ValueError: Connection error, and we cannot find the requested files in the cached path. Please try.

ValueError: Connection error, and we cannot find the requested files in the cached path…

Please try again or make sure your Internet connection is on.
在试图复现一篇论文的代码的时候遇到了上面这个问题。

1. 这个项目是我从作者的公布的github上面下载下来的，所以代码本身应该没有什么问题。报错的源代码如下，起初是186行报错，错误信息也是标题这个：
   

2. 在百度上面一番搜索，觉得就是连外国网站下模型网不好，下不下来报错。因此，我把原模型：bart-large从镜像网站中下载到了本地，再上传到服务器该项目下的对应位置，具体如图：
   

3. 图片里面这个bart-large就是下载的模型。里面包括了模型的所有的文件(原文我也不知道会用到哪些，就把镜像网站上该模型的全部文件都下下来了)。包含的文件如下图：
   

4. 然后我将项目源代码中报错的186行，改为了实验室服务器上面保存该模型的位置，如下：
   

5. 在这里，我把原来的代码注释了，增加了model_path,保存的就是服务器上模型的位置，直接在AutoTokenizer.from_pretrained函数里面传入模型绝对路径。将参数cache_dir也改为模型的缓存路径(这个缓存路径是我新建的，放在项目目录里面)。我在服务器上的整个项目的目录结构如下：
   

6. 其中bart-large(保存我下载的bart-large模型)、bart-large-cache(我新建的模型缓存路径)、testpy.py、test.txt是我建的，其他就是项目作者原有的。testpy.py、test.txt这两个文件没什么用，就是我自己用来复现代码的时候测试导包有没有问题，路径对不对之类的。然后根据作者README中的说明运行代码，结果还是报错，而且是换了一个地方报错。。。错误信息如下：
   

7. 还是同样的错误，但是报错的原代码变成了207行，如下：
   

8. 这又是什么？？？

9. 害，总之研究了整整3个小时后，我找到了报错的原因，里面那个model_args.model_name_or_path指的模型是要加载的预训练模型，其实需要下载一些数据集及对应的基础模型作者已经在README里面说了，只是我没注意这里，之后我把需要的模型下下来，放到对应位置，如下：11

10. 图中每个数据集下面的i_feature和xx_stage1就是需要自己去下载下来放在对应位置的(如果在服务器跑的话，记得服务器上面也要更新上去)。作者在README中的说明如下：

11. 又是被自己折腾的一天，之后代码就能正常运行，不报这个错误了。

12. 醉了，又报了另一个错：

13. RuntimeError: cuDNN error: CUDNN_STATUS_VERSION_MISMATCH
    
    于是查看一下当前我的虚拟环境中cuda和cudnn的版本，参考链接：https://blog.csdn.net/Wzh49115/article/details/126637772

得到如下结果：


奇怪，之后参考这个查看，得到的版本还不一样！！
https://blog.csdn.net/Wzh49115/article/details/126637772

所以到底哪个是真实的？？
再看看cuda与cudnn是否匹配：
看完之后，猜测可能是两个版本不匹配的问题，所以更换cudnn版本(因为作者指定了cuda版本，换不了)
查看版本匹配链接：
https://developer.nvidia.com/rdp/cudnn-archive
然后，我在对应的虚拟环境中使用nvcc -V查看cuda版本，结果又是另一个版本，如下图：

所以，这个nvcc -V查看的版本与之前的查看的11.7版本到底哪个是对的。通过一番搜索，网友说可能是nvcc指向的是系统默认的cuda，我也懒得折腾了。
于是通过conda list查看cudnn,(我之前安装cudnn是用conda安装的)，然后直接通过conda uninstall cudnn卸载当前虚拟环境中的cudnn。

接下来，要安装与当前cuda匹配的cudnn,

当前torch为1.13.1+cu117,cuda为11.7，对应需要cudnn。
绝望，当我上面卸载了cudnn后，查看cudnn,竟然还能用？？？

谢天谢地，总算跑通了！！！


跑这一个数据集，花了26分钟。