PyTorch编写Auto Encoder时出现target导数未实现RuntimeError报错

这个报错的直接触发原因是你给nn.BCELoss传入的target参数是带梯度计算的张量：

• 你写的损失计算代码是loss = lossFn(outputs, outputs)，第二个参数target传入的是模型前向输出的outputs，这个张量默认开启了梯度追踪，而PyTorch的BCELoss仅针对输入input实现了反向传播逻辑，没有对target的求导实现，传入带grad的target就会抛出该错误。
• 同时这段损失计算逻辑本身不符合自编码器的训练目标：自编码器的重构损失应该计算模型输出和原始输入数据的差异，而不是和输出自身对比。

你的代码还有3处会导致训练失效的问题：

• nn.BCELoss要求输入的预测值、真实值都必须在[0,1]数值区间内，你加载的FashionMNIST原始像素值范围是0~255，没有做归一化处理，不符合损失函数的输入要求。
• 解码器最后一层使用ReLU作为激活函数，输出范围是[0, +∞)，不满足BCELoss的输入值域要求，应该替换为Sigmoid把输出压缩到0~1区间。
• 训练循环末尾的model.forward(data)是多余代码，没有任何实际作用，只会浪费计算资源。

import torch
import torchvision
from torch import nn

# 加载数据时直接做归一化，把像素值从0-255缩放到0-1
trainset = torchvision.datasets.FashionMNIST(root='./data', train=True,
                                        download=True)
data = trainset.data.float() / 255.0  # 归一化到[0,1]
device = "cuda" if torch.cuda.is_available() else "cpu"
data = data.to(device)
print(f"Using device = {device}")

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.encode = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 30),
            nn.ReLU()
        )
        self.decode = nn.Sequential(
            nn.Linear(30, 512),
            nn.ReLU(),
            nn.Linear(512, 28*28),
            nn.Sigmoid()  # 替换为Sigmoid，输出符合BCELoss值域要求
        )

    def forward(self, x):
        x = self.flatten(x)
        encoded = self.encode(x)
        decoded = self.decode(encoded)
        return decoded

model = NeuralNetwork().to(device)
lossFn  = nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(), lr = 1e-3)

for epoch in range(1000):
    optimizer.zero_grad()
    outputs = model(data)
    # 损失target传入原始输入data，data不需要计算梯度，不会触发报错
    loss = lossFn(outputs, data)
    loss.backward()
    optimizer.step()
    # 打印损失方便观察收敛情况
    if (epoch + 1) % 50 == 0:
        print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

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