问题标签 [pytorch]

有没有人能够解决 PyCharm 中的 PyTorch 特定检查问题？以前关于非 PyTorch 相关问题的帖子建议升级 PyCharm，但我目前使用的是最新版本。一种选择当然是完全禁用某些检查，但我宁愿避免这样做。

示例：torch.LongTensor(x)给我“意外的参数...”，而两个调用签名（带和不带x）都受支持。

在 numpy 中，我可以像这样进行简单的矩阵乘法：

但是，当我尝试使用 PyTorch 张量时，这不起作用：

此代码引发以下错误：

RuntimeError：/Users/soumith/code/builder/wheel/pytorch-src/torch/lib/TH/generic/THTensorMath.c:503 处的张量大小不一致

任何想法如何在 PyTorch 中进行矩阵乘法？

我想将 pix2pix 图像转换为使用 nngraph 构建的图像翻译模型 ( https://github.com/phillipi/pix2pix )。

当我尝试使用 torch to caffe 工具（https://github.com/facebook/fb-caffe-exts#torch2caffe）将其转换为 caffe 模型时，我收到错误“unknown class nn.gModule”。

我还尝试通过来自 torch.utils.serialization 的 load_lua 在 pytorch 中加载 Torch 模型，但我得到了类似的错误。

因为，似乎不支持 nngraph 进行转换。有没有一种方法可以将 nngraph 模型转换为 nn 模型而无需重写或重新训练？下线，我想将 pix2pix 模型转换为各种格式，如 caffe、caffe2、coreML 等，以测试在移动环境中的性能。

谢谢

我刚买了一台 GTX 1080Ti，我想知道我是否可以同时使用我的旧 GTX 1070 和 GTX 1080Ti 来使用 TensorFlow 或 PyTorch 进行小型批处理。

我主要担心的是：

GTX 1070 会成为 GTX 1080Ti 的瓶颈，还是每张卡的功率都将发挥到最大？

我知道在 SLI 配置中，总 VRAM 的数量将等于数量最少的卡（这里的 GTX 1070 具有 8GB 或 VRAM）但是在不涉及 SLI 的 tensorflow/pytorch 训练期间会发生同样的事情吗？

我有一个包含 16 个进程的 PyTorch 脚本。以下是主进程的代码片段：

是worker_wrapper这样的：

意志会做一些事情，worker永远不应该停止。它在开始时运行良好，但通常在运行 1 天后，一些子进程（不是全部）意外退出，我得到如下输出：

它没有发现任何异常。我试图搜索 exitcode -9 但没有得到任何有用的东西。有没有人遇到过这个？或者您对如何调试有任何想法？很抱歉，我无法提供最小的可重现代码片段，因为重现通常需要一天时间。我正在使用python2.7

我收到以下错误。

AttributeError：不能在模块之前分配模块。初始化（）调用

我有一堂课如下。

我在这里做错了什么？我是 PyTorch 的初学者，请帮忙！

我有一个简单的神经网络模型，我在模型上应用cuda()或应用DataParallel()如下。

或者，

当我不使用 DataParallel 时，只需将我的模型转换为cuda()，我需要将批量输入显式转换为cuda()然后将其提供给模型，否则它会返回以下错误。

torch.index_select 收到无效的参数组合 - 得到 (torch.cuda.FloatTensor, int, torch.LongTensor)

但是使用 DataParallel，代码可以正常工作。其余的其他事情都是一样的。为什么会发生这种情况？为什么当我使用 DataParallel 时，我不需要将批处理输入显式转换为cuda()？

我是 Python/Pytorch 用户。首先，在 numpy 中，假设我有一个大小为 LxL 的数组 M，并且我想要以下数组：A=(M,...,M) 的大小，比如 NxLxL，是否有更优雅/内存有效的方法比：

与火炬张量相同的问题！原因，现在，如果 M 是变量（torch.tensor），我必须这样做：

这是丑陋的！

这是一个运行基于字符的语言生成的 RNN 模型：

我使用 DataParallel 实例化模型，在我的 4 个 GPU 上拆分输入批次：

这是完整的代码。

不幸的是，DataParallel 要求输入具有 batch_size 作为第一维，但 GRU 函数期望隐藏张量具有 batch_size 作为第二维：

原样的代码会引发以下错误（请注意显示编码器在 4 个 GPU 上正确执行的打印输出）：

这里模型有 2 层，batch_size=64，hidden_​​size=100。

如何在 forward 函数中并行化 GRU 操作？

我有三个简单的问题。

1. 如果我的自定义损失函数不可微，会发生什么？pytorch 会通过错误还是做其他事情？
2. 如果我在我的自定义函数中声明了一个损失变量，它将代表模型的最终损失，我应该输入requires_grad = True那个变量吗？或者没关系？如果没关系，那为什么呢？
3. 我见过人们有时会编写一个单独的层并计算函数中的损失forward。哪种方法更可取，编写函数还是层？为什么？

我需要对这些问题有一个清晰而好的解释来解决我的困惑。请帮忙。