PyTorch模型训练报错：forward()仅接受2个参数却传入3个

报错根源 #

1. Embedding类参数不匹配：主模型forward中调用self.embedding(x, frames)时传入了2个输入参数，但你的Embedding类forward方法仅定义了self + 1个输入的参数结构，导致实际调用时传递了3个参数（self+x+frames），触发TypeError。
2. 主模型forward参数缺失：主模型forward仅接收frames参数，但内部调用self.decoder(x, phrase)时，phrase变量未定义，后续必然报错。
3. 模型输入与数据加载不匹配：数据加载返回的输入是包含frames和phrase的字典，但训练循环中仅传递了frames相关数据，未给模型传入phrase，与decoder的需求冲突。

修复步骤 #

1. 修正Embedding类的forward方法 #

根据实际需求调整Embedding类的参数结构，确保能接收主模型传入的参数：

class Embedding(nn.Module):
    def __init__(self):
        super().__init__()
        # 根据你的数据维度定义嵌入层，示例：
        self.frame_emb = nn.Linear(你的frames特征维度, 嵌入维度)
    
    # 匹配主模型的调用参数：接收x和frames
    def forward(self, x, frames):
        # 实现你的嵌入逻辑，示例：
        embedded_frames = self.frame_emb(frames)
        # 结合x的处理逻辑...
        return embedded_frames

如果Embedding仅需一个输入参数，直接修改主模型中的调用为x = self.embedding(x)或x = self.embedding(frames)即可。

2. 修正主模型的forward方法 #

让主模型同时接收frames和phrase两个输入参数：

def forward(self, frames, phrase):
    # Frames处理
    x = self.frames_inp(frames)

    # Embedding（确保与Embedding类参数匹配）
    x = self.embedding(x, frames)

    # Encoder处理
    x = self.encoder(x, frames)

    # Decoder处理：传入phrase参数
    x = self.decoder(x, phrase)

    # 分类器输出
    outputs = self.classifier(x)

    return outputs

3. 修正训练循环的模型调用 #

正确从数据加载器中解包参数并传入模型：

for batch in train_dataloader:
    # 解包：inputs是包含frames和phrase的字典，y是标签
    inputs, y = batch
    frames = inputs['frames']
    phrase = inputs['phrase']

    # 传入两个参数到模型
    outputs = model(frames, phrase)

    # 补充训练流程（你当前代码缺失的部分）
    loss = loss_fn(outputs, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 收集预测结果
    predictions.append(outputs.cpu().numpy())

额外检查 #

• 确保Encoder和Decoder类的forward方法参数与主模型中的调用匹配（比如encoder(x, frames)需要Encoder的forward能接收两个参数）。
• 验证各层输入输出维度是否兼容，避免后续出现维度不匹配错误。

内容的提问来源于stack exchange，提问作者Matthew Zhong