[Bug已解决] torch.nanmedian 指定 dim=None 报命名维度 RuntimeError（省略 dim 正常）解决方案

[Bug已解决] torch.nanmedian 指定 dim=None 报命名维度 RuntimeError（省略 dim 正常）解决方案

一、现象长什么样

你用torch.nanmedian（忽略 NaN 的中位数）时，发现一个诡异不一致：

x = torch.randn(3, 4) torch.nanmedian(x) # ✅ 正常 torch.nanmedian(x, dim=None) # ❌ 报 RuntimeError（named-dimension 相关）

也就是官方描述的：

torch.nanmedian(..., dim=None) raises a named-dimension RuntimeError while omitting dim works

dim=None语义上应该等于「省略 dim」（都对整个张量变平求中位数）。但带命名维度（named tensor）的张量上，显式传dim=None会触发一个命名维度相关的 RuntimeError，而省略 dim 却正常。这是 PyTorch 内部对「dim=None参数」和「命名维度传播」的处理不一致导致的 bug。

本文讲清楚 named tensor、nanmedian 的 dim 语义、为什么dim=None会炸，以及如何规避。

二、torch.nanmedian 与 dim 语义

torch.nanmedian(input, dim=None)：

• dim=None（或省略）：把整个 input 变平成一维，返回单个中位数标量；
• dim=k：沿第 k 维求中位数，返回(values, indices)。

数学上dim=None和省略 dim 完全等价。所以你自然会写torch.nanmedian(x, dim=None)，期望和省略一样。

但问题出在：当x是**命名张量（named tensor，带维度名字如C、H、W）**时，PyTorch 内部对dim=None的处理路径和「省略 dim」走了不同分支，其中dim=None路径试图去处理「命名维度」，却没正确处理None，于是 RuntimeError。

三、命名张量（named tensor）是什么

PyTorch 支持给维度起名字：

import torch x = torch.randn(3, 4, names=("C", "H")) print(x.names) # ('C', 'H')

命名维度让你可以「按名字」做操作（如x.align_to(...)），更可读、更不容易搞错轴。但命名张量对很多算子的支持是「逐步补全」的，某些参数组合（如dim=None）的处理有 bug。

四、可运行：复现不一致

下面脚本复现「省略 dim 正常、dim=None 报错」（纯 CPU 可跑）：

import torch def demo(): x = torch.randn(3, 4, names=("C", "H")) # 命名张量 print("张量名字：", x.names) # 省略 dim：正常 try: r1 = torch.nanmedian(x) print("省略 dim 成功：", r1) except Exception as e: print("省略 dim 也报错：", e) # 显式 dim=None：可能 RuntimeError try: r2 = torch.nanmedian(x, dim=None) print("dim=None 成功：", r2) except Exception as e: print("dim=None 报错：", type(e).__name__, "->", str(e)[:150]) if __name__ == "__main__": demo()

如果你看到「省略 dim 成功，dim=None 报错」，就复现了该不一致。

五、解决方案一：省略 dim，不显式传 None

最直接规避：既然省略 dim 正常工作，就别写dim=None：

# ✅ 正确：省略 dim median = torch.nanmedian(x) # ❌ 触发 bug：显式 dim=None # median = torch.nanmedian(x, dim=None)

代码语义完全一样，但绕开了损坏的dim=None路径。

六、解决方案二：先 rename 掉维度名，再传 dim=None

如果业务逻辑上你必须显式传dim=None（比如封装函数时参数透传），可以先把命名维度去掉（.rename(None)），用普通张量走dim=None：

import torch def safe_nanmedian(x, dim=None): if dim is None: # 去掉维度名，规避 named-dimension 对 dim=None 的 bug return torch.nanmedian(x.rename(None)) return torch.nanmedian(x, dim=dim) x = torch.randn(3, 4, names=("C", "H")) print(safe_nanmedian(x, dim=None)) # 正常

rename(None)把命名维度去掉，变成普通张量，dim=None路径就走「省略 dim」同款逻辑，不再报错。

七、解决方案三：用 flat 后的中位数（等价写法）

如果你想明确表达「对整体求中位数」，也可以自己.flatten()再求，语义完全等价且避开 dim 参数：

import torch def median_overall(x): flat = x.flatten() # flatten 后是一维，求中位数返回标量 return torch.nanmedian(flat) x = torch.randn(3, 4, names=("C", "H")) print("整体中位数：", median_overall(x))

flatten()把命名维度展平成一维（名字丢失），nanmedian在一维上求中位数，等价于dim=None。

八、解决方案四：非命名张量不受影响

如果你根本不需要命名维度，就用普通张量，dim=None在所有版本都正常：

import torch x = torch.randn(3, 4) # 无名字 print(torch.nanmedian(x, dim=None)) # 正常

所以这条 bug 只在「命名张量 + dim=None」组合下触发。如果你代码里大量用 named tensor，就需要注意这个坑。

九、解决方案五：升级 PyTorch

torch.nanmedian(..., dim=None)的命名维度 bug 是具体的算子实现缺口，新版本可能已修复「dim=None与命名维度」的交互。查看版本：

import torch print("PyTorch：", torch.__version__)

十、如何判断你踩的是同一条

• 用的是torch.nanmedian（不是普通median）；
• 张量是命名张量（有names）；
• 显式传dim=None报错，省略 dim 却正常；
• 错误是命名维度（named-dimension）相关的 RuntimeError。

命中即说明踩中该dim=None+ named tensor 的不一致 bug。

十一、小结

torch.nanmedian(..., dim=None)在命名张量上报命名维度 RuntimeError、而省略 dim 正常，是算子对dim=None参数与命名维度交互处理不一致的 bug。应对：

1. 省略 dim，不显式传None（第五节，最稳）；
2. 必须传None就先rename(None)去掉维度名（第六节）；
3. 用.flatten()后求中位数，等价且避开 dim 参数（第七节）；
4. 不用命名张量时dim=None本就正常（第八节）；
5. 升级到修复该交互的 PyTorch（第九节）。

命名张量是个好特性，能让轴操作更不易错。但它和很多算子的「边界参数」（如dim=None、dim='C'字符串形式）支持仍在补全中。遇到「命名张量 + 某参数」诡异报错时，先去掉维度名试试，往往就能定位是不是同一类 bug。