在调试前，需确保环境稳定且工具齐全。首先，通过conda或venv创建虚拟环境，隔离项目依赖（如conda create -n pytorch_env python=3.8; conda activate pytorch_env）。其次，安装PyTorch时需匹配CentOS系统的CUDA版本（通过nvidia-smi查看），例如CUDA 12.1对应conda install pytorch torchvision torchaudio cudatoolkit=12.1 -c pytorch。此外，安装调试工具：ipdb（增强版pdb，支持语法高亮）通过pip install ipdb安装，IDE（如PyCharm、VSCode）需配置Python解释器指向虚拟环境。
import ipdb; ipdb.set_trace()，运行脚本后程序会在断点处暂停。常用命令：l（查看当前代码上下文）、n（执行下一行）、s（进入函数）、p 变量名（打印变量值）、c（继续执行）。ipdb相比pdb支持语法高亮，交互体验更佳。logging模块记录程序运行状态（如损失值、批次信息），配置示例：logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', filename='app.log', filemode='a')。也可结合PyTorch的SummaryWriter将数据可视化（如损失曲线），通过tensorboard --logdir=runs启动TensorBoard查看。tensor.shape）、自动微分（requires_grad=True）、模块（nn.Module）和训练循环（前向传播→计算损失→反向传播→更新参数）是调试的基础，多数错误源于对这些概念的误解。DataLoader）中添加try-except捕获异常，确保数据预处理（如归一化、Resize）正确。tensor.shape打印输入、输出及参数形状，或用torchinfo.summary(model, input_size=(batch_size, channels, height, width))打印模型整体结构，快速定位维度不符的位置。torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)裁剪梯度，或调整学习率（如降低至0.001）缓解。使用cProfile分析代码性能瓶颈（如cProfile.run('my_function()')），或用PyTorch自带的torch.autograd.profiler分析自动微分计算时间（如with torch.autograd.profiler.profile(use_cuda=True) as prof:）。通过分析结果优化耗时操作（如减少不必要的张量拷贝、使用更高效的层）。