故障排除

有时会出现错误，但我们会提供帮助！本指南涵盖了我们遇到的一些最常见的问题及其解决方法。不过，本指南并非旨在全面收集所有 🤗 Transformers 问题。如需更多故障排除帮助，请尝试：

在论坛上寻求帮助。你可以将问题发布到特定的分类中，例如Beginners或🤗 Transformers。请务必撰写描述清晰的论坛帖子，并附上可复现的代码，以最大程度提高问题得到解决的可能性！

如果该问题属于与库相关的 Bug，请在 🤗 Transformers 仓库中创建一个 Issue。请尽可能多地提供描述该 Bug 的信息，以便我们更好地查明问题所在并找到修复方法。
如果您使用的是旧版本的 🤗 Transformers，请查阅迁移指南，因为不同版本之间引入了一些重要的更改。

如需了解有关故障排除和获取帮助的更多详细信息，请参阅 Hugging Face 课程的第 8 章。

防火墙隔离环境

在云环境和内网环境中，部分 GPU 实例被防火墙限制对外部连接的访问，从而导致连接错误。当您的脚本尝试下载模型权重或数据集时，下载过程会挂起，随后超时并显示以下消息：

ValueError: Connection error, and we cannot find the requested files in the cached path.
Please try again or make sure your Internet connection is on.

在这种情况下，你应该尝试以离线模式运行 🤗 Transformers，以避免连接错误。

CUDA 内存不足

在缺乏合适硬件的情况下，训练拥有数百万参数的大模型可能颇具挑战。当 GPU 内存耗尽时，您可能会遇到以下常见错误：

CUDA out of memory. Tried to allocate 256.00 MiB (GPU 0; 11.17 GiB total capacity; 9.70 GiB already allocated; 179.81 MiB free; 9.85 GiB reserved in total by PyTorch)

以下是一些您可以尝试的潜在解决方案，以减少内存使用：

将 TrainingArguments 中的 per_device_train_batch_size 值减小。
尝试在 TrainingArguments 中使用 gradient_accumulation_steps 来有效增大整体批大小。

有关节省内存技术的更多详细信息，请参阅优化概述。

ImportError

您可能会遇到的另一个常见错误，尤其是在使用新发布的模型时，是 ImportError：

ImportError: cannot import name 'ImageGPTImageProcessor' from 'transformers' (unknown location)

对于这些错误类型，请检查是否已安装最新版本的 🤗 Transformers，以便访问最新的模型：

pip install transformers --upgrade

CUDA 错误：触发了设备端断言

有时，您可能会遇到一个通用的 CUDA 错误，提示设备代码中存在错误。

RuntimeError: CUDA error: device-side assert triggered

建议先在 CPU 上运行代码，以获取更具描述性的错误信息。在代码开头添加以下环境变量以切换到 CPU：

>>> import os

>>> os.environ["CUDA_VISIBLE_DEVICES"] = ""

另一种选择是从 GPU 获取更详细的回溯信息。在代码开头添加以下环境变量，即可让回溯信息指向错误的来源：

>>> import os

>>> os.environ["CUDA_LAUNCH_BLOCKING"] = "1"

未对填充标记进行掩码时输出不正确

在某些情况下，如果 input_ids 包含填充标记，输出 hidden_state 可能会不正确。为了演示，请加载一个模型和分词器。您可以访问模型的 pad_token_id 来查看其值。对于某些模型，pad_token_id 可能为 None，但您始终可以手动设置它。

>>> from transformers import AutoModelForSequenceClassification
>>> import torch

>>> model = AutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-uncased")
>>> model.config.pad_token_id
0

以下示例展示了未对填充标记进行掩码时的输出：

>>> input_ids = torch.tensor([[7592, 2057, 2097, 2393, 9611, 2115], [7592, 0, 0, 0, 0, 0]])
>>> output = model(input_ids)
>>> print(output.logits)
tensor([[ 0.0082, -0.2307],
        [ 0.1317, -0.1683]], grad_fn=<AddmmBackward0>)

以下是第二个序列的实际输出：

>>> input_ids = torch.tensor([[7592]])
>>> output = model(input_ids)
>>> print(output.logits)
tensor([[-0.1008, -0.4061]], grad_fn=<AddmmBackward0>)

大多数情况下，你应该向模型提供 attention_mask，以忽略填充标记，从而避免这种静默错误。现在，第二个序列的输出与其实际输出相匹配：

默认情况下，分词器会根据其特定分词器的默认设置，为您创建一个 attention_mask。

>>> attention_mask = torch.tensor([[1, 1, 1, 1, 1, 1], [1, 0, 0, 0, 0, 0]])
>>> output = model(input_ids, attention_mask=attention_mask)
>>> print(output.logits)
tensor([[ 0.0082, -0.2307],
        [-0.1008, -0.4061]], grad_fn=<AddmmBackward0>)

🤗 Transformers 不会自动创建 attention_mask 来屏蔽填充 token，即使提供了填充 token，原因如下：

某些模型没有填充标记。
在某些使用场景中，用户希望模型关注填充标记。

ValueError: 此 AutoModel 类型无法识别配置类 XYZ

通常，我们建议使用 AutoModel 类来加载模型的预训练实例。该类可以根据配置，从给定的检查点自动推断并加载正确的架构。如果您在从检查点加载模型时看到此 ValueError，这意味着 Auto 类无法找到从给定检查点中的配置到您试图加载的模型类型的映射。最常见的情况是，检查点不支持给定的任务。例如，由于没有用于问答的 GPT2，您将在以下示例中看到此错误：

>>> from transformers import AutoProcessor, AutoModelForQuestionAnswering

>>> processor = AutoProcessor.from_pretrained("openai-community/gpt2-medium")
>>> model = AutoModelForQuestionAnswering.from_pretrained("openai-community/gpt2-medium")
ValueError: Unrecognized configuration class <class 'transformers.models.gpt2.configuration_gpt2.GPT2Config'> for this kind of AutoModel: AutoModelForQuestionAnswering.
Model type should be one of AlbertConfig, BartConfig, BertConfig, BigBirdConfig, BigBirdPegasusConfig, BloomConfig, ...

Update on GitHub