PyTorch本身不引发RecursionError，但模型嵌套、Dataset递归读取、__repr__滥用等Python逻辑易触发该错误；应优先重构为迭代，禁用危险的sys.setrecursionlimit()。

PyTorch 本身不直接引发 RecursionError，但你在用 PyTorch 构建模型、定义 forward、自定义 Dataset 或调试时，很容易触发 Python 层面的递归爆栈——尤其当嵌套结构（如深层嵌套的 nn.Module、递归数据加载、或带 __repr__ 的自定义类）遇上默认 1000 层限制时，报错就来了。

为什么 PyTorch 相关代码容易爆 RecursionError？

不是 PyTorch 在递归，而是你写的 Python 逻辑在递归，而 PyTorch 环境放大了风险：

• nn.Sequential 或嵌套 nn.Module 实例太多（比如动态构建 2000 层网络），print(model) 或日志打印会触发 __repr__ 递归展开子模块，层层调用
• 自定义 Dataset.__getitem__ 中误用递归读取嵌套 HDF5/JSON 数据（例如你的 gesture_dataset.h5 里 sample_0_37 → sample_0_38 → … 连续 1200 个键），又没加深度防护
• 使用 torch.autograd.set_detect_anomaly(True) 调试时，异常回溯会额外加深调用栈
• mock 测试中 patch 了 Dataset 或 DataLoader，断言失败时反复调用 __str__/__repr__ 形成隐式递归链

别碰 sys.setrecursionlimit()，除非你已确认是安全的临时调试

在 PyTorch 项目里全局调 sys.setrecursionlimit(10000) 是高危操作：训练脚本常开多进程（num_workers > 0），而 sys.setrecursionlimit() 是进程级设置，子进程继承后可能因系统栈小（Linux 默认 8MB）直接 segfault；且 PyTorch 的 C++ 后端不感知该设置，纯属“骗过 Python 解释器”。

• 仅在单线程、确定输入深度可控（如解析固定 3 层嵌套 YAML 配置）时，才考虑局部设限
• 必须搭配 try/finally 恢复原值，且设值不超过 min(3000, int(resource.getrlimit(resource.RLIMIT_STACK)[0] / 1500))（按每帧约 1.5 KB 估算）
• 绝对不要在 __init__.py 或 setup.py 里设，更不要写进 train.py 开头全局生效

真正该改的是数据加载和模型表示逻辑

PyTorch 场景下绝大多数 RecursionError 都来自“不该递归的地方硬递归”，优先重构为显式迭代：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 遍历 HDF5 文件键（如你看到的 sample_0_0 到 sample_0_37）：别写 def list_keys(group): [list_keys(sub) for sub in group.values()]，改用 queue = collections.deque([file['labels']]) + 循环 popleft() + keys()
• 动态构建嵌套模型：避免 self.layer = MyBlock(self.layer) 无限套娃，改用 nn.ModuleList 显式存模块列表，forward 中用 for layer in self.layers:
• 自定义 __repr__：删掉或重写，禁止递归调用自身属性（如 return f"{self.child}"），改用 type(self.child).__name__ 等非递归方式
• 调试时禁用 repr：运行前加 torch.set_printoptions(threshold=float('inf'), linewidth=120, sci_mode=False) 并确保 Dataset 不在 __repr__ 里 dump 全量数据

查清是不是真递归，还是 mock/pytest 带来的假象

PyTorch 项目里大量 RecursionError 实际跟模型无关，而是测试环境副作用：

• 堆栈末尾反复出现 mock.MagicMock.__repr__、_pytest.assertion.util、torch.Tensor.__str__？那是 mock 对象被塞进 dict 后，断言失败时自动触发字符串化，形成链式 __repr__ 调用
• 用 traceback.extract_stack()[-5:] 快速看最后几帧：如果函数名高度重复（如全是 parse_sample），才是真递归；如果混着 assertEqual、patch、__getattr__，先删 mock 或加 spec_set=True
• CI 环境报错但本地不报？大概率是容器 ulimit -s 更小（如 4096 KB），此时调 sys.setrecursionlimit() 没用，得改 threading.stack_size() 或换迭代

最易被忽略的一点：PyTorch 的 DataLoader 多进程模式下，子进程栈空间独立且通常更小，任何依赖 sys.setrecursionlimit() 的修复在 num_workers > 0 时基本失效——这时唯一可靠路径，就是把所有潜在递归点全转成显式栈或队列。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！