梯度流在组合模型上停止

Question

我遇到了一个问题，梯度不能在组合网络上反向传播。我检查了很多答案，但找不到解决这个问题的相关方案。如果我们能解决这个问题，我将不胜感激。

我想在下面的代码中计算输入数据的梯度：

for i, (input, target, impath) in tqdm(enumerate(data_loader)):
# print(‘input.shape:’, input.shape)
input = Variable(input.cuda(), requires_grad=True)
output = model(input)
loss = criterion(output, target.cuda())
loss = Variable(loss, requires_grad=True)
loss.backward()
print(‘input:’, input.grad.data)

但我有个错误：

print(‘input:’, input.grad.data)
AttributeError: ‘NoneType’ object has no attribute ‘data’

我的模型是一个组合模型，我从两个预先训练的模型中加载了参数。我检查了模型权重的requires_grad状态字典，这是真的，但是模型权重的梯度是无的。是不是因为我加载了导致渐变块的state-dict？

我该如何处理这个问题？

模型结构附在下面：

class resnet_model(nn.Module):
    def __init__(self, opt):
        super(resnet_model, self).__init__()

        resnet = models.resnet101()
        num_ftrs = resnet.fc.in_features
        resnet.fc = nn.Linear(num_ftrs, 1000)

        if opt.resnet_path != None:
            state_dict = torch.load(opt.resnet_path)
            resnet.load_state_dict(state_dict)
            print("resnet load state dict from {}".format(opt.resnet_path))

        self.model1 = torch.nn.Sequential()

        for chd in resnet.named_children():
            if chd[0] != 'fc':
                self.model1.add_module(chd[0], chd[1])

        self.model2 = torch.nn.Sequential()

        self.classifier = LINEAR_LOGSOFTMAX(input_dim=2048, nclass=200)
        if opt.pretrained != None:
            self.classifier_state_dict = torch.load('../checkpoint/{}_cls.pth'.format(opt.pretrained))
            print("classifier load state dict from ../checkpoint/{}_cls.pth".format(opt.pretrained))
        self.classifier.load_state_dict(self.classifier_state_dict)

        for chd in self.classifier.named_children():
            self.model2.add_module(chd[0], chd[1])

    def forward(self, x):
        x = self.model1(x)

        x = x.view(-1, 2048)

        x = self.model2(x)
        return x

Answer 1

这个问题可以通过下面的评论来解决：

为什么会有这一行: loss = Variable(loss，requires_grad=True)？变量不应再使用。因此，应该删除上面的行，并标记需要渐变的张量，可以使用: input = input.cuda().requires_grad_()。