pytorch runtime error: CUDNN_STATUS_MAPPING_ERROR
Python 基礎教程--pytorch 報錯
以創建Pytorch為例
======================================================================
（For more information, please go to Alan D. Chen , upgrading~~）
Anaconda與conda區別
conda可以理解為一個工具，也是一個可執行命令，其核心功能是包管理與環境管理。包管理與pip的使用類似，環境管理則允許用戶方便地安裝不同版本的python並可以快速切換。 conda的設計理念——conda將幾乎所有的工具、第三方包都當做package對待，甚至包括python和conda自身 Anaconda則是一個打包的集合，里面預裝好了conda、某個版本的python、眾多packages、科學計算工具等等。
======================================================================
這個問題的出現的原因有很多：
RuntimeError: CUDNN_STATUS_MAPPING_ERROR
這是一份非常重要的參考資料！
1.深度學習的batchsize選取過大。
錯誤的提示信息如下：
先說解決方法：
1.將batchsize繼續調小，直到不出現問題
2.添加如下代碼：
torch.backends.cudnn.enabled = False
原因分析：
可能是cudnn的一個bug，由Conv3d layer引起的。
參考文獻：
https://github.com/pytorch/pytorch/issues/27588
TIPS：
pytorch torch.backends.cudnn設置作用
cuDNN使用非確定性算法，並且可以使用torch.backends.cudnn.enabled = False來進行禁用
如果設置為torch.backends.cudnn.enabled =True，說明設置為使用使用非確定性算法
然后再設置：
torch.backends.cudnn.benchmark = true
那么cuDNN使用的非確定性算法就會自動尋找最適合當前配置的高效算法，來達到優化運行效率的問題
一般來講，應該遵循以下准則：
- 如果網絡的輸入數據維度或類型上變化不大，設置 torch.backends.cudnn.benchmark = true 可以增加運行效率；
- 如果網絡的輸入數據在每次 iteration 都變化的話，會導致 cnDNN 每次都會去尋找一遍最優配置，這樣反而會降低運行效率。
所以我們經常看見在代碼開始出兩者同時設置：
torch.backends.cudnn.enabled = True
torch.backends.cudnn.benchmark = True
這句話的意思是不用 cudnn 加速了。
GPU，CUDA，cudnn 的關系是：
- CUDA 是 NVIDIA 推出的用於自家 GPU 的並行計算框架，只能在 NVIDIA 的GPU 上運行，而且只有當要解決的計算問題是可以大量並行計算的時候才能發揮 CUDA 的作用。
- cuDNN 是 NVIDIA 打造的針對深度神經網絡的加速庫，是一個用於深層神經網絡的 GPU 加速庫。如果你要用 GPU 訓練模型，cuDNN 不是必須的，但是一般會采用這個加速庫。
cudnn 默認會使用，既然目前解決不了匹配問題，就先不用了。這樣 gpu 照樣能工作，但可能沒有用上 cudnn 那么快。
2.並沒有將構建的model放置在cuda(),GPU 上來跑。
將訓好的模型的參數賦值給另外一個網絡，
在測試賦值是否正確的時候，在
output = model(input)
1
一直報錯：
runtime error: CUDNN_STATUS_MAPPING_ERROR
1
多方調試無果。
參考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.
參考RuntimeError: CUDNN_STATUS_MAPPING_ERROR,
才發現是model沒有放在 gpu上，而Input在 gpu上。增加
model = model.cuda()
.cuda() 一定放在model確定的最后一步，后面直接就是，model 的應用。
3.pytorch 、torchvision、 CUDA（和cudatoolkits）版本不匹配
首先，要知道自己的服務器安裝的CUDA的版本：
兩條命令二選一：
1.cat /usr/local/cuda/version.txt
2.或者 nvcc -V(V大寫)
CUDA版本的選擇適合GPU硬件有關系的，這個沒什么好說的。
其次根據CUDA的版本選擇pytorch 、torchvision（cudatoolkits）的版本。
你可以選擇一勞永逸的辦法：https://pytorch.org/
在INSTALL PYTORCH 模塊中選擇對應的版本，然后執行 Run this Command語句。當實際情況是，我們因為程序適配的問題，不得不使用不同版本的pytorch 、torchvision、 CUDA，當然在推薦版本的附近可以浮動選擇版本，但是版本差別過大，就會報錯。
Pytorch版本、CUDA版本與顯卡驅動版本的對應關系
參考鏈接：INSTALLING PREVIOUS VERSIONS OF PYTORCH
解決PyTorch與CUDA版本不匹配
1.CUDA驅動和CUDAToolkit對應版本
注：驅動是向下兼容的，其決定了可安裝的CUDA和CUDAToolkit的最高版本。
2.CUDA及其可用PyTorch對應版本（參考官網，歡迎評論區補充）
注：雖然有的卡CUDA版本可更新至新版本，且PyTorch也可對應更新至新版本。但有的對應安裝包無法使用，有可能是由於卡太舊的原因。
3.安裝指導
（1）指定安裝PyTorch版本
當已知CUDA版本時，可根據表2直接查詢到對應版本PyTorch，運行conda install pytorch=X.X.X -c pytorch即可安裝指定版本PyTorch。此命令由conda決定與PyTorch對應的CUDAToolkit。但不能保證PyTorch可正常使用，CUDAToolkit版本不適配顯卡驅動，即可能導致CUDAToolkit版本高於CUDA驅動。
（2）指定CUDAToolkit版本
首先運行nvidia-smi查詢CUDA驅動版本，再根據1查詢到對應CUDAToolkit版本，再運行conda install pytorch cudatoolkit=X.X -c pytorch即可安裝指定CUDAToolkit版本的PyTorch。
（3）同時指定PyTorch和CUDAToolkit版本
如果你十分確定CUDA版本以及對應PyTorch和CUDAToolkit對應版本可運行conda install pytorch=X.X.X cudatoolkit=X.X -c pytorch
安裝完成后可使用python查看
import torch
print(torch.__version__)
print(torch.cuda.is_available())
————————————————
原文鏈接：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