0

我遇到了一个梯度不能在组合网络上反向传播的问题。我检查了很多答案，但找不到这个问题的相关解决方案。如果我们能解决这个问题，我将不胜感激。

我想在这段代码中计算输入数据的梯度：

for i, (input, target, impath) in tqdm(enumerate(data_loader)):
# print(‘input.shape:’, input.shape)
input = Variable(input.cuda(), requires_grad=True)
output = model(input)
loss = criterion(output, target.cuda())
loss = Variable(loss, requires_grad=True)
loss.backward()
print(‘input:’, input.grad.data)

但我得到了错误：

print(‘input:’, input.grad.data)
AttributeError: ‘NoneType’ object has no attribute ‘data’

我的模型是一个组合模型，我从两个预训练模型中加载了参数。我检查了模型权重的 requires_grad state-dict，这是真的，但是，模型权重的梯度是 None。是因为我加载了导致梯度块的状态字典吗？

我该如何处理这个问题？

模型结构如下：

class resnet_model(nn.Module):
    def __init__(self, opt):
        super(resnet_model, self).__init__()

        resnet = models.resnet101()
        num_ftrs = resnet.fc.in_features
        resnet.fc = nn.Linear(num_ftrs, 1000)

        if opt.resnet_path != None:
            state_dict = torch.load(opt.resnet_path)
            resnet.load_state_dict(state_dict)
            print("resnet load state dict from {}".format(opt.resnet_path))

        self.model1 = torch.nn.Sequential()

        for chd in resnet.named_children():
            if chd[0] != 'fc':
                self.model1.add_module(chd[0], chd[1])

        self.model2 = torch.nn.Sequential()

        self.classifier = LINEAR_LOGSOFTMAX(input_dim=2048, nclass=200)
        if opt.pretrained != None:
            self.classifier_state_dict = torch.load('../checkpoint/{}_cls.pth'.format(opt.pretrained))
            print("classifier load state dict from ../checkpoint/{}_cls.pth".format(opt.pretrained))
        self.classifier.load_state_dict(self.classifier_state_dict)

        for chd in self.classifier.named_children():
            self.model2.add_module(chd[0], chd[1])

    def forward(self, x):
        x = self.model1(x)

        x = x.view(-1, 2048)

        x = self.model2(x)
        return x
4

1 回答 1

0

这条评论解决了这个问题：

为什么你有这条线： loss = Variable(loss, requires_grad=True) ？不应再使用变量。所以应该删除上面的行并标记一个你想要渐变的张量，你可以使用：input = input.cuda().requires_grad_()。

于 2019-10-23T11:13:34.723 回答