Python PyTorch optimizer.step（）函数不使用'；t更新权重

代码如下所示。
问题是，

optimizer.step（）

部分不工作。我在训练前后打印

model.parameters（）

，重量不变

我想做一个能解决和问题的感知机。我用自己的微型库成功地做到了这一点，在那里我实现了一个具有两个函数的感知器

predict（）

和

train（）

我只是想澄清一下，我刚刚开始使用PyTorch学习深度学习，所以这可能是一个非常新的问题。我试过寻找解决办法，但运气不好。我还将我的代码与其他有效的代码进行了比较，但我不知道我做错了什么

import torch
from torch import nn, optim
from random import randint

class NeuralNet(nn.Module):
  def __init__(self):
    super(NeuralNet, self).__init__()
    self.layer1 = nn.Linear(2, 1)

  def forward(self, input):
    out = input
    out = self.layer1(out)
    out = torch.sign(out)
    out = torch.clamp(out, 0, 1) # 0=false, 1=true
    return out

data = torch.Tensor([[0, 0], [0, 1], [1, 0], [1, 1]])
target = torch.Tensor([0, 0, 0, 1])
model = NeuralNet()
epochs = 1000
lr = 0.01

print(list(model.parameters()))
print() # Print parameters before training
loss_func = nn.L1Loss()
optimizer = optim.Rprop(model.parameters(), lr)
for epoch in range(epochs + 1):
  optimizer.zero_grad()
  rand_int = randint(0, len(data) - 1)
  x = data[rand_int]
  y = target[rand_int]

  pred = model(x)
  loss = loss_func(pred, y)

  loss.backward()
  optimizer.step()

# Print parameters again
# But they haven't changed
print(list(model.parameters()))

---

欢迎来到stackoverflow

这里的问题是您试图通过不可微函数执行反向传播。不可微意味着没有梯度可以通过它们回流，这意味着在它们之前应用的所有可训练权重不会被优化器更新。这些功能易于识别；它们是离散的、尖锐的操作，类似于

'if'

语句。在您的例子中，它是

sign（）

函数

---

不幸的是，PyTorch在这方面不做任何牵手，也不会向您指出这个问题。要缓解这个问题，您可以将输出的范围转换为

[-1,1]

，并应用

Tanh（）

非线性，而不是

sign（）

和

clamp（）

运算符。

这两者之间的clamp不是可区分的吗？