安装并运行pytorch报错“核心已转储”
1 问题和解决概要
主机环境：Ubuntu20.04，RTX3090，GPU Driver Version 525.89.02
问题：用anaconda创建虚拟环境python3.10，安装pytorch2.2.2-cu118和对应torchvision后，训练模型出现报错：“核心已转储”。
定位和解决：
- 查阅资料，确认driver支持cuda-11.8，主机安装cuda-11.8后编译一个sample也正常。
- 用一个network sample来验证pytorch的有效性（因为常规import torch之后print都正常），代码见下。确定是安装的pytorch或者torchvision问题。
- 尝试了Python3.8和Python3.10（均无效），尝试了带cu118的torch2.2.2和torch2.2.1（均无效），尝试了带cu117的torch2.0.1（有效）。
【疑问】理论上带cu118的torch应该都可以正常运行，但实际上无效，后退一个cuda版本至cu117就有效，原因不明！
下面是train network sample代码，验证安装的pytorch和torchvison是否真正可用
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, 1)
self.conv2 = nn.Conv2d(32, 64, 3, 1)
self.dropout1 = nn.Dropout(0.25)
self.dropout2 = nn.Dropout(0.5)
self.fc1 = nn.Linear(9216, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = self.conv1(x)
x = F.relu(x)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
def train(args, model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
if args.dry_run:
break
def test(model, device, test_loader):
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)
test_loss += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss
pred = output.argmax(dim=1, keepdim=True) # get the index of the max log-probability
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
def main():
# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=14, metavar='N',
help='number of epochs to train (default: 14)')
parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
help='learning rate (default: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='Learning rate step gamma (default: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--no-mps', action='store_true', default=False,
help='disables macOS GPU training')
parser.add_argument('--dry-run', action='store_true', default=False,
help='quickly check a single pass')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
# parser.add_argument('--save-model', action='store_true', default=False,
# help='For Saving the current Model')
args = parser.parse_args()
use_cuda = not args.no_cuda and torch.cuda.is_available()
use_mps = not args.no_mps and torch.backends.mps.is_available()
torch.manual_seed(args.seed)
if use_cuda:
device = torch.device("cuda")
elif use_mps:
device = torch.device("mps")
else:
device = torch.device("cpu")
train_kwargs = {'batch_size': args.batch_size}
test_kwargs = {'batch_size': args.test_batch_size}
if use_cuda:
cuda_kwargs = {'num_workers': 1,
'pin_memory': True,
'shuffle': True}
train_kwargs.update(cuda_kwargs)
test_kwargs.update(cuda_kwargs)
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
dataset1 = datasets.MNIST('./data', train=True, download=True,
transform=transform)
dataset2 = datasets.MNIST('./data', train=False,
transform=transform)
train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)
model = Net().to(device)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
for epoch in range(1, args.epochs + 1):
train(args, model, device, train_loader, optimizer, epoch)
test(model, device, test_loader)
scheduler.step()
# if args.save_model:
# torch.save(model.state_dict(), "mnist_cnn.pt")
if __name__ == '__main__':
main()
2 具体过程
2.1 背景
为了使用lightning框架，environment.yaml中建议pytorch=2.*
dependencies:
- python=3.10
- pytorch=2.*
- torchvision=0.*
- lightning=2.*
而台式机上pytorch都是1.12及以下，因此需重新安装Pytorch环境。
2.2 确认GPU Driver和cuda版本对应
- nvidia-smi查询 GPU Driver Version: 525.89.02
- 确认驱动支持cuda11.8，参考：cuda-compatibility，以及cuda toolkit docs。
2.3 主机安装cuda11.8，以及对应的cudnn8.9.7，验证是否正常
【这个实验中pytorch自带了cuda runtime，所以其实并不需要主机上单独安装】
安装cuda11.8和对应的cudnn8.9.7：
-
下载并安装cuda-11.8；
-
/usr/local/cuda链接至cuda-11.8，配置~/.bashrc环境，可参考多个cuda和cudnn版本切换；
当前主机中有三个cuda，如下：
确认cuda正常：
方法1：nvcc --version
方法2：编译并运行cuda自带的samples（由于/usr/local/cuda-11.8文件夹中没有samples，因此去其他版本cuda中测一下）
cd /usr/local/cuda-11.3/samples/1_Utilities/deviceQuery
sudo make
sudo ./deviceQuery
出现下面输出，确认cuda11.8正常。
2.4 离线安装pytorch和torchvision，验证是否正常
- Anaconda创建python-3.10环境：conda create -n py310 python=3.10
- 官网确认版本PyTorch和torchvision对应关系
# CUDA 11.8
pip install torch==2.2.2 torchvision==0.17.2 --index-url https://download.pytorch.org/whl/cu118
- 在Pytorch版本archive【这里】下载对应版本，对应python3.10版本和cuda11.8版本.
- 下载后直接pip安装
pip install torch-2.2.2+cu118-cp310-cp310-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install torchvision-0.17.2+cu118-cp310-cp310-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
-
验证Pytorch和torchvison是否可用，代码见第一部分问题和解决概要。
结果报错“核心已转储”。
2.5 问题解决
新建python3.10虚拟环境，下载pytorch带cuda11.7的版本并重新安装。验证OK。
【疑问】查阅资料可知该GPU driver支持cuda-11.8，且主机安装的cuda-11.8也验证正常，因此理论上带cu118的torch应该都可以正常运行，但实际上无效，后退一个cuda版本至cu117就有效，原因不明！
