1 报错描述

1.1 系统环境

ardware Environment(Ascend/GPU/CPU): CPU Software Environment: – MindSpore version (source or binary): 1.6.0 – Python version (e.g., Python 3.7.5): 3.7.6 – OS platform and distribution (e.g., Linux Ubuntu 16.04): Ubuntu 4.15.0-74-generic – GCC/Compiler version (if compiled from source):

1.2 基本信息

1.2.1脚本

此案例使用自定义可迭代数据集进行训练，在训练过程中，第一个epoch数据正常迭代，第二个epoch就会报错，自定义数据代码如下：

import numpy as np
import mindspore.dataset as ds
from tqdm import tqdm

class IterDatasetGenerator:
    def __init__(self, datax, datay, classes_per_it, num_samples, iterations):
        self.__iterations = iterations
        self.__data = datax
        self.__labels = datay
        self.__iter = 0
        self.classes_per_it = classes_per_it
        self.sample_per_class = num_samples
        self.classes, self.counts = np.unique(self.__labels, return_counts=True)
        self.idxs = range(len(self.__labels))
        self.indexes = np.empty((len(self.classes), max(self.counts)), dtype=int) * np.nan
        self.numel_per_class = np.zeros_like(self.classes)
        for idx, label in tqdm(enumerate(self.__labels)):
            label_idx = np.argwhere(self.classes == label).item()
            self.indexes[label_idx, np.where(np.isnan(self.indexes[label_idx]))[0][0]] = idx
            self.numel_per_class[label_idx] = int(self.numel_per_class[label_idx]) + 1

    def __next__(self):
        spc = self.sample_per_class
        cpi = self.classes_per_it

        if self.__iter &gt;= self.__iterations:
            raise StopIteration
        else:
            batch_size = spc * cpi
            batch = np.random.randint(low=batch_size, high=10 * batch_size, size=(batch_size), dtype=np.int64)
            c_idxs = np.random.permutation(len(self.classes))[:cpi]
            for i, c in enumerate(self.classes[c_idxs]):
                index = i*spc
                ci = [c_i for c_i in range(len(self.classes)) if self.classes[c_i] == c][0]
                label_idx = list(range(len(self.classes)))[ci]
                sample_idxs = np.random.permutation(int(self.numel_per_class[label_idx]))[:spc]
                ind = 0
                for i in sample_idxs:
                    batch[index+ind] = self.indexes[label_idx]<i>
                    ind = ind + 1
            batch = batch[np.random.permutation(len(batch))]
            data_x = []
            data_y = []
            for b in batch:
                data_x.append(self.__data<b>)
                data_y.append(self.__labels<b>)
            self.__iter += 1
            item = (data_x, data_y)
            return item

    def __iter__(self):
        return self

    def __len__(self):
        return self.__iterations

np.random.seed(58)
data1 = np.random.sample((500,2))
data2 = np.random.sample((500,1))
dataset_generator  = IterDatasetGenerator(data1,data2,5,10,10)
dataset = ds.GeneratorDataset(dataset_generator,["data","label"],shuffle=False)
epochs=3
for epoch in range(epochs):
    for data in dataset.create_dict_iterator():
        print("success")

1.2.2报错

报错信息：RuntimeError: Exception thrown from PyFunc. Unable to fetch data from GeneratorDataset, try iterate the source function of GeneratorDataset or check value of num_epochs when create iterator.

2 原因分析

每次数据迭代的过程中，self.__iter会累加，第二个epoch的预取时，self.__iter已经累计到设置好的iterations的值，导致self.__iter >= self.__iterations，循环结束。

3 解决方法

在def iter(self)：中加入清零操作，设置self.__iter = 0 此时执行成功,输出如下：

4 类似问题

在mindspore1.3.0中，用户自定义训练，使用Generator dataset迭代数据报错。错误截图如下：此报错中，dataset 的 len 函数返回值是36，但是真实的 next 返回的数据量只有35条，导致报错，可将返回值改为小于35的数进行快速验证。

5 总结

5.1 定位报错问题的步骤

1、找到报错的用户代码行：for data in dataset.create_dict_iterator():； 2、根据报错信息提示，无法从GeneratorDataset获取数据，检查是否在自定义数据的时候就出现问题。打印运行中的过程数据，发现第一个epoch数据读取完后，真实读取的数据条数与__len__是相等的，没有问题。但由于没有清零操作，在第二个epoch预取时self.__iter >= self.__iterations，循环结束，导致第二个epoch取不到数据报错。

5.2 此类问题分析

此类问题的根本原因是需要获取的数据索引与数据量对不上，在构造可迭代的的数据集类时需要注意每次运行后数据清零的问题，在快速验证时，也需要满足索引小于数据总量的条件。

6 参考文档

mindspore文档->数据管道->数据加载->自定义数据集加载->构造可迭代的数据集类 cid:link_0