Pytorch：对自定义变量/模型使用Adam Optimizer时需要\u grad？

具有以下模型，如下所示：

import torch.nn as nn
class DefaultModel(nn.Module):
    def __init__(self, guess, K):
        super(DefaultModel, self).__init__()

        #guess = [-0.7541, -0.044,  0.0916,  1.5914, -0.0017,  1.4991]
        self.T = torch.tensor(guess).unsqueeze(0)
        self.T.requires_grad = True

        self.K = K

    def forward(self, datapoints, draw):
        Mat = pose_vec2mat(self.T).squeeze(0)
        loss = stuff(datapoints)
        return loss

通常，对于手动编码的梯度下降，我会这样做：

model = DefaultModel(guess, K)
gamma = torch.tensor([5e-5, 5e-5, 5e-5, 2e-5, 2e-5, 2e-5])
for i in range(0, 10000):
    
    loss = model(datapoints, draw=[1, 0,5,6])
    loss.backward()

    with torch.no_grad():
        model.T = model.T - gamma * model.T.grad
    model.T.requires_grad = True

但是，如果我想使用Adam Optimizer执行此操作：

model = DefaultModel(guess, K)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-5)

---

它与

ValueError一起崩溃：优化器获得了一个空参数列表

如何获取参数列表中需要grad的变量T？

torch.nn.Module.parameters（）

提供torch模块的参数（

torch.nn.parameter.parameter

），仅包含模块中子模块的参数。
因此，由于

self.T

只是一个张量，而不是

nn.Module

，因此它不包含在

model.parameters（）中

据我所知，
torch.nn.Module.parameters（）
除了返回参数外，没有什么作用。因此，如果你的正向逻辑是正确的，我认为这将很好地工作

optimizer = torch.optim.Adam(model.T, lr=1e-5)