pytorch runtime error: CUDNN_STATUS_MAPPING_ERROR
pytorch runtime error: CUDNN_STATUS_MAPPING_ERROR
Python 基础教程--pytorch 报错
以创建Pytorch为例
======================================================================
（For more information, please go to Alan D. Chen , upgrading~~）
Anaconda与conda区别
conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理与环境管理。包管理与pip的使用类似，环境管理则允许用户方便地安装不同版本的python并可以快速切换。 conda的设计理念——conda将几乎所有的工具、第三方包都当做package对待，甚至包括python和conda自身 Anaconda则是一个打包的集合，里面预装好了conda、某个版本的python、众多packages、科学计算工具等等。
======================================================================
这个问题的出现的原因有很多：
RuntimeError: CUDNN_STATUS_MAPPING_ERROR
这是一份非常重要的参考资料！
1.深度学习的batchsize选取过大。
错误的提示信息如下：
先说解决方法：
1.将batchsize继续调小，直到不出现问题
2.添加如下代码：
torch.backends.cudnn.enabled = False
原因分析：
可能是cudnn的一个bug，由Conv3d layer引起的。
参考文献：
https://github.com/pytorch/pytorch/issues/27588
TIPS：
pytorch torch.backends.cudnn设置作用
cuDNN使用非确定性算法，并且可以使用torch.backends.cudnn.enabled = False来进行禁用
如果设置为torch.backends.cudnn.enabled =True，说明设置为使用使用非确定性算法
然后再设置：
torch.backends.cudnn.benchmark = true
那么cuDNN使用的非确定性算法就会自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题
一般来讲，应该遵循以下准则：
- 如果网络的输入数据维度或类型上变化不大，设置 torch.backends.cudnn.benchmark = true 可以增加运行效率；
- 如果网络的输入数据在每次 iteration 都变化的话，会导致 cnDNN 每次都会去寻找一遍最优配置，这样反而会降低运行效率。
所以我们经常看见在代码开始出两者同时设置：
torch.backends.cudnn.enabled = True
torch.backends.cudnn.benchmark = True
这句话的意思是不用 cudnn 加速了。
GPU，CUDA，cudnn 的关系是：
- CUDA 是 NVIDIA 推出的用于自家 GPU 的并行计算框架，只能在 NVIDIA 的GPU 上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥 CUDA 的作用。
- cuDNN 是 NVIDIA 打造的针对深度神经网络的加速库，是一个用于深层神经网络的 GPU 加速库。如果你要用 GPU 训练模型，cuDNN 不是必须的，但是一般会采用这个加速库。
cudnn 默认会使用，既然目前解决不了匹配问题，就先不用了。这样 gpu 照样能工作，但可能没有用上 cudnn 那么快。
2.并没有将构建的model放置在cuda(),GPU 上来跑。
将训好的模型的参数赋值给另外一个网络，
在测试赋值是否正确的时候，在
output = model(input)
1
一直报错：
runtime error: CUDNN_STATUS_MAPPING_ERROR
1
多方调试无果。
参考failed to enqueue CUDNN_STATUS_MAPPING_ERROR
In Cudnn documentation about this particular error:
CUDNN_STATUS_MAPPING_ERROR
An access to GPU memory space failed, which is usually caused by a failure to bind a texture.
To correct: prior to the function call, unbind any previously bound textures.
Otherwise, this may indicate an internal error/bug in the library.
参考RuntimeError: CUDNN_STATUS_MAPPING_ERROR,
才发现是model没有放在 gpu上，而Input在 gpu上。增加
model = model.cuda()
.cuda() 一定放在model确定的最后一步，后面直接就是，model 的应用。
3.pytorch 、torchvision、 CUDA（和cudatoolkits）版本不匹配
首先，要知道自己的服务器安装的CUDA的版本：
两条命令二选一：
1.cat /usr/local/cuda/version.txt
2.或者 nvcc -V(V大写)
CUDA版本的选择适合GPU硬件有关系的，这个没什么好说的。
其次根据CUDA的版本选择pytorch 、torchvision（cudatoolkits）的版本。
你可以选择一劳永逸的办法：https://pytorch.org/
在INSTALL PYTORCH 模块中选择对应的版本，然后执行 Run this Command语句。当实际情况是，我们因为程序适配的问题，不得不使用不同版本的pytorch 、torchvision、 CUDA，当然在推荐版本的附近可以浮动选择版本，但是版本差别过大，就会报错。
Pytorch版本、CUDA版本与显卡驱动版本的对应关系
参考链接：INSTALLING PREVIOUS VERSIONS OF PYTORCH
解决PyTorch与CUDA版本不匹配
1.CUDA驱动和CUDAToolkit对应版本
注：驱动是向下兼容的，其决定了可安装的CUDA和CUDAToolkit的最高版本。
2.CUDA及其可用PyTorch对应版本（参考官网，欢迎评论区补充）
注：虽然有的卡CUDA版本可更新至新版本，且PyTorch也可对应更新至新版本。但有的对应安装包无法使用，有可能是由于卡太旧的原因。
3.安装指导
（1）指定安装PyTorch版本
当已知CUDA版本时，可根据表2直接查询到对应版本PyTorch，运行conda install pytorch=X.X.X -c pytorch即可安装指定版本PyTorch。此命令由conda决定与PyTorch对应的CUDAToolkit。但不能保证PyTorch可正常使用，CUDAToolkit版本不适配显卡驱动，即可能导致CUDAToolkit版本高于CUDA驱动。
（2）指定CUDAToolkit版本
首先运行nvidia-smi查询CUDA驱动版本，再根据1查询到对应CUDAToolkit版本，再运行conda install pytorch cudatoolkit=X.X -c pytorch即可安装指定CUDAToolkit版本的PyTorch。
（3）同时指定PyTorch和CUDAToolkit版本
如果你十分确定CUDA版本以及对应PyTorch和CUDAToolkit对应版本可运行conda install pytorch=X.X.X cudatoolkit=X.X -c pytorch
安装完成后可使用python查看
import torch
print(torch.__version__)
print(torch.cuda.is_available())
————————————————
原文链接：https://blog.csdn.net/kellyroslyn/article/details/109668001
Tongji University Lab songfaxing->efficientdet-AlanNets:
pip install torch===1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio===0.7.1 -f https://download.pytorch.org/whl/torch_stable.html