[quote][size=2][url=forum.php?mod=redirect&goto=findpost&pid=1499895&ptid=193567][color=#999999]回复：Kakarotto 发表于 2022-7-7 16:47[/color][/url][/size] 报错信息： ValueError: When ‘loss_fn’ is not None, ‘train_dataset’ should return two [/quote]感谢大佬的答复~1. 关于loss_fn，model定义时，作为第二个参数已经给定了，是mindspore的BCEloss，需求是输入多个张量，输出还是一个张量，不会影响loss吧，loss和输入没有直接关系，所以我没太理解为啥报错报到了loss fn。2. 解决方式，我也是比较急，所以自己改了数据接口把多个张量输入转为单个张量输入了，跟您说的是一个思路，但是总是觉得，单入单出的设定不是很方便~

感谢~ 目前我也是这么手动做的

您好，这个问题有大佬可以帮忙解答吗？感谢

此处是 type类型不一致 ，已解决，感谢提示~

是的感谢您的答复~ 动态图模式下 确实可以加打印进一步debug：发现 LN或者BN层会出现NAN，导致Invalid loss 报错。 问题找到了，不过没想明白为啥会这样，按理说mindspore提供的归一化层的实现都会再分母位置加一个保护分母不为0的参数，还是没想明白NAN是怎么来的？ 也请教您一下有啥规避NAN的措施吗？我想不出啥办法了

动态模式下： context.set_context(device_target="GPU") context.set_context(mode=context.PYNATIVE_MODE) 并没看到更详细的错误信息反馈，很难debug，请问还有其他办法吗？ ValueError: epoch: 1 step: 3. Invalid loss, terminating training.

谢谢您的答复，那为什么我的CPU模式下不会报错呢？

net_loss = nn.BCELoss(reduction='mean') 作为损失函数在GPU下报错：CPU不报错！ValueError: epoch: 1 step: 128. Invalid loss, terminating training. [WARNING] MD(5785,7fb8e8165740,python):2022-07-01-09:07:49.404.738 [mindspore/ccsrc/minddata/dataset/engine/datasetops/device_queue_op.cc:73] ~DeviceQueueOp] preprocess_batch: 129; batch_queue: 0, 0, 0, 0, 0, 0, 1, 1, 0, 0; push_start_time: 2022-07-01-09:07:42.458.070, 2022-07-01-09:07:43.081.295, 2022-07-01-09:07:43.732.158, 2022-07-01-09:07:44.442.533, 2022-07-01-09:07:45.133.851, 2022-07-01-09:07:45.765.521, 2022-07-01-09:07:46.364.052, 2022-07-01-09:07:46.978.847, 2022-07-01-09:07:47.577.356, 2022-07-01-09:07:48.415.993; push_end_time: 2022-07-01-09:07:42.458.192, 2022-07-01-09:07:43.081.383, 2022-07-01-09:07:43.732.246, 2022-07-01-09:07:44.442.617, 2022-07-01-09:07:45.133.934, 2022-07-01-09:07:45.765.641, 2022-07-01-09:07:46.364.133, 2022-07-01-09:07:46.978.925, 2022-07-01-09:07:47.577.442, 2022-07-01-09:07:48.486.117.

好的多谢大佬，研究了一下，解决了 # 固定前14层 的参数 for m in net.trainable_params()[0:14]: m.requires_grad = False

【已解决】训练前，要做分batch的操作：ds_train = ds_train.batch(10)。 ds_train = ds.GeneratorDataset(source = generator， column_names = ['data','label'] ) 其中generator是我定义的一个随机样本生成器函数。 GPU环境下训练前，要做一个把训练集分batch的操作： ds_train = ds_train.batch(10)