由于这是论文中发布的配置，我认为我可能犯了非常严重的错误。
每次尝试运行训练时，这个错误都会在不同的图像上出现。
C:/w/1/s/windows/pytorch/aten/src/THCUNN/ClassNLLCriterion.cu:106: block: [0,0,0], thread: [6,0,0] Assertion `t >= 0 && t < n_classes` failed.Traceback (most recent call last): File "C:\Program Files\JetBrains\PyCharm Community Edition 2019.1.1\helpers\pydev\pydevd.py", line 1741, in <module> main() File "C:\Program Files\JetBrains\PyCharm Community Edition 2019.1.1\helpers\pydev\pydevd.py", line 1735, in main globals = debugger.run(setup['file'], None, None, is_module) File "C:\Program Files\JetBrains\PyCharm Community Edition 2019.1.1\helpers\pydev\pydevd.py", line 1135, in run pydev_imports.execfile(file, globals, locals) # execute the script File "C:\Program Files\JetBrains\PyCharm Community Edition 2019.1.1\helpers\pydev\_pydev_imps\_pydev_execfile.py", line 18, in execfile exec(compile(contents+"\n", file, 'exec'), glob, loc) File "C:/Noam/Code/vision_course/hopenet/deep-head-pose/code/original_code_augmented/train_hopenet_with_validation_holdout.py", line 187, in <module> loss_reg_yaw = reg_criterion(yaw_predicted, label_yaw_cont) File "C:\Noam\Code\vision_course\hopenet\venv\lib\site-packages\torch\nn\modules\module.py", line 541, in __call__ result = self.forward(*input, **kwargs) File "C:\Noam\Code\vision_course\hopenet\venv\lib\site-packages\torch\nn\modules\loss.py", line 431, in forward return F.mse_loss(input, target, reduction=self.reduction) File "C:\Noam\Code\vision_course\hopenet\venv\lib\site-packages\torch\nn\functional.py", line 2204, in mse_loss ret = torch._C._nn.mse_loss(expanded_input, expanded_target, _Reduction.get_enum(reduction))RuntimeError: reduce failed to synchronize: cudaErrorAssert: device-side assert triggered有什么想法吗？
回答：
这种错误通常在使用NLLLoss或CrossEntropyLoss时发生，并且当你的数据集中有负标签（或标签大于类别数）时也会出现。这正是你遇到的断言错误t >= 0 && t < n_classes失败的情况。
这种情况不会在MSELoss中发生，但原帖提到某处有CrossEntropyLoss，因此错误发生（程序在其他一些行上异步崩溃）。解决方案是清理数据集，确保t >= 0 && t < n_classes得到满足（其中t代表标签）。
此外，如果你使用NLLLoss或BCELoss，请确保你的网络输出在0到1的范围内（这时你分别需要softmax或sigmoid激活函数）。请注意，对于CrossEntropyLoss或BCEWithLogitsLoss不需要此操作，因为它们在损失函数内部实现了激活函数。（感谢@PouyaB指出这一点）。
