【问题记录】RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn

在对神经网络的损失函数进行修改时遇到标题中的问题

修改过程如下：

1. 原始损失函数在网络训练框架下继承自：

class BCL(nn.Module):
    """
   批次平衡对比损失变化，-1与1
    """
    def __init__(self, margin=2.0):
        super(BCL, self).__init__()
        self.margin = margin
    def forward(self, distance, label):
        label[label == 255] = 1
        mask = (label != 255).float()
        distance = distance * mask
        pos_num = torch.sum((label == 1).float()) + 0.0001
        neg_num = torch.sum((label == -1).float()) + 0.0001

        loss_1 = torch.sum((1 + label) / 2 * torch.pow(distance, 2)) / pos_num
        loss_2 = torch.sum((1 - label) / 2 * mask *
                           torch.pow(torch.clamp(self.margin - distance, min=0.0), 2)
                           ) / neg_num
        loss = loss_1 + loss_2
        return loss

2. 在修改过程中替换为BCE损失：

class BCE(nn.Module):
    def __init__(self):
        super(BCE, self).__init__()
        self.bce = nn.BCE()
    def forward(self, pred, label):
        mask = (label != 255).float()
        bce = self.bce(pred, mask)
        return bce

3. 经过多方验证与修改，未能解决问题。

经调试发现，在传播过程中BCE在网络返回值与标签值均为内存地址，而BCL为Tensor张量可见

其中，在反向传播位置参考方法：https://blog.csdn.net/wu_xin1/article/details/116502378进行了修改，能够解决报错问题，但是能够从评论区看出该方法治标不治本，并且存在漏洞，在本实验中表现为初轮iteration损失巨巨巨高（高达97…，而正常损失之介于0…~20）

4. 经多方查阅，采用BCEWithLogitsLoss方法，参考博客：https://www.cnblogs.com/zhangxianrong/p/14773075.html
   能够有效解决该问题

5. 经测试发现，该处报错与损失计算时传入的结果数据有关联，由于在网络输出时，对神经网络输出结果进行了适当处理，发现在进行计算时需要传入网络类出口值（涉及前向传播反向传播与梯度计算问题）才能避免报错，同类型报错包括RuntimeError: Boolean value of Tensor with more than one value is ambiguous