Beheben von Problemen beim serverless GPU-Computing

Diese Seite enthält Informationen, die Ihnen bei der Behandlung von Problemen bei der Verwendung der serverlosen GPU-Berechnung helfen.

Der Databricks-Assistent kann beim Diagnostizieren und Vorschlagen von Korrekturen für Bibliotheksinstallationsfehler helfen. Weitere Informationen finden Sie unter Verwenden des Assistenten zum Debuggen von Computeumgebungsfehlern.

ValueError: Die Größe von numpy.dtype hat sich geändert, was auf eine binäre Inkompatibilität hinweisen könnte. Erwartet: 96 von C-Header, erhalten: 88 von PyObject

Der Fehler tritt in der Regel auf, wenn die während der Kompilierung eines abhängigen Pakets verwendete NumPy-Version nicht mit der aktuell in der Laufzeitumgebung installierten NumPy-Version übereinstimmt. Diese Inkompatibilität tritt häufig aufgrund von Änderungen der C-API von NumPy auf und ist besonders von NumPy 1.x auf 2.x spürbar. Dieser Fehler gibt an, dass das im Notizbuch installierte Python-Paket möglicherweise die NumPy-Version geändert hat.

Empfohlene Lösung:

Überprüfen Sie die NumPy-Version in der Laufzeit, und stellen Sie sicher, dass sie mit Ihren Paketen kompatibel ist. Informationen zu vorinstallierten Python-Bibliotheken finden Sie in den Versionshinweisen für die serverlose GPU-Berechnung in Umgebung 4 und Umgebung 3. Wenn Sie eine Abhängigkeit von einer anderen Version von NumPy haben, fügen Sie diese Abhängigkeit zu Ihrer Computeumgebung hinzu.

PyTorch kann libcudnn beim Installieren von Taschenlampen nicht finden

Wenn Sie eine andere Version von torchinstallieren, wird möglicherweise der Fehler angezeigt: ImportError: libcudnn.so.9: cannot open shared object file: No such file or directory. Dies liegt daran, dass torch nur im lokalen Pfad nach der cuDNN-Bibliothek sucht.

Empfohlene Lösung:

Installieren Sie die Abhängigkeiten erneut, indem Sie --force-reinstall beim Installieren von torch hinzufügen.