Traceback (most recent call last):
File "/Users/bytedance/Developer/todd/load.py", line 3, in <module>
torch.load('module.pth')
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 809, in load
return _load(opened_zipfile, map_location, pickle_module, **pickle_load_args)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 1172, in _load
result = unpickler.load()
^^^^^^^^^^^^^^^^
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 1165, in find_class
return super().find_class(mod_name, name)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
AttributeError: Can't get attribute 'Module' on <module '__main__' from '/Users/bytedance/Developer/todd/load.py'>
这是因为 torch.save 底层通过 pickle 实现，而 pickle 在保存自定义类型对象时不会保存其类型定义。用户需要保证 torch.load 时，自定义类型可访问，以便构造被保存的对象。也就是说，如果我们将 Module 引用到当前命名空间，就可以正常加载 module.pth 了
import torch
from save import Module
torch.load('module.pth')
但是有些情况下，我们无法访问某些自定义类型，也不希望恢复被保存的对象，只想知道被保存的对象存储了哪些数据，可以用下面的方法
import torch
class Module:
def __init__(self) -> None:
self._state = None
def __setstate__(self, state):
self._state = state
module = torch.load('module.pth')
print(module._state)
{'_one': 1}
但是如果自定义类型是从其他位置 import 得到的，例如
import torch.nn as nn
class Module(nn.Module):
def __init__(self) -> None:
self._one = 1
import torch
from module import Module
torch.save(Module(), 'module.pth')
torch.load 会先尝试 import 相应的模块，如果不存在就会报错
Traceback (most recent call last):
File "/Users/bytedance/Developer/todd/load.py", line 13, in <module>
module = torch.load('module.pth')
^^^^^^^^^^^^^^^^^^^^^^^^
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 809, in load
return _load(opened_zipfile, map_location, pickle_module, **pickle_load_args)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 1172, in _load
result = unpickler.load()
^^^^^^^^^^^^^^^^
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 1165, in find_class
return super().find_class(mod_name, name)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
ModuleNotFoundError: No module named 'module'
我们可以 mock 相应模块
import sys
from unittest.mock import Mock
import torch
sys.modules['module'] = Mock()
torch.load('module.pth')
Traceback (most recent call last):
File "/Users/bytedance/Developer/todd/load.py", line 14, in <module>
module = torch.load('module.pth')
^^^^^^^^^^^^^^^^^^^^^^^^
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 809, in load
return _load(opened_zipfile, map_location, pickle_module, **pickle_load_args)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/Users/bytedance/.local/share/virtualenvs/todd-ARrcnwyq/lib/python3.11/site-packages/torch/serialization.py", line 1172, in _load
result = unpickler.load()
^^^^^^^^^^^^^^^^
_pickle.UnpicklingError: NEWOBJ class argument must be a type, not Mock
出现这个问题，是因为 Mock 具有递归创建的特性。我们可以手动修改
import sys
from unittest.mock import Mock
import torch
class Module:
def __init__(self) -> None:
self._state = None
def __setstate__(self, state):
self._state = state
sys.modules['module'] = Mock()
sys.modules['module'].Module = Module
module = torch.load('module.pth')
print(module._state)
{'_one': 1}
但是有些情况下，我们无法访问某些自定义类型，也不希望恢复被保存的对象，只想知道被保存的对象存储了哪些数据，可以用下面的方法。时，自定义类型可访问，以便构造被保存的对象。也就是说，如果我们将。在保存自定义类型对象时不会保存其类型定义。时，可能会遇到 AttributeError。引用到当前命名空间，就可以正常加载。具有递归创建的特性。但是如果自定义类型是从其他位置。相应的模块，如果不存在就会报错。保存一个自定义类型对象，例如。正常情况下，我们会使用。出现这个问题，是因为。
对于如何自定义评估方法，也就是重写Metrics的子类。
官方文档和
TorchMetrics：
PyTorch的指标度量库都写的比较完备了。
针对第二篇文章中给出的样例，在实现后得到object has no attribute '_defaults’
报错。原因在于没有初始化父类。
加上super().__init__()就可以了
cuDNN使用非确定性算法，并且可以使用torch.backends.cudnn.enabled = False来进行禁用
如果设置为torch.backends.cudnn.enabled =True，说明设置为使用使用非确定性算法
然后再设置：
torch.backends.cudnn.benchmark = true
那么cuDNN使用的非确定性算法就会自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题
一般来讲，应该遵循以下准则：
如果网络的输入数据维度或类型上变化不大，设置 torch.backends.cudnn.benchmark = true 可以增加运行效率；
AttributeError: ‘...’ object has no attribute ‘copy’
AttributeError: ‘...’ object has no attribute ‘
module’
引发的原因可能是：
使用了
torch.save(model)保存模型参数，但使用model.
torch.
load()...
torch.load()加载模型时出现如下错误
Traceback (most recent call last):
File "demo_syncnet.py", line 26, in <module>
s.loadParameters(opt.initial_model);
File "/media/cj/75bb371d-0b6d-4995-bb72-060a4...
*** FileNotFoundError: [Errno 2] No such file or directory: '~/DeepLearning/.../XXXXXnet.
pth'
对应的代码为：
weight_path = '~/DeepLearning/......'
save_path = os.path.join(weight_path, save_filename)
错误原因：
这里是
python不是linux，~在
Python里不能直接代表主目录，所以要用绝对路径。
torch.load 出现 AttributeError: Can't get attribute 'Net' on module '__main__'问题解决方案
最近，将已经训练好的模型保存下来后，通过torch.load(model_path)方法读取时，发现没办法正常运行，抛出如下错误：
AttributeError: Can't get attribute 'Net' on module '__main__'
我直接好家伙，骂骂咧咧去搜为啥。
报错原因： torch.load()方法所
我这里是升级torchvision后问题解决了
pip install torch==0.4.1 torchvision==0.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
python = 3.6
torch = 0.4.1
torchvision = 0.4.0
今天碰到一个怪问题，明明各种包都已经安装好了，进入python也可以正常使用pytorch，但一进入ipython, jupyter notebook就无法使用pytorch,
>>>import torch as t
ModuleNotFoundError: No module named 'torch'
事发突然，不知何故，硬着头皮重新安装
$ co...
根据引用[1]和引用[2]的内容，你遇到的报错可能是因为你尝试使用torch.load()加载一个不是由torch.save()保存的对象。torch.load()是用来加载由torch.save()存储的对象的方法。它使用Python的unpickling工具来处理存储的对象。如果你尝试加载一个不是由torch.save()保存的对象，就会引发异常。
为了解决这个问题，你可以尝试以下方法：
1. 确保你使用torch.save()正确保存了对象。你可以使用torch.save(model, 'save.pt')来保存整个模型，或者使用torch.save(model.state_dict(), 'save.pt')来保存训练好的权重。
2. 确保你使用torch.load()加载的是由torch.save()保存的对象。你可以使用torch.load('save.pt')来加载整个模型，或者使用model.load_state_dict(torch.load("save.pt"))来加载训练好的权重。
希望这些方法能够帮助你解决torch.load报错的问题。如果问题仍然存在，你可以尝试在错误处向前溯源打断点，并逐步进行调试。
LutingWang:
