Python PyTorch:'；“无交叉熵”；对象没有属性'；项目'；

目前正在部署CNN模型

model = CNN(height=96, width=96, channels=3)

并观察其交叉熵损失

criterion = nn.CrossEntropyLoss()

培训师课程如下：

class Trainer:
def __init__(
    self,
    model: nn.Module,
    train_loader: DataLoader,
    val_loader: DataLoader,
    criterion: nn.Module,
    optimizer: Optimizer,
    summary_writer: SummaryWriter,
    device: torch.device,
):
    self.model = model.to(device)
    self.device = device
    self.train_loader = train_loader
    self.val_loader = val_loader
    self.criterion = criterion
    self.optimizer = optimizer
    self.summary_writer = summary_writer
    self.step = 0

def train(
        self,
        epochs: int,
        val_frequency: int,
        print_frequency: int = 20,
        log_frequency: int = 5,
        start_epoch: int = 0
):
    self.model.train()
    for epoch in range(start_epoch, epochs):
        self.model.train()
        data_load_start_time = time.time()
        for batch, labels in self.train_loader:
            batch = batch.to(self.device)
            labels = labels.to(self.device)
            data_load_end_time = time.time()
            loss=self.criterion
            logits=self.model.forward(batch)

            with torch.no_grad():
                preds = logits
                accuracy = compute_accuracy(labels, preds)

            data_load_time = data_load_end_time - data_load_start_time
            step_time = time.time() - data_load_end_time
            if ((self.step + 1) % log_frequency) == 0:
                self.log_metrics(epoch, accuracy, loss, data_load_time, step_time)
            if ((self.step + 1) % print_frequency) == 0:
                self.print_metrics(epoch, accuracy, loss, data_load_time, step_time)

            self.step += 1
            data_load_start_time = time.time()

        self.summary_writer.add_scalar("epoch", epoch, self.step)
        if ((epoch + 1) % val_frequency) == 0:
            self.validate()
            self.model.train()

记录损失的功能是

    def log_metrics(self, epoch, accuracy, loss, data_load_time, step_time):
    self.summary_writer.add_scalar("epoch", epoch, self.step)
    self.summary_writer.add_scalars(
            "accuracy",
            {"train": accuracy},
            self.step
    )
    self.summary_writer.add_scalars(
            "loss",
            {"train": float(loss.item())},
            self.step
    )
    self.summary_writer.add_scalar(
            "time/data", data_load_time, self.step
    )
    self.summary_writer.add_scalar(
            "time/data", step_time, self.step
    )

我收到一个属性错误““CrossEntropyLoss”对象没有属性“item””。我尝试过几种删除方法，例如从代码的不同部分删除“item（）”，以及尝试不同类型的丢失函数，如MSELoss等。 任何解决方案或方向都将受到高度赞赏。多谢各位

编辑-1：

这是错误回溯

Traceback (most recent call last):


 File "/Users/xyz/main.py", line 316, in <module>
main(parser.parse_args())
 File "/Users/xyz/main.py", line 128, in main
    log_frequency=args.log_frequency,
  File "/Users/xyz/main.py", line 198, in train
    self.log_metrics(epoch, accuracy, loss, data_load_time, step_time)
  File "/Users/xyz/main.py", line 232, in log_metrics
    {"train": float(loss.item)},
  File "/Users/xyz/main.py", line 585, in __getattr__
    type(self).__name__, name))
AttributeError: 'CrossEntropyLoss' object has no attribute 'item'

回溯（最近一次呼叫最后一次）：
文件“/Users/xyz/main.py”，第316行，在
main（parser.parse_args（））
文件“/Users/xyz/main.py”，第128行，在main中
log\u frequency=args.log\u frequency，
文件“/Users/xyz/main.py”，第198行，列车中
self.log\u度量（历元、精度、损耗、数据加载时间、步长时间）
日志度量中的文件“/Users/xyz/main.py”，第232行
{“火车”：浮动（损失项目）}，
文件“/Users/xyz/main.py”，第585行，在__
类型（自我）。\uuuuu名称（自我，名称））
AttributeError:“CrossEntropyLoss”对象没有属性“item”

它看起来像调用

self中的
损失。日志度量（历元、精度、损失、数据加载时间、步长时间）
是标准本身（CrossEntropyLoss对象），而不是调用它的结果

您的训练循环需要调用标准来计算损失，我在您提供的代码中没有看到它。
您的代码甚至从未计算过
损失
，因此不清楚这里发生了什么。您需要提供一个完整的可复制示例。另外，你应该提供完整的错误回溯。你能告诉我你所说的“可复制的例子”是什么意思吗？谢谢你的指导。我在复制堆栈上的代码时忽略了这一点。谢谢你让我知道。损失=自我标准在列车功能中。但是错误仍然存在，应该类似于
loss=self.criteria（预测标签，预期标签）
。正如我所说，
loss
必须是调用Criteria函数的结果，而不是函数本身。