如何在NeRF代码中转换double为float？及原代码无报错原因咨询

代码片段 #

class NeRF(nn.Module):
    def __init__(self, D=8, W=256, input_ch=60, input_ch_views=24, output_ch=4, skip=4, use_view_dirs=True):
        ...

    def forward(self, input_pts, input_views=None):
        h = input_pts.clone()
        for i, _ in enumerate(self.pts_linears):
            h = F.relu(self.pts_linears[i](h))
            if i == self.skip:
                h = torch.cat([input_pts, h], -1)

        ...

报错信息 #

---> 40             h = F.relu(self.pts_linears[i](h))
...
RuntimeError: expected scalar type Float but found Double

变量转float类型的方法 #

有两种核心处理方向，按需选择：

• 转换输入数据类型：
  在传入模型forward之前，将输入张量转为float32：

  input_pts = input_pts.float()
  if input_views is not None:
      input_views = input_views.float()
  

  或者在forward方法开头直接处理：

  def forward(self, input_pts, input_views=None):
      input_pts = input_pts.float()
      h = input_pts.clone()
      # 后续代码不变
  

  注意如果input_views参与运算，也要同步转换类型。

• 转换模型参数类型：
  初始化模型后，将整个模型的参数转为float32（默认即为float32，仅当模型参数被意外修改为其他类型时需要）：

  model = NeRF().float()
  

原代码未报错的原因 #

原代码运行时，输入数据的张量类型（float32）和模型参数的默认类型（float32）完全一致，PyTorch允许同类型张量进行运算，因此不会触发类型不匹配的报错。

本次报错是因为后续输入数据被改为double64类型（比如从numpy加载数据时，numpy默认类型为double；或者手动调用了.double()方法），但模型参数仍保持默认的float32，两者类型不兼容，从而抛出RuntimeError。

内容的提问来源于stack exchange，提问作者lavinal