python代码中 for 循环异常中断
python代码中 for 循环异常中断
if args.deploy == 'finetune':
print("Start selecting the best lr...")
best_acc = 0
for lr in [0, 0.0001, 0.0005, 0.001]:
model.lr = lr
test_stats = evaluate(data_loader_val, model, criterion, device, seed=1234, ep=5) #test_stats：测试结果统计信息
acc = test_stats['acc1']
print(f"*lr = {lr}: acc1 = {acc}")
if acc > best_acc:
best_acc = acc
best_lr = lr
model.lr = best_lr
print(f"### Selected lr = {best_lr}")
在这个代码中第一个学习率0 一切正常，到了第二个学习率 就直接总时间变成0了，没有进行任何操作，直接就回到了打印阶段
def evaluate(data_loaders, model, criterion, device, seed=None, ep=None):
if isinstance(data_loaders, dict):
test_stats_lst = {}
test_stats_glb = {}
for j, (source, data_loader) in enumerate(data_loaders.items()):
print(f'* Evaluating {source}:')
seed_j = seed + j if seed else None
test_stats = _evaluate(data_loader, model, criterion, device, seed_j)
test_stats_lst[source] = test_stats
test_stats_glb[source] = test_stats['acc1']
# apart from individual's acc1, accumulate metrics over all domains to compute mean
for k in test_stats_lst[source].keys():
test_stats_glb[k] = torch.tensor([test_stats[k] for test_stats in test_stats_lst.values()]).mean().item()
return test_stats_glb
elif isinstance(data_loaders, torch.utils.data.DataLoader): # when args.eval = True
return _evaluate(data_loaders, model, criterion, device, seed, ep)
else:
warnings.warn(f'The structure of {data_loaders} is not recognizable.')
return _evaluate(data_loaders, model, criterion, device, seed)
```python
def _evaluate(data_loader, model, criterion, device, seed=None, ep=None):
metric_logger = utils.MetricLogger(delimiter=" ")
metric_logger.add_meter('n_ways', utils.SmoothedValue(window_size=1, fmt='{value:d}'))
metric_logger.add_meter('n_imgs', utils.SmoothedValue(window_size=1, fmt='{value:d}'))
metric_logger.add_meter('acc1', utils.SmoothedValue(window_size=len(data_loader.dataset)))
metric_logger.add_meter('acc5', utils.SmoothedValue(window_size=len(data_loader.dataset)))
header = 'Test:'
# switch to evaluation mode
model.eval()
if seed is not None:
data_loader.generator.manual_seed(seed)
for ii, batch in enumerate(metric_logger.log_every(data_loader, 10, header)):
if ep is not None:
if ii > ep:
break
batch = to_device(batch, device)
SupportTensor, SupportLabel, x, y = batch
# compute output
with torch.cuda.amp.autocast():
output = model(SupportTensor, SupportLabel, x) #logits
output = output.view(x.shape[0] * x.shape[1], -1)
y = y.view(-1)
loss = criterion(output, y)
acc1, acc5 = accuracy(output, y, topk=(1, 5))
batch_size = x.shape[0]
metric_logger.update(loss=loss.item())
metric_logger.meters['acc1'].update(acc1.item(), n=batch_size)
metric_logger.meters['acc5'].update(acc5.item(), n=batch_size)
metric_logger.update(n_ways=SupportLabel.max()+1)
metric_logger.update(n_imgs=SupportTensor.shape[1] + x.shape[1])
# gather the stats from all processes
metric_logger.synchronize_between_processes()
print('* Acc@1 {top1.global_avg:.3f} Acc@5 {top5.global_avg:.3f} loss {losses.global_avg:.3f}'
.format(top1=metric_logger.acc1, top5=metric_logger.acc5, losses=metric_logger.loss))
ret_dict = {k: meter.global_avg for k, meter in metric_logger.meters.items()}
ret_dict['acc_std'] = metric_logger.meters['acc1'].std
return ret_dict
print('* Acc@1 {top1.global_avg:.3f} Acc@5 {top5.global_avg:.3f} loss {losses.global_avg:.3f}' 这一行代码中访问了 loss 属性，但是 MetricLogger 类中并没有定义对应的属性。
你可以在 update 方法中记录 loss 的逻辑改为添加一个新的 meter，然后在 getattr 方法中增加对应的属性访问器。
使用 MetricLogger 的 add_scalar() 方法添加了一个名为 'train/loss' 的标量指标，然后在每个训练步骤中调用 logger.add_scalar() 方法来记录损失。这样可以确保 MetricLogger 对象具有 loss 属性，并且可以在 TensorBoard 中查看损失值。小小示例：
from torch.utils.tensorboard import SummaryWriter
from torch.utils.data import DataLoader
from torch.optim import Adam
from torch.nn import CrossEntropyLoss
from torchvision.datasets import ImageFolder
from torchvision.transforms import ToTensor, Normalize
from torchvision.models import ResNet18
# 定义数据集和数据加载器
train_dataset = ImageFolder(root='./data/train', transform=transforms.Compose([ToTensor(), Normalize]))
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
# 定义模型、损失函数和优化器
model = ResNet18()
criterion = CrossEntropyLoss()
optimizer = Adam(model.parameters(), lr=0.001)
# 初始化 TensorBoard 写入器和 MetricLogger
writer = SummaryWriter()
logger = MetricLogger(writer)
# 在训练循环中使用 MetricLogger 记录损失
for epoch in range(num_epochs):
for i, (inputs, targets) in enumerate(train_loader):
optimizer.zero_grad() # 清除梯度
outputs = model(inputs) # 前向传播计算输出
loss = criterion(outputs, targets) # 计算损失
loss.backward() # 反向传播计算梯度
optimizer.step() # 更新权重参数
logger.add_scalar('train/loss', loss.item(), epoch * len(train_loader) + i) # 使用 MetricLogger 记录损失
讯飞星火
要解决这个问题，您需要确保在MetricLogger类中定义了loss属性。您可以通过以下方式添加loss属性：
class MetricLogger:
def __init__(self):
self.loss = 0
# 其他方法和属性
这样，当您尝试访问MetricLogger对象的loss属性时，就不会出现AttributeError了。
在datafile_1.read()和datafile_1.read()
with open("keywords_1","r+") as datafile_1-您键入的文件名没有文件类型，因此函数将停止，因为没有可读取的文件或目录。
尽量不要使用global变量，它只是不安全。
仅此错误而言，显示在evaluate()函数中出现了除零异常(ZeroDivisionError)。
不知道你这个问题是否已经解决, 如果还没有解决的话:- 你可以看下这个问题的回答https://ask.csdn.net/questions/7479761
- 除此之外, 这篇博客: python多个虚拟环境需要共用一个包，怎么避免重复安装中的 虚拟环境的原理 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
一个虚拟环境就是一个独立的python，除了自带包使用了主环境外，第三方包（site-packages），脚本（scripts），甚至包括python解释器（python.exe）都是独立的。
当启动虚拟环境时（通常会使用启动脚本activate.bat），系统变量PATH中与python有关的环境变量会临时切换到虚拟环境的文件路径，直到退出虚拟环境，环境变量恢复为主环境的文件路径。
总结来说，虚拟环境，不如说就是同时安装了多个python，然后通过环境变量控制当前使用哪个python
有了虚拟环境后，我们就可以依据用途，分别在不同的虚拟环境中安装不同的包，这样就能缓解依赖地狱问题。
- 您还可以看一下 CSDN就业班老师的Python全栈工程师特训班第十四期-直播回放课程中的 Python全栈工程师特训班第十四期-第六周-3小节, 巩固相关知识点
如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^
错误已经明显提示你了，是一个把0作为除数的错误。应该是在你的evaluate或_evaluate函数中某一步计算出错了或者使初始化错了变量，导致某个变量的值为0了。建议调试下代码，看下每个变量执行过程中值，是否有为0的现象。
在你提供的代码中，有一个for循环用于遍历学习率列表[0, 0.0001, 0.0005, 0.001]。你的问题是在第二个学习率（0.0001）时循环异常中断，没有进行任何操作，直接回到了打印阶段。
问题可能出现在_evaluate函数内部。可以尝试在该函数内添加一些调试语句，查看是否出现了错误或异常
在65行打断点调试一下，看看相关变量值是否正常
回答部分参考、引用ChatGpt以便为您提供更准确的答案：
根据您提供的代码和错误信息，问题出现在以下代码段：
print('* Acc@1 {top1.global_avg:.3f} Acc@5 {top5.global_avg:.3f} loss {losses.global_avg:.3f}'
.format(top1=metric_logger.acc1, top5=metric_logger.acc5, losses=metric_logger.loss))
在这里，您尝试使用metric_logger.loss来访问loss属性，但是MetricLogger类本身并没有定义loss属性，因此引发了AttributeError异常。
要解决这个问题，您可以在MetricLogger类的__init__方法中添加一个对loss属性的初始化，类似于其他已定义的属性：
self.meters['loss'] = SmoothedValue()
这样，在调用update方法更新loss值时，MetricLogger类会正确创建并更新loss属性。
另外，请确保在其他地方使用metric_logger.update(loss=loss.item())来更新loss值，以便正确计算平均值和其他统计信息。
修复后的代码应如下所示：
class MetricLogger(object):
def __init__(self, delimiter="\t"):
self.meters = defaultdict(SmoothedValue)
self.delimiter = delimiter
self.meters['loss'] = SmoothedValue()
# 其他方法和代码保持不变
通过添加对loss属性的初始化，您应该能够成功访问metric_logger.loss属性，并解决该错误。
如果您有进一步的问题，请随时提问。
答案参考ChapGPT Plus . 希望对你有帮助根据你提供的代码，错误出现在以下这行代码：
print('* Acc@1 {top1.global_avg:.3f} Acc@5 {top5.global_avg:.3f} loss {losses.global_avg:.3f}'
.format(top1=metric_logger.acc1, top5=metric_logger.acc5, losses=metric_logger.loss))
错误信息指出 'MetricLogger' object has no attribute 'loss'，即在 metric_logger 对象中找不到名为 'loss' 的属性。
从你的代码中可以看出，metric_logger 对象定义在 MetricLogger 类中，该类没有定义名为 'loss' 的属性。在 _evaluate 函数中，你使用 metric_logger.loss 来获取 'loss' 属性，但实际上该属性不存在，因此导致了错误。
要解决这个问题，你需要检查 _evaluate 函数中的逻辑并确定你想要输出的指标是否正确。如果你想输出损失值，你需要在 MetricLogger 类的 __init__ 方法中添加一个 'loss' 的 meter，类似于以下示例：
self.meters['loss'] = SmoothedValue()
然后在 _evaluate 函数中的适当位置使用 metric_logger.update(loss=loss.item()) 更新 'loss' 的值。
另外，请确保你的 SmoothedValue 类和其他辅助函数（如 accuracy 和 to_device）的定义在代码中存在，以避免其他潜在的错误。
希望这些说明能帮助你解决问题。如果还有其他疑问，请随时提问。