1.no CUDA-capable device is detected

首先考虑的是cuda的驱动问题，查看gpu显示是否正常，然后更新最新的cuda驱动；

第二个考虑的是cuda设备的默认参数是否修改，平常一块显卡的设置是0，多块可能会修改此参数：

CUDA_VISIBLE_DEVICES="3"  ，把它修改为0即可解决。

2.out of gpu memory

调小batch_size。

换一个简单的模型,例如从resnet101换成resnet50

根据任务不同,情况不同可以修改base_size和crop_size.

图片格式从float换成int

优化程序，每一步都释放掉多余的占用显存的变量

3.因为模型结构下载出现问题，或者别的预加载文件出现问题

直接换网络，或者用外网。

4.明显的存在的文件,但是导入代码出现错误,例如

from ..utils import get_upsampling_weight
两点代表上上一级目录,这里识别不出来,可以直接设定根目录,然后把两个点去掉.

,增大batchsize,因为在batch中计算平均值和方差时不能设置batchsize为1.
6.UserWarning: invalid index of a 0-dim tensor.

修改loss.data[0]为loss.item()

7.torch 未定义

重新输入,让ide重新识别

RuntimeError: invalid argument 0:

  • 你输入的图像数据的维度不完全是一样的，比如是训练的数据有100组，其中99组是256*256，但有一组是384*384，这样会导致Pytorch的检查程序报错
  • 可以尝试添加img = img.convert('RGB')到您__getitem__的Dataset。(有时已经添加也无法改变)
  • 另外一个则是比较隐晦的batchsize的问题，Pytorch中检查你训练维度正确是按照每个batchsize的维度来检查的，比如你有1000组数据（假设每组数据为三通道256px*256px的图像），batchsize为4，那么每次训练则提取(4,3,256,256)维度的张量来训练，刚好250个epoch解决(250*4=1000)。但是如果你有999组数据，你继续使用batchsize为4的话，这样999和4并不能整除，你在训练前249组时的张量维度都为(4,3,256,256)但是最后一个批次的维度为(3,3,256,256)，Pytorch检查到(4,3,256,256) != (3,3,256,256)，维度不匹配，自然就会报错了，这可以称为一个小bug。

那么怎么解决，针对第一种，很简单，整理一下你的数据集保证每个图像的维度和通道数都一直即可。第二种来说，挑选一个可以被数据集个数整除的batchsize或者直接把batchsize设置为1即可。

9.