继承torch.nn.Module后类成员变量赋值后变为None的问题

问题核心原因 #

这是torch.nn.Module的属性赋值逻辑与普通Python类不同，再结合你定义的类属性共同导致的矛盾：

1. 继承torch.nn.Module后，当你执行self.txt_encoder = txt_encoder时，由于txt_encoder是nn.Module的子类实例（CLIPTextModelWithProjection继承自nn.Module），Module的__setattr__方法会把这个实例注册到对象内部的_modules字典中，不会将其写入实例的__dict__。
2. 你的Foo类定义了类级别的属性txt_encoder = None，当访问self.txt_encoder时，Python的属性查找顺序是先找实例的__dict__，找不到就去类的属性里找，所以返回了类定义的None。
3. torch.nn.Module重写了__getattr__方法，当常规属性查找失败时，它会去_modules字典里查找对应的子模块，所以直接调用test.__getattr__('txt_encoder')能拿到正确的实例。
4. tokenizer能正常访问，是因为它不是nn.Module子类，赋值时会直接写入实例的__dict__，不会触发Module的特殊逻辑。

解决方法 #

方法一：移除类级别的txt_encoder属性（推荐） #

直接删除Foo类中定义的txt_encoder: Optional[CLIPTextModelWithProjection] = None这一行。这样访问self.txt_encoder时，常规查找失败后会自动触发Module的__getattr__，从_modules中获取正确实例。

修改后的Foo类：

class Foo:
    def _setup_txt_encoder(self, clip_txt_model_name: str):
        print('loading text tokenizer and encoder')
        tokenizer = AutoTokenizer.from_pretrained(clip_txt_model_name, clean_up_tokenization_spaces=True)
        txt_encoder = CLIPTextModelWithProjection.from_pretrained(clip_txt_model_name).requires_grad_(False)
        self.tokenizer, self.txt_encoder = tokenizer, txt_encoder
        print(type(self.tokenizer).__name__, type(self.txt_encoder).__name__, type(txt_encoder).__name__)
        return tokenizer, txt_encoder
    tokenizer: Optional[PreTrainedTokenizer|PreTrainedTokenizerFast] = None

方法二：强制写入实例__dict__（仅特殊场景使用） #

如果必须保留类属性，可以用object.__setattr__绕开Module的__setattr__逻辑，直接把属性写入实例的__dict__：

# 在_setup_txt_encoder方法中替换赋值语句
object.__setattr__(self, 'txt_encoder', txt_encoder)

⚠️ 注意：这样会导致txt_encoder不被当作Module的子模块管理，比如调用to(device)时不会自动移动该模型，也不会被包含在parameters()或children()中，仅适合不需要Module管理该实例的场景。

方法三：显式注册子模块（规范写法） #

如果希望txt_encoder作为Module的子模块被管理，可以用register_module方法：

# 在_setup_txt_encoder方法中替换赋值语句
self.register_module('txt_encoder', txt_encoder)

这种方式和直接赋值效果一致，但更明确，同时需要移除类级别的txt_encoder属性才能正常访问。

内容的提问来源于stack exchange，提问作者Pui Ho Lam