文章目录

• 4. 我的解决
• 1. 错误描述
• 2. 自我尝试
• • 2.1 减小batch_size
  • 2.2 换卡改代码
• 3. 调研情况

4. 我的解决

其实不难发现，我报错的位置基本都是从 gpu 往 cpu 转换的时候出现的问题。

• 因此考虑是不是cpu内存不太够了，所以内存访问发生错误了
• 由于我使用的是容器，因此在docker-compose或者dockerfile里将配置项改为：

      shm_size: 64G  →     shm_size: 128G
  

• shm_size，共享内存（shared memory）
• 之后就基本不报错了。。。

后续发现其实是某张卡有问题，

• 0~3一共4个GPU，只在使用0号GPU的时候会出问题
• 0号卡似乎是被某个进程锁了，还是怎么样，不用那个卡就没事了

1. 错误描述

例行吐槽，第一次遇到这个错误，我是非常无语的。以前是不报错的，和以前相比，不同的地方有

1. 数据变多了，从80例变成了100例
2. 换了个docker镜像，可能pytorch版本和cuda版本上有些问题
3. 检查了代码，没有发生修改

2. 自我尝试

2.1 减小batch_size

感觉上可能会和显存有点关系吧

第一次报错

• 结合自己的代码，我这个是在第一个epoch训练完成，validation阶段报的错（ line 243 ）
• 报错后调整 batch_size 变小（10→8），继续报错

• 不过上一步validation的地方已经走过去了， line 258 报错
• 说明把batch_size变小是有一定的效果的

按照这个思路继续把 batch_size 调小（8→5），又换了个位置报错。。

• line 305 报错

2.2 换卡改代码

换思路

• 换了张卡，从0卡变到了1卡。。
• 删除了非必须的CPU和GPU交换数据部分的代码
• 依然报错
  
• 用两张卡，batch_size设置10，不使用预训练模型，还是报错
  
• 从头训练，单卡，batch_size=5
  
• 从头训练，单卡，batch_size=4
  
  情况好了一点，都跑到第8个epoch了。但是还是断了

3. 调研情况

报错信息是CUDA丢出来的一个运行时错误，发生了非法内存访问。网上关于这个问题的讨论也很多，但是并没有发现有找到真正原因的。

很多都是靠感觉的

参考：

• pytorch的github issue： RuntimeError: CUDA error: an illegal memory access was encountered
  
  • 这个回答好像有效的人比较多， 一次惨痛的debug的经历-RuntimeError: CUDA error: an illegal memory access was encountered ，这个人就是这么解决的
• 另外还有一些是经验论的，
  • CSDN博客： [彻底解决]CUDA error: an illegal memory access was encountered(CUDA错误 非法访问内存)
• yolo的GitHub issue： Cuda illegal memory access when running inference on *.engine #6311