Python 错误：RuntimeError：在当前进程完成其引导阶段之前，尝试启动新进程

运行以下脚本后出现错误：

--编码：utf-8-- 进口这些东西 步骤1：从日志文件中读取 步骤2：将数据分为训练集和验证集 步骤3a：为dataloader定义扩充、转换过程、参数和数据集 步骤4：定义网络 步骤5：定义优化器 步骤6：检查设备并定义将张量移动到该设备的函数 第7步：根据定义的最大时段对网络进行培训和验证 步骤8：定义状态并将模型wrt保存到状态 这将显示错误消息：

“D:\VICO\backup\venv\Scripts\python.exe”“D:/VICO/backup/venv/Scripts/self\u driving\u car.py” 设备是：cpu 设备是：cpu 回溯（最近一次呼叫最后一次）： 文件“”，第1行，在 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\spawn.py”，第105行，在spawn\u main中 出口代码=_主（fd） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\spawn.py”，第114行，在主目录中 准备（准备数据） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\spawn.py”，第225行，在prepare中 _从路径修复主路径（数据['init\u main\u from\u path']） 文件“C:\Users\isonata\AppData\Local\Programs\Python\37\lib\multiprocessing\spawn.py”，第277行，位于\u fixup\u main\u from\u路径中 运行\u name=“mp\u main”） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\runpy.py”，第263行，在运行路径中 回溯（最近一次呼叫最后一次）： 文件“D:/VICO/Back-up/venv/Scripts/self_driving_car.py”，第165行，in pkg_name=pkg_name，script_name=fname） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\runpy.py”，第96行，在运行模块代码中 对于enumerate（training_generator）中的本地_批次（中心、左侧、右侧）： 文件“D:\VICO\backup\venv\lib\site packages\torch\utils\data\dataloader.py”，第291行，在iter中 模块名称、模块规格、组件名称、脚本名称） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\runpy.py”，第85行，在运行代码中 exec（代码、运行\全局） 文件“D:\VICO\backup\venv\Scripts\self\u driving\u car.py”，第165行，在 return\u多处理数据装入器（self） 文件“D:\VICO\backup\venv\lib\site packages\torch\utils\data\dataloader.py”，第737行，位于init 对于enumerate（training_generator）中的本地_批次（中心、左侧、右侧）： 文件“D:\VICO\backup\venv\lib\site packages\torch\utils\data\dataloader.py”，第291行，在iter中 return\u多处理数据装入器（self） 文件“D:\VICO\backup\venv\lib\site packages\torch\utils\data\dataloader.py”，第737行，位于init w、 开始（） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\process.py”，第112行，在开始处 self.\u popen=self.\u popen（self） 文件“C:\Users\isonata\AppData\Local\Programs\Python\37\lib\multiprocessing\context.py”，第223行，在 w、 开始（） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\process.py”，第112行，在开始处 返回_default_context.get_context（）.Process._Popen（Process_obj） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\context.py”，第322行，在 self.\u popen=self.\u popen（self） 文件“C:\Users\isonata\AppData\Local\Programs\Python\37\lib\multiprocessing\context.py”，第223行，在 返回Popen（过程对象） 文件“C:\Users\isonata\AppData\Local\Programs\Python\37\lib\multiprocessing\popen\u spawn\u win32.py”，第89行，在init 返回_default_context.get_context（）.Process._Popen（Process_obj） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\context.py”，第322行，在 减少.转储（进程对象，到子进程） 文件“C:\Users\isonata\AppData\Local\Programs\Python\Python37\lib\multiprocessing\reduce.py”，第60行，转储文件 返回Popen（过程对象） 文件“C:\Users\isonata\AppData\Local\Programs\Python\37\lib\multiprocessing\popen\u spawn\u win32.py”，第46行，在init ForkingPickler（文件、协议）.dump（obj） 断管错误：[Errno 32]断管 prep_data=spawn.get_preparation_data（进程对象名称） 文件“C:\Users\isonata\AppData\Local\Programs\Python\37\lib\multiprocessing\spawn.py”，第143行，在get\u preparation\u data中 _选中\u not \u导入\u main（） 文件“C:\Users\isonata\AppData\Local\Programs\Python\37\lib\multiprocessing\spawn.py”，第136行，在检查\u not \u导入\u main中 不会冻结以生成可执行文件。“” 运行时错误： 已尝试在启动之前启动新进程 当前进程已完成其引导阶段

    This probably means that you are not using fork to start your
    child processes and you have forgotten to use the proper idiom
    in the main module:

        if __name__ == '__main__':
            freeze_support()
            ...

    The "freeze_support()" line can be omitted if the program
    is not going to be frozen to produce an executable.

进程已完成，退出代码为1

我不确定解决问题的下一步是什么，简单地说：

if __name__ == "__main__":
        main()

避免在每个循环中重新加载模块

train_len = int(0.8*len(samples))
valid_len = len(samples) - train_len
train_samples, validation_samples = data.random_split(samples, lengths=[train_len, valid_len])

def augment(imgName, angle):
  name = 'data/IMG/' + imgName.split('/')[-1]
  current_image = cv2.imread(name)
  current_image = current_image[65:-25, :, :]
  if np.random.rand() < 0.5:
    current_image = cv2.flip(current_image, 1)
    angle = angle * -1.0  
  return current_image, angle

class Dataset(data.Dataset):

    def __init__(self, samples, transform=None):

        self.samples = samples
        self.transform = transform

    def __getitem__(self, index):
      
        batch_samples = self.samples[index]
        
        steering_angle = float(batch_samples[3])
        
        center_img, steering_angle_center = augment(batch_samples[0], steering_angle)
        left_img, steering_angle_left = augment(batch_samples[1], steering_angle + 0.4)
        right_img, steering_angle_right = augment(batch_samples[2], steering_angle - 0.4)

        center_img = self.transform(center_img)
        left_img = self.transform(left_img)
        right_img = self.transform(right_img)

        return (center_img, steering_angle_center), (left_img, steering_angle_left), (right_img, steering_angle_right)
      
    def __len__(self):
        return len(self.samples)

def _my_normalization(x):
    return x/255.0 - 0.5
transformations = transforms.Compose([transforms.Lambda(_my_normalization)])

params = {'batch_size': 32,
          'shuffle': True,
          'num_workers': 4}

training_set = Dataset(train_samples, transformations)
training_generator = data.DataLoader(training_set, **params)

validation_set = Dataset(validation_samples, transformations)
validation_generator = data.DataLoader(validation_set, **params)

class NetworkDense(nn.Module):

    def __init__(self):
        super(NetworkDense, self).__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv2d(3, 24, 5, stride=2),
            nn.ELU(),
            nn.Conv2d(24, 36, 5, stride=2),
            nn.ELU(),
            nn.Conv2d(36, 48, 5, stride=2),
            nn.ELU(),
            nn.Conv2d(48, 64, 3),
            nn.ELU(),
            nn.Conv2d(64, 64, 3),
            nn.Dropout(0.25)
        )
        self.linear_layers = nn.Sequential(
            nn.Linear(in_features=64 * 2 * 33, out_features=100),
            nn.ELU(),
            nn.Linear(in_features=100, out_features=50),
            nn.ELU(),
            nn.Linear(in_features=50, out_features=10),
            nn.Linear(in_features=10, out_features=1)
        )
        
    def forward(self, input):  
        input = input.view(input.size(0), 3, 70, 320)
        output = self.conv_layers(input)
        output = output.view(output.size(0), -1)
        output = self.linear_layers(output)
        return output


class NetworkLight(nn.Module):

    def __init__(self):
        super(NetworkLight, self).__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv2d(3, 24, 3, stride=2),
            nn.ELU(),
            nn.Conv2d(24, 48, 3, stride=2),
            nn.MaxPool2d(4, stride=4),
            nn.Dropout(p=0.25)
        )
        self.linear_layers = nn.Sequential(
            nn.Linear(in_features=48*4*19, out_features=50),
            nn.ELU(),
            nn.Linear(in_features=50, out_features=10),
            nn.Linear(in_features=10, out_features=1)
        )
        

    def forward(self, input):
        input = input.view(input.size(0), 3, 70, 320)
        output = self.conv_layers(input)
        output = output.view(output.size(0), -1)
        output = self.linear_layers(output)
        return output

model = NetworkLight()
optimizer = optim.Adam(model.parameters(), lr=0.0001)

criterion = nn.MSELoss()

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print('device is: ', device)

def toDevice(datas, device):
  
  imgs, angles = datas
  return imgs.float().to(device), angles.float().to(device)

max_epochs = 22

for epoch in range(max_epochs):
    
    model.to(device)
    
    # Training
    train_loss = 0
    model.train()
    for local_batch, (centers, lefts, rights) in enumerate(training_generator):
        # Transfer to GPU
        centers, lefts, rights = toDevice(centers, device), toDevice(lefts, device), toDevice(rights, device)
        
        # Model computations
        optimizer.zero_grad()
        datas = [centers, lefts, rights]        
        for data in datas:
            imgs, angles = data
#             print("training image: ", imgs.shape)
            outputs = model(imgs)
            loss = criterion(outputs, angles.unsqueeze(1))
            loss.backward()
            optimizer.step()

            train_loss += loss.data[0].item()
            
        if local_batch % 100 == 0:
            print('Loss: %.3f '
                 % (train_loss/(local_batch+1)))

    
    # Validation
    model.eval()
    valid_loss = 0
    with torch.set_grad_enabled(False):
        for local_batch, (centers, lefts, rights) in enumerate(validation_generator):
            # Transfer to GPU
            centers, lefts, rights = toDevice(centers, device), toDevice(lefts, device), toDevice(rights, device)
        
            # Model computations
            optimizer.zero_grad()
            datas = [centers, lefts, rights]        
            for data in datas:
                imgs, angles = data
#                 print("Validation image: ", imgs.shape)
                outputs = model(imgs)
                loss = criterion(outputs, angles.unsqueeze(1))
                
                valid_loss += loss.data[0].item()

            if local_batch % 100 == 0:
                print('Valid Loss: %.3f '
                     % (valid_loss/(local_batch+1)))

state = {
        'model': model.module if device == 'cuda' else model,
        }

torch.save(state, 'model.h5')

    This probably means that you are not using fork to start your
    child processes and you have forgotten to use the proper idiom
    in the main module:

        if __name__ == '__main__':
            freeze_support()
            ...

    The "freeze_support()" line can be omitted if the program
    is not going to be frozen to produce an executable.

if __name__ == "__main__":
        main()