Lua 卢阿火炬7号及;OpenResty:尝试索引一个nil值
我有一个(OpenResty框架)API,它封装了一个Torch分类器。到目前为止,我已经能够让一个请求工作,但是每个对API的后续请求都会触发以下错误,并且没有详细的堆栈跟踪:Lua 卢阿火炬7号及;OpenResty:尝试索引一个nil值,lua,torch,openresty,torchnet,Lua,Torch,Openresty,Torchnet,我有一个(OpenResty框架)API,它封装了一个Torch分类器。到目前为止,我已经能够让一个请求工作,但是每个对API的后续请求都会触发以下错误,并且没有详细的堆栈跟踪: attempt to index a nil value 调用时,似乎会引发此错误: net:add(SpatialConvolution(3, 96, 7, 7, 2, 2)) 成功完成第一个请求,而每次附加请求都失败的行为就是问题的线索 我在下面粘贴了app/requests/classify.lua的完整代码
attempt to index a nil value
调用时,似乎会引发此错误:
net:add(SpatialConvolution(3, 96, 7, 7, 2, 2))
成功完成第一个请求,而每次附加请求都失败的行为就是问题的线索
我在下面粘贴了app/requests/classify.lua的完整代码。这似乎是某种类型的变量缓存/初始化问题,尽管我对Lua的有限知识不能帮助我调试这个问题。我尝试过做很多事情,包括将导入更改为本地化变量,如local torch=require('torch')
,以及将这些导入移动到classifyImage()
函数中
torch = require 'torch'
nn = require 'nn'
image = require 'image'
ParamBank = require 'ParamBank'
label = require 'classifier_label'
torch.setdefaulttensortype('torch.FloatTensor')
function classifyImage()
local opt = {
inplace = false,
network = "big",
backend = "nn",
save = "model.t7",
img = context.input.image,
spatial = false,
threads = 4
}
torch.setnumthreads(opt.threads)
require(opt.backend)
local SpatialConvolution = nn.SpatialConvolutionMM
local SpatialMaxPooling = nn.SpatialMaxPooling
local ReLU = nn.ReLU
local SpatialSoftMax = nn.SpatialSoftMax
local net = nn.Sequential()
print('==> init a big overfeat network')
net:add(SpatialConvolution(3, 96, 7, 7, 2, 2))
net:add(ReLU(opt.inplace))
net:add(SpatialMaxPooling(3, 3, 3, 3))
net:add(SpatialConvolution(96, 256, 7, 7, 1, 1))
net:add(ReLU(opt.inplace))
net:add(SpatialMaxPooling(2, 2, 2, 2))
net:add(SpatialConvolution(256, 512, 3, 3, 1, 1, 1, 1))
net:add(ReLU(opt.inplace))
net:add(SpatialConvolution(512, 512, 3, 3, 1, 1, 1, 1))
net:add(ReLU(opt.inplace))
net:add(SpatialConvolution(512, 1024, 3, 3, 1, 1, 1, 1))
net:add(ReLU(opt.inplace))
net:add(SpatialConvolution(1024, 1024, 3, 3, 1, 1, 1, 1))
net:add(ReLU(opt.inplace))
net:add(SpatialMaxPooling(3, 3, 3, 3))
net:add(SpatialConvolution(1024, 4096, 5, 5, 1, 1))
net:add(ReLU(opt.inplace))
net:add(SpatialConvolution(4096, 4096, 1, 1, 1, 1))
net:add(ReLU(opt.inplace))
net:add(SpatialConvolution(4096, 1000, 1, 1, 1, 1))
net:add(nn.View(1000))
net:add(SpatialSoftMax())
-- print(net)
-- init file pointer
print('==> overwrite network parameters with pre-trained weigts')
ParamBank:init("net_weight_1")
ParamBank:read( 0, {96,3,7,7}, net:get(1).weight)
ParamBank:read( 14112, {96}, net:get(1).bias)
ParamBank:read( 14208, {256,96,7,7}, net:get(4).weight)
ParamBank:read( 1218432, {256}, net:get(4).bias)
ParamBank:read( 1218688, {512,256,3,3}, net:get(7).weight)
ParamBank:read( 2398336, {512}, net:get(7).bias)
ParamBank:read( 2398848, {512,512,3,3}, net:get(9).weight)
ParamBank:read( 4758144, {512}, net:get(9).bias)
ParamBank:read( 4758656, {1024,512,3,3}, net:get(11).weight)
ParamBank:read( 9477248, {1024}, net:get(11).bias)
ParamBank:read( 9478272, {1024,1024,3,3}, net:get(13).weight)
ParamBank:read( 18915456, {1024}, net:get(13).bias)
ParamBank:read( 18916480, {4096,1024,5,5}, net:get(16).weight)
ParamBank:read(123774080, {4096}, net:get(16).bias)
ParamBank:read(123778176, {4096,4096,1,1}, net:get(18).weight)
ParamBank:read(140555392, {4096}, net:get(18).bias)
ParamBank:read(140559488, {1000,4096,1,1}, net:get(20).weight)
ParamBank:read(144655488, {1000}, net:get(20).bias)
ParamBank:close()
-- load and preprocess image
print('==> prepare an input image')
local img = image.load(opt.img):mul(255)
-- use image larger than the eye size in spatial mode
if not opt.spatial then
local dim = (opt.network == 'small') and 231 or 221
local img_scale = image.scale(img, '^'..dim)
local h = math.ceil((img_scale:size(2) - dim)/2)
local w = math.ceil((img_scale:size(3) - dim)/2)
img = image.crop(img_scale, w, h, w + dim, h + dim):floor()
end
-- memcpy from system RAM to GPU RAM if cuda enabled
if opt.backend == 'cunn' or opt.backend == 'cudnn' then
net:cuda()
img = img:cuda()
end
-- save bare network (before its buffer filled with temp results)
print('==> save model to:', opt.save)
torch.save(opt.save, net)
-- feedforward network
print('==> feed the input image')
timer = torch.Timer()
img:add(-118.380948):div(61.896913)
local out = net:forward(img)
-- find output class name in non-spatial mode
local results = {}
local topN = 10
local probs, idxs = torch.topk(out, topN, 1, true)
for i=1,topN do
print(label[idxs[i]], probs[i])
local r = {}
r.label = label[idxs[i]]
r.prob = probs[i]
results[i] = r
end
return results
end
function errorHandler(err)
return tostring( err )
end
local success, result = xpcall(classifyImage, errorHandler)
context.template = {
type = "mustache",
name = "app/templates/layout",
partials = {
content = "app/templates/classify",
}
}
context.output = {
success = success,
result = result,
request = context.input
}
context.response.status = 200
谢谢你的帮助
更新1
添加了print(net)
在local net
之前和之后,以及在我调用net:add
之后。每次初始化本地网络之前,它都会将值显示为nil
。正如预期的那样,在初始化net
之后,它显示一个火炬对象作为值。在:add
调用中出现了一些错误,因此我在声明我的classifyImage
函数后立即添加了以下内容:
print(tostring(torch))
print(tostring(nn))
print(tostring(net))
在添加这些新的打印语句后,我在第一次请求时得到以下信息:
nil
nil
nil
然后在第二次请求时:
table: 0x41448a08
table: 0x413bdb10
nil
table: 0x41448a08
table: 0x413bdb10
nil
在第三次请求时:
table: 0x41448a08
table: 0x413bdb10
nil
table: 0x41448a08
table: 0x413bdb10
nil
这些看起来像指向内存中某个对象的指针,所以这里可以安全地假设Torch正在创建自己的全局对象吗?当需要Torch
及其模块时,它最终会创建一个自身的全局实例,该实例将在进程的生命周期内保留在内存中。对我有效的修复方法是在Lusty的主app.lua
文件中引用Torch,并在顶部粘贴以下内容:
require 'torch'
require 'nn'
image = require 'image'
ParamBank = require 'ParamBank'
label = require 'classifier_label'
torch.setdefaulttensortype('torch.FloatTensor')
torch.setnumthreads(4)
SpatialConvolution = nn.SpatialConvolutionMM
SpatialMaxPooling = nn.SpatialMaxPooling
ReLU = nn.ReLU
SpatialSoftMax = nn.SpatialSoftMax
变量在classifyImage
的范围内,现在每个请求都会成功。这是一个肮脏的修复程序,但由于Torch正在维护其自身的全局对象,我看不到解决方法。当需要Torch
及其模块时,它最终会创建一个自身的全局实例,该实例将在进程的生命周期内保留在内存中。对我有效的修复方法是在Lusty的主app.lua
文件中引用Torch,并在顶部粘贴以下内容:
require 'torch'
require 'nn'
image = require 'image'
ParamBank = require 'ParamBank'
label = require 'classifier_label'
torch.setdefaulttensortype('torch.FloatTensor')
torch.setnumthreads(4)
SpatialConvolution = nn.SpatialConvolutionMM
SpatialMaxPooling = nn.SpatialMaxPooling
ReLU = nn.ReLU
SpatialSoftMax = nn.SpatialSoftMax
变量在classifyImage
的范围内,现在每个请求都会成功。这是一个肮脏的补丁,但由于Torch正在维护自己的全局对象,我看不到解决方法。尝试在通话前后放置print(net)
。完成,并在问题中添加详细信息。基本上,在我清除第一次/第二次呼叫中的本地网络之前,我成功地获得了nil
。初始化net
之后,我还得到了一个新对象。只有当我调用add
时,它才会失败。你认为这与torch
或nn
本身有关吗?@hjpotter92添加了更多信息,看起来torch
本身正在内存中创建干扰代码的全局对象?找到了修复方法,发布了答案…尝试放置print(net)
通话前后。完成并在问题中添加详细信息。基本上,在我清除第一次/第二次呼叫中的本地网络之前,我成功地获得了nil
。初始化net
之后,我还得到了一个新对象。只有当我调用add
时,它才会失败。你认为这与torch
或nn
本身有关吗?@hjpotter92添加了更多信息,看起来torch
本身正在内存中创建干扰代码的全局对象?找到了修复,发布了答案。。。