Question

我遇到一个问题，即渐变无法在组合网络上反向传播。我检查了很多答案，但是找不到与此问题相关的解决方案。如果我们能解决这个问题，我将非常感激。

我想用这段代码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)

但我犯了错误：

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

，我的模型是一个组合模型，我从两个预先训练的模型中加载了参数。我检查了模型权重的require_grad状态字典，这是事实，但是模型权重的梯度为“无”。是因为我加载了导致渐变块的状态字典吗？

我该如何解决这个问题？

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

Answer 1

此问题已解决：

为什么会有这行：loss = Variable（loss，require_grad = True）？变量不应再使用。因此，应该删除上面的行，并标记您要为其进行渐变的张量，可以使用：输入= input.cuda（）。requires_grad _（）。

梯度流在组合模型上停止

1 个答案: