如何解决“ NotImplementedError”

问题描述

我定义了一个三层卷积层（self.convs），输入张量的形状为（[100,10,24]）

x_convs = self.convs(Variable(torch.from_numpy(X).type(torch.FloatTensor)))

>>Variable(torch.from_numpy(X).type(torch.FloatTensor)).shape

torch.Size([100,24])

>>self.convs

ModuleList(
  (0): ConvBlock(
    (conv): Conv1d(24,8,kernel_size=(5,),stride=(1,padding=(2,))
    (relu): ReLU()
    (maxpool): AdaptiveMaxPool1d(output_size=10)
    (zp): ConstantPad1d(padding=(1,0),value=0)
  )
  (1): ConvBlock(
    (conv): Conv1d(8,value=0)
  )
  (2): ConvBlock(
    (conv): Conv1d(8,value=0)
  )
)

当我开除x_convs = self.convs(Variable(torch.from_numpy(X).type(torch.FloatTensor)))时，它给了我错误

    `94             registered hooks while the latter silently ignores them.

     95         """

---> 96         raise NotImplementedError`

ConvBlock定义如下

class ConvBlock(nn.Module):
    def __init__(self,T,in_channels,out_channels,filter_size):
        super(ConvBlock,self).__init__()
        padding = self._calc_padding(T,filter_size)
        self.conv=nn.Conv1d(in_channels,filter_size,padding=padding)
        self.relu=nn.ReLU()
        self.maxpool=nn.AdaptiveMaxPool1d(T)       
        self.zp=nn.ConstantPad1d((1,0)        
        
    def _calc_padding(self,Lin,kernel_size,stride=1,dilation=1):
        p = int(((Lin-1)*stride + 1 + dilation*(kernel_size - 1) - Lin)/2)    
        return p                                                              
    
    def forward(self,x):
        x = x.permute(0,2,1)    
        x = self.conv(x)        
        x = self.relu(x)
        x = self.maxpool(x)     
        x = x.permute(0,1)    
        return x

“前进”功能具有正确的缩进，因此我无法弄清楚发生了什么。

解决方法

如果要按顺序执行这3层，则应使用nn.Sequential而不是nn.ModuleList。 nn.ModuleList没有实现forward()方法，但是nn.Sequential实现了。

如果您希望在forward()方法中有某些特殊行为，则可以继承nn.ModuleList的子类并覆盖其forward()。

您正在尝试调用ModuleList（即list（即Python中的列表对象），对其进行了稍微的修改以用于PyTorch。

一种快速解决方案是将self.convs称为：

x_convs = self.convs[0](Variable(torch.from_numpy(X).type(torch.FloatTensor)))

if len(self.convs) > 1:
    for conv in self.convs[1:]:
        x_convs = self.convs[0](x_convs)

也就是说，尽管self.convs是list，但每个成员都是Module。您可以使用其索引直接调用self.convs的每个成员，例如``self.convsan_index`。

或者，您可以借助functools模块来做到这一点：

from functools import reduce

def apply_layer(layer_input,layer): 
    return layer(layer_input)

output_of_self_convs = reduce(apply_layer,self.convs,Variable(torch.from_numpy(X).type(torch.FloatTensor)))

P.S。不过，Variable关键字已不再使用。

convolution python pytorch