新开一个版块，pytorch报错大全（持续更新）

刚接触pytorch，总是报错，奈何自己又比较笨，记不住，设个帖子记录一下：
1、RuntimeError: Assertion cur_target 0 cur_target n_classes failed，大概就是输出与label不符，个人踩的坑是，使用交叉熵（CrossEntropyLoss()）损失函数时，label要从0开始，从1开始会报错；

2、失踪人口回归了，好久没有用pytorch搭建模型了，也好久没有整理实验过程中遇到的问题了。今天搭建了一个模型，结果报错从没见过，网上资料也很少，特意来记录一下。
运行情况概述：pytorch搭建深度学习模型，使用单机多卡进行训练；
问题：运行程序时报错，RuntimeError: arguments are located on different GPUs。
报错内容提示的很明显，就是网络中模型的参数在不同GPU上，试了很多种方法都不行，尤其是github还有pytorch论坛中给出的使用register_buffer()对我来说也是不起作用的，直到一位大神的文章：pytorch遇到的bug记录—2、解决了PyTorch 使用torch.nn.DataParallel 进行多GPU训练的一个BUG:模型(参数)和数据不在相同设备上。
分析：“torch.nn.DataParallel(model,device_ids=[range(len(gpus))])的机制是, 将属于nn.module类的model以及其广播的所有nn.module子类的上的所有参数,复制成len(gpus)份,送到各个GPU上. 这种传播必须通过其子类通过注册(register)成为nn.module的属性才得以完成, 其属性为列表中的元素是不会被复制的, 所以其属性中的元素还是存放在默认设备device 0上”，也就是说，当有列表属性的元素不会被广播到其他GPU上，而是默认在device0上。解决办法是使用nn.ModuleList或者nn.ModuleDict。
我自己的代码中，有好多线性层（nn.linear）,最开始我是使用self.linear = [linear1,linear2…]进行包装，一直报错，改成self.linear = nn.Modulelist([linear1,linear2…])即可。

3、又报错了，错误一个比一个奇葩。搭建的神经网络在pycharm上运行，开始好好的，突然报错Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)，运行的程序就自动中断退出了，主要是没有报错，也没有提示错误位置，没错，就是这么奇葩。查阅了好多资料，怎么说的都有，有说路径不对的，有说PyQt冲突的，有说pytorch还有各种包之间有冲突的，该文总结了问题可能出现的主要原因：可能时内存泄漏、依赖的库版本不匹配、环境不满足等。因此，每个问题的解决方法也各有不同。Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)中提到了几种解决方法，算是比较全面的了。

我尝试了修改pycharm中的python debugger、删除PyQt、定义run等都不好使。受到pycharm调试pycaffe，出现Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)、报错：Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)、Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)三篇文章的启发，重新配置了python运行环境（conda create -n，具体创建方法网上资料很多），问题解决。

感悟：本人平时有个不好的编程习惯，就是什么项目什么程序都直接用base环境（python 3.6），机器学习，各种试验的包，pytorch等都统统配置在默认的base环境中（注：本机默认的base环境中也有pyqt，而新的环境没有该包，不知是否真的与pyqt有关），这就导致了base环境下包众多，说不定运行哪个程序时各个包之间就会起冲突。所以说，最好是在运行程序之前进行分析，看看需要哪些包，配置或选用合适的环境。

唉，机器学习、深度学习的代码是个玄学，不知道哪里报错，千奇百怪，修修改改。此次修改报错还有意外发现，在切换新环境运行后，运算效率有所提升，计算时间缩短了20%，仔细一想，也确实，环境下包少了，效率也就上来了。 以后要养成良好的编程习惯，我就是明知道不同项目最好创建不同环境，但是就是懒，平时本着能算就行的原则，且没遇到什么特别特别难解决的问题。以后准备配置不同任务环境，例如传统机器学习模型的环境、pytorch搭建的深度学习模型环境，日常计算调试的环境等。

4、今天使用pytorch计算，导入自定义包时突然报错（以前用的好好的），ImportError: /usr/lib/x86_64-linux-gnu/libstdc++.so.6: version `GLIBCXX_3.4.26’ not found (required by /home/administrator/anaconda3/envs/py37/lib/python3.7/site-packages/scipy/interpolate/_rbfinterp_pythran.cpython-37m-x86_64-linux-gnu.so)。网上查阅了各种资料，五花八门，什么需要额外安装包，升级包之类的，但本人觉得可能没有必要这么麻烦，毕竟之前都正常运行过，直到看到这篇文章：import报错，其中提到的第二点，更换报错的import包的代码位置（例如报错显示是import pandas有问题，将该行代码放第一行试试），正常运行。到底什么原因，为什么放在第一行就可以，到现在也没整明白，玄学！！！

5、pytorch模型保存与加载：本人平时训练深度学习模型的习惯并不是直接输出结果，而是输出模型，原因是一方面，以后再进行什么统计计算或者补一些小实验的时候不用重新训练，另一方面，保存中间过程也能及时发现模型中的一些问题。但是，今天加载训练好的模型是突然报错，报错原因是out of…(忘了)，后来突然想到会不会是内核使用的问题，果然，训练的时候使用的是python3.7，而本地测试的时候电脑默认的是python3.6，当切换内核之后问题解决。