无法创建卷积算子或使用GPU运算？

最近在飞浆学习目标检测，教程先教了个检测黑白边界的案例。

w = np.array([1, 0, -1], dtype='float32')
w = w.reshape([1, 1, 1, 3])
img = np.ones([50,50], dtype='float32')
img[:, 30:] = 0.
x = img.reshape([1,1,50,50])
x = paddle.to_tensor(x)

这段代码先创建了一个二维数组，每行前30个数为1，后20个数为0，到这里都没问题。

img

但是在创建卷积算子并且开始做运算之后就报错，只输出了一段关于GPU和CUDA版本的信息

# 创建卷积算子，设置输入和输出通道数，卷积核大小，通过参数属性weight_attr用w初始化参数权重
conv = Conv2D(in_channels=1, out_channels=1, kernel_size=[1, 3],
       weight_attr=paddle.ParamAttr(
          initializer=Assign(value=w)))
y = conv(x)
out = y.numpy()
f = plt.subplot(121)
f.set_title('input image', fontsize=15)
plt.imshow(img, cmap='gray')
f = plt.subplot(122)
f.set_title('output featuremap', fontsize=15)plt.imshow(out.squeeze(), cmap='gray')
plt.show()
print(conv.weight)
print(conv.bias)

img

以下是完整代码

import matplotlib.pyplot as plt
import numpy as np
import paddle
from paddle.nn import Conv2D
from paddle.nn.initializer import Assign

# 假设白色区域像素值为1，黑色区域像素值为0。
# 创建初始化权重参数w，当且仅当卷积核处于黑白交界线上时,卷积计算的结果不为0，以此找出黑白交线
w = np.array([1, 0, -1], dtype='float32')
# 将权重参数调整成维度为[cout, cin, kh, kw]的卷积核形式
# 四个参数意思分别为输出图片的通道数，输入图片的通道数，卷积核的宽度，卷积核的长度
# 这里表示w被重塑为四维数组，其中一二三维度大小为1，四维度大小为3，w=[[[[ 1.  0. -1.]]]]
w = w.reshape([1, 1, 1, 3])
# 创建输入图片，图片左边的像素点取值为1，右边的像素点取值为0
img = np.ones([50,50], dtype='float32')
# 选取所有行的，第30列以及之后的元素，设置为0
img[:, 30:] = 0.
# 将图片形状调整为[N, C, H, W]的形式，N表示输入图片数量，C表示一张图片的通道数，HW表示图片的形状
x = img.reshape([1,1,50,50])
print(x)
# 将numpy.ndarray转化成paddle中的tensor，数据形式不变但支持在GPU上运行
x = paddle.to_tensor(x)

# 创建卷积算子，设置输入和输出通道数，卷积核大小，通过参数属性weight_attr用w初始化参数权重
conv = Conv2D(in_channels=1, out_channels=1, kernel_size=[1, 3],
       weight_attr=paddle.ParamAttr(
          initializer=Assign(value=w)))

# 使用卷积算子作用在输入图片上
y = conv(x)
# 将输出tensor转化为numpy.ndarray
out = y.numpy()
# print(out)
f = plt.subplot(121)
f.set_title('input image', fontsize=15)
plt.imshow(img, cmap='gray')
f = plt.subplot(122)
f.set_title('output featuremap', fontsize=15)
# 卷积算子Conv2D输出数据形状为[N, C, H, W]形式
# 此处N, C=1，输出数据形状为[1, 1, H, W]，是4维数组
# 但是画图函数plt.imshow画灰度图时，只接受2维数组
# 通过numpy.squeeze函数将大小为1的维度消除
plt.imshow(out.squeeze(), cmap='gray')
plt.show()
# 查看卷积层的权重参数名字和数值
print(conv.weight)
# 参看卷积层的偏置参数名字和数值
print(conv.bias)

这个问题可能是由于PaddlePaddle环境设置或者版本不一致导致的。首先，你需要确认以下几点：

  1. PaddlePaddle的版本是否正确：在PaddlePaddle 2.0以后的版本中，paddle.nn.Conv2D是可用的。你可以通过print(paddle.__version__)来检查你的PaddlePaddle版本。

  2. CUDA和cuDNN的版本是否和PaddlePaddle支持的版本一致：PaddlePaddle需要依赖于CUDA和cuDNN来运行，不同版本的PaddlePaddle对应的CUDA和cuDNN版本是不同的。你可以参考PaddlePaddle的官方安装指南来确认你的CUDA和cuDNN的版本。

  3. 设备是否支持：确保你的设备支持CUDA，并且确保你已经正确安装了NVIDIA驱动。

另外，你可以尝试在创建paddle.to_tensor(x)时指定设备，如下：

x = paddle.to_tensor(x, place=paddle.CPUPlace())

这样就可以在CPU上运行你的代码，而不需要依赖于GPU或CUDA。如果你的代码在CPU上运行正常，但是在GPU上运行失败，那么问题可能就出在GPU或CUDA上。

最后，你也可以试着将你的代码或者错误信息完整地复制并发表到PaddlePaddle的GitHub issues或者论坛中，那里有很多专业的开发者可以帮助你。

  • 这个问题的回答你可以参考下: https://ask.csdn.net/questions/7479630
  • 你也可以参考下这篇文章：阿里云GPU计算型实例有哪些？实例特点及适用场景整理
  • 除此之外, 这篇博客: 目标检测模型从训练到部署，其实如此简单中的 方法 1 本地GPU进行训练 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

  • 第一步： 拉取docker镜像

    # 镜像名称
IMAGE="daocloud.io/neucrack/tensorflow-gpu-py3-jupyterlab"
# 拉取深度学习平台镜像
docker pull $IMAGE
# 测试，当日志出现gpu=True表示能成功使用GPU
docker run --gpus all -it --rm $IMAGE python -c "import tensorflow as tf; print('-----version:{}, gpu:{}, 1+2={}'.format(tf.__version__, tf.test.is_gpu_available(), tf.add(1, 2).numpy()) );"

    第二步： 拉取本文代码，配置NNCASE，开启docker容器

    git clone https://github.com/QiangZiBro/pytorch-k210
cd pytorch-k210/handpose_detection/maix_train
# 配置NNCASE
mkdir -p tools/ncc/ncc_v0.2 && cd tools/ncc/ncc_v0.2
wget https://github.com/kendryte/nncase/releases/download/v0.2.0-beta4/ncc_linux_x86_64.tar.xz
tar xvf ncc-linux-x86_64.tar.xz
cd ../../

    上面的NNCASE只需要下载、解压即可，我们接下来使用Docker构建一个Linux虚拟容器环境，如下面命令开启环境：

    # 开启容器
docker run --gpus all --name jupyterlab-gpu -it -p 8889:8889 -e USER_NAME=$USER -e USER_ID=`id -u $USER` -e GROUP_NAME=`id -gn $USER` -e GROUP_ID=`id -g $USER` -v `pwd`:/tf $IMAGE

    开启容器后，有两种操作方式供选择

    • 第一种，使用jupyter-notebook运行

    • 第二种，直接进入容器内部

      docker exec -it jupyterlab-gpu /bin/bash
# 在容器内部，建议切换到普通用户运行
su - yourname
cd /tf

    这里笔者选用第二种方式。创建容器时，Docker自动在镜像里创建了一个和本机用户名相同的用户。在容器里运行程序时，强烈建议切换成普通用户运行，否则后期遇到权限问题还需要手动改权限。

    第三步： 开启训练，使用Yolo V2算法数据集进行训练，具体操作方法为：

    # 安装必备的包
pip3 install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

cd /handpose_detection/maix_train
# 初始化
python3 train.py init
# 开始训练
python3 train.py -t detector -d datasets/game train

    运行上述命令即使用maix_train工具箱开始训练，这个程序能一键完成训练、参数转换、量化等功能

    图片

    使用100个Epoch进行训练，得到的结果生成在out文件下。