首页
/ Intel Extension for PyTorch中LSTM训练导致Arc GPU段错误问题分析

Intel Extension for PyTorch中LSTM训练导致Arc GPU段错误问题分析

2025-07-07 18:51:59作者:邬祺芯Juliet

问题现象

在使用Intel Extension for PyTorch(IPEX)进行LSTM模型训练时,当在Arc GPU上执行loss.backward()操作时,会出现随机次数的训练循环后发生段错误(Segmentation Fault)的问题。该问题的出现具有以下特点:

  1. 错误发生的训练循环次数与输入张量x的尺寸有关
  2. 当使用ipex.optimize优化模型时更容易触发
  3. 当输入张量较大时,即使不使用ipex.optimize也会出现段错误

问题复现

通过以下简化代码可以稳定复现该问题:

import torch 
import intel_extension_for_pytorch as ipex

class LSTMModel(torch.nn.Module):
    def __init__(self):
        super(LSTMModel, self).__init__()
        self.l1 = torch.nn.Linear(1, 10)
        self.lstm = torch.nn.LSTM(10, 10, batch_first=True)
        self.l2 = torch.nn.Linear(10, 1)
    
    def forward(self, x):
        x = self.l1(x)
        x, _ = self.lstm(x)
        x = self.l2(x)
        return x

model = LSTMModel()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
loss_fn = torch.nn.MSELoss()
x = torch.tensor([[1.0], [0.0], [1.0], [0.0]]).unsqueeze(0)

model.to("xpu")
model, optimizer = ipex.optimize(model, optimizer=optimizer)
x = x.to("xpu")

for i in range(10):
    optimizer.zero_grad()
    pred = model(x)
    loss = loss_fn(pred, x)  # 注意这里使用x作为目标和预测值
    loss.backward()
    optimizer.step()
    print(loss)

技术分析

通过GDB调试工具分析核心转储文件,发现程序在调用level-zero运行时的ExecuteCommandList相关函数时崩溃。具体表现为:

  1. 崩溃发生在libze_intel_gpu.so.1库中
  2. 调用栈显示崩溃发生在自动微分(autograd)执行反向传播过程中
  3. 问题与Level Zero运行时的命令列表执行机制有关

进一步分析发现,当满足以下条件时更容易触发该问题:

  1. 在损失函数中使用相同的张量作为输入和目标值
  2. 使用固定不变的输入数据而非随机变化的数据
  3. 使用默认的批处理命令列表而非立即命令列表

解决方案

针对该问题,Intel已经提供了永久性修复方案。用户可以通过以下两种方式解决:

临时解决方案

设置环境变量使用立即命令列表:

export SYCL_PI_LEVEL_ZERO_USE_IMMEDIATE_COMMANDLISTS=1

永久解决方案

升级到最新版本的软件栈组合:

  1. 2441.21或更新版本的GPU驱动
  2. oneAPI 2025.0或更新版本
  3. IPEX v2.5.10+xpu或更新版本

升级后,LSTM训练将正常工作,无论是使用默认的批处理命令列表还是立即命令列表。

最佳实践建议

为避免类似问题,建议在训练LSTM等循环神经网络时:

  1. 确保训练数据在每次迭代中有所变化
  2. 使用独立的目标张量而非输入张量作为损失函数的参考
  3. 对于关键应用,考虑使用最新稳定版本的软件栈
  4. 在复杂模型训练前进行小规模测试验证环境稳定性

通过遵循这些实践,可以确保在Intel Arc GPU上获得稳定高效的深度学习训练体验。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
155
1.99 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
pytorchpytorch
Ascend Extension for PyTorch
Python
38
72
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
942
555
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
405
387
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
71
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
993
396
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
517
49
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
345
1.32 K