用pytorch做图像的多分类问题报错，可有偿

正在用pytorch做图像的多分类问题，网上的模板是二分类的，然后我想改成多分类的，模型训练没问题，但是到训练过程可视化的时候提示错误，一直过不去，有没有人可以帮忙看看，有偿也ok
现在报错信息是：RuntimeError: CUDA error: device-side assert triggered

CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect.
For debugging consider passing CUDA_LAUNCH_BLOCKING=1.

报错这部分的代码如下：


```python
def visualize_model(model, num_images=6):
    was_training = model.training
    model.eval()
    images_handeled = 0
    fig = plt.figure()

    with torch.no_grad():
        for i, (inputs, labels) in enumerate(dataloaders[test_path]):
            inputs = inputs.to(device)
            labels = labels.to(device)

            outputs = model(inputs)
            _, preds = torch.max(outputs, 1)

            for j in range(inputs.size()[0]):
                images_handeled += 1
                ax = plt.subplot(num_images//2, 2, images_handeled)
                ax.axis('off')
                ax.set_title('predicted: {}'.format(class_names[preds[j]]))
                imshow(inputs.cpu().data[j])

                if images_handeled == num_images:
                    model.train(mode=was_training)
                    return
        model.train(mode=was_training)

base_model = train_model(resnet50, criterion, optimizer, exp_lr_scheduler, num_epochs=6)
visualize_model(base_model)
plt.show()



报错的具体信息如下：


RuntimeError                              Traceback (most recent call last)
Input In [56], in ()
     24                     return
     25         model.train(mode=was_training)
---> 27 base_model = train_model(resnet50, criterion, optimizer, exp_lr_scheduler, num_epochs=6)
     28 visualize_model(base_model)
     29 plt.show()

Input In [54], in train_model(model, criterion, optimizer, scheduler, num_epochs)
      3 def train_model(model, criterion, optimizer, scheduler, num_epochs=20):
      4     since = time.time()
----> 6     best_model_wts = copy.deepcopy(model.state_dict())
      7     best_acc = 0.0
      9     for epoch in range(num_epochs):

File ~\anaconda3\lib\copy.py:172, in deepcopy(x, memo, _nil)
    170                 y = x
    171             else:
--> 172                 y = _reconstruct(x, memo, *rv)
    174 # If is its own copy, don't memoize.
    175 if y is not x:

File ~\anaconda3\lib\copy.py:296, in _reconstruct(x, memo, func, args, state, listiter, dictiter, deepcopy)
    294     for key, value in dictiter:
    295         key = deepcopy(key, memo)
--> 296         value = deepcopy(value, memo)
    297         y[key] = value
    298 else:

File ~\anaconda3\lib\copy.py:153, in deepcopy(x, memo, _nil)
    151 copier = getattr(x, "__deepcopy__", None)
    152 if copier is not None:
--> 153     y = copier(memo)
    154 else:
    155     reductor = dispatch_table.get(cls)

File ~\anaconda3\lib\site-packages\torch\_tensor.py:134, in Tensor.__deepcopy__(self, memo)
    125         raise RuntimeError(
    126             "The default implementation of __deepcopy__() for wrapper subclasses "
    127             "only works for subclass types that implement clone() and for which "
   (...)
    131             "different type."
    132         )
    133 else:
--> 134     new_storage = self.storage().__deepcopy__(memo)
    135     if self.is_quantized:
    136         # quantizer_params can be different type based on torch attribute
    137         quantizer_params: Union[
    138             Tuple[torch.qscheme, float, int],
    139             Tuple[torch.qscheme, Tensor, Tensor, int],
    140         ]

File ~\anaconda3\lib\site-packages\torch\storage.py:597, in TypedStorage.__deepcopy__(self, memo)
    596 def __deepcopy__(self, memo):
--> 597     return self._new_wrapped_storage(copy.deepcopy(self._storage, memo))

File ~\anaconda3\lib\copy.py:153, in deepcopy(x, memo, _nil)
    151 copier = getattr(x, "__deepcopy__", None)
    152 if copier is not None:
--> 153     y = copier(memo)
    154 else:
    155     reductor = dispatch_table.get(cls)

File ~\anaconda3\lib\site-packages\torch\storage.py:97, in _StorageBase.__deepcopy__(self, memo)
     95 if self._cdata in memo:
     96     return memo[self._cdata]
---> 97 new_storage = self.clone()
     98 memo[self._cdata] = new_storage
     99 return new_storage

File ~\anaconda3\lib\site-packages\torch\storage.py:111, in _StorageBase.clone(self)
    109 def clone(self):
    110     """Returns a copy of this storage"""
--> 111     return type(self)(self.nbytes(), device=self.device).copy_(self)

RuntimeError: CUDA error: device-side assert triggered
CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect.
For debugging consider passing CUDA_LAUNCH_BLOCKING=1.
属于初学者了，很多错误信息不是很看得懂，我在网上搜了好久，看起来好像是标签还是数据的问题，但是照着改了好多种，都还是不行，不知道是模型的问题还是什么，但是上一步模型训练是没有报错的，这一步模型训练完可视化训练过程才报错，完全一头雾水
如果可以完美解决，私信聊具体价格

img


你这报错在这里面，跟你贴的代码一点关系没有，都还没执行到这里呢。
看报错信息，应该是你的输出口设置不对，原来两分类是两个，你多分类的话全连接层的输出也要改的。

看起来你在使用 PyTorch 进行模型训练时遇到了运行时错误。这个错误信息提示“device-side assert triggered”，表示在运行时发生了错误，可能是由于驱动程序出现问题或者 GPU 硬件出现问题。

为了解决这个问题，你可以尝试以下几个方法：

检查你的 GPU 驱动程序是否是最新的，并尝试升级驱动程序。

在训练时，尝试设置 CUDA_LAUNCH_BLOCKING=1 环境变量，这会使调试过程更加方便。

尝试在训练模型之前重置 GPU 卡的内存，可以使用 nvidia-smi 命令来实现。

如果你的 GPU 硬件出现问题，请尝试重新启动机器，或者检查你的 GPU 卡是否安装正确。

"CUDA error: device-side assert triggered" 错误通常表示在运行 GPU 代码时发生了内部错误，这可能是由于内存不足或者设备状态错误导致的。

1、确保 GPU 设备有足够的内存来运行代码。
2、可以试试在使用 "CUDA_LAUNCH_BLOCKING=1" 环境变量来让 GPU 代码在执行时暂停，以便在出现错误时更好地调试。
3、可以试试在在运行 GPU 代码之前检查设备状态，确保没有其他错误。例如，可以在代码中添加以下行来检查设备状态：

if not torch.cuda.is_available():
    raise Exception("CUDA is not available")
if torch.cuda.device_count() == 0:
    raise Exception("No CUDA devices available")
device = torch.device("cuda")

4、可以试试使用 "torch.autograd.profiler" 来分析代码，以了解可能引起内存不足的操作。
望采纳。

你的程序是在这一步出错的，不是在可视化的过程中
base_model = train_model(resnet50, criterion, optimizer, exp_lr_scheduler, num_epochs=6)
代码中没有关于你所建模型的信息
你可以看一看你的模型，可能是你的模型在改的过程中有的地方没有改，有可能是你分类任务的标签个数不对应造成的