将DataLoader传入CNN训练阶段触发TypeError错误的排查与解决

错误重现 #

训练时触发如下报错：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)

----> 3     training_loop(train_loader,epoch)
 

               in training_loop(loader, epoch)
   
      8         optimizer.zero_grad()
----> 9         outputs = classificador(inputs)
 

TypeError: __init__() takes 1 positional argument but 2 were given

问题原因 #

你在训练循环里直接调用了模型类classificador(inputs)，这是典型的用法错误：

• classificador是继承自nn.Module的模型类，直接用类名加参数调用，本质是在尝试创建新的模型实例，而非执行前向传播获取输出。
• 模型类的__init__方法仅需self这一个位置参数，你传入inputs作为第二个参数，直接触发了参数不匹配的错误。

从训练执行代码里的Fruitclass.eval()和FruitClass.train()能看出，你已经创建了名为FruitClass（注意代码里大小写不一致，建议统一）的模型实例，但训练循环里未使用该实例，反而错误调用了类本身。

解决方案 #

1. 确认已正确创建模型实例 #

先确保代码开头已经初始化了模型实例，并绑定了优化器：

import torch
import torch.nn as nn

# 创建模型实例
FruitClass = classificador()
# 绑定模型参数到优化器
optimizer = torch.optim.Adam(FruitClass.parameters(), lr=0.001)

2. 修改训练循环的前向传播代码 #

将训练循环里的outputs = classificador(inputs)改为调用已创建的模型实例：

def training_loop(loader,epoch):
    running_loss = 0.
    running_accuracy = 0.
    
    for i, data in enumerate(loader):
        inputs,labels = data
        
        optimizer.zero_grad()
        outputs = FruitClass(inputs)  # 用模型实例而非类名调用
        # 后续损失计算、反向传播等逻辑...

注意：要保证实例名称和训练代码里的FruitClass.eval()一致，同时修正代码里Fruitclass和FruitClass的大小写不一致问题。

额外隐藏错误提示 #

你的模型forward方法里还有一处容易忽略的错误：

# 错误写法
x = self.dropout(self.activation(self.linear1))
x = self.dropout(self.activation(self.linear2))

这里未将x传入线性层，正确写法应为：

# 正确写法
x = self.dropout(self.activation(self.linear1(x)))
x = self.dropout(self.activation(self.linear2(x)))

不修正该问题，后续训练会触发新的报错。

内容的提问来源于stack exchange，提问作者Crab Shin