
06-03 2797
所以 U-Net（噪音预测器）预测的噪音也是以潜变量的形式表示的。每一步扩散的输入是潜变量，输出是信息进一步丰富的潜变量。最终的输出是一张图像。​ Stable Diffusion 的开源模型中使用的是 OpenAI 的 CLIP（基于 GPT），而其论文中使用的是 Google 的 BERT。Stable Diffusion 可以完成多模态任务，包括：文字生成图像（text2img）、图像生成图像（img2img）等。​ 有工作指出：文本编码器的选择对于扩散模型的表现比图像生成器的选择更重要。
MAC M1 芯片训练huggingface上的模型，报错RuntimeError: Placeholder storage has not been allocated on MPS device!
weixin_41670367的博客
07-25 1363
后来看参数初始化的源码，发现在设置只使用mps的时候会有问题，在判断use_mps_device后device设置为“mps”，但是在use_cpu的判断里会在else里面判断是否能使用cuda，如果不能就设置为cpu，在这个判断之后device设置为“mps”，后续代码就会根据这个设置把input放到cpu中，就会报错。设置完.to(device)之后可以正常运行，注意tensors的格式需要是“pt”根据我的情况修改为elif就不会进最后的else语句里面了。
【AIGC】Stable Diffusion的常见错误
qq_27070223的博客
02-13 9816
环境变量配置错误：如果 Stable Diffusion 需要特定的环境变量才能正常运行，而这些变量未正确配置，可能会导致错误。检查系统环境：如果您的系统环境设置有问题，可能会导致 Python 找不到所需的模块。如果您遇到权限问题，可以尝试在命令前面加上 sudo（如果您使用的是 Linux 或 macOS 等系统），或者使用管理员权限运行您的命令提示符或终端。检查 Python 安装：确保您正在使用的 Python 安装是完整的，并且没有损坏。确保您的 Python 版本符合模块的要求。
【报错解决】RuntimeError: tf.placeholder() is not compatible with eager execution.
RS_Deer的博客
03-23 2870
运行tensorflow2.4好好的突然再跑给我报这个错误， RuntimeError: tf.placeholder() is not compatible with eager execution. emmmmmmm，然后我百度有人说 tf.compat.v1.disable_eager_execution() 在代码前面添加这行代码，于是我就加了。 然后又出现了错误（想骂人）忘了报错代码了,但大概就是说我用的conv里的filter不对 然后我就奇怪，就去看了一眼tensorflow
学习深度学习之TensorFlow的Spyder出现RuntimeError: tf.placeholder() is not compatible with eager execution
angus168的专栏
04-29 398
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x,但是加入了噪声。File "D:\python\线性回归.py", line 24, in <module>
m1 pro 芯片安装pod后，运行出错
zcl369369的专栏
12-15 2285
From Crash Report: Process: ruby [5444] Path: /System/Library/Frameworks/Ruby.framework/Versions/2.6/usr/bin/ruby Identifier: ruby Version: 145.100.1 Code Type: ARM-64 (Native) Parent Process: zsh [5282] Responsible: Terminal [5005] User ID: 501System Int.
解决tensorflow中 RuntimeError: tf.placeholder() is not compatible with eager execution
分享工作学习知识。
09-22 442
运行tf 1.x版本是代码报错 错误提示： RuntimeError: tf.placeholder() is not compatible with eager execution.只需增加一行代码放在前面：
存储保护错误（Memory Protection Error）
m0_66300412的博客
05-04 3838
存储保护错误（Memory Protection Error）
【个人开发】macbook m1微调报错记录
weixin_44505713的博客
02-07 411
最后发现一种可以使的方式，强制设置 device = “cpu”,然后关闭电脑高内存应用。比如：调整transformers/trainer.py的源码，不行。电脑配置：macbook pro m1芯片 16G内存。如果有网友有根治的解决方案，求分享~训练语料真的会严重影响模型效果。网上搜了很多解决方案。折腾了很久，都不好使。
【个人开发】macbook m1 Lora微调qwen大模型
最新发布
weixin_44505713的博客
02-08 1582
本项目参考网上各类教程整理而成，为个人学习记录。项目中微调模型为：qwen/Qwen1.5-4B-Chat。去年新发布的Qwen/Qwen2.5-3B-Instruct同样也适用。
RuntimeError: tf.placeholder() is not compatible with eager execution.和没有placeholder函数解决方法
weixin_44459064的博客
01-26 2051
在新版本tensorflow （1.15.0，2.0及以上） 中由于没有tf.placeholder占位符，函数调用应为： a = tf.compat.v1.placeholder(dtype=tf.float32) 但这样placeholder在运行时会被立刻执行发生报错，为了让它只作为一个定义而不被立刻运行，等到session部分再运行，应在前面加上： tf.compat.v1.disable_eager_execution() # 使placeholder只被定义，防止placeholder立刻被
全网最全RuntimeError: CUDA error: out of memory解决方法
热门推荐
qq_37668436的博客
11-19 5万+
第一种情况 如果这个报错后面跟了想要占用多少显存但是不够这样的字眼，如下： 解决办法就很简单了： 改小batchsize，batchsize砍半可以差不多省掉一半的显存 推理阶段加上with torch.no_grad()，这个可以将修饰的代码段不要梯度，可以省掉很多显存 改小input的shape，例如(224,224)->(112,112)这样可以省掉一半的显存 换小的网络结构 用多卡训练，torch可以用model = nn.DataParallel(model)启用多卡训练，终端用CUDA
stable-diffusion基础问题记录
yifu0121
06-05 1951
stable diffusion在windows、mac、linux上安装、使用遇到的bug
PyTorch数据保存和读取的学习笔记（tensor, model）
墨门
06-17 946
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............
Stable Diffusion 原理介绍与源码分析（二、DDPM、DDIM、PLMS算法分析）
珍妮的选择的博客
03-19 9903
本文对 Stable Diffusion 主要使用的如 DDPM、DDIM、PLMS 等算法进行分析，详解其代码实现。
部署运行环境如此艰难
hongguoya的博客
06-13 268
环境部署笔记
本地部署stable diffusion
云中飞鹤的博客
03-23 3165
stable diffusion运行问题
苹果M1芯片上运行Stable Diffusion(文字作画)
idwtwt的专栏
10-30 2153
AI作画
streamlit使用时显示Runtime hasn't been created!
06-03
在 Streamlit 中出现 "Runtime hasn't been created!" 错误通常是由于创建 TensorFlow Session 的方式不正确导致的。 Streamlit 是一个 Web 应用程序框架，用于构建交互式数据应用程序。当你在 Streamlit 应用程序中使用 TensorFlow 时，你需要确保正确地创建 TensorFlow Session。 以下是一个可以在 Streamlit 中使用 TensorFlow 的示例： ```python import streamlit as st import tensorflow as tf # 创建计算图和 TensorFlow Session graph = tf.Graph() session = tf.Session(graph=graph) # 在 TensorFlow Session 中执行计算图的操作 with graph.as_default(): # 定义计算图的操作 x = tf.placeholder(tf.float32, shape=[None, 784]) y_ = tf.placeholder(tf.float32, shape=[None, 10]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, W) + b) # 在 Streamlit 应用程序中使用 TensorFlow Session def main(): st.title("TensorFlow Demo") st.write("This is a demo of TensorFlow running inside Streamlit.") # 加载 MNIST 数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # 预处理数据 x_train = x_train.reshape(-1, 784) / 255.0 x_test = x_test.reshape(-1, 784) / 255.0 y_train = tf.keras.utils.to_categorical(y_train, 10) y_test = tf.keras.utils.to_categorical(y_test, 10) # 在 TensorFlow Session 中运行训练操作 with graph.as_default(): cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) session.run(tf.global_variables_initializer()) for i in range(1000): batch = next_batch(100, x_train, y_train) train_step.run(session=session, feed_dict={x: batch[0], y_: batch[1]}) # 在 TensorFlow Session 中评估模型 with graph.as_default(): correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) acc = accuracy.eval(session=session, feed_dict={x: x_test, y_: y_test}) # 显示结果 st.write("Accuracy:", acc) if __name__ == "__main__": main() ``` 在上面的示例中，我们使用 `tf.Session(graph=graph)` 创建了一个 TensorFlow Session，并将计算图 `graph` 与之关联。然后，在 `with graph.as_default():` 代码块中定义了计算图的操作，并在 TensorFlow Session 中执行了这些操作。最后，我们在 Streamlit 应用程序中使用 TensorFlow Session 运行训练操作和评估操作。 希望这个示例能够帮助你解决 "Runtime hasn't been created!" 错误。
评论 14
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

打赏作者

爱编程的喵喵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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