Python 如何在PyTorch中训练张量中的张量

我有一个班级模型：

class Model(nn.Module)

有两个可学习的参数：

self.a = torch.nn.Parameter(torch.rand(1, requires_grad=True))
self.b = torch.nn.Parameter(torch.rand(1, requires_grad=True))

self.a = torch.tensor( [[ torch.nn.Parameter(torch.rand(1, requires_grad=True)) ] for i in range(5)] )

它内部还有一个神经网络类：

class Net_x(nn.Module)

因此，为了训练所有参数，我结合了可学习的参数“a，b”和NN的参数（在类模型的“init”下）：

这很好，网络训练也很好

我的问题是，现在我试图将其中一个参数更改为参数张量的张量：

self.a = torch.nn.Parameter(torch.rand(1, requires_grad=True))
self.b = torch.nn.Parameter(torch.rand(1, requires_grad=True))

self.a = torch.tensor( [[ torch.nn.Parameter(torch.rand(1, requires_grad=True)) ] for i in range(5)] )

这是因为在每个时间步（不是历元），我都需要使用不同于self.a的参数

例如：

for epoch in range(n_epochs): 
    if timestep<5: 
        val = 50 - a[0] * b 
        loss = 10 - val 
    elif timestep >=5 and timestep < 10: 
        val = 50 - a[1] * b 
        loss = 10 - val

适用于范围内的历元（n_历元）：
如果timestep=5且timestep<10：
val=50-a[1]*b
损失=10-val

模型运行时没有问题，但参数没有更新（即在每个历元中保持不变）

另外，我本想添加我的代码，但它确实很长。我希望答案很简单（如果不是，我会尝试减少代码并附加它）

尝试以下方法：

self.a = torch.tensor( [[ torch.nn.Parameter(torch.rand(1, requires_grad=True)) ] for i in range(5)], requires_grad = True )

---

默认情况下需要_grad=False

，因此我认为这可能是问题所在

哦，天哪。在我这方面，那是一个愚蠢的错误。谢谢