PyTorch多层感知器(MLP)实现报错求助：TypeError问题排查

错误根源 #

报错TypeError: cross_entropy_loss(): argument 'input' (position 1) must be Tensor, not NeuralNet，核心原因是模型调用方式错误，导致传入损失函数的不是模型输出的张量，而是模型本身；同时代码里还有其他几处逻辑错误，共同引发了这个问题。

具体错误点及修正方案 #

1. Forward函数逻辑错误
   原代码中forward函数最后一行out = self.l3(out)，out未定义，应该用经过前两层处理后的x，并且要返回计算结果：

   def forward(self, x):
       x = torch.relu(self.l1(x))
       x = torch.relu(self.l2(x))
       out = self.l3(x)  # 替换未定义的out为前一层输出x
       return out  # 必须返回模型输出张量
   

2. 模型调用方式错误
   model.to(features)是将模型移动到指定设备（CPU/GPU）的方法，不是执行前向传播的方式。正确的前向传播应该直接调用model(features)，同时要先把输入张量调整为符合模型输入要求的形状，并移动到对应设备：

   # 先处理输入：调整形状并移到目标设备
   features = features.reshape(-1, input_size*input_size).to(device)
   # 正确执行前向传播得到输出
   outputs = model(features)
   

3. 损失计算重复且错误
   原代码重复计算损失，还错误使用了不存在的torch.criterion属性。既然已经定义了criterion = nn.CrossEntropyLoss()，直接用它计算损失即可：

   # 删掉以下两行错误代码：
   # loss = torch.nn.CrossEntropyLoss()(outputs, labels)
   # loss = torch.criterion(outputs, labels)
   # 替换为：
   loss = criterion(outputs, labels)
   

4. 冗余的梯度清零操作
   循环开头已经调用了optimizer.zero_grad()，后面反向传播前的重复调用可以删除，避免冗余操作。

完整修正后的代码 #

import torch
import torch.nn as nn

# Hyper-parameters 
input_size = 48 
hidden_size = 16
num_classes = 4
num_epochs = 2
batch_size = 15
learning_rate = 0.001
# 定义计算设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

class NeuralNet(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(NeuralNet, self).__init__()
        self.l1 = nn.Linear(input_size*input_size, input_size) 
        self.l2 = nn.Linear(input_size, hidden_size)  
        self.l3 = nn.Linear(hidden_size, num_classes) 
        
    def forward(self, x):
        x = torch.relu(self.l1(x))
        x = torch.relu(self.l2(x))
        out = self.l3(x)
        return out

# 初始化模型并移到目标设备
model = NeuralNet(input_size, hidden_size, num_classes).to(device)
print(model)

# 训练配置
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) 
# 训练模型
n_total_steps = len(trainloader)
for epoch in range(num_epochs):
    for i, (features, labels) in enumerate(trainloader):  
        optimizer.zero_grad()
        
        # 预处理输入张量
        features = features.reshape(-1, input_size*input_size).to(device)
        labels = labels.to(device)
        
        # 前向传播
        outputs = model(features)
        # 计算损失
        loss = criterion(outputs, labels)
        
        # 反向传播与优化
        loss.backward()
        optimizer.step()
        
        if (i+1) % 100 == 0:
            print (f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{n_total_steps}], Loss: {loss.item():.4f}')

内容的提问来源于stack exchange，提问作者Mohammad Asim