ValueError: You selected an invalid strategy name: `strategy=None`. It must be either a string or an instance of `pytorch_lightning.strategies.Strategy`. Example choices: auto, ddp, ddp_spawn, deepspeed,

这个错误通常是由于使用了不支持的策略名称或未指定策略而导致的。在 PyTorch Lightning 中，`strategy` 参数用于指定训练时使用的分布式策略。它可以是以下值之一：

- `'ddp'`: 分布式数据并行
- `'ddp_cpu'`: 仅在 CPU 上使用分布式数据并行
- `'ddp2'`: 用于 PyTorch 1.6+ 的分布式数据并行
- `'ddp_spawn'`: 使用 `torch.multiprocessing.spawn` 的分布式数据并行
- `'ddp_sharded'`: 分布式数据并行与模型分片
- `'deepspeed'`: 使用 DeepSpeed 分布式训练
- `'horovod'`: 使用 Horovod 分布式训练
- `'tpu'`: 使用 TPUStrategy 的 TPU 分布式训练

如果您没有指定策略，则默认情况下将使用 `'dp'`（数据并行）策略。要解决此问题，请确保您指定了一个有效的策略名称或正确地设置了分布式环境。例如，如果您想在单个节点上使用分布式数据并行，则可以将 `strategy` 参数设置为 `'ddp_spawn'`。

相关问题

from scipy.sparse.linalg import eigsh, LinearOperator from scipy.sparse import isspmatrix, is_pydata_spmatrix class SVDRecommender: def init(self, k=50, ncv=None, tol=0, which='LM', v0=None, maxiter=None, return_singular_vectors=True, solver='arpack'): self.k = k self.ncv = ncv self.tol = tol self.which = which self.v0 = v0 self.maxiter = maxiter self.return_singular_vectors = return_singular_vectors self.solver = solver def svds(self, A): largest = self.which == 'LM' if not largest and self.which != 'SM': raise ValueError("which must be either 'LM' or 'SM'.") if not (isinstance(A, LinearOperator) or isspmatrix(A) or is_pydata_spmatrix(A)): A = np.asarray(A) n, m = A.shape if self.k <= 0 or self.k >= min(n, m): raise ValueError("k must be between 1 and min(A.shape), k=%d" % self.k) if isinstance(A, LinearOperator): if n > m: X_dot = A.matvec X_matmat = A.matmat XH_dot = A.rmatvec XH_mat = A.rmatmat else: X_dot = A.rmatvec X_matmat = A.rmatmat XH_dot = A.matvec XH_mat = A.matmat dtype = getattr(A, 'dtype', None) if dtype is None: dtype = A.dot(np.zeros([m, 1])).dtype else: if n > m: X_dot = X_matmat = A.dot XH_dot = XH_mat = _herm(A).dot else: XH_dot = XH_mat = A.dot X_dot = X_matmat = _herm(A).dot def matvec_XH_X(x): return XH_dot(X_dot(x)) def matmat_XH_X(x): return XH_mat(X_matmat(x)) XH_X = LinearOperator(matvec=matvec_XH_X, dtype=A.dtype, matmat=matmat_XH_X, shape=(min(A.shape), min(A.shape))) eigvals, eigvec = eigsh(XH_X, k=self.k, tol=self.tol ** 2, maxiter=self.maxiter, ncv=self.ncv, which=self.which, v0=self.v0) eigvals = np.maximum(eigvals.real, 0) t = eigvec.dtype.char.lower() factor = {'f': 1E3, 'd': 1E6} cond = factor[t] * np.finfo(t).eps cutoff = cond * np.max(eigvals) above_cutoff = (eigvals > cutoff) nlarge = above_cutoff.sum() nsmall = self.k - nlarge slarge = np.sqrt(eigvals[above_cutoff]) s = np.zeros_like(eigvals) s[:nlarge] = slarge if not self.return_singular_vectors: return np.sort(s) if n > m: vlarge = eigvec[:, above_cutoff] ularge = X_matmat(vlarge) / slarge if self.return_singular_vectors != 'vh' else None vhlarge = _herm(vlarge) else: ularge = eigvec[:, above_cutoff] vhlarge = _herm(X_matmat(ularge) / slarge) if self.return_singular_vectors != 'u' else None u = _augmented_orthonormal_cols(ularge, nsmall) if ularge is not None else None vh = _augmented_orthonormal_rows(vhlarge, nsmall) if vhlarge is not None else None indexes_sorted = np.argsort(s) s = s[indexes_sorted] if u is not None: u = u[:, indexes_sorted] if vh is not None: vh = vh[indexes_sorted] return u, s, vh def _augmented_orthonormal_cols(U, n): if U.shape[0] <= n: return U Q, R = np.linalg.qr(U) return Q[:, :n] def _augmented_orthonormal_rows(V, n): if V.shape[1] <= n: return V Q, R = np.linalg.qr(V.T) return Q[:, :n].T def _herm(x): return np.conjugate(x.T)这段代码中使用的scipy包太旧了，导致会出现报错信息为：cannot import name 'is_pydata_spmatrix' from 'scipy.sparse' (D:\Anaconda\lib\site-packages\scipy\sparse_init.py)，将这段代码修改为使用最新版的scipy包

好的，将使用最新版的scipy包进行修改。首先需要将代码中的`is_pydata_spmatrix`替换为`isspmatrix_csr`。同时需要将代码开头的导入语句修改为`from scipy.sparse.linalg import eigsh, LinearOperator from scipy.sparse import isspmatrix_csr`。

def checkClicked(group, mouse_pos, group_type='NUMBER'): selected = [] # 数字卡片/运算符卡片 if group_type == GROUPTYPES[0] or group_type == GROUPTYPES[1]: max_selected = 2 if group_type == GROUPTYPES[0] else 1 num_selected = 0 for each in group: num_selected += int(each.is_selected) for each in group: if each.rect.collidepoint(mouse_pos): if each.is_selected: each.is_selected = not each.is_selected num_selected -= 1 each.select_order = None else: if num_selected < max_selected: each.is_selected = not each.is_selected num_selected += 1 each.select_order = str(num_selected) if each.is_selected: selected.append(each.attribute) # 按钮卡片 elif group_type == GROUPTYPES[2]: for each in group: if each.rect.collidepoint(mouse_pos): each.is_selected = True selected.append(each.attribute) # 抛出异常 else: raise ValueError('checkClicked.group_type unsupport <%s>, expect <%s>, <%s> or <%s>...' % (group_type, *GROUPTYPES)) return selected详细讲解这段代码

这段代码的作用是检查用户是否点击了一组 sprite，并返回被选中的 sprite 的属性。函数接受三个参数：`group` 表示要检查的 sprite 组，`mouse_pos` 表示鼠标点击的位置，`group_type` 表示 sprite 组的类型，可以是数字卡片、运算符卡片或按钮卡片。

如果 `group_type` 是数字卡片或运算符卡片，该函数会遍历 `group` 中的每个 sprite，判断它是否被选中。如果被选中，则将其从选中列表中删除；如果未被选中，则将其添加到选中列表中。选中的 sprite 的属性将被添加到 `selected` 列表中，并以该 sprite 的选中顺序（1 或 2）作为键值对的值返回。如果选中的数量超过了该类型 sprite 的最大数量（数字卡片最多选 2 张，运算符卡片最多选 1 张），则不会将新的 sprite 添加到选中列表中。

如果 `group_type` 是按钮卡片，该函数会遍历 `group` 中的每个 sprite，并将被点击的 sprite 添加到选中列表中。被选中的 sprite 的属性将被添加到 `selected` 列表中。

如果 `group_type` 不是数字卡片、运算符卡片或按钮卡片，则该函数会抛出一个 ValueError 异常，提示 `group_type` 的值不受支持。

最后，该函数返回一个包含选中 sprite 属性的列表。