PyTorch自动求导计算报TypeError，求修复方案

问题场景 #

在使用PyTorch对Burgers方程的解执行自动求导计算时，触发如下错误：

TypeError: 'NoneType' object is not subscriptable

相关代码如下：

自动求导代码 #

import torch
import numpy as np

x2 = torch.tensor(x, requires_grad=True)
t2 = torch.tensor(t, requires_grad=True)
def mr():
    for k in range(n):
        z01 = solve_burgers(torch.tensor([x2[k]]), 0.25, 0.01/np.pi)[0]
        z01.backward(retain_graph=True)
        u_xr = x2.grad[k]
        u_tr = t2.grad[k]
    return u_xr, u_tr, u_xxr

Burgers方程求解函数 #

from scipy.integrate import quad

def solve_burgers(X, t, nu):
    def f(y):
        return np.exp(-np.cos(np.pi * y) / (2 * np.pi * nu))
    def g(y):
        return np.exp(-(y**2) / (4 * nu * t))
    def fun(eta):
        return torch.sin(torch.pi * (x - eta)) * f(x - eta) * g(eta)
    def fun1(eta):
        return f(x - eta) * g(eta)
    U = torch.zeros_like(X)
    for i in range(len(X)):
        x = X[[[i]]]
        uxt = -quad(fun, -torch.inf, torch.inf)[0]
        uxt2 = torch.tensor(uxt, requires_grad=True)
        uxt30 = quad(fun1, -np.inf, np.inf)[0]
        uxt3 = torch.tensor(uxt30, requires_grad=True)
        U[i] = uxt2 / uxt3
    return U

错误根源与修复方案 #

错误核心原因 #

1. t2从未被传入solve_burgers函数参与计算，导致t2.grad始终为None，执行t2.grad[k]时触发下标访问错误。
2. solve_burgers中大量混用numpy与PyTorch运算，且手动用torch.tensor包装积分结果，直接切断了计算图，导致x2.grad也可能为None。
3. SciPy的quad函数不支持PyTorch张量的自动求导，无法生成有效的计算图链路。

具体修复步骤 #

1. 让t2参与计算图传递

• 修改solve_burgers的g(y)函数，用PyTorch运算替代numpy：

  def g(y):
      return torch.exp(-(y**2) / (4 * nu * t))  # 替换np.exp为torch.exp，确保t是PyTorch张量
  

• 调用solve_burgers时传入t2而非固定数值：

  z01 = solve_burgers(torch.tensor([x2[k]]), t2, 0.01/np.pi)[0]
  

2. 修复计算图断裂问题

• 将solve_burgers中所有numpy函数替换为PyTorch对应函数，确保计算链路完全在PyTorch中：

  def f(y):
      return torch.exp(-torch.cos(torch.pi * y) / (2 * torch.pi * nu))  # 替换np.cos、np.exp
  

• 移除手动创建uxt2、uxt3的代码，直接使用积分结果（需替换SciPy的quad为PyTorch兼容的积分方式）。例如用数值采样+梯形积分替代：

  def solve_burgers(X, t, nu):
      def f(y):
          return torch.exp(-torch.cos(torch.pi * y) / (2 * torch.pi * nu))
      def g(y):
          return torch.exp(-(y**2) / (4 * nu * t))
      def fun(eta):
          return torch.sin(torch.pi * (x - eta)) * f(x - eta) * g(eta)
      def fun1(eta):
          return f(x - eta) * g(eta)
      
      U = torch.zeros_like(X)
      # 用数值采样近似积分，范围和点数可根据精度调整
      eta_samples = torch.linspace(-10, 10, 10000, requires_grad=False)
      d_eta = eta_samples[1] - eta_samples[0]
      
      for i in range(len(X)):
          x = X[[[i]]]
          # 梯形法数值积分
          uxt = -torch.trapz(fun(eta_samples), eta_samples)
          uxt30 = torch.trapz(fun1(eta_samples), eta_samples)
          U[i] = uxt / uxt30
      return U
  

3. 正确管理梯度累积

每次调用backward前清空梯度，避免累积导致的错误：

def mr():
    # 初始化梯度为0
    x2.grad.zero_()
    t2.grad.zero_()
    u_xr_list = []
    u_tr_list = []
    for k in range(n):
        z01 = solve_burgers(torch.tensor([x2[k]]), t2, 0.01/np.pi)[0]
        z01.backward(retain_graph=True)
        u_xr_list.append(x2.grad[k].item())
        u_tr_list.append(t2.grad[k].item())
        # 循环后清空梯度，避免下一次计算时累积
        x2.grad.zero_()
        t2.grad.zero_()
    # 若需要返回张量，可转换为torch.tensor
    return torch.tensor(u_xr_list), torch.tensor(u_tr_list), u_xxr  # 需补充u_xxr的计算逻辑

4. 补充u_xxr的定义

原代码中mr函数返回u_xxr但未实现，需补充二阶导数的计算逻辑（例如对一阶导数再执行一次自动求导），否则会引发新的未定义错误。

内容的提问来源于stack exchange，提问作者Nsss123