PyTorch反向传播报错：检测到Double类型但预期为Float类型

问题根源 #

1. PyTorch Geometric（PyG）中edge_index必须是整数类型（如torch.long），你的edge_index是torch.float64，本身不符合GNN层的输入要求，会引发后续dtype混乱。
2. 模型参数已转为torch.float32，但目标值graph.Utility仍为torch.float64，导致loss的dtype与模型参数dtype不匹配，反向传播时触发类型错误。

具体修复步骤 #

方案一：统一使用float32（推荐，多数场景下显存占用更低、计算更快）

# 修正edge_index的类型（必须步骤）
graph.edge_index = graph.edge_index.long()

# 将所有输入数据和目标值转为float32，与模型保持一致
graph.x = graph.x.to(torch.float32)
graph.Utility = graph.Utility.to(torch.float32)

# 确保模型参数为float32（你已执行过，可再次确认）
model = model.to(torch.float32)

# 重新计算loss并反向传播
loss = F.mse_loss(model(graph.x, graph.edge_index, graph.batch), graph.Utility)
loss.backward()

方案二：统一使用float64（适用于需要高精度的场景）

# 修正edge_index的类型（必须步骤）
graph.edge_index = graph.edge_index.long()

# 将模型转为float64，与现有数据dtype保持一致
model = model.to(torch.float64)

# 重新计算loss并反向传播
loss = F.mse_loss(model(graph.x, graph.edge_index, graph.batch), graph.Utility)
loss.backward()

关键说明 #

• 无论哪种方案，修正edge_index的整数类型是核心前提，浮点型的节点索引会导致GNN层内部计算逻辑出错，进而引发dtype不匹配问题。
• 模型、输入数据、目标值三者的dtype必须完全统一，否则反向传播时梯度计算会触发类型校验错误。

内容的提问来源于stack exchange，提问作者Tony Sirico