3个高频报错一次讲透让inception-score-pytorch从报错到顺畅跑起来【免费下载链接】inception-score-pytorchInception Score for GANs in Pytorch项目地址: https://gitcode.com/gh_mirrors/in/inception-score-pytorchinception-score-pytorch是评估GAN生成图像质量的轻量级PyTorch工具核心只需一行inception_score()。本文从新手视角出发围绕图像尺寸不匹配、批量大小断言失败、CUDA环境配置失败三个最高频的报错场景带你一步步定位根因、跑通代码。高频报错速查表先对号入座再逐节深挖报错现象根本原因一句话解法Expected input size (3,299,299) but got (3,64,64)生成图不是299x299调用时加resizeTrueAssertionError: assert batch_size 0batch_size设为0或负数改为正整数32是个好起点AssertionError: assert N batch_size批量大于数据集总量调小batch_size或补充样本WARNING: You have a CUDA device...有GPU却没开GPU模式调用时设置cudaTrueCUDA out of memory显存不够减小batch_size或改CPU模式场景一图像尺寸不匹配一张64x64的图卡住整个流程场景引入你的GAN在CIFAR上训练生成图是64x64可Inception v3模型天生只认299x299的输入。直接把数据丢进inception_score()报错马上现身Expected input size (3, 299, 299) but got (3, 64, 64)分析根因源码里inception_v3的输入是固定的而内置上采样nn.Upsample只在resizeTrue时才生效inception_score.py第39-42行。给出解法两种方式任选其一。最省事的是让函数帮你自动放大inception_score(imgs, cudaTrue, batch_size32, resizeTrue)也可以在数据加载阶段预处理transform transforms.Compose([ transforms.Resize((299, 299)), transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), ])易错点提醒resizeTrue用的是双线性插值会轻微改变像素分布对分数敏感时建议两套方案对比后再定。场景二批量大小断言失败数据集明明有数却报AssertionError场景引入数据没问题一运行却崩在assert上这是新手最容易懵的一类报错。代码第22-23行有两道硬门槛AssertionError: assert batch_size 0 AssertionError: assert N batch_size分析根因前者是batch_size写成了0或负数后者是batch_size设得比数据集总样本数还大导致分批次时越界。给出解法✅ 把batch_size设为一个小于样本总量的正整数# 假设你有5000张图 inception_score(imgs, cudaTrue, batch_size64, resizeTrue)易错点提醒⚠️ 报错里N是数据集长度不是你的图片列表长度。如果你传入的不是torch.utils.data.Datasetlen(imgs)可能返回异常值断言自然失败。场景三数据格式错误归一化与维度一个都不能少场景引入尺寸对了断言也过了结果又冒出RuntimeError或算出的分数离谱——多半是数据格式问题。分析根因函数注释要求输入是(3xHxW)且归一化到[-1, 1]的Torch数据集inception_score.py第15行。如果你传的是[0, 255]的原始图像或普通列表DataLoader会直接抛错或算出毫无意义的分数。给出解法把数据包装成Dataset并做归一化参考源码自带的CIFAR示例class IgnoreLabelDataset(torch.utils.data.Dataset): def __init__(self, orig): self.orig orig def __getitem__(self, index): return self.orig[index][0] def __len__(self): return len(self.orig) cifar dset.CIFAR10(rootdata/, downloadTrue, transformtransforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ])) imgs IgnoreLabelDataset(cifar) # 这才是inception_score能吃的格式易错点提醒⚠️ README和docstring对归一化范围描述不一致README写[0,1]docstring写[-1,1]。实际代码走的是[-1, 1]的预期拿[0, 1]数据也能跑通但分数会偏低建议统一用上文的Normalize归一化。场景四CUDA环境配置失败有GPU却跑CPU或显存一冲就爆场景引入机器明明有显卡运行却打出一行黄色警告——代码第29-30行专门为这种情况留了提示。WARNING: You have a CUDA device, so you should probably set cudaTrue分析根因cuda参数默认是True但如果你显式传了cudaFalse即使显卡可用也会退回CPU速度慢几十倍。给出解法 有GPU就明确开启显存不足时按需降级# GPU够用直接开 inception_score(imgs, cudaTrue, batch_size32, resizeTrue) # 遇到CUDA out of memory先减batch_size再考虑CPU inception_score(imgs, cudaTrue, batch_size8, resizeTrue) inception_score(imgs, cudaFalse, batch_size8, resizeTrue)易错点提醒 首次运行会联网下载inception_v3预训练权重网络不稳会卡在下载阶段。建议先手动确认权重缓存目录可写或提前用torchvision预下载好再跑。避坑与优化提醒三个隐性坑错误示范vs正确做法错误示范 ❌正确做法 ✅直接把numpy数组列表丢给函数包一层Dataset见场景三代码不设resize、也不做Resize预处理二者至少选其一保证输入为299x299全量数据一次塞进显存用batch_size分批必要时减小批量自查清单照着做一次跑通确认输入为(3, H, W)的Torch Dataset且已归一化到[-1, 1]确认resizeTrue或已用Resize((299, 299))预处理确认batch_size 0且小于样本总量按显卡显存选择cudaTrue/FalseOOM时先减batch_size预训练权重能正常下载网络受限时先缓存运行python inception_score.py验证内置CIFAR示例通过资源指引核心源码只有两个文件排障时优先对照 inception_score.py 和 README.md想快速上手直接克隆仓库本地运行git clone https://gitcode.com/gh_mirrors/in/inception-score-pytorch克隆后cd进目录跑一遍示例再按上面清单逐项核对你的Inception Score就能顺畅跑起来了。【免费下载链接】inception-score-pytorchInception Score for GANs in Pytorch项目地址: https://gitcode.com/gh_mirrors/in/inception-score-pytorch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考