PyTorch训练神经网络报'int' object is not iterable错误排查

触发TypeError: 'int' object is not iterable的核心原因是切片代码的括号位置写错了：

1. Python内置min()函数要求传入至少2个可比较的参数，或者1个可迭代对象，你写的min(x_train.shape[0])只传入了单个整数值，min()会尝试遍历这个整数求最小值，整数本身不可迭代，直接触发报错。
2. 本质是写代码时笔误把切片的右括号提前闭合了，本来应该放在i+batch_size后面的括号，错放到了x_train.shape[0]后面，导致i+batch_size被错误识别为张量第二个维度的索引，完全偏离了分批取数的逻辑。
   你提到参考资料里代码完全相同，大概率是抄代码的时候漏看了括号位置，或者资料本身的代码排版存在括号错位的问题。

你询问的input_data=x_train[i:min(x_train.shape[0]),i+batch_size]本来是用来实现训练集按批次读取的逻辑：

• 神经网络训练时不会一次性把所有训练集输入模型，会按batch_size设定的大小，每次取一小批样本做前向传播、更新权重。
• 循环里的i是当前批次的起始索引，从0开始每次递增batch_size，正常情况下批次的结束索引是i+batch_size。
• 调用min()是为了防止索引越界：当遍历到数据集最后一段时，剩下的样本数可能不足batch_size，这时候直接取到数据集末尾（也就是x_train.shape[0]，即样本总数）即可，不会触发索引越界错误。
• 这行逻辑只需要对张量的第0维（也就是样本维度）做切片，第二个及之后的特征/通道维度默认全部保留，不需要额外写索引。

把分批取数的两行代码的括号位置调整正确即可，修改后的对应代码段如下：

for i in range(0,x_train.shape[0],batch_size):
    # 修正括号位置，正确计算批次结束索引
    batch_end = min(i + batch_size, x_train.shape[0])
    input_data = x_train[i:batch_end]
    labels = y_train[i:batch_end]
    # 后续训练逻辑不变
    optimizer.zero_grad()
    output_data = model(input_data)
    loss = loss_function(output_data, labels)
    loss.backward()
    optimizer.step()
    # 按当前批次实际样本数累计损失，避免最后一个批次样本数不足时统计错误
    train_loss += loss.item() * input_data.shape[0]

另外代码里还有两个容易触发后续报错的小问题可以一并修正：

• 存每轮损失的loss_for_every_epoch不要用nn.ModuleList，这个类是专门用来存储神经网络层的，存普通浮点数损失用普通Python列表即可，改成loss_for_every_epoch = []
• 训练函数里预测阶段用到了x_test，但没有作为参数传入函数，调用时会触发未定义错误，需要把x_test加到train_network的参数列表里。

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