同形状张量仍触发TypeError：'int'对象不可调用问题求助

我最近在训练模型时碰到了一个让人困惑的问题：明明打印出来的predicted和target形状完全一致（都是torch.Size([6890, 3])），但使用nn.MSELoss()计算损失时却抛出了类型错误。以下是我的错误信息、代码片段和最终的解决思路：

错误信息 #

报错堆栈如下：

Traceback (most recent call last):
File "train.py", line 251, in <module>
main()
File "train.py", line 230, in main
train(net, training_dataset, targets, device, criterion, optimizer, epoch, args.epochs)
File "train.py", line 101, in train
loss = criterion(predicted, target.detach().cpu().numpy())
File "/home/hb119056/.local/lib/python3.6/site-packages/torch/nn/modules/module.py", line 493, in __call__
result = self.forward(*input, **kwargs)
File "/home/hb119056/.local/lib/python3.6/site-packages/torch/nn/modules/loss.py", line 443, in forward
return F.mse_loss(input, target, reduction=self.reduction)
File "/home/hb119056/.local/lib/python3.6/site-packages/torch/nn/functional.py", line 2244, in mse_loss
if not (target.size() == input.size()):
TypeError: 'int' object is not callable

相关代码片段 #

错误发生在损失计算的这一行：

target = torch.from_numpy(np.load(file_dir + '/points/points{:03}.npy'.format(i))).to(device)
rv = torch.zeros(12 * outputs.shape[0])
for j in [x for x in range(10) if x != i]:
    source = torch.from_numpy(np.load(file_dir + '/points/points{:03}.npy'.format(j))).to(device)
    rv = factor.ransac(source, target, prob, n_iter, tol, device) # 自定义类RANSAC方法
    predicted = factor.predict(source, rv, outputs)
print(target.shape, predicted.shape)
loss = criterion(predicted, target.detach().cpu().numpy()) ## 错误发生处

其中criterion是nn.MSELoss()实例。

问题分析与解决方法 #

仔细看报错的核心行：if not (target.size() == input.size()):，这里的target.size()抛出了“int对象不可调用”的错误——这是因为我把target转换成了numpy数组！

PyTorch的损失函数（包括MSELoss）期望输入是PyTorch Tensor，而不是numpy数组。numpy数组的size是一个属性（直接访问target.size就能得到元素个数），但PyTorch内部代码试图调用target.size()（把它当成方法），自然就会报错。

解决方法很简单：不要把target转成numpy数组，直接使用Tensor计算损失：

# 替换原来的错误行，根据需求选择其中一种即可
loss = criterion(predicted, target)
# 如果需要将target从计算图中分离（比如不需要计算target的梯度），可以用detach()
loss = criterion(predicted, target.detach())

另外还要确保predicted和target在同一个设备上（比如都是CPU或者GPU），从代码看target已经通过.to(device)放到了对应设备，predicted应该也在同一设备，所以不需要额外处理设备问题。

内容的提问来源于stack exchange，提问作者Rani