PyTorch点云训练遇两类错误：KMeans属性与TensorList空栈

1. AttributeError: 'KMeans' object has no attribute 'labels_' #

问题根源 #

• 未执行KMeans拟合方法就直接访问labels_：labels_是sklearn KMeans在fit()/fit_predict()执行完成后才生成的属性，提前调用会触发该错误。
• 使用了非sklearn的KMeans实现：比如faiss、PyTorch3D等库的KMeans接口，属性命名可能不是labels_（例如faiss用assignments）。
• 拟合时传入空数据集：空数据会导致KMeans未完成初始化，无法生成labels_属性。

修复方案 #

• 确保调用顺序正确：

  from sklearn.cluster import KMeans
  kmeans = KMeans(n_clusters=8)
  # 先拟合点云数据
  kmeans.fit(point_cloud_data)
  # 再访问labels_属性
  cluster_labels = kmeans.labels_
  

• 核对KMeans库的接口文档：如果使用其他库，替换为对应属性名，比如faiss的示例：

  import faiss
  kmeans = faiss.Kmeans(d=3, k=8)
  kmeans.train(point_cloud_data)
  _, cluster_labels = kmeans.index.search(point_cloud_data, 1)
  

• 前置数据校验：拟合前检查输入数据的有效性，避免空数据传入：

  if point_cloud_data.shape[0] == 0:
      raise ValueError("Empty data passed to KMeans")
  

2. RuntimeError: stack expects a non-empty TensorList #

问题根源 #

• 调用torch.stack()时传入的张量列表为空：常见于点云数据加载时，某个批次的样本被过滤为空，或者特征提取模块返回空张量集合。
• 动态生成张量列表的逻辑存在漏洞：比如条件判断错误，导致所有张量都被过滤，最终列表无元素。

修复方案 #

• 检查数据加载与预处理逻辑：确保每个批次至少包含一个有效样本，比如在Dataset的__getitem__中跳过空点云，或在DataLoader中设置drop_last=True丢弃空批次。
• 在torch.stack()前添加非空校验：

  tensor_list = [extract_features(pc) for pc in batch_point_clouds]
  if not tensor_list:
      # 根据业务逻辑处理：返回默认张量或跳过该批次
      continue
  stacked_tensor = torch.stack(tensor_list)
  

• 追踪张量列表生成过程：打印列表长度、每个张量的形状，定位哪一步导致列表为空，比如修复特征提取函数返回空张量的问题。

内容的提问来源于stack exchange，提问作者abdou