Pytorch 在 R Markdown 中运行报无效权限的问题

Cloud2016

yihui 好思路，我还以为 Python 代码块不会被 reticulate 翻译，再送去给 Python 解释器执行呢。

library(reticulate)
torch <- import("torch")
A = torch$tensor(rbind(c(1., -1.), c(1., 1.))) # 运行正常，结果正确
torch_qr <- torch$linalg$qr(A) # 执行这行导致 RStudio IDE 崩溃

如果 reticulate 翻译没问题，那是 torch 不兼容我的系统或 CPU 环境吗？

Cloud2016

Cloud2016 我知道问题在哪方了，应该是 RStudio IDE，因为上述代码在 R 终端运行没有问题。

> library(reticulate)
> torch <- import("torch")
> A = torch$tensor(rbind(c(1., -1.), c(1., 1.)))
> torch_qr <- torch$linalg$qr(A)
> torch_qr
torch.return_types.linalg_qr(
Q=tensor([[-0.7071, -0.7071],
        [-0.7071,  0.7071]], dtype=torch.float64),
R=tensor([[-1.4142e+00, -3.3182e-16],
        [ 0.0000e+00,  1.4142e+00]], dtype=torch.float64))

yihui

Cloud2016 我的意思是直接一坨代码丢给 reticulate::py_run_string() 之类的函数去执行，而不是把 Python 代码用 reticulate 改写为 R 代码的形式去执行。不过不管结果怎样，我估计到头来这问题会超出我的能力范围。

以下为跑题内容：

我感觉 reticulate 把事情做得过度深入了。我在做 litedown 的时候稍微花了点时间琢磨这个跨语言问题，若是我来做的话，可能会用最简单粗暴的方式去实现，不管什么对象转换问题，就是一坨代码丢过去你给我执行就好了。这个想法我在 2013 年的 runr 包尝试实现过，后来不了了之了，那时还是求大求全的，现在又重新回归了简单粗暴哲学。我稍微瞅了一眼 nanonext 包觉得这个 NNG（Nanomsg Next Gen）可能是当前更适合实现跨语言通信的工具，我在 runr 中用的是简单的 socket 通信。

Cloud2016

Cloud2016 我升级了最新的 RStudio IDE，发现无论翻译与否 Python 代码块都正常执行。

library(reticulate)
torch <- import("torch")
A = torch$tensor(rbind(c(1., -1.), c(1., 1.))) # 运行正常，结果正确
torch_qr <- torch$linalg$qr(A) # 执行正常，结果正确

这应该说明，问题出在 R Markdown 某个地方了。

Cloud2016

Cloud2016 推翻，可能也不是，因为我在R 终端中调用 rmarkdown 包渲染文档报错了，也直接将 R 终端终止了。

rmarkdown::render('Untitled.Rmd')

processing file: Untitled.Rmd
  |..............................                      |  57% [unnamed-chunk-2]
[1]    2910 segmentation fault  R

chunk-2 代码块的内容就是上楼 R 终端执行的代码块。

Cloud2016

忘了补充 Pytorch 版本了，都是最新版本，版本如下：

torch                   2.9.0
torchvision             0.24.0

nan.xiao

John Carmack 在播客访谈中曾经提到过，在同一个项目中混用多种编程语言几乎总是一个错误。如果这个观点是正确的，那么我来提一个更进一步的暴论：跨语言互操作这件事情，对于开发者来说是一个灌水的好机会，但对于终端用户，要解决楼主遇到的这类细节问题基本上属于浪费用户的时间……

建设性意见：如果要用 Python，那就趁早使用全家桶，整个工具链需要全面 Python 化：VS Code, Pylance, uv, Ruff, PyTorch, mkdocs-material，markdown-exec 等等。虽然我认为在可重复研究这个特定领域 R 中的体验做得比其他任何编程语言都要出色，但在其他 Python 擅长的领域，Python 的生态足够有特色也足够成熟，值得全面使用。

Cloud2016

nan.xiao 我的需求背景是准备在一篇技术博客中记录一点点 Pytorch 入门的使用示例，不是要 R 和 Python混编，感受一下不同语言的使用差异，也顺带熟悉一下深度学习的框架。然后，我就在 blogdown 搭的博客环境中跑了几个 Pytorch 函数，结果一上来就遇到上面的问题。不过，我也不是要硬磕，其实，我很快换了 tensorflow ，就没有上面的问题。

其实，我还是想把一些学习的笔记灌到我的博客网站，这样的话，要放弃 blogdown 升级到 Quarto（有个 Jupyter 运行环境上述代码运行起来就没问题），嫌太麻烦了。

Cloud2016

yihui 我试过了 reticulate::py_run_string()

reticulate::py_run_string(code = "
import torch
A = torch.tensor([[1., -1.], [1., 1.]])
Q, R = torch.linalg.qr(A)
Q
R
")

以上代码在 R 终端里运行没问题，在 RStudio IDE 的控制台运行也没问题。此问题留待有能者居之。

话说，我也不喜欢混编，我也不用 tensorflow 和 torch 两个 R 包。直接用原版 Python 模块，从 R 切到 Python 好像也不难，就是语法上、使用习惯上一时转不过来，这都是使用熟练度的问题。现在有 ChatGPT 一类工具，让它做语言翻译，只要自己曾经在某一门语言上解决过类似问题，快速上手一门新语言不难。

Cloud2016

在 R Markdown 生态里使用 Python 确实不太好，毕竟 R Markdown 不是重点了，换 Quarto 的理由加 1 。

Cloud2016

安装 uv 管理器

brew install uv

重新配置一个虚拟环境，安装 torch 和 numpy

reticulate::virtualenv_install(envname = "r-reticulate", packages = c("torch", "numpy"))

然后问题没有了。菜鸟上路遇奇葩问题。

对了，我还更新了 R 版本。之前配置的虚拟环境也是可以运行上述代码的。这一波更新操作之后，我也复现不了问题了。

yihui

Cloud2016 看来果然 uv 拯救了 Python 多年来混乱的包管理局面。

lovebluesky

UV确实解决了大问题，确实好用

Cloud2016

reticulate 现在使用 uv 来创建、管理虚拟环境。