PyTorch训练自定义模型报element 0 of tensors does not require grad错误求助

错误根因 #

你遇到的报错核心来自训练代码的逻辑错误：你把模型前向推理的代码放在了torch.no_grad()上下文管理器中。
torch.no_grad()的作用是完全关闭上下文内所有运算的梯度记录功能，该环境下生成的所有张量都会被标记为requires_grad=False，也不会保留反向传播需要的计算图节点grad_fn。因此你得到的模型输出outputs本身没有梯度属性，后续基于它计算得到的损失自然无法执行反向传播，触发对应报错。

修复方案 #

直接删除包裹模型推理的with torch.no_grad()语句即可，修正后的训练逻辑如下：

def train(self, epoch, trainloader):
    self.model.train()
    for batch_idx, (inputs, targets) in enumerate(trainloader):
        lbp = lbp_transform(inputs)
        self.optimizer.zero_grad()
        # 移除torch.no_grad上下文，正常执行前向推理
        outputs = self.model(inputs, lbp)
        loss = self.criterion(outputs, targets)
        loss.backward()
        self.scheduler.step(loss)
        utils.clip_gradient(self.optimizer, 0.1)
        self.optimizer.step()

可选排查点（如果修改后仍报错可逐一校验） #

• 检查lbp_transform实现：确认该变换是否内部使用了numpy运算后再转回PyTorch张量，或者也嵌套了torch.no_grad()，导致输入模型的lbp张量本身不带梯度
• 检查VGG特征提取器的初始化配置：如果你手动将两个VGG特征提取器的参数全部设置为requires_grad=False，同时后续的注意力层、卷积层、全连接层也都被意外关闭了梯度，也会触发该问题。如果需要冻结主干网络，仅需关闭特征提取器的梯度即可，保证后续自定义层梯度正常开启
• 检查自定义模块实现：确认AttentionBlock1、AttentionBlock2、conv_layer_relu等自定义模块的运算全部使用PyTorch原生算子实现，没有插入无梯度的自定义运算逻辑

内容的提问来源于stack exchange，提问作者OutOfMind