问题1：模型中断后继续训练出错

在有些时候我们需要保存训练好的参数为path文件，以防不测，下次可以直接加载该轮epoch的参数接着训练，但是在重新加载时发现类似报错:

size mismatch for block0.affine0.linear1.linear2.weight: copying a param with shape torch.Size([512, 256]) from checkpoint, the shape in current model is torch.Size([256, 256]).
size mismatch for block0.affine0.linear1.linear2.bias: copying a param with shape torch.Size([512]) from checkpoint, the shape in current model is torch.Size([256]).

问题原因：这是说明某个超参数出现了问题，可能你之前训练时候用的是64，现在准备在另外的机器上面续训的时候某个超参数设置的是32，导致了size mismatch

解决方案：查看size mismatch的模型部分，将超参数改回来。

问题2：模型中断后继续训练效果直降

加载该轮epoch的参数接着训练，继续训练的过程是能够运行的，但是发现继续训练时效果大打折扣，完全没有中断前的最后几轮好。问题原因：暂时未知，推测是续训时模型加载的问题，也有可能是保存和加载的方式问题解决方案：统一保存和加载的方式，当我采用以下方式时，貌似避免了这个问题：模型的保存：

torch.save(netG.state_dict(), 'models/%s/netG_%03d.pth' % (cfg.CONFIG_NAME, epoch))

模型的重新加载：

netD.load_state_dict(torch.load('models/%s/netD_300.pth' % (cfg.CONFIG_NAME), map_location='cuda:0'))

问题3：如何自动生成requirements.txt，如何根据requirements安装环境

解决方案1（推荐）：使用Python打开自己的工程，然后点击工具（Tools）———同步Python要求（Sync Python Requirements）在这里插入图片描述

然后需求版本改为兼容（~=x.y.z），然后点击确定就可以自动生成requirements.txt了在这里插入图片描述根据requirements.txt自动安装对应环境：pip install -r requirements.txt

问题4：AttributeError: module 'scipy.misc' has no attribute 'imread'

SciPy 是一个开源的 Python 算法库和数学工具包。Scipy 是基于 Numpy 的科学计算库，用于数学、科学、工程学等领域，很多有一些高阶抽象和物理模型需要使用 Scipy。

问题原因：scipy在1.2后的版本已经抛弃使用imread 解决方案1：降低scipy的版本（不推荐）

pip install scipy==1.2.1

解决方案2：使用imageio.imread来代替，在使用到imread加入如下代码：

import imageio content_image = imageio.imread

问题5：No module named 'tensorflow.compat'

v1版本中tensorflow中contrib模块十分丰富，但是发展不可控，因此在v2版本中将这个模块集成到其他模块中去了。在学习tensorflow经常碰到tf.contrib的代码，一敲就报错。

问题原因：compat是TensorFlow的2.x里的模块，Tensorflow1.x版本里是没有的。（虽然）

解决方案：先卸载原版本Tensorflow：pip uninstall tensorflow 再重新安装Tensorflow就行了：pip install tensorflow，别忘了把原来的import tensorflow as tf删了

问题6：EOFError: Ran out of input

问题原因：使用pickle.load(f)加载pickle文件时，文件为空

解决方案：找到加载pickle文件的代码位置，检查文件内容和路径

python的pickle模块提供了一个简答的持久化功能，可以将对象以文件的形式存放在磁盘上。 pickle模块实现了基本的数据序列化和反序列化

通过pickle模块的序列化操作pickle.dump(obj, file, [,protocol])，我们能够将程序中运行的对象信息保存到文件中去，永久存储。

通过pickle模块的反序列化操作pickle.load(file)，我们能从文件中创建上一次程序保存的对象

解决方案：炼丹师养成计划 Pytorch+DeepLearning遇见的各种报错与踩坑避坑记录（三）