1.

问题：

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 64.00 MiB (GPU 0; 39.59 GiB total capacity; 37.72 GiB already allocated; 38.19 MiB free; 37.83 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation.  See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

解决方法：

减小batch大小，可以减小每一批次的内存使用。批大小：24➡️12➡️6

减小批量大小（batch size）有几个潜在的好处：

1. 减少内存占用： 更小的批量大小意味着每个批次需要的内存更少，这有助于减少GPU内存的占用。特别是在处理大型模型或者数据集时，较小的批量大小可以降低内存消耗，从而减少因内存不足而导致的错误。

2. 加快训练速度： 较小的批量大小可能会导致更频繁的参数更新，这有助于加快模型的训练速度。虽然每轮迭代的计算量可能会增加，但由于参数更新更加频繁，整体上可以获得更快的收敛速度。

3. 泛化能力： 一些研究表明，通过减小批量大小，模型可能会更好地泛化到新的数据上，从而提高模型的性能。

尽管减小批量大小具有上述好处，但也存在一些潜在的问题：

1. 训练时间延长： 由于参数更新更频繁，整体训练时间可能会延长，尤其是在处理较大的数据集时。

2. 训练稳定性： 对于某些模型和数据集，较小的批量大小可能导致训练过程的不稳定性，包括震荡、收敛速度下降等问题。

2.

问题：

RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cpu and cuda:0!

解决；

找到报错的位置，在方法体内，把张量后面加上.to('cuda:0')

补充：

张量（tensor）是深度学习中的一种数据结构，类似于多维数组。在PyTorch等深度学习框架中，张量是进行数值计算的基本数据类型，用来存储和处理数据以及执行各种运算。

张量可以是多维的，可以是标量（0维张量）、向量（1维张量）、矩阵（2维张量）甚至更高维度的数组。在深度学习中，神经网络的输入、输出和参数通常都表示为张量，通过张量之间的运算来实现神经网络模型的训练和推理过程。

张量支持各种数学运算，如加法、减法、乘法、除法、矩阵乘法等，同时也支持广播（broadcasting）、切片（slicing）等操作。在深度学习中，张量是非常重要的数据类型，对于构建和训练神经网络模型起着关键作用。

3.

问题：

AttributeError: 'list' object has no attribute 'float'

4.在计算loss的时候，出现了loss:nan的情况

解决：

（1）推测是值太小，loss = criterion(outputs, batch_y+1e-5) ➡️ loss = criterion(outputs, batch_y+1e-5)，但更改后并未解决问题

（2）推测是数据精度问题，如bf16和fp16,但改变精度后并未解决问题

补：

（3）修改学习率learning_rate=0.01 ➡️ 0.001，目前效果良好

学习率在深度学习训练中起着非常重要的作用，它决定了模型参数在每次迭代中更新的幅度。学习率的高低对训练过程和结果有着直接影响：

1. 学习率过高：

   • 如果学习率设置过高，可能导致参数更新过大，使得模型在参数空间内来回波动，甚至出现数值溢出，最终导致训练不稳定或损失函数出现 NaN。
   • 高学习率可能会导致模型无法收敛到最优解，甚至完全偏离最优解，从而影响模型的性能。

2. 学习率过低：

   • 如果学习率设置过低，模型参数更新的幅度较小，可能导致模型收敛速度过慢，需要更多的迭代次数才能达到收敛状态。
   • 过低的学习率也可能导致模型陷入局部最优解或者鞍点，难以跳出局部最优解找到更好的全局最优解。

补充：

1.

2.