数据处理常见问题与分析方法
数据准备
数据准备阶段可能存在的问题有数据集路径问题以及MindRecord 文件读写问题，包括数据读取路径和保存路径问题、文件读写问题等。
数据集路径有中文
错误日志：
RuntimeError: Unexpected error. Failed to open file, file path E:\深度学习\models-master\official\cv\ssd\MindRecord_COCO\test.mindrecord
解决方法有两种:
① 将 MindRecord 格式数据集的输出路径指定在纯英文路径下；
② MindSpore 升级到 1.6.0 之后版本。
参考实例链接：
MindRecord 数据准备 - Unexpected error. Failed to open file_MindSpore
MindRecord文件问题
未删除重名文件
错误日志：
MRMOpenError: [MRMOpenError]: MindRecord File could not open successfully.
参考解决方法：
① 代码中添加删除文件逻辑，保证每次保存文件前删除目录下的重名 MindRecord 文件。
② MindSpore 1.6.0 之后版本，定义
FileWriter对象时，可以加上overwrite=True来实现覆盖写。参考实例链接：
MindSpore 数据准备 - MindRecord File could not open successfully
文件被移动
错误日志：
RuntimeError: Thread ID 1 Unexpected error. Fail to open ./data/cora RuntimeError: Unexpected error. Invalid file, DB file can not match file
使用MindSpore 1.4及之前版本时，在Windows环境下, 生成MindRecord格式数据集文件后移动位置，文件不能被正常加载到MindSpore中使用。
参考解决方法：
① Windows 环境下生成的 MindRecord 格式文件不要移动位置。
② 将 MindSpore 升级到 1.5.0 以及之后版本，重新生成 MindRecord 格式数据集，即可正常拷贝移动。
参考实例链接：
MindSpore 数据准备 - Invalid file,DB file can not match_MindSpore
自定义数据时类型设置错误
错误日志：
RuntimeError: Unexpected error. Invalid data, the number of schema should be positive but got: 0. Please check the input schema.
参考解决方法：
修改数据输入类型，使其与脚本中的类型定义保持一致。
参考实例链接：
数据加载
数据加载阶段可能存在的问题：资源配置问题、GeneratorDataset相关问题以及迭代器问题等。
资源配置问题
CPU核数设置问题
错误日志：
RuntimeError: Thread ID 140706176251712 Unexpected error. GeneratorDataset’s num_workers=8, this value is not within the required range of [1, cpu_thread_cnt=2].
参考解决方法：
① 添加代码手动配置 CPU 核数：
ds.config.set_num_parallel_workers()② 使用更高版本的 MindSpore,目前的 MindSpore 1.6.0 版本会根据硬件中CPU的核数自适应配置，避免出现CPU核数过低导致报错。
参考实例链接：
PageSize 设置问题
错误日志：
RuntimeError: Syntax error. Invalid data, Page size: 1048576 is too small to save a blob row.
参考解决方法：
使用MindSpore的 set_page_size API，将 pagesize 设置大一点,设置方法如下：
from mindspore.mindrecord import FileWriter writer = FileWriter(file_name="test.mindrecord", shard_num=1) writer.set_page_size(1 << 26) # 128MB
参考实例链接：
GeneratorDataset相关问题GeneratorDataset线程卡死无错误日志，线程卡死
在自定义的数据处理中，存在
numpy.ndarray, mindspore.Tensor数据类型混用过程，并且错误地使用numpy.array(Tensor)做转换，导致 GIL(Global Interpreter Lock) 锁得不到释放，GeneratorDataset不能正常工作。参考解决方法：
① 在定义
GeneratorDataset的第一个入参source时，如果涉及调用 Python function，则使用numpy.ndarray数据类型。② 使用
Tensor.asnumpy()方法将Tensor转成numpy.ndarray。参考实例链接：
自定义数据返回类型不正确
错误日志：
Unexpected error. Invalid data type.
错误描述：
自定义的
Dataset或map操作中返回的是一个dict类型数据等，不是 numpy array或numpy array组成的元组（tuple）。因为其他类型（dict、object等）不是一个可控的数据类型同时也不明确其中的数据存储方式，因此报出Invalid type的错误。参考解决方法：
① 检查自定义的数据处理部分的数据返回类型，需要返回 numpy array。
② 检查自定义加载数据时，
__getitem__函数的数据返回类型，需要返回 tuple，且 tuple 的元素是 numpy 类型。参考实例链接：
MindSpore 数据集加载 - Unexpected error. Invalid data type_MindSpore
自定义采样器初始化错误
错误日志：
AttributeError: 'IdentitySampler' object has no attribute 'child_sampler'
参考解决方法：
在自定义的采样器初始化方法’__init__()’中需要使用’super().__init__()’调用父类的构造函数。
参考实例链接：
MindSpore 数据集加载 - ‘IdentitySampler’ has no attribute child_sampler
重复定义访问方式
错误日志：
For 'Tensor', the type of "input_data" should be one of ...
参考解决方法：
选择合适的数据输入：随机访问（
__getitem__），顺序访问（iter，next）两者选其一即可。参考实例链接：
自定义数据返回字段与定义数目不一致
错误日志：
RuntimeError: Exception thrown from PyFunc. Invalid python function, the 'source' of 'GeneratorDataset' should return same number of NumPy arrays as specified in column_names
参考解决方法：
检查
GeneratorDataset返回与定义的columns字段是否一致。参考实例链接：
用户脚本问题
错误日志：
TypeError：parse() missing 1 required positionnal argument：'self'
参考解决方法：
单步调试代码，检查脚本中的语法，看是否缺少’()’等。
参考实例链接：
自定义数据集使用Tensor计算算子
错误日志：
RuntimeError: Exception thrown from PyFunc. RuntimeError: mindspore/ccsrc/pipeline/pynative/pynative_execute.cc:1116 GetOpOutput] : The pointer[cnode] is null.
错误描述：
在自定义数据集里面使用了 Tensor 计算算子，此时会调用后端底层的算子进行执行，但是数据处理又是多线程并行处理，因此会起多个线程进行计算，但是计算算子可能不支持多线程执行，因此报错。
参考解决方法：
用户自定义的 Pyfunc 中，在数据集中的
__getitem__中不使用 MindSpore 的 Tensor 及相关操作，建议先把入参转为 Numpy 类型，再通过 Numpy 相关操作实现相关功能。参考实例链接：
迭代初始化错误导致下标越界
错误日志：
list index out of range
参考解决方法：
移除非必要的
index成员变量，或者在每次迭代前对index赋值为 0 进行复位操作。参考实例链接：
未进行迭代初始化
错误日志：
Unable to fetch data from GeneratorDataset, try iterate the source function of GeneratorDataset or check value of num_epochs when create iterator.
未进行迭代初始化导致
len和iter数量不一致参考解决方法：
在 iter 中加入清零操作
参考实例链接：
MindSpore 数据集加载 - Unable to fetch data from GeneratorDataset
迭代器相关问题
重复创建迭代器
错误日志：
oserror: [errno 24] too many open files
错误描述：
重复调用
iter()会重复创建迭代器，而GeneratorDataset加载数据集时默认为多进程加载，每次打开的句柄在主进程停止前得不到释放，导致打开句柄数一直在增长。参考解决方法：
使用 MindSpore 提供的dict迭代器
create_dict_iterator()和 tuple 迭代器create_tuple_iterator()。参考实例链接：
错误使用从迭代器中获取数据的方法
错误日志：
'DictIterator' has no attribute 'get_next'
参考解决方法：
可通过以下两种方式从迭代器中获取下一条数据：
item = next(ds_test.create_dict_iterator()) for item in ds_test.create_dict_iterator():
参考实例链接：
数据增强
数据增强阶段是对读取的数据进行数据处理，MindSpore目前支持如数据清洗shuffle、数据分批batch、数据重复repeat、数据拼接concat等常用数据处理操作。该阶段可能存在的问题有：数据类型问题、算子参数类型问题、消费节点冲突问题、数据分批问题以及内存资源问题等。
自定义数据增强算子调用第三方库API时数据类型错误
错误日志：
TypeError：Invalid object with type'<class 'PIL.Image.Image'>' and value'<PIL.Image.Image image mode=RGB size=180x180 at 0xFFFF6132EA58>'.
参考解决方法：
检查自定义函数中用到的第三方库API的数据类型要求，将输入的数据类型转换为该API期望的数据类型。
参考实例链接：
自定义数据增强算子参数类型错误
错误日志：
Exception thrown from PyFunc. TypeError: args should be Numpy narray. Got <class 'tuple'>.
参考解决方法：
修改
call的入参为个数（且类型为 numpy.ndarray），除self外入参个数需要与input_columns中的参数个数保持一致，忽略input_columns时默认为全部的数据列。参考实例链接：
数据集有两个消费节点发生冲突
错误日志：
ValueError: The data pipeline is not a tree (i.e. one node has 2 consumers)
错误描述：
dataset 定义上发生了分支，导致 dataset 无法确定分叉的走向。
参考解决方法：
检查数据集名称，通常一直保持同一个数据集名称即可。
参考实例链接：
数据 shape 不一致导致的 batch 操作问题
错误日志：
RuntimeError: Unexpected error. Inconsistent batch shapes, batch operation expect same shape for each data row, but got inconsistent shape in column 0, expected shape for this column is:, got shape:
参考解决方法：
① 检查需要进行 batch 操作的数据 shape，不一致时放弃进行 shape 操作。
② 如果一定要对 shape 不一致的数据进行 batch 操作，需要整理数据集，通过 pad 补全等方式进行输入数据 shape 的统一。
参考实例链接：
数据增强算子占用内存高
错误描述：
MindSpore 进行数据增强过程中，如果内存不足，可能会自动退出。 MindSpore 1.7及以后版本在内存占用超过80%时会进行告警，用户在进行大数据训练时，需要注意内存占用率，防止内存占用过高导致直接退出。
参考实例链接：