本文是在windows10上安装了CPU版本的Mindspore,并在mindspore的master分支基础上使用LeNet网络训练MNIST数据集,实践已训练成功,此文为记录过程中的出现问题;
(据说此时mindspore的r0.7版本上是直接执行成功的)
Windows10
Miniconda 4.8.3
Python 3.7.7
MindSpore master mindspore的gitee地址
【1】首先使用conda activate mindspore 进入mindspore虚拟环境
【2】再切入mindspore中lenet网络的train.py所在目录 D:\gitee\mindspore\model_zoo\official\cv\lenet
【3】执行训练 python train.py --device-target=CPU
(因为代码里默认使用的训练设备为Ascend,需要手动设置 --device_target
为CPU
)
问题一 No module named 'mindspore.dataset.vision’
报错:文件 D:\gitee\mindspore\model_zoo\official\cv\lenet\src\dataset.py
引入模块import mindspore.dataset.version.c_transforms as CV
错误;
原因:查看发现系统 miniconda3的mindspore环境中 在\dataset 和 \version文件夹中还有一层 \transforms
解决:修改dataset.py 文件中模块引用的位置;
保存文件重新执行命令 python train.py --device-target=CPU
问题二 ImportError: cannot import name ‘set_seed’ from 'mindspore.common’
报错:文件train.py中导入set_seed模块出错
原因: C:\Users\86183\miniconda3\envs\mindspore\Lib\site-packages\mindspore\common\__init__.py
文件中没有set_seed模块(也即common文件下没有set_seed.py文件)
解决:在train.py 中将以下两条语句注释掉
保存文件重新执行命令 python train.py --device-target=CPU
问题三 ValueError: The folder ./Data\train does not exist or permission denied!
原因:/Data/train 文件不存在
解决:在D:\gitee\mindspore\model_zoo\official\cv\lenet\
下新建Data目录,并在Data目录下新建train和test文件夹
重新执行命令 python train.py --device-target=CPU
问题四 RuntimeError: Currently dateset sink mode is not supported when the device target is CPU
原因:数据下沉模式是针对asic芯片做的优化 默认是开启的,CPU不支持这种模式
解决:改为执行命令 python train.py --device_target=CPU --dataset_sink_mode=False
问题五: Unexpected error. There is no valid data matching the dataset API MnistDataset.Please check file path or dataset API validation first.
原因:脚本没有自动下载MNIST数据集,需要自己手动下载
解决:手动下载MNIST数据集MNIST数据集下载地址
MNIST数据目录结构:
将t10k-labels-idx1-ubyte.gz
和t10k-images-idx3-ubyte.gz
解压到 问题三新建的Data/test 目录下
将train-labels-idx1-ubyte.gz
和train-images-idx3-ubyte.gz
解压到 问题三新建的Data/test 目录下
重新执行python train.py --device_target=CPU --dataset_sink_mode=False
问题六 InferImplBiasAddGrad] BiasAddGrad input y backprop, dim should >= 2, while 1.
解决:在train.py中添加语句 is_grad=False
, 变成下面这样
再度执行命令 python train.py --device_target=CPU --dataset_sink_mode=False
, 训练成功;
【4】验证准确率: python eval.py --ckpt_path="ckpt/checkpoint_lenet-10_1875.ckpt" --device_target=CPU
训练了10个epoch,准确率为98.45%,还可以;
评论(0)