在我的 PyTorch 训练迭代器中，如何解决 ValueError：只有一个元素张量可以转换为 Python 标量？答案

【问题标题】：In my PyTorch train iterator, how do I resolve the ValueError: only one element tensors can be converted to Python scalars?在我的 PyTorch 训练迭代器中，如何解决 ValueError：只有一个元素张量可以转换为 Python 标量？
【发布时间】：2021-07-07 20:02:28
【问题描述】：

如何解决ValueError：只有一个元素张量可以转换为Python标量？

我正在密切关注有关构建Question Answering Bot in PyTorch 的教程。然而，在训练中，我的代码无法保存检查点，给了我前面提到的 ValueError。错误发生在torch.save(torch.tensor(train_loss_set), os.path.join(output_dir, 'training_loss.pt'))

下面是我对应train迭代器的代码：

num_train_epochs = 1

print("***** Running training *****")
print("  Num examples = %d" % len(dataset))
print("  Num Epochs = %d" % num_train_epochs)
print("  Batch size = %d" % batch_size)
print("  Total optimization steps = %d" % (len(train_dataloader) // num_train_epochs))

model.zero_grad()
train_iterator = trange(num_train_epochs, desc="Epoch")
set_seed()

for _ in train_iterator:
    epoch_iterator = tqdm(train_dataloader, desc="Iteration")
    for step, batch in enumerate(epoch_iterator):
        if step < global_step + 1:
            continue
            
        model.train()
        batch = tuple(t.to(device) for t in batch)
        
        inputs = {'input_ids':       batch[0],
                'attention_mask':  batch[1], 
                'token_type_ids':  batch[2],  
                'start_positions': batch[3], 
                'end_positions':   batch[4]}
        
        outputs = model(**inputs)
        
        loss = outputs[0]
        train_loss_set.append(loss)
        loss.sum().backward()
        torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)

        tr_loss += loss.sum().item()
        optimizer.step()
        model.zero_grad()
        global_step += 1

        if global_step % 1000 == 0:
            print("Train loss: {}".format(tr_loss/global_step))
            output_dir = 'checkpoints/checkpoint-{}'.format(global_step)
            if not os.path.exists(output_dir):
                os.makedirs(output_dir)
            model_to_save = model.module if hasattr(model, 'module') else model  # Take care of distributed/parallel training
            model_to_save.save_pretrained(output_dir)
            torch.save(torch.tensor(train_loss_set), os.path.join(output_dir, 'training_loss.pt'))
            print("Saving model checkpoint to %s" % output_dir)

编辑 print(train_loss_set[:10]) 返回以下内容：

[tensor([5.7099, 5.7395], device='cuda:0', grad_fn=<GatherBackward>), tensor([5.2470, 5.4016], device='cuda:0', grad_fn=<GatherBackward>), tensor([5.1311, 5.0390], device='cuda:0', grad_fn=<GatherBackward>), tensor([4.4326, 4.8475], device='cuda:0', grad_fn=<GatherBackward>), tensor([3.4740, 3.9955], device='cuda:0', grad_fn=<GatherBackward>), tensor([4.8710, 4.5907], device='cuda:0', grad_fn=<GatherBackward>), tensor([4.4294, 4.3013], device='cuda:0', grad_fn=<GatherBackward>), tensor([2.7536, 2.9540], device='cuda:0', grad_fn=<GatherBackward>), tensor([3.8989, 3.3436], device='cuda:0', grad_fn=<GatherBackward>), tensor([3.3534, 3.2532], device='cuda:0', grad_fn=<GatherBackward>)]

这可能与我使用 DataParallel 的事实有关吗？

【问题讨论】：

试试print(train_loss_set)看看它是什么样子
还将所有的堆栈跟踪都放在问题中。它有助于跟踪错误的来源。
谢谢，我已经编辑了我的问题并添加了打印语句的结果。

标签： python pytorch

【解决方案1】：

这是 pytorch 的一种奇怪行为。

基本上你不能使用张量列表来创建张量。

但是你可以做 3 件事。

是，您在保存张量列表时不需要torch.tensor，所以这应该可以工作。

torch.save(train_loss_set, os.path.join(output_dir, 'training_loss.pt'))

请改用torch.stack。

torch.save(torch.stack(train_loss_set), os.path.join(output_dir, 'training_loss.pt'))

这有点反直觉，但你可以将里面的张量转换为ndarray。你可以使用torch.tensor

train_loss_set.append(loss.cpu().detach().numpy())

【讨论】：