求助：RuntimeError: Trying to resize storage that is not resizable报错原因排查

这个报错RuntimeError: Trying to resize storage that is not resizable出现在PyTorch DataLoader的collate阶段，结合你的场景（仅5秒音频数据集触发、2秒数据集正常、固定在第19个batch报错），核心原因是某个/某些音频样本转换为spectrogram后生成的Tensor使用了不可调整大小的存储，当default_collate尝试自动拼接batch时触发了错误。以下是具体原因排查和解决方法：

可能的触发原因 #

• Tensor存储不可调整：用torch.from_numpy()或torch.as_tensor()将librosa等库生成的numpy数组转为Tensor时，如果原numpy数组是只读视图（比如从文件读取时的特殊内存映射），生成的Tensor会共享原数组的不可变存储，无法被resize。5秒音频的spectrogram数据量更大，处理时更容易触发这种情况，而2秒音频的小数据量刚好避开了存储限制。
• 异常音频文件：数据集中可能存在损坏、采样率/声道数不一致的5秒音频，导致生成的spectrogram Tensor存在异常存储属性。即使随机拆分数据，这些异常样本总会被分配到第19个batch（比如数据量刚好让该样本落在第19个batch的固定位置），从而每次都触发报错。
• 多Worker存储冲突：DataLoader的多Worker模式下，可能出现Tensor存储的跨进程共享问题，导致某个Worker中的Tensor存储变为不可调整。2秒音频数据集因为数据量小，Worker处理速度快，未触发该冲突。

解决方法 #

1. 强制生成可调整存储的Tensor：
   在Dataset的__getitem__方法中，将spectrogram Tensor转为拥有独立可调整存储的版本：

   # 替换原有的torch.from_numpy()或torch.as_tensor()
   spec = torch.tensor(librosa.feature.melspectrogram(y=audio))
   # 或者对已有Tensor克隆
   spec = torch.from_numpy(librosa.feature.melspectrogram(y=audio)).clone()
   

   确保每个Tensor都有自己的可调整存储，避免default_collate拼接时的resize失败。

2. 排查异常音频样本：
   临时将DataLoader的num_workers设为0，运行训练时打印每个batch的样本路径，提取第19个batch的所有样本，单独检查这些音频文件的完整性、采样率、声道数是否统一。对异常文件进行修复或移除。

3. 禁用多Worker或自定义collate_fn：
   临时将num_workers设为0，若不再报错，说明是多Worker导致的存储冲突。可以尝试升级PyTorch版本，或自定义collate_fn手动处理batch拼接：

   def custom_collate_fn(batch):
       processed_batch = []
       for item in zip(*batch):
           if isinstance(item[0], torch.Tensor):
               # 先将每个Tensor转为可调整的，再拼接
               processed = torch.stack([t.clone() for t in item])
               processed_batch.append(processed)
           else:
               processed_batch.append(item)
       return tuple(processed_batch)
   

   在DataLoader中指定collate_fn=custom_collate_fn即可。

内容的提问来源于stack exchange，提问作者Jack Of All Trades