PyTorch回归神经网络报错RuntimeError：张量无梯度及grad_fn问题求助

根据你提供的代码，核心问题和解决步骤如下：

1. 修复模型类定义（最关键） #

你的代码中缺失了Model类的定义头，导致它没有继承nn.Module，模型参数无法被PyTorch正确注册，进而使得优化器没有可更新的参数，触发梯度错误。

修正后的模型类代码：

import torch
import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):  # 补充类定义，明确继承nn.Module
    def __init__(self, in_features=780, h1=8, h2=6, output=1):
        super().__init__()
        self.fc1 = nn.Linear(in_features, h1)
        self.fc2 = nn.Linear(h1, h2)
        self.out = nn.Linear(h2, output)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.out(x)
        return x

2. 补全X_train的张量转换 #

你提供的数据代码中只处理了X_val和X_test，但训练时用到的X_train没有被转换为PyTorch张量，这会导致输入类型不匹配或梯度传播异常。添加以下代码：

X_train = torch.tensor(X_train_scaled, dtype=torch.float32)

3. 统一标签张量的形状 #

模型输出的形状是(batch_size, 1)，而你的标签张量y_train/y_val是(batch_size,)，形状不匹配可能间接影响梯度计算。将标签张量扩展一维：

y_train = torch.tensor(y_train, dtype=torch.float32).unsqueeze(1)
y_val = torch.tensor(y_val, dtype=torch.float32).unsqueeze(1)
y_test = torch.tensor(y_test, dtype=torch.float32).unsqueeze(1)

验证步骤 #

在实例化模型后，打印模型参数数量确认参数已被正确注册：

model_nn = Model(in_features=780)
print(len(list(model_nn.parameters())))  # 正常应输出6（3层线性层各有weight和bias）

如果输出为0，说明类定义仍有问题，需检查是否正确继承nn.Module。

内容的提问来源于stack exchange，提问作者tommy