PyTorch运行时错误：渐变不是CUDA张量

我在对字符执行seq-to-seq操作并将其馈送到LSTM，并使用注意力解码到单词时，出现以下错误。正向传播很好，但在计算loss.backward（）时，我得到了以下错误

运行时错误：渐变不是CUDA张量

我的train（）函数如下所示

def序列（输入批次、输入批次长度、目标批次、目标批次长度、批次大小）：
#两个优化器的零梯度
encoderchar\u优化器.zero\u grad（）
编码器\优化器。零\梯度（）
解码器\u优化器.zero\u grad（）
编码器输入=变量（火炬浮动张量（透镜（输入批次），批次大小，500））
对于ix，枚举中的w（输入批次）：
w=w.连续（）视图（15，批次大小）
重塑的_输入_长度=[x[ix]表示输入中的x_批次_长度]35;[15，…30倍]*128
如果使用_CUDA：
w=w.cuda（）
#整形输入长度=变量（torch.LongTensor（整形输入长度））.cuda（）
hidden_all，output=encoderchar（w，整形输入长度）
编码器输入[ix]=输出.转置（0,1）.continuous（）视图（批处理大小，-1）
如果使用_CUDA：
编码器\输入=编码器\输入.cuda（）
临时目标批次长度=[15]*批次大小
编码器\隐藏\全部，编码器\输出=编码器（编码器\输入，目标\批量\长度）
解码器输入=变量（火炬长传感器（[SOS令牌]*批量大小））
解码器\u隐藏=编码器\u输出
最大目标长度=最大（临时目标长度）
所有解码器输出=变量（火炬零点（最大目标长度、批次大小、解码器输出大小））
#将新变量移动到CUDA
如果使用_CUDA：
解码器\输入=解码器\输入.cuda（）
all_decoder_outputs=所有_decoder_outputs.cuda（）
target\u batch=target\u batch.cuda（）
#一次一个时间步运行解码器
对于范围内的t（最大目标长度）：
解码器输出，解码器隐藏，解码器附件=解码器(
解码器输入、解码器隐藏、编码器隐藏
)
所有解码器输出[t]=解码器输出
解码器_输入=目标_批处理[t]#下一个输入是当前目标
如果使用_CUDA：
解码器\输入=解码器\输入.cuda（）
#损耗计算与反向传播
损失=掩蔽的交叉熵(
所有解码器输出。转置（0，1）。连续（）
target#batch.transpose（0，1）.continuous（），#->batch x seq
目标批次长度
)
loss.backward（）
#剪辑梯度范数
ecc=torch.nn.utils.clip\u grad\u norm（encoderchar.parameters（），clip）
ec=torch.nn.utils.clip\u grad\u norm（encoder.parameters（），clip）
dc=torch.nn.utils.clip\u grad\u norm（decoder.parameters（），clip）
#使用优化器更新参数
encoderchar_优化器.step（）
编码器\优化器。步骤（）
解码器\优化器.step（）
返回损失。数据[0]，ec，dc

这里有完整的堆栈跟踪。

运行时错误回溯（最近一次调用）
在（）
11数据目标批次索引=变量（火炬长传感器（数据目标批次索引））。转置（0,1）
12#发送数据进行培训
--->13损失，ar1，ar2=列车（数据输入批次索引，数据输入批次长度，数据目标批次索引，数据目标批次长度，批次大小）
14
15#跟踪损失
列车内（输入批次、输入批次长度、目标批次、目标批次长度、批次大小）
54目标批次长度
55     )
--->56.损失向后（）
57
58#剪辑梯度规范
/home/ubuntu/anaconda3/envs/tensorflow/lib/python3.6/site-packages/torch/autograd/variable.py向后（self、gradient、retain_变量）
144'或带有梯度w.r.t.变量'）
145 gradient=self.data.new（）
-->146 self.\u执行\u引擎。向后运行（（self，），（gradient，），保留变量）
147
148 def寄存器挂钩（自身，挂钩）：
/home/ubuntu/anaconda3/envs/tensorflow/lib/python3.6/site-packages/torch/autograd/function.py in\u do\u backward（self、gradients、retain\u变量）
207 def_do_backward（自、梯度、保留变量）：
208 self.retain\u变量=retain\u变量
-->209结果=super（嵌套定义、自身）。\u do\u向后（梯度、保留变量）
210如果不保留变量：
211 del self.\u嵌套\u输出
/home/ubuntu/anaconda3/envs/tensorflow/lib/python3.6/site-packages/torch/autograd/function.py向后（self，*渐变）
215 def向后（自，*梯度）：
216嵌套的\u渐变=\u取消平滑（渐变，自嵌套的\u输出）
-->217结果=自向后扩展（*嵌套梯度）
218返回元组（_iter_None_张量（结果））
219
/home/ubuntu/anaconda3/envs/tensorflow/lib/python3.6/site-packages/torch/nn//u functions/rnn.py向后扩展（self，grad\u output，grad\u hy）
314年级，
315梯度输入，
-->316梯度（hx）
317
318如果有（自身需要输入等级[1:]）：
/home/ubuntu/anaconda3/envs/tensorflow/lib/python3.6/site-packages/torch/backends/cudnn/rnn.py反向梯度（fn，输入，hx，重量，输出，梯度输出，梯度hy，梯度输入，梯度hx）
371隐藏的大小，dcy.size（））
372如果不是dhy.is_cuda或不是dy.is_cuda或（dcy不是None，也不是dcy.is_cuda）：
-->373 raise RUNTIMERROR（'梯度不是CUDA张量'）
374
375检查_错误（cudnn.lib.cudnnrnbackarddata(
运行时错误：渐变不是CUDA张量

---

关于我做错了什么有什么建议吗？

确保继承

nn.Module

的所有对象也调用它们的

.cuda（）

。在向它们传递任何张量之前，确保调用它们。（基本上在训练之前）

例如，（我猜你的encoder = encoder.cuda() decoder = decoder.cuda()