Pytorch 中怎样才能正确编写 forward( ) 函数

最新推荐文章于 2024-01-17 10:36:23 发布
最新推荐文章于 2024-01-17 10:36:23 发布
阅读量574 收藏 2
点赞数 1
分类专栏： Pytorch 中的各种函数 文章标签： Pytorch Powered by 金山文档
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/z2572862506/article/details/128981742
版权
本文介绍了在Pytorch中遇到'object is not callable'和'object has no attribute _backward_hooks'错误的原因及解决方法。关键在于确保类继承自torch.nn.Module并在__init__中调用super()。总结了成功定义forward函数的两个要点，并提供了两个示例，展示了只有forward()和forward()与__call__()同时存在时的区别。
摘要由CSDN通过智能技术生成

1 问题描述

在学习 Pytorch 中我们知道, 在有 forward( ) 方法的函数, 可以通过直接实例化后, 通过 实例化( ) 的方法直接调用 forward( ) 函数, 但是却遇到了报错 :

  • 'test' object is not callable

  • 'test' object has no attribute '_backward_hooks'

下面来解释原因

2 解决方法

2.1 'test' object is not callable

出现这个问题是因为在创建 class 时, 没有继承 torch.nn.Module

2.2 test' object has no attribute '_backward_hooks'

这个问题是, 在继承 torch.nn.Module 后, 没有在 __init__ 方法中, super(自己) 去继承父类的方

最低0.47元/天 解锁文章
怎样才能回到过去
关注
专栏目录
PyTorch深度学习实战（4）——常用激活函数和损失函数详解
盼小辉丶的博客
06-23 3192
激活函数和损失函数是深度学习模型中重要组成部分，激活函数和损失函数的选择很大程度上决定了深度神经网络的性能和精度，需要根据具体问题的特点和数据分布等因素进行选择。在本节中，将介绍深度学习中常见的激活函数和损失函数，并说明不同函数的常见应用场景。
PyTorch - 21 - CNN Forward方法 - PyTorch深度学习实现
weixin_48367136的博客
01-12 1562
欢迎使用PyTorch进行有关神经网络编程的系列文章。 在这一篇中，我们将展示如何在PyTorch中为卷积神经网络实现正向方法。
pytorch中nn里关于forward的理解与记录
simulinkMFunction510的博客
02-15 555
关于pytorch中forward()函数的一点理解
pytorch中的forward函数（以HAN算法为例详细说明）
weixin_43333607的博客
02-28 600
pytorch中的forward函数（以HAN算法为例详细说明）
Pytorch中关于forward函数的理解与用法
码农研究僧的博客
09-28 4986
深入深度学习框架的代码，发现forward函数没有被显示调用但代码确重写了forward函数，于是好奇是不是python的魔术方法起的作用。
pytorch中的前向传播函数forward(self, x)
最新发布
nszzzzdr的博客
01-17 1405
【代码】pytorch中的前向传播函数forward(self, x)
PyTorch之前向传播函数forward
热门推荐
鹊踏枝-码农的专栏
11-14 11万+
神经网络的典型处理如下所示： 1. 定义可学习参数的网络结构（堆叠各层和层的设计）； 2. 数据集输入； 3. 对输入进行处理（由定义的网络层进行处理）,主要体现在网络的前向传播； 4. 计算loss ，由Loss层计算； 5. 反向传播求梯度； 6. 根据梯度改变参数值,最简单的实现方式（SGD）为: weight = weight - learning_rate * gradient ...
pytorch forward两个参数实例
09-18
标题中提到的“pytorch forward两个参数实例”涉及到了PyTorch深度学习框架中的forward方法，以及如何在定义一个模型模块时使其接受两个输入参数。forward方法是PyTorch中所有nn.Module模块必须实现的一个方法，用于...
pytorch编写AlexNet实现花分类
03-01
**PyTorch编写AlexNet实现花分类** 在深度学习领域，AlexNet是一个具有里程碑意义的卷积神经网络（CNN）模型，它首次在2012年的ImageNet图像识别大赛中取得了显著的成功，开启了深度学习在计算机视觉领域的广泛应用...
python中的魔法函数及pytorch中forward()函数
小新
12-29 1700
python 中的魔法函数以及 pytorch 中的 forward() 函数的介绍
PyTorch中的forward的理解
m0_49963403的博客
05-02 1万+
一文说明白PyTorch中的forward()方法
Pytorch forward()的简单理解与用法
qq_34775330的博客
11-15 7977
1.基本用法 在pytorch中，使用torch.nn包来构建神经网络，我们定义的网络继承自nn.Module类。而一个nn.Module包含神经网络的各个层(放在__init__里面)和前向传播方式(放在forward里面)，例如： class Module(nn.Module): # 网络结构 def __init__(self): super(Module, self).__init__() # ...... # 前向传播 def for
pytorch自定义forward和backward函数
xx_xjm的博客
02-05 2951
无
AttributeError: ‘Myloss‘ object has no attribute ‘_backward_hooks‘
weixin_43405472的博客
05-01 2421
自己定义的loss函数，loss.backward（）一直报错，搜了好久感觉没啥问题，最后问了同门，才发现是初始化的时候少加了self…太粗心了
错误'dict' object has no attribute 'forward'的解决办法
pluto21的博客
08-27 1万+
出现问题主要是因为实例化画笔时写的为： turtle.pen 应改为： turtle.Pen     其中P需大写
解决报错 —— 【AttributeError: ‘Tensor‘ object has no attribute ‘backword‘】
m0_51339444的博客
01-07 1364
解决报错 —— 【AttributeError: 'Tensor' object has no attribute 'backword'】
AttributeError: ‘MSELoss‘ object has no attribute ‘backward‘解决方案
qq_43631827的博客
11-26 7581
这个问题我亲身经历，搞了好久，才发现错误，根本原因就是对代码，pytorch等的原理理解不够深入。 my_loss(my_y, y)函数忘记给返回值(loss)了，还错误的把my_loss进行backward操作了，因此MSELoss对象没有backward，正确解决办法如最下面的图，loss = my_loss(my_y, y)给个返回值，然后在写loss.backward()方法 错误写法如下： my_loss = torch.nn.MSELoss() for my_step in range(max
Python常见异常处理之TypeError: ‘ ’ object is not callable
Jason Zeng
11-18 3万+
对于Python运行中console中出现： TypeError: ‘ ’ object is not callable 此语句的语义是： 某个对象不可调用 对于这种引号的参数的对象不可调用，可能存在的问题有： ··· 这个定义参数的变量名和该定义的函数名重名 ··· 此参数类型名写错，与实际不匹配 ··· 无返回return值 TypeError: ‘NoneType ’ object is not callable 可能存在的问题有 ··· def定义没返回return值 ··· return没调
使用pytorch编写一个无交叉分位数损失函数
03-27
无交叉分位数损失函数（Quantile Loss）用来评估预测结果的分位数精度，通常用于回归问题中。在PyTorch中，可以使用以下代码实现无交叉分位数损失函数： ```python import torch def quantile_loss(y_pred, y_true, quantiles): """ 无交叉分位数损失函数 :param y_pred: 预测值张量，shape为(batch_size, num_quantiles) :param y_true: 真实值张量，shape为(batch_size,) :param quantiles: 分位数列表，如[0.1, 0.5, 0.9] :return: 无交叉分位数损失值 """ batch_size = y_true.shape[0] num_quantiles = len(quantiles) # 将真实值张量扩展为(batch_size, num_quantiles)的形状 y_true = y_true.view(batch_size, 1).expand(batch_size, num_quantiles) # 计算分位数上限和下限 errors = y_true - y_pred losses = torch.max((quantiles - 1) * errors, quantiles * errors) # 对每个样本的损失值进行求和，再取平均值 loss = torch.mean(torch.sum(losses, dim=1)) return loss ``` 其中，y_pred是预测值张量，shape为(batch_size, num_quantiles)，表示每个样本在不同分位数下的预测值；y_true是真实值张量，shape为(batch_size,)，表示每个样本的真实值；quantiles是分位数列表，如[0.1, 0.5, 0.9]，表示要计算的分位数。 在使用该损失函数时，可以先将模型输出的张量通过softmax函数转换为概率分布，再根据分位数计算预测值。具体实现如下： ```python import torch.nn.functional as F class QuantileRegression(torch.nn.Module): """ 无交叉分位数回归模型 """ def __init__(self, num_features, num_quantiles): super().__init__() self.num_quantiles = num_quantiles self.fc1 = torch.nn.Linear(num_features, 128) self.fc2 = torch.nn.Linear(128, num_quantiles) def forward(self, x): x = F.relu(self.fc1(x)) x = self.fc2(x) # 将模型输出的张量通过softmax函数转换为概率分布 x = F.softmax(x, dim=1) # 根据分位数计算预测值 quantiles = torch.tensor([float(i) / (self.num_quantiles - 1) for i in range(self.num_quantiles)]) y_pred = torch.sum(x * quantiles, dim=1) return y_pred model = QuantileRegression(num_features, num_quantiles) optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) for epoch in range(num_epochs): for i, (x, y_true) in enumerate(train_loader): optimizer.zero_grad() y_pred = model(x) loss = quantile_loss(y_pred, y_true, quantiles) loss.backward() optimizer.step() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值