如何解决PyTorch代码中'weight未定义'的报错问题？

核心问题 #

1. 框架差异：你参考的是Keras教程，但实际编写的是PyTorch代码，两者自定义卷积权重的实现逻辑完全不同，直接照搬会引发错误。
2. 代码语法与参数问题：
   • __init__方法代码缩进错误，导致逻辑混乱；
   • 你定义的filter_vals是2维数组，不符合PyTorch卷积核的4维形状要求（(输出通道数, 输入通道数, 核高度, 核宽度)）；
   • 实例化Net类时未传入正确格式的weight参数，直接触发weight未定义错误。

修复步骤 #

1. 修正代码缩进 #

Python对缩进要求严格，__init__方法内的代码需正确缩进：

class Net(nn.Module):
    def __init__(self, weight):
        super(Net, self).__init__()
        # 后续代码保持统一缩进

2. 转换filter_vals为PyTorch兼容的权重格式 #

将2维滤波器数组转换成PyTorch卷积层要求的4维张量：

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

# 原始滤波器
filter_vals = np.array([[-1, -1, 1, 2], [-1, -1, 1, 0], [-1, -1, 1, 1], [-1, -1, 1, 1]])
print('Filter shape: ', filter_vals.shape)

# 转换为PyTorch卷积核格式：(输出通道数, 输入通道数, 核高, 核宽)
# 假设输入通道为1，输出通道为4（复制4份原始滤波器作为4个卷积核）
weight = torch.from_numpy(np.repeat(filter_vals[np.newaxis, np.newaxis, :, :], 4, axis=0)).float()

3. 完善Net类的定义 #

在类中创建卷积层，并将自定义权重绑定到卷积层：

class Net(nn.Module):
    def __init__(self, weight):
        super(Net, self).__init__()
        # 获取卷积核的高和宽
        k_height, k_width = weight.shape[2:]
        # 定义卷积层：输入通道1，输出通道4，核大小(k_height, k_width)，不使用偏置
        self.conv = nn.Conv2d(1, 4, kernel_size=(k_height, k_width), bias=False)
        # 将自定义权重赋值给卷积层（用Parameter包装，让PyTorch识别为可训练参数）
        self.conv.weight = torch.nn.Parameter(weight)
    
    # 定义前向传播逻辑
    def forward(self, x):
        # 应用卷积操作
        x = self.conv(x)
        # 可添加激活函数等操作，比如ReLU
        x = fn.relu(x)
        return x

4. 实例化网络并使用 #

现在可以正常实例化网络，不会再出现weight未定义错误：

# 实例化网络
net = Net(weight)
# 打印网络结构，确认权重已正确加载
print(net)

关键说明 #

Keras中可通过kernel_initializer直接传入自定义权重逻辑，但PyTorch需要手动将权重转换为Parameter并绑定到卷积层，这是两个框架的核心差异，也是你出错的主要原因。

内容的提问来源于stack exchange，提问作者CKT