PyTorch肺炎分类模型训练报错：'int'对象无float属性

1. 核心错误：标签赋值错误 #

在training_step和验证阶段方法中，你错误地将batch_idx（整数类型的批次索引）赋值给label，导致执行label.float()时，对整数调用float()方法触发AttributeError。

修正方式：
将错误的赋值代码：

x_ray, label = batch, batch_idx

改为：

x_ray, label = batch

batch是数据集返回的包含输入图像和对应标签的元组，batch_idx仅为当前批次的索引，和标签无关。

2. 验证阶段方法名错误 #

PyTorch Lightning中验证阶段的标准方法名是validation_step，而非你写的validation_step_outputs，框架无法识别错误的方法名，会导致验证逻辑不执行。

修正方式：
将方法名从validation_step_outputs改为validation_step。

3. Epoch结束时的指标计算错误 #

原代码中on_train_epoch_end和on_validation_epoch_end直接调用step方法（self.training_step()）是完全错误的——这些是执行逻辑的方法，不是存储输出的容器。PyTorch Lightning会自动处理step输出的聚合，只需通过self.log的参数配置，或调用指标的compute()方法获取epoch平均结果。

修正后的epoch结束方法：

def on_train_epoch_end(self):
    # 计算并记录训练epoch的平均准确率，之后重置指标
    self.log("Train_Epoch_ACC", self.train_acc.compute())
    self.train_acc.reset()

def on_validation_epoch_end(self):
    self.log("Val_Epoch_ACC", self.val_acc.compute())
    self.val_acc.reset()

同时在step方法中，给self.log添加on_epoch=True参数，让框架自动计算epoch平均损失：

self.log("Train_Loss", loss, on_epoch=True, prog_bar=True)

4. 损失函数设备匹配问题 #

初始化BCEWithLogitsLoss时，pos_weight张量默认在CPU上，若模型运行在GPU会出现设备不匹配错误。需要将其绑定到模型所在设备。

修正方式：

self.loss_fn = torch.nn.BCEWithLogitsLoss(pos_weight=torch.tensor([3], device=self.device))

5. 优化器初始化问题 #

原代码在__init__中直接初始化优化器，可能导致多GPU训练时的参数复制异常。PyTorch Lightning推荐在configure_optimizers方法内初始化并返回优化器。

修正方式：
删除__init__中的self.optimizer = torch.optim.Adam(...)，修改configure_optimizers：

def configure_optimizers(self):
    return torch.optim.Adam(self.model.parameters(), lr=1e-4)

完整修正后的代码 #

import torch
import torchvision
import pytorch_lightning as pl
from torchmetrics import Accuracy

class PneumoniaModel(pl.LightningModule):

    def __init__(self):
        super().__init__()
        self.model = torchvision.models.resnet18()
        # 替换第一层卷积为单通道输入（适配X光灰度图）
        self.model.conv1 = torch.nn.Conv2d(1, 64, kernel_size=(7,7), stride=(2,2), padding=(3,3), bias=False)
        # 替换全连接层为二分类输出
        self.model.fc = torch.nn.Linear(in_features=512, out_features=1, bias=True)

        # 损失函数，pos_weight绑定模型设备
        self.loss_fn = torch.nn.BCEWithLogitsLoss(pos_weight=torch.tensor([3], device=self.device))

        # 准确率指标
        self.train_acc = Accuracy(task='binary')
        self.val_acc = Accuracy(task='binary')

    def forward(self, data):
        pred = self.model(data)
        return pred
  
    def training_step(self, batch, batch_idx):
        x_ray, label = batch
        label = label.float()
        pred = self(x_ray)[:, 0]
        loss = self.loss_fn(pred, label)

        # 记录step和epoch的损失、准确率
        self.log("Train_Loss", loss, on_epoch=True, prog_bar=True)
        self.train_acc(torch.sigmoid(pred), label.int())
        self.log("Train_Step_ACC", self.train_acc, prog_bar=True)

        return loss

    def on_train_epoch_end(self):
        self.log("Train_Epoch_ACC", self.train_acc.compute())
        self.train_acc.reset()

    def validation_step(self, batch, batch_idx):
        x_ray, label = batch
        label = label.float()
        pred = self(x_ray)[:, 0]
        loss = self.loss_fn(pred, label)

        # 记录验证损失和准确率
        self.log("Val_Loss", loss, on_epoch=True, prog_bar=True)
        self.val_acc(torch.sigmoid(pred), label.int())
        self.log("Val_Step_ACC", self.val_acc, prog_bar=True)

    def on_validation_epoch_end(self):
        self.log("Val_Epoch_ACC", self.val_acc.compute())
        self.val_acc.reset()

    def configure_optimizers(self):
        return torch.optim.Adam(self.model.parameters(), lr=1e-4)

内容的提问来源于stack exchange，提问作者ashrafghani afrah