Python 使用torch.optim时torch.mm显示错误的函数

我是PyTorch的新手。如果这个问题很幼稚，请原谅我。我试图使用PyTorch的optim最小化一个函数。该函数包括矩阵乘法。详情如下

首先我有一个张量：

Xv.requires_grad_()
XT.requires_grad_()

我的目标职能：

def errorFun(x):
    ax = x[0]
    ay = x[1]
    x0 = x[2]
    y0 = x[3]

    A = torch.tensor([[ax, 0., x0], [0., ay, y0], [0., 0., 1.]], dtype=torch.float64)
    B = torch.tensor([[b11, b12, b13], [b21, b22, b23], [b31, b32, b33]], dtype=torch.float64)
    H = torch.mm(A, B)
    Ps = torch.mm(H, X)
    px = Ps[0,:]
    py = Ps[1,:]
    PX = torch.stack([px, py], dim=0)
    PX.requires_grad_()
    return mseloss(PX, XT)

我是在说：

for ii in range(n_optim_steps):
    optimizer.zero_grad()
    loss = errorFun(params)

    #print('Step # {}, loss: {}'.format(ii, loss.item()))
    loss.backward()
    # Access gradient if necessary
    grad = params.grad.data
    optimizer.step()

但我得到了这个错误：

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-54-84b874448a25> in <module>()
     77     loss.backward()
     78     # Access gradient if necessary
---> 79     grad = params.grad.data
     80     optimizer.step()
     81 

AttributeError: 'NoneType' object has no attribute 'data'

---------------------------------------------------------------------------
AttributeError回溯（最近一次呼叫上次）
在（）
77.损失向后（）
78#如有必要，通道坡度
--->79梯度=参数梯度数据
80优化器。步骤（）
81
AttributeError:“非类型”对象没有属性“数据”

---

提前谢谢。

我不确定我是否理解您的任务。但是，您似乎没有按照设计的方式使用Pytork

你必须拥有5件东西：

培训数据

你感兴趣的任务

参数化模型（如神经网络）

要最小化的成本函数

优化器 考虑一个简单的例子：

数据：包含随机数的向量

任务：求向量的和

模型：线性回归（即：1层神经网络）

成本函数：均方误差

优化器：随机梯度下降

实施：

导入火炬
导入torch.nn作为nn
来自torch.optim进口新加坡元
输入大小=5
模型=nn.线性（输入尺寸，1）
opt=SGD（model.parameters（），lr=0.01）
损失函数=nn.MSELoss（）
对于uu范围（100）：
数据=torch.rand（批次大小、输入大小）
目标=data.sum（dim=1）
选项0_梯度（）
pred=模型（数据）
损失=损失函数（预测，目标）
loss.backward（）
选择步骤（）

comment'grad=params.grad.data'并查看它是否有效。您共享的代码不清楚它应该如何工作。你能分享一个最小的可复制的例子吗？谢谢@VictorZuanazzi的回答。我试着对这行代码进行注释，代码可以运行，但参数在优化后保持不变。下面的注释中给出了可复制的代码。我不确定您是否在使用Pytork，因为它应该被使用。我建议您先看一下这些教程：