PyTorch中'Model'对象无'_backward_hooks'属性的错误排查与修复

错误原因 #

• 未初始化父类nn.Module：所有继承自nn.Module的子类，必须在__init__方法开头调用super().__init__()，否则PyTorch无法初始化模块所需的内部属性（如_backward_hooks），这是报错的直接原因。
• 子模块未被正确注册：用普通列表[]存储nn.Linear层时，PyTorch无法将这些层识别为模型的子模块，无法追踪参数、参与反向传播，也会导致模块状态异常。

修复方案 #

关键修改点 #

1. 在__init__中添加super().__init__()，初始化父类的核心结构。
2. 将self.layer_s_list改为nn.ModuleList类型，替代普通列表，让PyTorch管理子模块。
3. 调整get_layer_weights的实现，直接从ModuleList的子模块中获取参数，无需通过state_dict。
4. 修正矩阵运算逻辑：原代码的逐元素乘法不符合逆矩阵运算逻辑，改为矩阵乘法并调整维度避免报错。

修改后的完整代码 #

import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np

class Model(nn.Module):
    def __init__(self, q, s):
        # 初始化父类nn.Module，构建模块核心结构
        super().__init__()
        # 用ModuleList存储子模块，让PyTorch追踪参数
        self.layer_s_list = nn.ModuleList([nn.Linear(5, s) for _ in range(q)])
        self.inv_w, self.inv_b = self.get_layer_weights()
          
    def forward(self, x):
        output_lst = []
        for layer in self.layer_s_list:
            v, id = torch.max(layer(x), 1)
            output_lst.append(v.detach().numpy())
        output_lst = np.array(output_lst)
        output_lst = torch.from_numpy(output_lst)
        out, _ = torch.min(output_lst, 0)
        allo_out = F.softmax(out)
        pay_out = nn.ReLU(inplace=True)(out)
        inv_out_lst = []
        
        for q_idx in range(len(self.inv_w)):
            # 改为矩阵乘法@，调整维度匹配逆矩阵运算
            pay_out_expanded = (pay_out - self.inv_b[q_idx]).unsqueeze(1)
            y, _ = torch.min(torch.linalg.pinv(self.inv_w[q_idx]) @ pay_out_expanded, 0)
            inv_out_lst.append(y.detach().numpy().squeeze())
        final_out = np.array(inv_out_lst)
        final_out = torch.from_numpy(final_out)
        final_out, _ = torch.max(final_out, 1)
        return final_out, allo_out

    
    def get_layer_weights(self):
        weights_lst = []
        bias_lst = []
        for layer in self.layer_s_list:
            # 直接从子模块获取参数，无需通过state_dict
            weights_lst.append(layer.weight)
            bias_lst.append(layer.bias)
        return weights_lst, bias_lst

验证代码 #

q = 5
s = 10
x = torch.rand((10, 5), requires_grad=True)
net = Model(q, s)
y, z = net(x)
print("final_out shape:", y.shape)
print("allo_out shape:", z.shape)

内容的提问来源于stack exchange，提问作者Geeky Coder