Python pytorch:随机分类器：ValueError:优化器获取了一个空参数列表

在pytorch中有没有最佳实践或有效的方法来使用随机分类器？我的随机分类器基本上如下所示：

def forward(self, inputs):
    # get a random tensor
    logits = torch.rand(batch_size, num_targets, num_classes)
    return logits

这在原则上应该很好，但优化器会引发一个

ValueError

，因为与系统中的所有其他分类器/模型相比，分类器显然没有任何可以优化的参数。是否有torch内置解决方案，或者我必须更改系统的架构（以不执行优化）

编辑：如下图所示，如果向模型中添加一些任意参数，丢失将引发

运行时错误：张量的元素0不需要梯度，也没有梯度fn

def __init__(self, transformer_models: Dict, opt: Namespace):
    super(RandomMulti, self).__init__()
    self.num_classes = opt.polarities_dim
    # add some parameters so that the optimizer doesn't raise an exception
    self.some_params = nn.Linear(2, 2)

我的假设是有一个更简单的解决方案，因为拥有一个随机的基线分类器在机器学习中是很常见的事情。

确实拥有一个“随机”基线是常见的做法，但通常不需要显式地生成一个，更不用说“训练”它了。在大多数情况下，您可以对“随机”基线有相当准确的期望值。例如，在ImageNet分类中，您有1000个大小相等的类别，而随机预测一个类别应使您的预期精度为1/1000。您不需要实例化随机分类器来生成该数字

如果你坚持显式地实例化一个随机分类器，“训练”它的意义是什么？你会犯错误，pytorch根本无法理解你在做什么。你可以有一个随机分类器，你可以评估它的性能，但是训练它没有意义