Python 在执行torch.nn.conv2d操作时，为什么需要从“真”变为“假”？

我有一个Unet网络，它接收大脑的MRI图像，目标是分割大脑中的白色物质。图像的形状为256x256x183（重塑为183x256x256）（FLAIR和T1图像）。我遇到的问题是，在将输入发送到Unet网络之前，我需要pytorch张量上的_grad=True，但在一次torch.nn.conv2d操作之后，需要_grad=False。这是一个巨大的问题，因为梯度不会更新和学习

从集合导入订单数据
进口火炬
导入torch.nn作为nn
类UNet（nn.模块）：
def_uuuinit_uuuu（self，in_通道=3，out_通道=1，init_功能=32）：
super（UNet，self）。\uuuu init\uuuuu（）
功能=初始功能
self.encoder1=UNet.\u块（在\u通道、特征中，name=“enc1”）
self.pool1=nn.MaxPool2d（内核大小=2，步幅=2）
self.encoder2=UNet.\u块（特征，特征*2，name=“enc2”）
self.pool2=nn.MaxPool2d（内核大小=2，步幅=2）
self.encoder3=UNet.\u块（特征*2，特征*4，name=“enc3”）
self.pool3=nn.MaxPool2d（内核大小=2，步幅=2）
self.encoder4=UNet.\u块（特征*4，特征*8，name=“enc4”）
self.pool4=nn.MaxPool2d（内核大小=2，步幅=2）
self.瓶颈=UNet.\u块（功能*8，功能*16，name=“瓶颈”）
self.upconv4=nn.ConvTranspose2d(
功能*16，功能*8，内核大小=2，步幅=2
)
self.decoder4=UNet.\u块（（特征*8）*2，特征*8，name=“dec4”）
self.upconv3=nn.ConvTranspose2d(
功能*8，功能*4，内核大小=2，步幅=2
)
self.decoder3=UNet.\u块（（特征*4）*2，特征*4，name=“dec3”）
self.upconv2=nn.ConvTranspose2d(
功能*4，功能*2，内核大小=2，步幅=2
)
self.decoder2=UNet.\u块（（特征*2）*2，特征*2，name=“dec2”）
self.upconv1=nn.ConvTranspose2d(
功能*2，功能，内核大小=2，步幅=2
)
self.decoder1=UNet.\u块（特征*2，特征，name=“dec1”）
self.conv=nn.Conv2d(
输入通道=功能，输出通道=输出通道，内核大小=1
)
def前进（自身，x）：
打印（x.U.grad）#我觉得很好用

“”
#我对你的代码做了一点修改以解决这个问题。
def前进（自身，x）：
print（“encoder1”，x.requires_grad）#如果您只想训练和更新权重，那么训练代码很好，输入根本不需要梯度

真正的问题是这条线

 with torch.set_grad_enabled(is_train == "train"):

因此，如果您不进行训练，您希望禁用渐变。事情是这样的：
is\u train
是一个bool（从这里判断：
def\uu call\uuuu（self，is\u train=False）：
），所以比较总是假的，不会设置梯度。把它改成

with torch.set_grad_enabled(is_train):

您会没事的。
我不想更新输入数据，但问题是丢失。backwards（）不起作用。它引发错误RuntimeError：张量的元素0不需要grad，也没有grad_fn。我对原始帖子进行了编辑，并发布了培训脚本的源代码。啊，是的。。我完全忘记了那件事。有时人们会忘记最愚蠢和最明显的导致问题的事情。不管怎样，谢谢你指出这一点，哈哈
with torch.set_grad_enabled(is_train):