PyTorch报错：'NoneType'对象无'zero_'属性，如何解决梯度重置问题？

错误原因 #

你在更新权重w和偏置b时，使用了w = w - w.grad*1e-5这类赋值语句，这会创建全新的张量覆盖原有变量。新张量默认不继承requires_grad=True属性，且原张量的梯度信息无法传递给新变量，导致后续执行w.grad.zero_()时，w.grad已经是None，触发属性错误。

修复方案 #

方案1：使用原地操作更新参数

直接修改原张量的数值，不创建新变量，保留梯度相关属性：

for i in range(100):
    islem = model(inputnew)
    loss = fix(targetnew,islem)
    loss.backward()
    with torch.no_grad():
        # 用原地减法更新，不创建新张量
        w -= w.grad * 1e-5 
        b -= b.grad * 1e-5
        # 清零梯度，为下一轮迭代做准备
        w.grad.zero_()
        b.grad.zero_()

方案2：使用PyTorch优化器管理参数（推荐）

用PyTorch内置的优化器自动处理参数更新和梯度清零，代码更规范且不易出错：

input = torch.tensor([73,67,43,91,88,64,87,134,58,102,43,37,69,96,70],dtype=torch.float32)
inputnew = input.reshape(5,3)
target = torch.tensor([56,70,81,101,119,133,22,37,103,119])
targetnew = target.reshape(5,2)

w = torch.randn(2,3,requires_grad = True)
b = torch.randn(2,requires_grad = True)

def model(x):
       return x @ w.t()+ b

def fix(real,pred):
    diff = real-pred
    return torch.sum((diff*diff)/diff.numel())

# 初始化SGD优化器，传入参数和学习率
optimizer = torch.optim.SGD([w, b], lr=1e-5)

for i in range(100):
    islem = model(inputnew)
    loss = fix(targetnew,islem)
    
    # 清空上一轮的梯度
    optimizer.zero_grad()
    # 反向传播计算梯度
    loss.backward()
    # 一步完成参数更新
    optimizer.step()

注意事项 #

• 每次反向传播前必须清零梯度，否则梯度会累加（除非你需要刻意累加梯度的场景）
• 避免随意重新赋值带requires_grad=True的参数，优先用原地操作或优化器管理

内容的提问来源于stack exchange，提问作者T K J