如何修复PyTorch报错AttributeError: 'tuple' object has no attribute 'to'

• 核心原因1：自定义Dataset返回的标签是字符串类型，没有转换为PyTorch张量，字符串被DataLoader打包后变成字符串元组，自然没有.to()方法可以调用。同时原代码中__getitem__调用了全局transform而非实例传入的transform参数，属于可优化的小问题。
• 核心原因2：数据划分逻辑错误，random_split用于切分Dataset实例，你错误传入了DataLoader实例，后续调用训练函数时又传入了.dataset属性，导致遍历逻辑完全混乱。
• 附加错误：验证阶段计算准确率的代码变量名写错，把labels写成了不存在的targets，修复完当前报错后也会触发该问题。

1. 修改自定义Dataset类，完成标签的数字化和张量转换 #

先在__init__方法中建立类名到数字索引的映射，再在__getitem__中把标签转为长张量，同时修正transform调用逻辑：

class Col(Dataset):
    def __init__(self, csv, main_dir, transform):
        self.df = pd.read_csv(csv)
        self.main_dir = main_dir
        self.transform = transform
        # 建立类名到数字索引的映射，注意此处列名要和CSV实际列名一致，是finding还是Finding注意大小写
        self.label_map = {label: idx for idx, label in enumerate(self.df['Finding'].unique())}

    def __len__(self):
        return self.df.shape[0]

    def __getitem__(self, idx):
        image = self.transform(Image.open(self.df.Image[idx]).convert("RGB"))
        # 字符串标签转数字，再转成长张量
        label = self.label_map[self.df.Finding[idx]]
        return image, torch.tensor(label, dtype=torch.long)

2. 修正数据划分和加载逻辑 #

random_split直接切分原始Dataset，切分完成后再分别创建DataLoader：

# 先创建原始Dataset
data = Col(main_dir=root_dir, csv=csv_file, transform=transform)
# 切分Dataset，不要切DataLoader
train_dataset, validate_dataset = torch.utils.data.random_split(
    data, 
    [round(len(data)*0.7), len(data) - round(len(data)*0.7)]
)
# 分别为训练集、验证集创建DataLoader
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=130, shuffle=True)
val_loader = torch.utils.data.DataLoader(validate_dataset, batch_size=130, shuffle=False)

3. 修正训练函数验证阶段的变量名错误 #

把计算准确率那行的targets改为labels：

# 原来的错误代码
# correct = torch.eq(torch.max(F.softmax(output, dim=1), dim=1)[1], targets)
# 修改后
correct = torch.eq(torch.max(F.softmax(output, dim=1), dim=1)[1], labels)

4. 修正训练函数调用参数 #

传入创建好的DataLoader实例，不要传.dataset属性：

train(model, optimizer, torch.nn.CrossEntropyLoss(), train_loader, val_loader, epochs=100, device=device)

内容的提问来源于stack exchange，提问作者ZealotTV