我正在遇到一个梯度计算内置错误

Question

我正在运行此代码（）在一个自定义数据集上，但我正在遇到此错误。 RuntimeError：梯度计算所需的一个变量之一已通过实施操作进行了修改：[TORCH。 cuda.floattensor [1，512，4，4]]在版本2中；预期版1。提示：上面的返回轨道进一步显示了未能计算其梯度的操作。所讨论的变量在那里或以后在任何地方更改。祝你好运！

请参阅上面的代码链接，以澄清发生错误的位置。

我正在自定义数据集上运行此模型，数据加载程序部件在下面粘贴。

    import torchvision.transforms as transforms
    train_transform = transforms.Compose([
    transforms.Resize((256,256)),
    #transforms.RandomResizedCrop(256),
    #transforms.RandomHorizontalFlip(),
    #transforms.ColorJitter(),
    transforms.ToTensor(),
    transforms.Normalize([0.5,0.5,0.5], [0.5,0.5,0.5])
 ])

class Flare(Dataset):
  def __init__(self, flare_dir, wf_dir,transform = None):
    self.flare_dir = flare_dir
    self.wf_dir = wf_dir
    self.transform = transform
    self.flare_img = os.listdir(flare_dir)
    self.wf_img = os.listdir(wf_dir)
    
  def __len__(self):
     return len(self.flare_img)
  def __getitem__(self, idx):
    f_img = Image.open(os.path.join(self.flare_dir, self.flare_img[idx])).convert("RGB")
    for i in self.wf_img:
        if (self.flare_img[idx].split('.')[0][4:] == i.split('.')[0]):
            wf_img = Image.open(os.path.join(self.wf_dir, i)).convert("RGB")
            break
    f_img = self.transform(f_img)
    wf_img = self.transform(wf_img)
    
   return f_img, wf_img         





flare_dir = '../input/flaredataset/Flare/Flare_img'
wf_dir = '../input/flaredataset/Flare/Without_Flare_'
flare_img = os.listdir(flare_dir)
wf_img = os.listdir(wf_dir)
wf_img.sort()
flare_img.sort()
print(wf_img[0])
train_ds = Flare(flare_dir, wf_dir,train_transform)
train_loader = torch.utils.data.DataLoader(dataset=train_ds,
                                       batch_size=BATCH_SIZE, 
                                       shuffle=True)

为了更好地了解数据集类别，您可以将我的数据集类别与上面粘贴的链接进行比较

Answer 1

您的代码被困在 GAN 网络的所谓“反向传播”中。

您定义的后向图应遵循以下内容：

def backward(self, unet_loss, dis_loss):
        dis_loss.backward(retain_graph = True)
        self.dis_optimizer.step()

        unet_loss.backward()
        self.unet_optimizer.step()

因此，在您的后向图中，您首先传播 dis_loss ，它是鉴别器和对抗性损失的组合，然后传播 dis_loss 。 >unet_loss 是 UNet、SSIM 和 ContentLoss 的组合，但 unet_loss 连接到判别器的输出损失。因此，当您在存储 unet_loss 的向后图之前采取 dis_loss 的优化器步骤时，pytorch 会感到困惑并给出此错误，我建议您更改代码如下：

def backward(self, unet_loss, dis_loss):
        dis_loss.backward(retain_graph = True)
        unet_loss.backward()

        self.dis_optimizer.step()
        self.unet_optimizer.step()

这将开始您的训练！但您可以尝试使用 retain_graph=True。

BPPNet Work 上的出色工作。