实现Charbonnier损失时loss.backward()报错：floor_divide导数未实现

你的问题根源在于Python浮点数形式的epsilon与张量运算时触发了隐式的底层整数除法操作，而PyTorch未实现该操作的反向传播。以下是具体的修复方案：

修复方案：将epsilon转为同设备同dtype的张量 #

修改损失函数，确保epsilon始终与输入张量pred/truth保持相同的设备（CPU/GPU）和数据类型，避免隐式类型转换带来的问题。

修改后的代码示例 #

class CharbonnierLoss(nn.Module):
    def __init__(self, epsilon=1e-3):
        super().__init__()
        self.epsilon_val = epsilon

    def forward(self, pred, truth):
        # 动态创建与输入同设备、同dtype的epsilon张量
        eps = torch.tensor(self.epsilon_val, device=pred.device, dtype=pred.dtype)
        return torch.mean(torch.sqrt((pred - truth)**2 + eps**2))

或者也可以在初始化时就将epsilon转为张量，在forward中同步设备：

class CharbonnierLoss(nn.Module):
    def __init__(self, epsilon=1e-3):
        super().__init__()
        self.epsilon = torch.tensor(epsilon)

    def forward(self, pred, truth):
        eps = self.epsilon.to(pred.device).to(pred.dtype)
        return torch.mean(torch.sqrt((pred - truth)**2 + eps**2))

额外检查项 #

• 确认pred和truth的 dtype 为浮点类型（如torch.float32/torch.float64），如果是整数类型，运算过程中也可能触发整数除法相关的反向传播问题。

内容的提问来源于stack exchange，提问作者claudio schiavella