### 解决PyTorch加载CIFAR-100数据集时的多进程启动错误 在使用PyTorch加载CIFAR-100数据集时，如果出现`RuntimeError: 试图在当前进程完成引导阶段之前启动新进程`的错误，通常是因为在Windows系统中未正确设置多进程启动逻辑。以下是解决该问题的完整方法。 #### 错误原因分析 此错误的根本原因是Windows系统中的多进程启动方式与Linux不同。Windows使用`spawn`方法启动子进程[^3]，这会导致主模块被重新导入。如果主模块中存在直接执行的代码块，则会在子进程中重复执行这些代码，从而引发上述错误。 #### 正确设置`if __name__ == '__main__':`和`freeze_support()` 为了解决这个问题，必须将所有与多进程相关的代码放置在`if __name__ == '__main__':`条件块内。此外，在某些情况下，可能需要调用`multiprocessing.freeze_support()`以支持程序冻结[^3]。 以下是修正后的代码示例： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms from torch.utils.data import DataLoader # 定义模型、损失函数和优化器 class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 100) def forward(self, x): x = self.pool(torch.relu(self.conv1(x))) x = self.pool(torch.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) x = self.fc3(x) return x # 数据预处理和加载 transform = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.5071, 0.4867, 0.4408), (0.2675, 0.2565, 0.2761)) ]) trainset = torchvision.datasets.CIFAR100(root='./data', train=True, download=True, transform=transform) trainloader = DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2) testset = torchvision.datasets.CIFAR100(root='./data', train=False, download=True, transform=transform) testloader = DataLoader(testset, batch_size=128, shuffle=False, num_workers=2) # 训练和测试函数 def train(model, criterion, optimizer, trainloader, device): model.train() for inputs, targets in trainloader: inputs, targets = inputs.to(device), targets.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() def test(model, testloader, device): model.eval() correct = 0 total = 0 with torch.no_grad(): for inputs, targets in testloader: inputs, targets = inputs.to(device), targets.to(device) outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += targets.size(0) correct += (predicted == targets).sum().item() print(f'Accuracy: {100 * correct / total:.2f}%') if __name__ == '__main__': import multiprocessing multiprocessing.freeze_support() # 支持程序冻结 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = SimpleCNN().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) for epoch in range(10): # 训练10个epoch print(f'Epoch {epoch + 1}') train(model, criterion, optimizer, trainloader, device) test(model, testloader, device) ``` #### 代码说明 1. **`if __name__ == '__main__':`**：确保所有与多进程相关的代码都放置在此条件块内，避免子进程重复执行不必要的代码[^3]。 2. **`multiprocessing.freeze_support()`**：可选，用于支持程序冻结，确保程序在被冻结为可执行文件时能够正常运行[^3]。 3. **`num_workers`参数**：在`DataLoader`中设置`num_workers`为2，表示使用两个子进程加载数据。如果不需要多进程加载，可以将其设置为0。 #### 其他注意事项 - 如果仍然遇到性能问题，可以尝试减少`num_workers`的值或将其设置为0，以禁用多进程数据加载。 - 确保CUDA环境配置正确，避免因显存不足或其他硬件问题导致的错误[^1]。 --- ###