python深度学习常见错误有哪些

在 Python 深度学习（如 TensorFlow、PyTorch、Keras 等）开发中，初学者和有一定经验的开发者都容易踩坑。下面按常见类型总结常见错误、原因和解决办法。

一、环境与依赖类错误

1. CUDA / GPU 不可用

表现

• CUDA not available
• 模型在 CPU 上跑得很慢

原因

• 没装 CUDA / cuDNN
• PyTorch / TensorFlow 版本与 CUDA 不匹配
• 驱动版本过低

解决

nvidia-smi
python -c "import torch; print(torch.cuda.is_available())"

确保：

• 驱动支持对应 CUDA
• 安装对应版本的深度学习框架

2. 版本不兼容

表现

• module 'keras' has no attribute 'X'
• API 突然报错

解决

• 固定版本：

pip install tensorflow==2.13.0

• 查看官方迁移指南（TF 1→2，Keras 2→3）

二、数据相关错误（最常见）

3. 输入形状不匹配

表现

ValueError: expected input shape (None, 28, 28, 1), got (None, 28, 28)

原因

• 缺少 channel 维度
• 图像未 reshape

解决

x = x.reshape(-1, 28, 28, 1)

4. 数据类型错误

表现

TypeError: Expected float32 but got int64

解决

x = x.astype('float32') / 255.0
y = y.astype('int64')

5. 标签格式错误

常见错误

• 分类问题用了回归损失
• 多分类未做 one-hot

解决

# 二分类
model.compile(loss='binary_crossentropy')

# 多分类
from keras.utils import to_categorical
y = to_categorical(y, num_classes=10)

三、模型构建错误

6. 层连接错误

表现

The shape of the input to "Flatten" is not compatible

原因

• 漏了 Flatten
• CNN 后直接接 Dense

正确示例

model.add(Conv2D(32, (3,3), activation='relu'))
model.add(Flatten())
model.add(Dense(10))

7. 激活函数用错

常见错误

• 多分类输出层用 sigmoid
• 回归用 softmax

正确选择

四、训练过程错误

8. 梯度消失 / 爆炸

表现

• loss 变成 NaN
• accuracy 不更新

原因

• 学习率太大
• 未归一化数据

解决

optimizer = Adam(learning_rate=1e-4)

使用 BatchNorm、LayerNorm。

9. 过拟合

表现

• train acc 很高，val acc 很低

解决

• Dropout
• 数据增强
• 早停

EarlyStopping(patience=5)

10. 忘记 mode.train() / eval()

PyTorch 特有

model.train()
model.eval()

否则 Dropout / BatchNorm 行为错误。

五、Tensor / 计算图错误

11. inplace 操作错误（PyTorch）

x += y  # 错误
x = x + y  # 正确

12. 在 NumPy 和 Tensor 间混用

x.numpy()  # 必须在 CPU

或使用：

x.detach().cpu().numpy()

六、逻辑性错误（最难发现）

13. 数据泄漏

• 先整体标准化再划分训练/测试
• 测试集信息进入训练

14. 指标看错

• 用 accuracy 评估不平衡数据
• 应使用 F1 / AUC

七、调试建议

✅ 从小数据开始
✅ 先跑通 1–2 个 batch
✅ 打印 shape / dtype
✅ 使用 model.summary()
✅ 用 torchinfo / keras.utils.plot_model

如果你愿意，我可以：

• 按 PyTorch / TensorFlow 分别总结
• 给你一份 深度学习 Debug 检查清单
• 分析你当前的报错代码

你可以直接把错误贴出来。