PyTorch迁移CycleGAN到GPU时触发输入与权重类型不匹配错误

错误根源是Generator类中定义down_blocks和up_blocks时的语法错误，你错误地将两个属性赋值为普通Python列表，而非PyTorch的nn.ModuleList实例：

# 错误写法（多余的等号，直接将变量赋值为普通列表）
self.down_blocks = nn.ModuleList = ([
    ConvBlock(num_features, num_features*2, kernel_size=3, stride=2, padding=1),
    ConvBlock(num_features*2, num_features*4, kernel_size=3, stride=2, padding=1),
])
self.up_blocks = nn.ModuleList = ([
    ConvBlock(num_features*4, num_features*2, down=False, kernel_size=3, padding=1, stride=2, output_padding=1),
    ConvBlock(num_features*2, num_features, down=False, kernel_size=3, padding=1, stride=2, output_padding=1),
])

PyTorch的module.to(device)方法只会递归处理注册为模块子属性的可训练参数，普通列表中的子模块不会被PyTorch识别为模型的一部分，因此调用gen.to(DEVICE)时，down_blocks和up_blocks内部的卷积层参数仍然留在CPU上，和已经迁移到GPU的输入张量类型不匹配，触发报错。CPU运行正常是因为输入和参数都默认在CPU设备，不存在类型不匹配的问题。

将两个列表的赋值修改为正确的nn.ModuleList实例化写法，删除多余的等号，将列表传入nn.ModuleList构造函数：

# 修复后的写法
self.down_blocks = nn.ModuleList([
    ConvBlock(num_features, num_features*2, kernel_size=3, stride=2, padding=1),
    ConvBlock(num_features*2, num_features*4, kernel_size=3, stride=2, padding=1),
])

self.up_blocks = nn.ModuleList([
    ConvBlock(num_features*4, num_features*2, down=False, kernel_size=3, padding=1, stride=2, output_padding=1),
    ConvBlock(num_features*2, num_features, down=False, kernel_size=3, padding=1, stride=2, output_padding=1),
])

你初始化Generator的代码存在参数传参错误：

# 原写法：第二个参数会被识别为num_features，而非num_residuals
gen = Generator(img_channels, 9).to(DEVICE)

Generator的参数顺序为(image_channels, num_features= 64, num_residuals=9)，如果需要指定残差块数量为9，应使用关键字参数避免覆盖默认的特征维度配置：

# 正确传参写法
gen = Generator(img_channels, num_residuals=9).to(DEVICE)

内容的提问来源于stack exchange，提问作者Shary