Felsöka problem med serverlös GPU-beräkning

Den här sidan innehåller information som hjälper dig att felsöka problem när du använder serverlös GPU-beräkning.

Databricks Assistant kan hjälpa dig att diagnostisera och föreslå korrigeringar för biblioteksinstallationsfel. Se Använda assistenten för att felsöka fel i beräkningsmiljön.

ValueError: numpy.dtype-storlek har ändrats, vilket kan indikera binär inkompatibilitet. Förväntade 96 från C-huvudet, fick 88 från PyObject

Felet uppstår vanligtvis när det finns ett matchningsfel i de NumPy-versioner som används vid kompilering av ett beroende paket och den NumPy-version som för närvarande är installerad i körningsmiljön. Den här inkompatibiliteten uppstår ofta på grund av ändringar i NumPys C-API och är särskilt märkbar från NumPy 1.x till 2.x. Det här felet anger att Python-paketet som installerats i notebook-filen kan ha ändrat NumPy-versionen.

Rekommenderad lösning:

Kontrollera NumPy-versionen i körningen och kontrollera att den är kompatibel med dina paket. Se versionsanteckningarna för serverlös GPU-beräkning gällande miljö 4 och miljö 3 för information om förinstallerade Python-bibliotek. Om du har ett beroende av en annan version av NumPy lägger du till det beroendet i beräkningsmiljön.

PyTorch kan inte hitta libcudnn när du installerar PyTorch

När du installerar en annan version av torchkan du se felet: ImportError: libcudnn.so.9: cannot open shared object file: No such file or directory. Det beror på att Torch bara letar efter cuDNN-biblioteket på den lokala sökvägen.

Rekommenderad lösning:

Installera om beroenden genom att lägga till --force-reinstall när du installerar torch.