下面內容介紹的是我個人在復現github代碼遇到的一些問題，如果也可以幫到你，請點個關注吧~

1.我的項目位置在D盤，但是為什么下面終端的位置在E盤

-》cd /d D:\Users\xxxx（后面的xxxx是你具體的文檔位置）

2.怎么知道我原來的創建的環境是不是含有gpu版本呢？

->方法 1：在激活的環境中運行 Python 代碼

1. 激活環境：

   bash

   conda activate HSDGNN
   

2. 運行 Python 檢查代碼：

   bash

   python -c "import torch; print('CUDA可用:', torch.cuda.is_available()); print('CUDA版本:', torch.version.cuda); print('GPU名稱:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'None')"
   

   • 輸出解釋：
     • 如果顯示?CUDA可用: True，說明環境支持 GPU。
     • 如果顯示?CUDA可用: False，說明環境僅安裝了 CPU 版本。

->方法 2：查看已安裝的 PyTorch 包

1. 激活環境：

   bash

   conda activate your_eve

2. 檢查 PyTorch 包：

   pip list | grep torch
   

   ?
   • 輸出示例：

     plaintext

     torch                     2.0.1+cu117
     torchaudio                2.0.2+cu117
     torchvision               0.15.2+cu117
     

     ?
     • 包名中包含?+cu117?表示 GPU 版本（CUDA 11.7）。
     • 如果只顯示?torch 2.0.1（無?+cu?后綴），通常是 CPU 版本。

->方法 3：查看 conda 環境配置

1. 列出所有 conda 環境：

   conda env list
   

2. 查看指定環境的詳細配置：

   conda list -n your-eve | grep torch
   

   ?
   • 如果輸出中包含?pytorch-cuda?或?cudatoolkit，說明安裝了 GPU 支持。

3.?CUDA 內存不足的問題（torch.cuda.OutOfMemoryError）

1.?降低批次大小（Batch Size）

這是最直接的解決方法。在命令行中添加--batch_size參數，減小每個批次的樣本數量

如果仍然 OOM，可以繼續減小到 4 或 2。

2.?優化模型內存使用

2.1梯度累積（Gradient Accumulation）

通過多次前向 / 反向傳播后再更新參數，模擬大批次訓練的效果

2.2使用半精度訓練（Mixed Precision）

PyTorch 的torch.cuda.amp可以減少顯存占用

3.?釋放不必要的顯存

在每個訓練步驟后手動釋放緩存

4.?減少模型復雜度

如果上述方法仍無法解決，可以嘗試：

• 減小隱藏層維度（--embed_dim和--rnn_units）
• 減少網絡層數
• 使用更小的輸入序列長度（--lag）

其他建議

• 監控顯存使用：使用nvidia-smi實時監控 GPU 顯存占用
• 檢查數據加載：確保沒有不必要的數據被加載到 GPU
• 分階段訓練：如果模型特別大，可以考慮先在小數據集上訓練，再逐步擴展

4.為什么需要__init__.py？

->Python 通過__init__.py文件識別包結構，沒有該文件時，Data目錄不會被視為可導入的模塊。

導入路徑為什么是from Data.dataloader import ...？

• sys.path.append(parent_dir)后，Python 會在Titantic/目錄下搜索模塊，因此Data是包名，dataloader是模塊名（即dataloader.py）.

• PyCharm 的 “未解析的引用” 警告如何消除？

• 
  除了設置源根目錄，還可以在train_and_visualize.py開頭添加：

• # noinspection PyUnresolvedReferences
  

  這將忽略 IDE 的引用檢查警告。

驗證導入是否成功

在train_and_visualize.py中添加調試代碼：

print("已導入的模塊：")
print("main:", callable(main))
print("TitanicDataset:", issubclass(TitanicDataset, torch.utils.data.Dataset))
print("collate_fn:", callable(collate_fn))

運行后若輸出True，則說明導入成功。