中国材料信息网seo视频教程

下面内容介绍的是我个人在复现github代码遇到的一些问题，如果也可以帮到你，请点个关注吧~

1.我的项目位置在D盘，但是为什么下面终端的位置在E盘

-》cd /d D:\Users\xxxx（后面的xxxx是你具体的文档位置）

2.怎么知道我原来的创建的环境是不是含有gpu版本呢？

->方法 1：在激活的环境中运行 Python 代码

1. 激活环境：

   bash

   conda activate HSDGNN
   

2. 运行 Python 检查代码：

   bash

   python -c "import torch; print('CUDA可用:', torch.cuda.is_available()); print('CUDA版本:', torch.version.cuda); print('GPU名称:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'None')"
   

   • 输出解释：
     • 如果显示 CUDA可用: True，说明环境支持 GPU。
     • 如果显示 CUDA可用: False，说明环境仅安装了 CPU 版本。

->方法 2：查看已安装的 PyTorch 包

1. 激活环境：

   bash

   conda activate your_eve

2. 检查 PyTorch 包：

   pip list | grep torch
   

    
   • 输出示例：

     plaintext

     torch                     2.0.1+cu117
     torchaudio                2.0.2+cu117
     torchvision               0.15.2+cu117
     

      
     • 包名中包含 +cu117 表示 GPU 版本（CUDA 11.7）。
     • 如果只显示 torch 2.0.1（无 +cu 后缀），通常是 CPU 版本。

->方法 3：查看 conda 环境配置

1. 列出所有 conda 环境：

   conda env list
   

2. 查看指定环境的详细配置：

   conda list -n your-eve | grep torch
   

    
   • 如果输出中包含 pytorch-cuda 或 cudatoolkit，说明安装了 GPU 支持。

3. CUDA 内存不足的问题（torch.cuda.OutOfMemoryError）

1. 降低批次大小（Batch Size）

这是最直接的解决方法。在命令行中添加--batch_size参数，减小每个批次的样本数量

如果仍然 OOM，可以继续减小到 4 或 2。

2. 优化模型内存使用

2.1梯度累积（Gradient Accumulation）

通过多次前向 / 反向传播后再更新参数，模拟大批次训练的效果

2.2使用半精度训练（Mixed Precision）

PyTorch 的torch.cuda.amp可以减少显存占用

3. 释放不必要的显存

在每个训练步骤后手动释放缓存

4. 减少模型复杂度

如果上述方法仍无法解决，可以尝试：

• 减小隐藏层维度（--embed_dim和--rnn_units）
• 减少网络层数
• 使用更小的输入序列长度（--lag）

其他建议

• 监控显存使用：使用nvidia-smi实时监控 GPU 显存占用
• 检查数据加载：确保没有不必要的数据被加载到 GPU
• 分阶段训练：如果模型特别大，可以考虑先在小数据集上训练，再逐步扩展

4.为什么需要__init__.py？

->Python 通过__init__.py文件识别包结构，没有该文件时，Data目录不会被视为可导入的模块。

导入路径为什么是from Data.dataloader import ...？

• sys.path.append(parent_dir)后，Python 会在Titantic/目录下搜索模块，因此Data是包名，dataloader是模块名（即dataloader.py）.

• PyCharm 的 “未解析的引用” 警告如何消除？

• 
  除了设置源根目录，还可以在train_and_visualize.py开头添加：

• # noinspection PyUnresolvedReferences
  

  这将忽略 IDE 的引用检查警告。

验证导入是否成功

在train_and_visualize.py中添加调试代码：

print("已导入的模块：")
print("main:", callable(main))
print("TitanicDataset:", issubclass(TitanicDataset, torch.utils.data.Dataset))
print("collate_fn:", callable(collate_fn))

运行后若输出True，则说明导入成功。