为何我的动态神经网络参数数量为0？如何注册与修复？

我定义了如下PyTorch神经网络：

class Q_function(nn.Module):

    def __init__(self, input_size=3, hidden_size=5, num_layers=3, learning_rate=0.01):
        super(Q_function, self).__init__()
        self.input_size = input_size
        self.layers = []
        for i in num_layers:
            self.layers.append(nn.Linear(input_size, hidden_size)) 
            self.append(nn.ReLU())
        self.layers.append(nn.Linear(hidden_size,1))
    
    def forward(self, x):
        out = self.layers[0](x)
        for lay in range(1,len(self.layers)):
            out = self.layers[lay](out)
        return out

执行以下代码后，输出为空列表[]：

net = Q_function()
list(net.parameters())

原因分析 #

1. 模块未被注册：PyTorch的nn.Module只会管理作为类实例属性直接挂载的子模块，你把所有层存在了普通Python列表self.layers里，这些模块没有被纳入nn.Module的参数追踪系统，所以parameters()方法找不到任何可训练参数。
2. 代码存在语法/逻辑错误：
   • for i in num_layers：num_layers是整数3，直接遍历整数会触发TypeError，需改为for i in range(num_layers)。
   • self.append(nn.ReLU())：nn.Module没有append方法，正确写法是self.layers.append(nn.ReLU())。
   • 循环中始终用input_size作为线性层输入尺寸，会导致后续层输入输出不匹配，需将上一层的输出尺寸作为下一层的输入尺寸。

修复方案 #

方法1：使用nn.Sequential（最简洁推荐）

nn.Sequential会自动注册内部所有子模块，同时简化前向传播逻辑：

import torch.nn as nn

class Q_function(nn.Module):
    def __init__(self, input_size=3, hidden_size=5, num_layers=3, learning_rate=0.01):
        super(Q_function, self).__init__()
        self.input_size = input_size
        layers = []
        current_in_size = input_size
        # 构建隐藏层
        for _ in range(num_layers):
            layers.append(nn.Linear(current_in_size, hidden_size))
            layers.append(nn.ReLU())
            current_in_size = hidden_size  # 更新下一层的输入尺寸
        # 输出层
        layers.append(nn.Linear(hidden_size, 1))
        # 用Sequential包裹所有层，自动注册参数
        self.layers = nn.Sequential(*layers)
    
    def forward(self, x):
        # Sequential可直接调用，自动按顺序执行各层
        return self.layers(x)

方法2：手动注册子模块

如果需要保留列表结构，可通过self.add_module()手动注册每个子模块：

import torch.nn as nn

class Q_function(nn.Module):
    def __init__(self, input_size=3, hidden_size=5, num_layers=3, learning_rate=0.01):
        super(Q_function, self).__init__()
        self.input_size = input_size
        self.layers = []
        current_in_size = input_size
        for i in range(num_layers):
            # 创建线性层并手动注册
            linear_layer = nn.Linear(current_in_size, hidden_size)
            self.add_module(f"hidden_linear_{i}", linear_layer)
            self.layers.append(linear_layer)
            # 创建ReLU层并手动注册
            relu_layer = nn.ReLU()
            self.add_module(f"hidden_relu_{i}", relu_layer)
            self.layers.append(relu_layer)
            current_in_size = hidden_size
        # 注册输出层
        output_layer = nn.Linear(hidden_size, 1)
        self.add_module("output_linear", output_layer)
        self.layers.append(output_layer)
    
    def forward(self, x):
        out = x
        for layer in self.layers:
            out = layer(out)
        return out

验证 #

修复后执行以下代码，会返回所有可训练参数列表，不再是空值：

net = Q_function()
print(list(net.parameters()))

内容的提问来源于stack exchange，提问作者A J