pytorch神经网络学习中的错误记录-TypeError:__init__() takes 1 positional argument but 4 were given错误及其解决

此文为了记录一下学习过程中的错误，刚开始学pytorch水平辣鸡，如有错误请大佬指出~ 也希望能帮到一些遇到同样错误的小伙伴~

使用版本

python 3.7
pytorch 1.4.0

原始代码（错误）

import torch 
from torch.autograd import Variable 
batch_n = 64 
hidden_layer = 100 
input_data = 1000 
output_data = 10 

#构建一个继承了torch.nn.Module的新类，来完成对前向传播函数和后向传播函数的重写
class Model(torch.nn.Module): #通过class Model(torch.nn.Module)完成类继承
    def __init__(self): #类的初始化
        super(Model,self).__init__() 
    def forward(self,input,w1,w2):#forward函数，实现模型的前向传播中的矩阵运算
        x = torch.mm (input,w1) 
        x = torch.clamp(x,min = 0) 
        x =torch.mm(x,w2) 
        return x 
    def backward(self): #backward函数，实现模型的后向传播中的自动梯度计算 
        pass 
    
#对模型进行训练和对参数进行优化
x = Variable(torch.randn(batch_n, input_data), requires_grad = False) 
y = Variable(torch.randn(batch_n, output_data), requires_grad = False) 
w1 =Variable(torch.randn(input_data, hidden_layer), requires_grad = True) 
w2 =Variable(torch.randn(hidden_layer, output_data), requires_grad = True) 

epoch_n = 30 #训练的次数 
learning_rate = 1e-6 #学习速率 

for epoch in range(epoch_n): 
    y_pred = Model(x,w1,w2) 
    loss = (y_pred-y).pow(2).sum() 
    #print ("Epoch:{}, Loss:{:.4f}".format(epoch, loss.data[O])) 
    print ("Epoch:{}, Loss:{:.4f}".format(epoch, loss.data)) 
    loss.backward() 
    w1.data -= learning_rate * w1.grad.data
    w2.data -= learning_rate * w2.grad.data
    w1.grad.data.zero_()
    w2.grad.data.zero_()

该代码参考《深度学习之PyTorch实战计算机视觉》，由于自己的疏忽，把书中一句重要的代码遗漏了，所以有了上述错误代码。运行后报错：

TypeError: __init__() takes 1 positional argument but 4 were given

错误解决

使用以下语句对重写后的类进行调用：

model = Model()

并将 y_pred = Model(x,w1,w2) 改为：

y_pred = model(x,w1,w2)

反思

本身这个代码就是在书上看到的，拿来实际试一下并进一步理解，结果自己漏掉一句代码，出了这个错。查了很久别人如何解决这个问题的，很多解决方法都是基于没有self这个情况。果然还是对类这个概念不太熟悉，调用都不会-_-||

参考博客

看了以下博客才意识到自己的错误，在此表示感谢。

链接:
使用pytorch神经网络时报错TypeError: init() takes 1 positional argument but 2 were given的可能原因和分析_york1996的博客-CSDN博客.

改正后的代码

import torch 
from torch.autograd import Variable 
batch_n = 64 
hidden_layer = 100 
input_data = 1000 
output_data = 10 

#构建一个继承了torch.nn.Module的新类，来完成对前向传播函数和后向传播函数的重写
class Model(torch.nn.Module): #通过class Model(torch.nn.Module)完成类继承
    def __init__(self): #类的初始化
        super(Model,self).__init__() 
    def forward(self,input,w1,w2):#forward函数，实现模型的前向传播中的矩阵运算
        x = torch.mm (input,w1) 
        x = torch.clamp(x,min = 0) 
        x =torch.mm(x,w2) 
        return x 
    def backward(self): #backward函数，实现模型的后向传播中的自动梯度计算 
        pass 
  
model = Model()
    
#对模型进行训练和对参数进行优化
x = Variable(torch.randn(batch_n, input_data), requires_grad = False) 
y = Variable(torch.randn(batch_n, output_data), requires_grad = False) 
w1 =Variable(torch.randn(input_data, hidden_layer), requires_grad = True) 
w2 =Variable(torch.randn(hidden_layer, output_data), requires_grad = True) 

epoch_n = 30 #训练的次数 
learning_rate = 1e-6 #学习速率 

for epoch in range(epoch_n): 
    y_pred = model(x,w1,w2) 
    loss = (y_pred-y).pow(2).sum() 
    #print ("Epoch:{}, Loss:{:.4f}".format(epoch, loss.data[O])) 
    print ("Epoch:{}, Loss:{:.4f}".format(epoch, loss.data)) 
    loss.backward() 
    w1.data -= learning_rate * w1.grad.data
    w2.data -= learning_rate * w2.grad.data
    w1.grad.data.zero_()
    w2.grad.data.zero_()