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:
自定义数据集使用了算子或Tensor操作
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算子或Tensor操作,而数据处理时采用多线程并行处理,但算子或Tensor操作并不支持多线程执行,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操作或算子,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、接口参数类型问题、消费节点冲突问题、数据分批问题以及内存资源问题等。
自定义数据增强操作调用第三方库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:
自定义数据增强操作参数类型错误
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 batch 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:
数据增强操作占用内存高
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: