数据处理调试方法与常见问题分析

查看源文件  

数据处理调试方法

方法1:数据处理执行出错,添加打印或调试点到代码中调试

使用 GeneratorDatasetmap 进行加载/处理数据时,可能会因为语法错误、计算溢出等问题导致数据报错,一般可以按如下步骤进行排查和调试:

  1. 观察报错栈信息,由报错栈信息大概定位到出错代码块。

  2. 在出错的代码块附近添加打印或调试点,进一步调试。

以下展示一个存在语法/数值问题数据pipeline,并如何按照上述的方案修复报错。

import mindspore.dataset as ds

class Loader:
    def __init__(self):
        self.data = [1, 6, 0, 1, 2]
        self.dividend = 1
    def __getitem__(self, index):
        a = self.dividend
        b = self.data[index]
        return a / b
    def __len__(self):
        return len(self.data)


dataloader = ds.GeneratorDataset(Loader(), column_names=["data"])
for data in dataloader:
    print("data", data)

运行后报错如下,可以观察到错误提示分为3块:

  • Dataset Pipeline Error Message:错误综述,此处提示由于Python代码执行出错导致报错退出。

  • Python Call Stack:Python代码的调用信息,展示产生Python异常前的调用栈。

  • C++ Call Stack:C++代码的调用信息,用于框架开发者调试。

------------------------------------------------------------------
- Python Call Stack:
------------------------------------------------------------------
Traceback (most recent call last):
  File "/.../mindspore/dataset/engine/datasets_user_defined.py", line 99, in _cpp_sampler_fn
    val = dataset[i]
  File "test_cv.py", line 11, in __getitem__
    return a / b
ZeroDivisionError: division by zero

------------------------------------------------------------------
- Dataset Pipeline Error Message:
------------------------------------------------------------------
[ERROR] Execute user Python code failed, check 'Python Call Stack' above.

------------------------------------------------------------------
- C++ Call Stack: (For framework developers)
------------------------------------------------------------------
mindspore/ccsrc/minddata/dataset/engine/datasetops/source/generator_op.cc(247).

Dataset Pipeline Error Message提示在运行用户的Python脚本出现异常,继续查看Python Call Stack。 根据Python栈信息,异常从 __getitem__ 函数中抛出,并且提示了相关的代码在 return a / b 附近。因此,可以对日志中提示报错的代码附近添加打印或者调试点。

import mindspore.dataset as ds

class Loader:
    def __init__(self):
        self.data = [1, 6, 0, 1, 2]
        self.dividend = 1

    def __getitem__(self, index):
        try:
            print(">>> debug: come into __getitem__", flush=True)
            a = self.dividend
            b = self.data[index]
            print(">>> debug: a is", a, flush=True)
            print(">>> debug: b is", b, flush=True)
            return a / b
        except Exception as e:
            print("exception occurred", str(e))
            import pdb
            pdb.set_trace()
            # do anything you want to check variable

    def __len__(self):
        return len(self.data)


dataloader = ds.GeneratorDataset(Loader(), column_names=["data"])
# Make the pipeline single-threaded before you run it
ds.config.set_num_parallel_workers(1)
for i, data in enumerate(dataloader):
    print("data count", i)

加入相关的调试信息重新运行数据pipeline,可以查看到捕获到了异常,并且进入了pdb的调试器。 这个时候就可以按照需要(遵循pdb的语法)打印查看相关的变量进行调试,找到报错的地方为 1/0 导致了除零错误。

>>> debug: come into __getitem__
>>> debug: a is 1
>>> debug: b is 2
>>> debug: come into __getitem__
data count 0
>>> debug: a is 1
>>> debug: b is 0
exception occurred division by zero
--Return--
> /test_cv.py(19)__getitem__()->None
-> pdb.set_trace()
(Pdb)

方法2:数据增强map操作出错,调试map操作中各个数据处理算子

将数据增强变换嵌入到数据pipeline的 map 操作中时,有时候会导致报错后不容易调试。 以下例子展示了一个嵌入 RandomResizeCrop 增强到 map 操作中对数据进行裁剪的例子,但由于输入对象的shape经过变换后有误导致报错。

方式一:通过单个算子执行的方式调试

import numpy as np
import mindspore.dataset as ds
import mindspore.dataset.vision as vision

class MyDataset:
    def __init__(self):
        self.data = [np.ones((32, 32, 3)), np.ones((3, 48, 48))]
    def __getitem__(self, index):
        return self.data[index]
    def __len__(self):
        return len(self.data)


dataset = ds.GeneratorDataset(MyDataset(), column_names=["data"])
transforms_list = [vision.RandomResize((3, 16)), vision.Crop(coordinates=(0, 0), size=(8, 8))]
dataset = dataset.map(operations=transforms_list)
for data in dataset:
    print("data", data)

当执行上述示例时会得到如下报错,但根据报错提示,较难获取输入的对象是什么内容,以及shape是什么。

------------------------------------------------------------------
- Dataset Pipeline Error Message:
------------------------------------------------------------------
[ERROR] map operation: [Crop] failed. Crop: Crop height dimension: 8 exceeds image height: 3.

------------------------------------------------------------------
- C++ Call Stack: (For framework developers)
------------------------------------------------------------------
mindspore/ccsrc/minddata/dataset/kernels/image/crop_op.cc(33).

从Dataset Pipeline Error Message的提示可以看到错误是由 Crop 在计算时抛出。因此可以稍微改写一下数据pipeline,对 Crop 的输入输出进行打印,并添加打印进行调试。

import numpy as np
import mindspore.dataset as ds
import mindspore.dataset.vision as vision

class MyDataset:
    def __init__(self):
        self.data = [np.ones((32, 32, 3)), np.ones((3, 48, 48))]

    def __getitem__(self, index):
        return self.data[index]

    def __len__(self):
        return len(self.data)


def MyWrapper(data):
    transforms_list = [vision.RandomResize((3, 16)), vision.Crop(coordinates=(0, 0), size=(8, 8))]
    for transforms in transforms_list:
        print(">>> debug: apply transforms: ", type(transforms))
        print(">>> debug: before apply transforms, data shape", data.shape)
        data = transforms(data)
        print(">>> debug: after apply transforms, data shape", data.shape)
    return data


dataset = ds.GeneratorDataset(MyDataset(), column_names=["data"], shuffle=False)
dataset = dataset.map(MyWrapper)
ds.config.set_num_parallel_workers(1)
for data in dataset:
    print("data", data[0].shape)

再次运行得到以下相关内容:

>>> debug: apply transforms:  <class 'mindspore.dataset.vision.transforms.RandomResize'>
>>> debug: before apply transforms, data shape (32, 32, 3)
>>> debug: after apply transforms, data shape (3, 16, 3)
>>> debug: apply transforms:  <class 'mindspore.dataset.vision.transforms.Crop'>
>>> debug: before apply transforms, data shape (3, 16, 3)

RuntimeError: Exception thrown from user defined Python function in dataset.

------------------------------------------------------------------
- Dataset Pipeline Error Message:
------------------------------------------------------------------
[ERROR] Crop: Crop height dimension: 8 exceeds image height: 3.

------------------------------------------------------------------
- C++ Call Stack: (For framework developers)
------------------------------------------------------------------
mindspore/ccsrc/minddata/dataset/kernels/image/crop_op.cc(33).

根据打印的信息可以看到 Crop 处理第一个样本时报错,第一个样本的shape(32, 32, 3),被 RandomResize 变换为(3, 16, 3),但是没有打印 Crop 变换后的shape就报错了。因此正是此时的shape不能被 Crop 处理导致错误发生。进一步根据Dataset Pipeline Error Message的提示,输入样本的高只有3,但是期望裁剪出高维8的区域,所以报错。

查看 CropAPI说明Crop 要求输入样本的shape为 <H, W> 或 <H, W, C>,所以 Crop 会把(3, 16, 3)当成<H, W, C>,当H=3, W=16,C=3时自然裁剪不出H=8, W=8的区域。

为了快速修复此问题,我们只需要把 RandomResize 的参数size由原来的(3, 16)改为(16, 16), 再次执行就会发现用例通过。

>>> debug: apply transforms:  <class 'mindspore.dataset.vision.transforms.RandomResize'>
>>> debug: before apply transforms, data shape (32, 32, 3)
>>> debug: after apply transforms, data shape (16, 16, 3)
>>> debug: apply transforms:  <class 'mindspore.dataset.vision.transforms.Crop'>
>>> debug: before apply transforms, data shape (16, 16, 3)
>>> debug: after apply transforms, data shape (8, 8, 3)
data (8, 8, 3)
>>> debug: apply transforms:  <class 'mindspore.dataset.vision.transforms.RandomResize'>
>>> debug: before apply transforms, data shape (3, 48, 48)
>>> debug: after apply transforms, data shape (16, 16, 48)
>>> debug: apply transforms:  <class 'mindspore.dataset.vision.transforms.Crop'>
>>> debug: before apply transforms, data shape (16, 16, 48)
>>> debug: after apply transforms, data shape (8, 8, 48)
data (8, 8, 48)

方式二:通过数据管道调试模式调试map操作

我们还可以调用 set_debug_mode 方法开启数据集管道调试模式来进行调试。 当启用调试模式时,如果随机种子没有被设置,则会将随机种子设置为1,以便在调试模式下执行数据集管道可以获得确定性的结果。

流程如下:

  1. map 算子中打印每个变换op的输入输出数据的形状和类型。

  2. 启用数据集管道调试模式,并使用MindData提供的预定义调试钩子或者用户定义的调试钩子,它必须定义继承自 DebugHook 类。

以下是在 方式一 的用例上做修改,使用MindData提供的预定义调试钩子。

import numpy as np
import mindspore.dataset as ds
import mindspore.dataset.debug as debug
import mindspore.dataset.vision as vision

class MyDataset:
    def __init__(self):
        self.data = [np.ones((32, 32, 3)), np.ones((3, 48, 48))]

    def __getitem__(self, index):
        return self.data[index]

    def __len__(self):
        return len(self.data)


# Enable dataset pipeline debug mode and use pre-defined debug hook provided by MindData.
ds.config.set_debug_mode(True)

# Define dataset pipeline
dataset = ds.GeneratorDataset(MyDataset(), column_names=["data"])

transforms_list = [vision.RandomResize((3, 16)), vision.Crop(coordinates=(0, 0), size=(8, 8))]
dataset = dataset.map(operations=transforms_list)
for i, data in enumerate(dataset):
    print("data count", i)

运行得到以下相关内容:

[Dataset debugger] Print the [INPUT] of the operation [RandomResize].
Column 0. The dtype is [float64]. The shape is [(32, 32, 3)].
[Dataset debugger] Print the [OUTPUT] of the operation [RandomResize].
Column 0. The dtype is [float64]. The shape is [(3, 16, 3)].
    ......
E           RuntimeError: Exception thrown from dataset pipeline. Refer to 'Dataset Pipeline Error Message'.
E
E           ------------------------------------------------------------------
E           - Dataset Pipeline Error Message:
E           ------------------------------------------------------------------
E           [ERROR] map operation: [Crop] failed. Crop: Crop height dimension: 8 exceeds image height: 3.
E
E           ------------------------------------------------------------------
E           - C++ Call Stack: (For framework developers)
E           ------------------------------------------------------------------
E           mindspore/ccsrc/minddata/dataset/kernels/image/crop_op.cc(33).

根据打印的信息我们就能很清楚的知道 Crop 在处理输入shape为(3, 16, 3)的时候出现了报错,同样查看 CropAPI说明。我们只需要把 RandomResize 的参数size由原来的(3, 16)改为(16, 16), 再次执行就会发现用例通过。

[Dataset debugger] Print the [INPUT] of the operation [RandomResize].
Column 0. The dtype is [float64]. The shape is [(32, 32, 3)].
[Dataset debugger] Print the [OUTPUT] of the operation [RandomResize].
Column 0. The dtype is [float64]. The shape is [(16, 16, 3)].
[Dataset debugger] Print the [OUTPUT] of the operation [Crop].
Column 0. The dtype is [float64]. The shape is [(8, 8, 3)].
******data count 0
[Dataset debugger] Print the [INPUT] of the operation [RandomResize].
Column 0. The dtype is [float64]. The shape is [(3, 48, 48)].
[Dataset debugger] Print the [OUTPUT] of the operation [RandomResize].
Column 0. The dtype is [float64]. The shape is [(16, 16, 48)].
[Dataset debugger] Print the [OUTPUT] of the operation [Crop].
Column 0. The dtype is [float64]. The shape is [(8, 8, 48)].
******data count 1

另外还可以使用自定义的调试钩子手动插入,在 MyHook 类的 compute 函数中添加断点,可以打印日志查看数据的类型和形状等。

import numpy as np
import mindspore.dataset as ds
import mindspore.dataset.debug as debug
import mindspore.dataset.vision as vision

# Enable dataset pipeline debug mode and use user-defined debug hook. It must define a
# class inherited from DebugHook.
class MyHook(debug.DebugHook):
    def __init__(self):
        super().__init__()

    def compute(self, *args):
        print("come into my hook function, block with pdb", flush=True)
        import pdb
        print("the input shape is: ", args[0][0].shape, flush=True)
        pdb.set_trace()
        return args


class MyDataset:
    def __init__(self):
        self.data = [np.ones((32, 32, 3)), np.ones((3, 48, 48))]

    def __getitem__(self, index):
        return self.data[index]

    def __len__(self):
        return len(self.data)


# Enable dataset pipeline debug mode and use pre-defined debug hook provided by MindData.
ds.config.set_debug_mode(True, debug_hook_list=[MyHook()])

# Define dataset pipeline.
dataset = ds.GeneratorDataset(MyDataset(), column_names=["data"])

# Insert debug hook before `Crop` operation.
transforms_list = [vision.RandomResize((3, 16)), MyHook(), vision.Crop(coordinates=(0, 0), size=(8, 8))]
dataset = dataset.map(operations=transforms_list)
for i, data in enumerate(dataset):
    print("data count", i)

同上可知,可以通过一步步的查看输入的shape来定位问题,接下来就可以开始你的调试了:

[Dataset debugger] Print the [INPUT] of the operation [RandomResize].
come into my hook function, block with pdb
the input shape is:  (3, 48, 48)

>>>>>>>>>>>>>>>>>>>>>PDB set_trace>>>>>>>>>>>>>>>>>>>>>
> /test_demo.py(18)compute
-> return args
(Pdb)

方法3:测试数据处理的性能

当使用MindSpore启动训练,训练日志一直打印,出现了很多条,很可能是数据处理较慢的问题。

[WARNING] MD(90635,fffdf0ff91e0,python):2023-03-25-15:29:14.801.601 [mindspore/ccsrc/minddata/dataset/engine/datasetops/source/generator_op.cc:220] operator()] Bad performance attention,
it takes more than 25 seconds to generator.__next__ new row, which might cause `GetNext` timeout problem when sink_mode=True.
You can increase the parameter num_parallel_workers in GeneratorDataset / optimize the efficiency of obtaining samples in the user-defined generator function.

下面介绍一种调试数据集性能的方法,即使没有出现上述的WARNING信息,也可以调试数据性能,作为参考: 构造一个简单的lenet训练网络,故意在代码上做一点手脚。

import time
import mindspore as ms
import mindspore.dataset as ds
import mindspore.dataset.transforms as C
import mindspore.dataset.vision as CV
import mindspore.nn as nn
from mindspore import dtype as mstype
from mindspore.dataset.vision import Inter

def create_dataset(data_path, num_parallel_workers=1):
    mnist = ds.MnistDataset(data_path, num_samples=1000, shuffle=False)

    class udf:
        def __init__(self, dataset):
            self.dataset = dataset
            self.cnt = 0

            self.iterator = self.dataset.create_tuple_iterator(num_epochs=1)
            self.data = []
            for i in range(1000):
                self.data.append(self.iterator.__next__())

        def __len__(self):
            return 1000

        def __getitem__(self, index):
            if index >= 7:
                time.sleep(60)
            return self.data[index]


    mnist_ds = ds.GeneratorDataset(udf(mnist), ["image", "label"])

    resize_height, resize_width = 32, 32
    rescale = 1.0 / 255.0
    rescale_nml = 1 / 0.3081
    shift_nml = -1 * 0.1307 / 0.3081

    # define map operations
    resize_op = CV.Resize((resize_height, resize_width), interpolation=Inter.LINEAR)
    rescale_nml_op = CV.Rescale(rescale_nml * rescale, shift_nml)
    hwc2chw_op = CV.HWC2CHW()
    type_cast_op = C.TypeCast(mstype.int32)

    # use map operations on images
    mnist_ds = mnist_ds.map(operations=type_cast_op, input_columns="label")
    mnist_ds = mnist_ds.map(operations=resize_op, input_columns="image")
    mnist_ds = mnist_ds.map(operations=rescale_nml_op, input_columns="image")
    mnist_ds = mnist_ds.map(operations=hwc2chw_op, input_columns="image")
    mnist_ds = mnist_ds.batch(4, drop_remainder=True)
    return mnist_ds


class LeNet5(nn.Cell):
    def __init__(self, num_class=10, num_channel=1):
        super(LeNet5, self).__init__()
        self.conv1 = nn.Conv2d(num_channel, 6, 5, pad_mode='valid')
        self.conv2 = nn.Conv2d(6, 16, 5, pad_mode='valid')
        self.fc1 = nn.Dense(16 * 5 * 5, 120)
        self.fc2 = nn.Dense(120, 84)
        self.fc3 = nn.Dense(84, num_class)
        self.relu = nn.ReLU()
        self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2)
        self.flatten = nn.Flatten()

    def construct(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.max_pool2d(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.max_pool2d(x)
        x = self.flatten(x)
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        x = self.relu(x)
        x = self.fc3(x)
        return x


dataset_train = create_dataset("mnist/train")

ms.set_context(mode=ms.GRAPH_MODE)
network = LeNet5(num_class=10)
net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
net_opt = nn.Momentum(network.trainable_params(), learning_rate=0.01, momentum=0.9)
model = ms.Model(network, loss_fn=net_loss, optimizer=net_opt, metrics={'accuracy'})
model.train(10, dataset_train, callbacks=[ms.LossMonitor()])

在训练的时候,我们会获得非常多warning提示我们数据集性能较慢,但是观察到有Epoch time,per step time信息,因此训练其实也在进行,只是较慢。

[WARNING] MD(90635,fffdf0ff91e0,python):2023-03-25-15:29:14.801.601 [mindspore/ccsrc/minddata/dataset/engine/datasetops/source/generator_op.cc:220] operator()] Bad performance attention, it takes more than 25 seconds to generator.__next__ new row, which might cause `GetNext` timeout problem when sink_mode=True. You can increase the parameter num_parallel_workers in GeneratorDataset / optimize the efficiency of obtaining samples in the user-defined generator function.
[WARNING] MD(90635,fffd72ffd1e0,python):2023-03-25-15:29:14.802.398 [mindspore/ccsrc/minddata/dataset/engine/datasetops/data_queue_op.cc:903] DetectPerBatchTime] Bad performance attention, it takes more than 25 seconds to fetch a batch of data from dataset pipeline, which might result `GetNext` timeout problem. You may test dataset processing performance(with creating dataset iterator) and optimize it.
Epoch time: 60059.685 ms, per step time: 30029.843 ms, avg loss: 2.301

此时,可以单独迭代数据集,查看每条数据的处理时间,以此判断数据集的性能如何: 在上述代码的 dataset_train = create_dataset("mnist/train") 后面,可以加入以下代码用于调试数据集

import time

st = time.time()
for i, data in enumerate(dataset_train):
    print("data step", i, ", time", time.time() - st, flush=True)
    st = time.time()
    if i > 50:
        break

加入代码后再次运行,将会看到数据集的处理时间:

data step 0 , time 0.0055468082427978516
data step 1 , time 60.034635634525
data step 2 , time 480.046234134121
data step 3 , time 480.023415324343
data step 4 , time 480.051423635473

可以看到,从第2条数据开始,每一条数据居然都要等到60s以上才处理完成, 对于上述“做过手脚的代码”其实是好解决的,检查一下代码会发现

def __getitem__(self, index):
    if index >= 7:
        time.sleep(60)
    return self.data[index]

从第7条数据开始,每一条都会sleep60秒才会输出,也正是这里导致了数据处理变慢。 由于batch size是4,所以第一个batch只包含前4条数据(0,1,2,3),自然处理时间没有问题,然后到第二个batch,由于包含(4,5,6,7)4条数据,所以在第7条的时候会额外等待60s才会输出,从而导致整体在第2个batch的时候,数据时间延长到了60s,后面第三个第四个batch同理。所以只需要把sleep的逻辑去掉,即可把数据处理拉回到正常的水平。

在真实训练场景中,也会有不同的原因导致网络训练变慢,但是分析方法也是类似的。我们可以先单独迭代数据,以定界是否为数据处理慢导致训练性能较低。

方法4:检查数据处理中的异常数据

在对数据进行处理的过程中,可能会因为计算错误、数值溢出等因素,产生了异常的结果数值,从而导致训练网络时算子计算溢出、权重更新异常等问题。此方案介绍如何调试和检查异常的数据行为/数据结果。

关闭混洗,固定随机种子,确保可重现性

在一些数据处理的场景中,我们会使用随机的函数,作为数据运算的一部分。由于随机运算本身的特性,每一次运行的数据结果都不相同,这样很有可能会出现上一次运行的结果中存在异常的数值,但在下一次运行的时候,却没有检查到异常的数值,那么很有可能是因为随机索引/随机计算的影响。这种情况下,可以关闭数据集的混洗选项,并固定不同的随机种子,通过多次运行寻找可能引入的随机问题。

以下例子把一个随机值当做是一个除数,在偶然的情况下会出现除0的情况。

import numpy as np
import mindspore as ms

class Gen():
    def __init__(self):
        self.data = [np.array(i) / np.random.randint(0, 3) for i in range(1, 4)]
    def __getitem__(self, index):
        data = self.data[index]
        return data
    def __len__(self):
        return len(self.data)


dataset = ms.dataset.GeneratorDataset(Gen(), ["data"])
for data in dataset:
    print(data)

通过 set_seed 设置随机种子,产生固定的随机数来达到确定的结果,可以进一步排查代码中随机运算是否符合预期。

ms.set_seed(1)
ms.dataset.GeneratorDataset(Loader(), ["data"], shuffle=False)

多次运行结果保持一致,可以看到第1条数据和第3条数据出现的除零的结果。间接可以说明,在第1条和第3条数据的计算上存在异常导致出现了inf的数值。

[Tensor(shape=[], dtype=Float64, value= inf)]
[Tensor(shape=[], dtype=Float64, value= 1)]
[Tensor(shape=[], dtype=Float64, value= inf)]

利用NumPy等工具快速校验结果

上一个例子中的数据量较少,基本上可以通过检查代码发现出现异常数值的位置。对于一些大型的高维数组,代码检查或者打印数值就不太方便了。这个时候,可以配置MindSpoer的数据集以NumPy的形式返回数据,并借助NumPy的一些常用检查数组内容的手段去检查数组中是否存在异常数值。

以下例子构造了一个大型的高维数组,并对其中的数值进行随机的运算。

import numpy as np
import mindspore as ms

class Gen():
    def __init__(self):
        self.data = np.random.randint(0, 255, size=(16, 50, 50))
    def __getitem__(self, index):
        data = self.data[index] / np.random.randint(0, 2)
        return data
    def __len__(self):
        return 16


dataset = ms.dataset.GeneratorDataset(Gen(), ["data"])
for data in dataset:
    print(data)

为了检查在数据运算时存在异常数值如nan、inf等,可以在遍历数据集对象时,指定其输出为NumPy类型。

指定了输出类型后,打印的data对象中各个元素均为NumPy类型,基于此可以采用NumPy中的一些非常方便的函数校验其中的数值是否异常

for data_index, data in enumerate(dataset.create_tuple_iterator(output_numpy=True)):
    if(np.isinf(data).any()):             # Checking for inf values
        print("np.isinf index: ", data_index) # Prints the index of the sample if there is an inf value
    if(np.isnan(data).any()):             # Checking for nan values
        print("np.isinf index: ", data_index) # Prints an index of samples with nan values

数据处理常见问题分析

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:

    MindSpore 数据准备 - Unexpected error. Invalid data

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:

    MindSpore 数据加载 - Unexpected error. GeneratorDataset’s num_workers=8, this value is not within the required range of

  • 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:

    MindSpore 数据加载 - Invalid data,Page size is too small”

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:

    MindSpore 数据加载 - GeneratorDataset 线程卡死

  • 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 Datasetmap 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:

    MindSpore 数据集加载 - the type of input_data should be one of

  • 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:

    MindSpore 数据集加载 - Exception thrown from PyFunc

  • 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:

    MindSpore 数据集加载 - parse() missing 1 required positional

  • 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:

    MindSpore 数据集加载 - The pointer[cnode] is null

  • 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:

    MindSpore 数据集加载 - list index out of range

  • 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leniter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:

    MindSpore 数据加载 - too many open files

  • 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:

    MindSpore 数据集加载- ‘DictIterator’ has no attribute ‘get_next’

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:

MindSpore 数据增强 - TypeError: Invalid with type

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:

MindSpore 数据增强 - args should be Numpy narray

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:

MindSpore 数据增强 - The data pipeline is not a tree

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:

MindSpore 数据增强 - Unexpected error. Inconsistent batch

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:

MindSpore 数据增强 - 内存不足,自动退出