Deep learning opt.step（）未更新模型的权重

它的输出是

    print(self.global_model.state_dict())
    print("total_loss",total_loss)
    total_loss.backward()
    self.opt.step()
    print(self.global_model.state_dict())

更新 如果我这样做

self.opt = torch.optim.SGD(self.global_model.parameters(),lr = 0.01)

它更新局部模型的权重

---

但我需要把这个梯度应用到其他模型上。那么我需要做什么呢？

这个问题没有足够的信息。您的类（

self

）和

self.global\u模型

是如何定义的？您如何通过模型传递数据？如何计算总损失？如果我不得不猜测的话，我会说要么你正在破坏计算图（在某处使用类似于

.detach

的东西），要么

总损耗的值与
全局模型中的参数无关。这两个问题中的任何一个都会导致
总损失.backward（）
不更新
全局\u模型中的梯度。任何人都无法确定哪一个，除非你发布一个。我发现我使用了.detach（）来获取张量的值。我编辑了它，问题就解决了。这个问题没有足够的信息。您的类（
self
）和
self.global\u模型
是如何定义的？您如何通过模型传递数据？如何计算总损失？如果我不得不猜测的话，我会说要么你正在破坏计算图（在某处使用类似于
.detach
的东西），要么
总损耗的值与
全局模型中的参数无关。这两个问题中的任何一个都会导致
总损失.backward（）
不更新
全局\u模型中的梯度。任何人都无法确定哪一个，除非你发布一个。我发现我使用了.detach（）来获取张量的值。我编辑了它，问题就解决了
self.opt = torch.optim.SGD(self.global_model.parameters(),lr = 0.01)

            print(self.local_model.state_dict())
            print("total_loss.backward()",total_loss)
            total_loss.backward()
            opt_2 = torch.optim.SGD(self.local_model.parameters(),lr = 0.01)
            opt_2.step()
            self.opt.step()
            print(self.local_model.state_dict())